2.2 Estimation de l'effet de la productivité globale
des facteurs sur la pauvreté au Cameroun
Il s'agit en effet de présenter les résultats de
la régression économétrique de notre modèle de
base. Ces résultats sont obtenus avec le logiciel STATA 12 et concernent
les données collectées auprès de différentes
sources et compilées en un fichier Excel. Nos attentes sont que les
résultats de ces estimations corroborent nos développements
théoriques et aussi dans une moindre mesure certains résultats
des travaux antérieurs sur l'effet de la productivité agricole
sur la pauvreté. La première partie de cette section est ainsi
consacrée à la présentation des résultats de
l'estimation et la deuxième partie à l'interprétation des
résultats de la régression.
2.2.1 Présentation des résultats de
l'estimation
Les résultats de l'estimation du modèle sont
présentés dans le tableau suivant :
69
Mémoire de Master II soutenu par : NGASSEU NOUPIE Elie
Tableau 4.2 : résultat de l'estimation des
paramètres du modèle par les MCO.
|
. u s e " D : \ D o n n é e s m é m o i r e d e N
g a s s e u \ d o n n
|
e s
|
f i n a l e s
|
d e u x i m e p a r t i e . d t a " , c l e a r _
|
|
_
|
|
. r e g r e s s t x p a u v r e t (c) p g f t c p l n p i b n
a t r a l n f o n d h a b , r o b u s t
L i n e a r r e g r e s s i o n N u m b e r o f o b s = 7
F ( 4 , 2) = 2 6 . 2 1
P r o b > F = 0 . 0 3 7 1
R - s q u a r e d = 0 . 8 6 0 8
R o o t M S E = . 2 1 6 5 1
|
t x p a u v r e t (c)
|
C o e f .
|
R o b u s t
S t d . E r r .
|
t
|
P > | t |
|
[ 9 5 % C o n f . I n t e r v a l ]
|
|
p g f t c p
l n p i b n a t r a
l n f o n d h a b
c o n s
|
- 5 . 0 3 1 9 4 2 7 . 5 3 5 6 6 7 - 4 . 5 6 5 0 5 1 . 0 0 8 2 6 3
5 7 . 9 7 3 8 9 2
|
1 . 2 9 2 3 9 9
2 . 3 1 5 1 8 6 2 . 6 7 9 1 2 3 . 2 8 8 3 8 1 4 2 1 . 5 8 4 2
4
|
3 . 8 9 3 . 2 5 - 1 . 7 0 0 . 0 3 0 . 3 7
|
0 . 0 6 0 0 . 0 8 3 0 . 2 3 1 0 . 9 8 0 0 . 7 4 7
|
. 5 2 8 8 0 1 9 . 4 2 5 7 7 2 - 1 6 . 0 9 2 3 8 - 1 . 2 3 2 5 4
2 - 8 4 . 8 9 5 5 8
|
1 0 . 5 9 2 6 9 1 7 . 4 9 7 1 1 6 . 9 6 2 2 8 4 1 . 2 4 9 0 6 8 1
0 0 . 8 4 3 4
|
_ _
Source : Calculs de l'auteur à
partir des données de la COUNTRY-STAT et de la WDI 2014 et du logiciel
STATA 12
Après cette présentation des résultats de
l'estimation, passons à présent à leur
interprétation.
2.2.2 Interprétation des résultats
2.2.2.1 Analyse de la significativité des
coefficients du modèle
L'analyse de la significativité du modèle se
fera en deux étapes : l'analyse du point de vue de la qualité
globale d'une part et celle de la qualité individuelle des coefficients
d'autre part. Dans un premier temps, nous allons nous interroger sur la
significativité globale du modèle, c'est-à-dire si
l'ensemble des variables explicatives ont une influence sur la variable
dépendante (Taux de pauvreté). Ce test peut être
formulé de la manière suivante : existe-t-il au moins une
variable explicative significative?
70
Mémoire de Master II soutenu par : NGASSEU NOUPIE Elie
L'appréciation de la qualité globale du
modèle se fait avec la statistique de Fischer, qui indique si les
variables explicatives ont une influence sur la variable dépendante.
Soit le test d'hypothèses suivant :
· H0: tous les coefficients du modèle sont nuls
· H1 : il existe au moins un coefficient non nul
L'arbitrage se fait par la comparaison de la valeur de la
F-statistique estimée à celle tabulée par Fischer. Le
logiciel STATA12 fournit automatiquement la probabilité associée
à la F-statistique calculée, ce qui facilite grandement
l'analyse. Il suffira donc de comparer la probabilité associée
à la F-statistique au seuil de 10% retenu. Dans le cas où la
probabilité associée à F-statistique calculée est
inférieur à 10%, alors l'hypothèse H0 sera rejetée
au profit de l'hypothèse alternative selon laquelle la régression
est globalement significative.
Dans notre cas, la statistique de Fisher calculée par le
logiciel STATA 12 est F= 26,21
et la Probabilité associé est inférieure
à 10% (0,0371 < 0.1), or la statistique lue dans la table de Fisher
à 4 et 2 degrés de liberté au seuil de 10% est de 7,85:
donc l'hypothèse nulle est rejetée et le modèle est
globalement significatif. Ce résultat est conforme à la valeur de
la statistique R2 (0,8608) qui renseigne aussi sur la qualité du
modèle économétrique (R2 tend vers l'unité) et qui
montre aussi le pouvoir explicatif des variables exogènes.
Résultat : le modèle est
globalement significatif et de bonne qualité, il y a au moins une
variable dans le modèle permettant d'expliquer le comportement du taux
de pauvreté au Cameroun.
Pour se prononcer sur la significativité individuelle
des variables, on utilise la statistique de Student directement fournie par
STATA 12. Lorsqu'au seuil considéré (dans notre cas 10%) la
valeur de la statistique de Student estimée est supérieure
à celle tabulée par Student, alors on retient l'hypothèse
de significativité de la variable. Il sera ici utilisé, la
probabilité de rejet que fournit le logiciel STATA 12 au seuil
retenu.
Les résultats de l'estimation montrent que seulement
deux variables sont statistiquement significatives vu la probabilité qui
leur est attribuée :
- La variable PGF est significative au seuil de 10% ;
- -La variable TCP est significative au seuil de 10%
L'étude économétrique ainsi
achevée, il convient de passer à l'analyse économique des
résultats obtenus.
71
Mémoire de Master II soutenu par : NGASSEU NOUPIE Elie
2.2.2.2 Analyse économique des
résultats de l'estimation
Nous allons à présent vérifier si les
variables explicatives utilisées dans notre modèle ont les signes
attendus et faire ressortir leur importance sur le comportement du taux de
pauvreté au Cameroun.
a- Les signes des variables
explicatives
Les signes des différentes variables explicatives de
notre fonction de taux de pauvreté au Cameroun sont les suivantes :
- Le signe négatif (-5.031942) de la variable PGF est
conforme à celui attendu.
- Le signe positif de la variable TCP (7.535667) est
conforme, puisqu'elle indique le fait que la croissance de la population est
positivement liée à la croissance du taux de pauvreté au
Cameroun
- La variable logarithme népérien du PIB non
agricole par travailleur (LNPIBNA/TRA) a un signe négatif (-4.565051) ce
qui est conforme à celui attendu.
- La variable logarithme népérien d'envoi de
fonds par habitant (LNFOND/HAB) a un coefficient dont le signe est positif
(.0082635).
b- Interprétation des variables
statistiquement significatives
Les variables statistiquement significatives sont au nombre de
deux (02) à savoir la productivité globale des facteurs (PGF) et
le taux de croissance de la population (TCP).
Sur la base de la lecture des t-student ou de leur
probabilité, on note que la variable d'intérêt du
modèle à savoir la productivité globale des facteurs (PGF)
a un coefficient négatif et significatif au seuil de 10%, soutenant
ainsi l'hypothèse assez évidente que la PGF est
corrélée négativement au taux de pauvreté au
Cameroun. Autrement dit, si la productivité globale des facteurs varie
d'une unité, le taux de pauvreté des agriculteurs au Cameroun
diminue de 5,32.
L'hypothèse de convergence est également
soutenue par le coefficient positif et significatif au seuil de 10% du taux de
croissance de la population (TCP). Ce qui veut dire que le taux de croissance
de la population est corrélé positivement au taux de
pauvreté au Cameroun. En d'autres termes, si le taux de croissance de la
population varie d'une unité, le taux de pauvreté de la
population agricole au Cameroun augmente de 7,54%.
72
Mémoire de Master II soutenu par : NGASSEU NOUPIE Elie
| 
