LogINFL=a0+a1*LogM2t+a2*LogTCHANGEt+a3*LogPIBt+a4*LogCFMt+a5*LogDPut+a6*LogIPM+a7*LogINFLt-1+åt.
Alors, dans l'équation inspirée des travaux
réalisés par d'autres chercheurs, on peut y insérer ou
remplacer certaines variables pour rendre adaptatif le modèle.
Ainsi, après le remplacement de certaines variables,
le modèle suivant est retenu dans ce travail :
IPC=a0+ a1*M2+a2* PIB +a3*TC +a4TID +a5*TREF+ åt
Les variables à notre disposition et qui sont
utilisées dans la régression n'ont pas subies des transformations
en logarithmes. Nous avons pris la décision de les utiliser en
état brut pour pouvoir les interpréter tels qu'ils sont.
Ainsi, nous avons opté d'utiliser la nomenclature
suivante :
IPC : Indice des prix à la consommation (pris comme
indicateur privilégié
de l'inflation)
M2 : La masse monétaire
PIB : Le Produit Intérieur Brut
TC : Le Taux de Change (Du Franc Burundais par rapport
au dollar US)
TID : Le Taux d'Intérêt Débiteur
(Des banques commerciales)
TREF : Taux de Refinancement (Taux Directeur)
III.5.Test de diagnostic
III.5.1.Test de significativité globale et
individuelle des coefficients du modèle
Pour juger si le modèle économétrique est
significatif et/ou les variables prises individuellement sont significatives,
on a utilisé la valeur de la statistique F de Fisher pour la
significativité globale du modèle et la valeur de la statistique
t de Student pour la significativité des variables prises
individuellement.
Dans l'un comme dans l'autre cas, la significativité
est acceptée si la valeur empirique est supérieure à la
valeur tabulée ou si la probabilité estimée est
inférieure à 5%.
Par ailleurs, la valeur du coefficient de détermination
R2 et surtout R2 ajusté, nous permet de juger de
la validité ou non du modèle.
C'est-à-dire la proportion de la variation totale de la
variable dépendante due à la présence des variables
explicatives. Les erreurs standards de la régression(SER) ont
été mises à profit pour analyser la validité du
modèle.
II.5.2. Test sur les résidus du modèle
II.5.2.1. Test de normalité
Les mesures de tendances centrales et celles de dispersion,
les paramètres de forme (coefficient d'asymétrie et
d'aplatissement) et le test de normalité (Jarque-Bera) sont tels que
présentés ci-dessous.
L'hypothèse de normalité des termes d'erreur
joue un rôle essentiel car elle va préciser la distribution
statistique des estimateurs.
C'est donc grâce à cette hypothèse que
l'inférence statistique peut se réaliser. L'hypothèse de
normalité peut être testée sur les variables du
modèle ou sur les termes d'erreur.
Un coefficient d'aplatissement nul n'implique qu'une
distribution symétrique; alors qu'un coefficient négatif indique
l'asymétrie du côté gauche et un coefficient positif une
asymétrie du côté droit.
Concernant le coefficient d'aplatissement, une valeur
égale à 3 exprime une distribution normale; alors qu'une valeur
supérieure à 3 exprime une distribution moins aplatie que la
normale, et la valeur inférieure à 3 indique une distribuions
plus aplatie que la normale. La statistique de JB suit sous l'hypothèse
de normalité une loi de khi-deux à deux degrés de
liberté.
On accepte l'hypothèse si la statistique de JB est
inférieure à 5,99% ou si la probabilité est
supérieure à 5%. On rejette l'hypothèse de
normalité si la statistique est supérieure à 6% ou si la
probabilité est inferieure à 5%.
| 
