Les déterminants de l'inflation en RDC

4.3.4. Estimation à court terme

Après avoir confirmée l'existence d'une relation de long terme entre les variables, nous voudrions, dans ce paragraphe, mettre en évidence l'évolution à court et moyen terme de cette relation. A cet effet, nous allons adopter le modèle à correction d'erreur (ECM) utilisé en premier par Sargan (1984) et rendu populaire par Engle et Granger (1987)^11(*). Ce type de modèle permet de mettre en évidence comment la dynamique de court terme des variables du système est influencée par la déviation de l'équilibre de long terme. Il est basé sur une représentation autorégressive en différence première pour que tous les éléments soient stationnaires (Ceci est vrai si toutes les variables sont stationnaires en différence première). Le modèle se présente sous la forme suivante :

(7)

Les résultats de l'estimation du modèle vectoriel à correction d'erreur sont les suivants :

Tableau 11 : Modèle vectoriel à correction d'erreur

Variable dépendante DLP
Correction d'erreur	Coefficient	Ecart-type	Statistique de Student
CointEq1	-0.076587	(0.07292)	[-1.05027]
D(LP(-1))	0.645465	(0.33494)	[ 1.92711]
D(LQ(-1))	0.729127	(0.21757)	[ 3.35118]
D(LTE(-1))	-0.424564	(0.17662)	[-2.40388]
D(LM2(-1))	-0.571268	(0.15780)	[-3.62021]
D(LBR(-1))	-0.187633	(0.10114)	[-1.85524]
C	0.021804	(0.02228)	[ 0.97850]
R-carré	0.623626
R-carré ajusté	0.347618
Critère d'information d'Akaike	-4.615392
Critère de Schwarz	-1.447791

De ces résultats, nous retenons le modèle suivant en fonction des statistiques de Student calculées (le coefficient est significativement différent de 0 lorsque la statistique de Student est, en valeur absolue, supérieure à 2) :

DLP = 0,43D(LTE(-1)) + 0,57D(LM2(-1)) - 0,73D(LQ(-1)) (8)

(0,18) (0,16) (0,22

[2,40] [3,62] [3,35]

Il se trouve dans ce modèle que la chronique des prix est influencée à court terme par les chroniques du passé du taux de change, de la masse monétaire et du revenu national. Nous devons cependant procéder aux différents tests sur les résidus pour apprécier l'adéquation et la qualité du modèle à correction d'erreur en vue de le valider.

Ø Test de normalité des résidus

Figure 9 : Résultat du test de normalité des résidus de la relation de court terme

L'allure de la courbe des résidus issus de cette relation est normale. En plus, la statistique de Skewness est 0,91<1,96 : la distribution est symétrique et, la P-value de Jarque-Bera est 0, 99 > 0,05 alors, l'hypothèse nulle de normalité des résidus est acceptée au seuil de 5 %.

Ø Test d'autocorrélation des résidus

Tableau 12 : Résultats du test Breusch Godfrey

Breusch-Godfrey Serial Correlation LM Test:
F-statistic	0.154756	Probability	0.697504
Obs*R-squared	0.179392	Probability	0.671897

Nous remarquons que la statistique du test est 0,179<= 5,99 alors on accepte l'hypothèse nulle de non corrélation des résidus à l'ordre 1. En plus la P-value de la statistique de Fisher est 0,69>0,05 confirmant l'absence d'autocorrélation des résidus (voir annexe 11).

Ø Test d'hétéroscédasticité

Tableau 13 : Résultats du test d'hétéroscédasticité de White

White Heteroskedasticity Test:
F-statistic	2.584465	Probability	0.055171
Obs*R-squared	10.36085	Probability	0.065633

D'après les résultats du test d'hétéroscédasticité de White, l'hypothèse nulle d'hétéroscédasticité est rejetée car la statistique calculée est supérieure à la valeur du lue au seuil de 5 % et puis P-value est égale à 0,055.

* ¹¹ Beguy (2005)