Incidence de la politique monétaire sur la croissance en république démocratique du Congo de 2003 à 2018.

3.4.2. DIAGNOSTIC DES MODELES

Le diagnostic permet de déterminer le niveau de validité économétrique du modèle au moyen des différents tests.

a. SPECIFICATION

Dans les études de données de panel, il apparait nécessaire de s'assurer de la spécification homogène ou hétérogène du processus générateur des données, (Doucouré, 2008). Cela revient à tester l'égalité des coefficients du modèle étudié dans la dimension individuelle.

1^er modèle

Ramsey RESET Test
Equation: UNTITLED
Specification: LCRED LCRED(-1) LRO LRO(-1) LRO(-2) LRO(-3) LRO(-4) LTXDIR
LTXDIR(-1) LTXDIR(-2) LTXDIR(-3) LTXDIR(-4) LBNBCC LBNBCC(-1)
LBNBCC(-2) LBNBCC(-3) LBNBCC(-4) LBNBCC(-5) C
Omitted Variables: Squares of fitted values
	Value	df	Probability
t-statistic	0.140776	40	0.8888
F-statistic	0.019818	(1, 40)	0.8888
Likelihood ratio	0.028729	1	0.8654

2^e modèle

Ramsey RESET Test
Equation: UNTITLED
Specification: CSS CSS(-1) CSS(-2) CSS(-3) CSS(-4) LCRED LCRED(-1)
Omitted Variables: Squares of fitted values
	Value	df	Probability
t-statistic	1.231934	52	0.2235
F-statistic	1.517662	(1, 52)	0.2235
Likelihood ratio	1.697312	1	0.1926

b. HETEROSCEDASTICITÉ DES MODÈLES

L'identification de l'hétéroscédasticité peut être faite à l'aide de plusieurs tests, par exemple les tests de Breusch-Pagan, test de Goldfeld, test de Gleisjer et test de White. Dans notre étude, nous prenons le test de Breusch-Pagan pour tester l'hétéroscédasticité, le problème du test est le suivant :

· H0 : homoscédasticité

· H1 : hétéroscédasticité

Si la probabilité associée au test est inférieure à á, on rejette l'hypothèse d'homoscédasticité (H0). En revanche, si la probabilité est supérieure à á, l'hypothèse nulle est vérifiée et nous pouvons supposer l'homoscédasticité des résidus. Avec á = 5% = seuil de significativité.

1^er modèle

Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic	0.281599	Prob. F(16,41)		0.9959
Obs*R-squared	5.742686	Prob. Chi-Square(16)		0.9906
Scaled explained SS	13.23849	Prob. Chi-Square(16)		0.6552

2^e modèle

Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic	1.149335	Prob. F(6,52)		0.3476
Obs*R-squared	6.908184	Prob. Chi-Square(6)		0.3294
Scaled explained SS	19.63751	Prob. Chi-Square(6)		0.0032

Les tableaux ci-dessus nous renseignent l'absence d'autocorrélation des erreurs dans les deux modèles, l'absenced'hétéroscédasticité des modèles estimés. Ce qui confirme que nos deux modèles sont bien spécifiés.

c. STABILITE DES MODELES

Le test CUSUM permet d'étudier la stabilité structurelle du modèle estimé au cours du temps.
Ce test nous a permis de voir si les modèles estimés sont stables pendant les années d'étude.
L'hypothèse nulle est un modèle structurellement stable contre l'hypothèse alternative qui
stipule un modèle structurellement instable.

1^er modèle et 2^e modèle

Test de Cusum

Si la courbe sort du corridor, il y a instabilité du modèle. Ici, nous constatons que les courbes de nos deux modèles nesortent pas des bandes des corridors. Ainsi, nous concluons que les modèles sont stables au seuil de5% sur toute la période.