Les déterminants de l'inflation en RDC

4.3. Estimation du modèle et validation

Les méthodes classiques d'estimation supposent que les séries utilisées sont stationnaires. Or, suite aux développements récents en séries temporelles, il est aujourd'hui usuel que les principaux agrégats macroéconomiques ne peuvent plus être représentés comme des séries stationnaires autour d'une tendance déterministe. Il est donc de plus en plus opportun de prendre en compte leur degré de stationnarité et d'étudier la permanence des chocs stochastiques. Avant toute estimation, nous devons d'abord étudier la stationnarité des séries.

4.3.1. Étude de la stationnarité des différentes variables

Nous exposons de façon explicite ce que nous avons fait sur la série LIPC. Les autres résultats seront alors présentés sous forme de tableau. Tout d'abord, l'analyse graphique des différentes variables laissent apparaître une tendance à la hausse, même si l'on peut noter des changements de régime en tendance (voir figure 6).

Figure 6 : Évolution des différentes séries

L'apparence de ces différentes courbes nous laisse penser que toutes les séries présentées ici ne sont pas stationnaires. Nous devons par conséquent procéder à un test de racine unitaire pour mieux appréhender leur comportement. À cet effet, nous allons adopter la méthode du test de Dickey-Fuller Augmenté (ADF) qui permet de prendre en compte l'autocorrélation possible de la série différenciée via une correction utilisant les valeurs retardées. Rappelons que l'hypothèse nulle de ce test est la non stationnarité de la série étudiée, c'est-à-dire l'existence d'au moins une racine unitaire. D'abord, nous le faisons à niveau puis en différence première pour rechercher l'ordre d'intégration de la série.

Ø Le test d'ADF en niveau

Figure 7 : Corrélogramme de la série LP

L'observation du corrélogramme ci-dessus nous révèle l'existence d'au moins une corrélation partielle. Dans ce cas, nous allons choisir le nombre de retard p = 1 pour notre test d'ADF (Augmented Dickey-Fuller). Le résultat du test d'ADF en niveau figure dans le tableau suivant :

Tableau 2 : Test d'ADF en niveau de la série LP

Les résultats nous révèlent que la tendance et la constante sont significativement différentes de zéro puisque leurs P-values sont respectivement 0,0288 et 0,0121 et inférieures au seuil de 5 %. Par contre, la statistique du test d'ADF vaut -2,57 supérieures à la valeur critique de -3,58 au seuil de 5 %. L'hypothèse nulle n'est donc pas rejetée : il existe une racine unitaire et, par conséquent, nous concluons que la série n'est pas stationnaire.

Ø Le test d'ADF en différence première

Nous avons d'abord le corrélogramme de la série D(LP).

Figure 8 : Corrélogramme de la série différenciée D(LP)

Le test d'ADF en différence première avec un retard p = 1 et comportant la tendance et la constante fournit, au seuil de 5 %, une valeur critique de -3,57 inférieure à la statistique du test d'ADF, ce qui nous amène à la même conclusion que précédemment. En plus, les t-statistiques de la tendance et de la constante ne sont pas significativement différents de zéro (ils sont respectivement 0,72 et 1,7). De même, lorsque nous procédons au test en gardant tout simplement la constante et p = 1, la statistique du test d'ADF reste toujours supérieure à la valeur critique obtenue au seuil de 5 % (-2,89 > -2.98). Mais pour p = 0 et gardant uniquement la constante, les résultats sont les suivants :

Tableau 3 : Test d'ADF en différence première de la série LP

À ce niveau, les résultats du test témoignent que la série est stationnaire. L'hypothèse nulle de l'existence de racine unitaire est rejetée car on constate que :

ü La statistique du test d'ADF (-3,45) est inférieure à la valeur critique (-2,97) au seuil de 5% ;

ü Le P-value (0,001944) est significativement inférieure au seuil de 5 % ;

ü Le Fisher calculé est 11,88 supérieur à la valeur lue sur la table au seuil de 5 % (4,17) ;

ü Les t-statistiques de la constante et de la variable D(LP(-1)) sont supérieurs à la valeur critique de 2 au seuil de 5 % ;

ü La statistique de Durbin- Watson est sensiblement égale à 2.

Nous pouvons donc conclure que la série LP est stationnaire en différence première puisqu'il faut la différencier une fois avant qu'elle ne le soit.

En soumettant toutes les autres séries à la même procédure, nous obtenons les résultats regroupés dans le tableau suivant :

Tableau 4 : Récapitulatif du tes d'ADF sur toutes les variables

Variables	T-statistique	Valeur critique au seuil de 5 %	Nombre de retard	Avec trend	Avec constante
TEST D'ADF EN NIVEAU
LP	-2,57	-3,58	1	oui	Oui
LQ	-2,86	-3,58	1	oui	Oui
LM2	-2,51	-3,58	1	oui	Oui
LBR	-1,51	-3,58	1	oui	Oui
LTE	-2,28	-3,58	1	oui	Oui
TEST D'ADF EN DIFFERENCE PREMIERE
D(LP)	-3,45	-2,97	0	non	Oui
D(LQ)	-3,23	-1,95	0	non	Non
D(LM2)	-5,1	-2,97	1	non	Oui
D(LBR)	-4,86	-1,95	0	non	Non
D(LTE)	-4,5	-1,95	0	non	Non

En conclusion, les valeurs de la statistique ADF obtenues pour les variables en niveau sont toutes supérieures à la valeur critique au seuil critique de 5%. On ne rejette donc pas l'hypothèse nulle de l'existence de racine unitaire pour toutes les variables. Elles ne sont pas stationnaires en niveau. En outre, les statistiques ADF calculées sur les variables prises en différence première sont toutes inférieures à la valeur critique au seuil de 5%. Nous pouvons donc conclure que les séries sont toutes intégrées d'ordre 1. Ainsi, la stationnarité est vérifiée à un ordre d'intégration égal à 1.

Toutefois, en procédant aux tests de causalité de Granger, on remarque que pour un retard d'une période au seuil de 5 %, seule l'hypothèse selon laquelle le LQ ne cause pas le LM2 est acceptée (voir annexe 8). Ce qui signifie qu'excepté ce cas, il existe des relations directes entre les différentes variables. D'après l'étude de stationnarité de nos séries, nous avons conclu que toutes les variables sont intégrées d'ordre 1, alors nous allons, dans les lignes qui suivent, procéder au test de cointégration. Cela dans le but de mettre en évidence le type de relation qui existe entre les variables.