2-2 Analyse
multivariée
2-2-1 Vérification
de l'absence du problème de multi-colinarité
Tableau 4 : Le VIF pour notre modèle
|
Variables VIF
1/VIF
|
|
TA 7.93 0.126151
|
|
ST 7.09 0.141050
|
|
RO 2.37 0.422510
|
|
ROA
2.31 0.433239
|
|
AD 1.75 0.570755
|
|
OC 1.30 0.766565
|
|
Moyenne VIF 3.79
|
Le tableau 3 ci-dessus présente la matrice des
corrélations de Pearson et de Spearman et il rapporte les relations
entre les variables du notre modèle. Il s'agit de tester l'existence du
problème de multi-colinéarité entre les variables
explicatives. En ce référent aux travaux du (Gujarati (2004)), ce
problème existe lorsque la corrélation entre les variables
dépasse 0.8. Ce pendant, nos résultat du tableau montre que la
corrélation des variables explicative est inferieur à 0.8, d'ou
l'absence du problème de multi-colinéarité. Une
deuxième méthode de vérifier la présence de ce
problème est celle utilisé le VIF (Variance Inflation Factor). A
ce stade la colinéarité ne présente pas un problème
lorsque la valeur de VIF est inférieure à 10. (Neter et al.
1989), alors que Chatterjee et Price (1991) montre que :
- Si 1/VIF supérieur à 10 : correspond à
une tolérance inferieur à 0.1 Présence du
problème de multi-colinéarité.
-Si 1/VIF supérieur à 10 : correspond à
une tolérance supérieure à 0.1 Absence du
problème de multi-colinéarité.
- Si 2/ une moyenne de VIF supérieur à 1
On dit que la variable explicative est une combinaison
linéaire de certains variables explicatives.
D'après le tableau 4, on constate que les valeurs de
VIF varient entre 1.30 et 7.93 bien en dessous de la valeur critique 10, ainsi
que le VIF moyen égale 3.79, cela implique l'absence du problème
de multi-colinéarité entre les variables du notre modèle.
Donc il est important de passer à l'étude des
spécifiés des données de panel.
| 
