WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Gestion du résultat, les déterminants de la structure financière et le coàt de la dette: étude empirique sur les entreprises tunisiennes non financières cotées


par Mohamed Ali Saadellaoui
University of Carthage - Finance 2016
  

précédent sommaire suivant

2-1-2 Analyse des corrélations

Afin d'évaluer la liaison entre les différentes variables, il est fréquent d'utiliser le coefficient de corrélation de Pearson. Ce coefficient mesure les relations entre les variables prises deux à deux. Généralement sa valeur est comprise entre -1 et 1. La valeur proche de 1, implique une forte corrélation positive, au contraire la valeur proche de -1 indique une forte corrélation négative. Comme les variables peuvent être considérées comme aléatoires, nous pouvons utiliser les tests de corrélation qui sont des tests d'hypothèses permettant de mesurer la significativité des corrélations obtenues.

Généralement, il existe deux types de tests de corrélation : les tests paramétriques (test de Pearson) qui supposent la normalité des variables et les tests non-paramétriques (test de Spearman) utilisés dans le cas où les variables ne suivent pas la loi normale. Le test d'hypothèse se présente de la forme suivante :

H0 : absence de corrélation. H1 : présence de corrélation

L'utilisation des tests de corrélations permettant de vérifier l'existence des problèmes de multi-colinéarités. En effet, un coefficient de corrélation supérieur à 0.08 implique un vrai problème de multi-colinéarité (Kenndy (1985)). Par la suit nous allons utiliser les statistiques de Variance Inflation Factors (VIF) après chaque régression. Ces statistiques permettent d'identifier les variables qui ont des problèmes de multi-colinéarité. Ce pendant, pour résoudre ce problème il est obligatoire d'éliminer la variable ayant un VIF la plus élevé et refaire la régression. Si les valeurs obtenu est inferieur à 10 on dit qu'il n'existe pas de problème de multi-colinéarité (Chatterjee et al 2000)

L'étude de corrélation entre les variables est illustrée par la matrice des corrélations de Pearson et de Spearman. Les valeurs en dessus de la diagonale représentent les corrélations de Spearman et celles en dessous sont ceux de Pearson.

Le premier résultat a attiré de cette analyse est que la structure financière (ST), la rentabilité de la firme (ROA) et la taille de l'entreprise (TA) sont positivement corrélés et statiquement non significatif au seuil de 1% avec le coût de la dette. Nos résultats ne sont pas conformes aux résultats trouvés par la littérature tel que Tendeur (1999), Draeif (2010) et Draeif et Chouigui (2012) qui impliquent qu'il ya une association négative et statiquement significative au seuil de 1% entre la taille de la firme et le coût de la dette. En outre, nos résultat son en accord avec certains travaux des chercheurs. En effet, Draeif et Chouigui (2012) mettent en évidence l'existence d'une relation positive et significative au niveau de 1% entre le niveau d'endettement et le coût de la dette.

De plus, les deux variables opportunités de croissance et les accruals discrétionnaires ont une relation inverse et non significative à 1% avec le coût de la dette. Ces résultats sont contredises aux travaux du Chen (2002), Draief (2010) et Draief et Chougui (2012) qui montrent que les opportunités de croissance sont corrélés positivement avec le coût de la dette. Ceci implique que les entreprises qui ont des fortes opportunités de croissance ont des coûts d'endettements plus élevé, ainsi, les entreprises en croissance sont plus confronté aux problèmes des substituions des actifs et de sous investissement. Par ailleurs, Draief et Chougui (2012) soulignent l'existence d'une relation positif et signification au seuil de 1% entre la gestion du résultat et le coût de la dette.

précédent sommaire suivant