III.5.
Interprétation des résultats
Au niveau de la significativité individuelle des
variables la probabilité critique de la statistique de Student nous aide
à nous prononcer sur la pertinence ou non d'une variable. En fait, la
probabilité critique donne les chances d'être dans l'espace de
nullité. Si la probabilité critique est inférieure au
seuil (généralement 5%), nous rejetons l'hypothèse de
nullité du coefficient au profit de l'alternative de non nullité
du coefficient.
La vitesse d'ajustement de la fonction du différentiel
d'équilibre entre l'épargne et l'investissement est la cible de
LT ou encore la force de rattrapage de tout déséquilibre
précédemment cumulé est indiquée par le coefficient
du terme d'erreur. Ce dernier est négatif (-1,834) et est significatif
au seuil de 5%, d'où la validité de notre modèle.
La significativité globale de la relation
estimée cherche à savoir s'il existe au moins un coefficient
parmi tous les coefficients, à l'exception de la constante, qui soit
significativement différent de zéro. Lorsque la statistique de
Fisher est supérieure à la valeur tabulée au seuil de 5%
et sa probabilité critique est inférieure au seuil de 5%, on
conclut à la significativité globale de la relation
estimée.
Dans notre estimation, nous constatons également que le
coefficient de détermination R² et R²-ajusté sont
élevés. Ils sont de l'ordre de 83,95% et 77,26% respectivement.
Ceci nous pousse à dire que le différentiel d'équilibre
est expliqué à 83,95 % par les variables du modèle et le
modèle est globalement bon. Aussi, la valeur des erreurs standard de la
régression pour notre équation estimée est
inférieure à l'unité.
Pour l'analyse de
l'hétéroscédasticité autorégressive
conditionnelle des résidus, nous avons utilisé le test ARCH-LM de
Engle (1982). Ce test est fondé soit sur le test classique de Fisher,
soit sur le test du multiplicateur de Lagrange (LM). Ce test formule
l'hypothèse de nullité des coefficients des carrés des
résidus décalés contre l'alternative sous laquelle il y a
au moins un des coefficients des carrés des résidus
décalés qui est statistiquement non nul.
Le test ARCH-LM suit une distribution de ²(,1)
avec : seuil de signification (ici 5%) et 1 : nombre de
coefficients affectés à ces carrés des résidus
décalés. Le rejet de l'hypothèse nulle signifie,
l'acceptation de la présence de
l'hétéroscédasticité conditionnelle des
résidus. Pour notre cas, l'hypothèse nulle est acceptée
car la probabilité critique (69,19%) est supérieure au seuil de
5%. On conclut que les résidus du modèle sont
homoscédastiques.
L'autocorrélation des résidus a
été testée à l'aide du test du multiplicateur de
Lagrange de Breusch-Godfrey pour l'autocorrélation des résidus
d'ordre n. Sous l'hypothèse nulle, toutes les autocorrélations
sont statistiquement nulles. L'acceptation de l'hypothèse nulle revient
à prouver la non autocorrélation des résidus. Cette
décision est prise si la statistique de Breusch-Godfrey calculée
est inférieure à la valeur critique (5,99). La même
conclusion est prise si la probabilité critique de cette statistique est
supérieure au seuil de signification de 5%. La statistique du test de
Breusch-Godfrey reporte une valeur de 5,743 avec une probabilité de
5,66%. On accepte donc l'hypothèse nulle de l'absence
d'autocorrélation des erreurs d'ordre un.
Pour tester la normalité des résidus, le test
J-B dite de JARQUE et BERRA a été utilisé. Ce test suit
une distribution de Chi-deux à deux degrés de liberté
²(2). Il formule l'hypothèse nulle de distribution
normale des résidus et cette hypothèse n'est acceptée que
si la statistique J-B est inférieure à la valeur critique
²(2) = 5,99. Cette normalité des résidus est
aussi conclue lorsque la probabilité critique est supérieure au
seuil de 5%. Ainsi, La statistique de J-B est de 2,3 avec une
probabilité de 31,66%. On conclut que les résidus sont
normalement distribués.
Pour vérifier s'il n'y a pas des variables omises dans
le modèle et si la spécification est correcte, nous avons fait
recours au test de Ramsey RESET. Ce test procède par régression
successive en ajoutant des variables supplémentaires à la
régression initiale. Sous l'hypothèse nulle, les coefficients
estimés des régresseurs supplémentaires sont
statistiquement nuls, il n'y a donc pas d'erreur de spécification ou de
variables pertinentes omises. L'hypothèse nulle est aussi retenue si la
probabilité critique de la statistique F-RESET est supérieure au
seuil de significativité (ici 5%). Pour notre estimation, la
probabilité F-RESET est de 76,18%. Il n'y a donc pas de variables omises
dans le modèle et par conséquent la spécification du
modèle est bonne.
L'analyse de la stabilité de notre MCE du
différentiel d'équilibre entre l'Epargne et l'Investissement a
été faite sur base des tests des résidus récursifs,
CUSUM et CUSUM of SQUARES TESTS mis au point par BROWN, DURBIN et EVANS en
1975. Le test de CUSUM teste la présence ou non de l'instabilité
systématique et le test CUSUM of SQUARES teste quant à lui la
présence ou non de l'instabilité aléatoire. L'observation
des graphiques de ces tests en annexe, nous montre une stabilité
systématique du modèle.
Pour ce qui est de l'explication économique, les
variables qui ont été retenues sont DLNDP, DLNTIC et DLNDP (-1).
En effet, les coefficients associés aux variables DLNDP, DLNTIC et DLNDP
(-1) sont significatifs au seuil de 5%. Les coefficients associés aux
variables DLNTIC et DLNDP (-1) sont -2,733 et -1,049 respectivement et
traduisent une élasticité négative tandis que le
coefficient associé à la variable DLNDP est 1,299 traduit une
élasticité positive.
Les dépenses publiques courantes influencent
positivement le différentiel d'équilibre courant et donc
négativement l'équilibre entre l'épargne et
l'investissement. Autrement dit, une augmentation de 10% des dépenses
publiques provoque une augmentation de l'écart entre l'épargne et
l'investissement de 12,99%. Donc, une augmentation des dépenses
publiques favorise le déséquilibre entre l'épargne et
l'investissement soit en diminuant l'épargne, soit en augmentant
l'investissement.
Le chapitre trois et dernier chapitre de notre travail vient
d'être clôturé. Le modèle à correction
d'erreur est validé, les résultats des tests de diagnostic
montrent que les résidus vérifient toutes les hypothèses
du modèle linéaire. Nous allons terminer notre travail par une
conclusion générale pour confirmer ou infirmer nos
hypothèses de départ.
| 
