Croissance économique et chômage en R.D.Congo. Vérification de la loi d'OKUN de 2000 à 2014.

2.3. MODELE ECONOMETRIQUE

Après le test d'ADF porté sur les variables de notre modèle, il

découle de la décision que les variables sont intégrées dans les ordres différents. De ce fait, nous sommes persuadé que la méthode de moindre carrée reste applicable pour l'estimation de notre modèle.

Pourtant cette méthode consiste à rendre minimal la somme des carrés des résidus.

Il est probable qu'avant d'estimer le modèle, de précaution méthodologiques garantes de la validation des résultats des MCO doivent être prises pour nous permettre de voir si le modèle sous satisfait les hypothèses de base des MCO, à savoir :

E (ut) = O, l'espérance mathématique des erreurs est nulle ;

E (ut,ut*)=O, pour ? t t, les erreurs sont non corrélées. C'est l'hypothèse d'absence d'auto corrélation ;

E (UU') : Si2 pour t?t, la variance des erreurs est constante, C'est

l'hypothèse d'homoscedasticité ;

Le vecteurs ut suit une loi normale de moyenne nulle et de variance constante ;

Le modèle et linéaire en ces paramètres ;

Le nombre d'observations est supérieur au nombre des paramètres ; L'absence de multi colinéarité.

Partant de ce fait, le modèle se présente comme suit :

Txc hom = /3 + /3 Txpib + /3 Txchang t o t t + /3 3 Tx inf l + 2 e 1 t

t

Avec Txchom : taux de chômage en RDC Txpib : taux de croissance du PIB en RDC

TSONGO MULWAHALI Patient, Mémoire : Création des entreprises et chômage en R.D.C : Vérification empirique de la loi d'OKUN. De 2000 à 2014

~ 77 ~

Txchange : taux de change en RDC

Txinfl : taux d'inflation enregistré en RDC

2.3.1 TESTS STATISTIQUES ASSOCIES AU MODELE a. tests sur les paramètres

Test de student

Le test de student est celui qui consiste à vérifier de manière individuelle la significativité des paramètres du modèle estimé.

Il est présenté comme suit :

Tc=

Tth=

Règle des décisions

Si la statistique calculée de student est supérieurs à celle de la table, le paramètre estimé est statistiquement significatif au seuil prédéfini. Dans le cas contraire, le paramètre n'est pas statistiquement significatif.

Test de Ficher

Le test de Ficher est celui qui va nous permettre de vérifier la significativité globale des paramètres du modèle.

Il est mathématiquement présenté de la manière suivante :

Fc= x Avec n= nombre K= nombre de paramètre estimé

Fth = (n-k, k-1)?

= (15-4, 4-1)

Règle des décisions

Si la statistique calculée de Ficher est supérieurs à celle de la table, les paramètres estimés sont statistiquement significatif au seuil prédéfini.

TSONGO MULWAHALI Patient, Mémoire : Création des entreprises et chômage en R.D.C : Vérification empirique de la loi d'OKUN. De 2000 à 2014

ru 78 ru

Dans le cas contraire, ces paramètres ne sont pas statistiquement significatifs.

Coefficient de détermination

Pour vérifier le degré d'explication du modèle, nous allons utiliser le coefficient de détermination (R²).

Mathématiquement :

R²=

b. tests sur les variables

Test de multi colinéarité

Le test de multicolinéarité nous permet de voir si les variables indépendante du modèle sont liées les unes des autres.

Suivant Klein, il y'a multi colinéarité si rij=R² dans le cas contraire, on parle d'absence de multicolinéarité. Ce test consiste à comparer le R² de la régression aux coefficients de corrélation partielle.

Test de linéarité de Ramsay

Ce test mise en application par Ramsey consiste à vérifier si d'une part la forme fonctionnelle est correcte et d'autre part si les variables du modèle sont mesurées avec erreur.

Un test qui consiste à vérifier la linéarité des paramètres du modèle estimé. Règle des décisions : nous partons des hypothèses suivantes

H0 : P>0,05 ; le modèle est linéaires en ces paramètres

H1 : P<0,05 ; le modèle n'est pas linéaire en ces paramètres.

Test de stabilité de Cusum carrée

Le test de Cusum carrée consiste à vérifier si les données utilisées sont stables au cours du temps.

Il suffit de vérifier sur la courbe de Cusum carré, si la courbe coupe les corridors du graphique du Cusum.

Si, elle coupe les corridors, nous supposerons qu'il y a eu des chocs à l'économie au cours de cette période. Dans ce cas, il sera utile de

TSONGO MULWAHALI Patient, Mémoire : Création des entreprises et chômage en R.D.C : Vérification empirique de la loi d'OKUN. De 2000 à 2014

~ 79 ~

corriger cette erreur en introduisant la variable Dummy pour tenir compte de ces chocs.

Test d'auto corrélation des erreurs

Il y a autocréation des erreurs lorsque ceux-ci sont liés suivant les unes des autres.

L'estimation d'un modèle qui admet ce biais sans pour autant le corrigé conduit à des résultats fallacieux.

Pour ce qui concerne la règle des décisions, nous partons des hypothèses suivantes :

H0 : P>0,05 ; il y a absence d'autocorelation des erreurs H1 : P<0,05 ; il y a présence d'autocorelation des erreurs.

Test d'héteroscédasticité de white

On parle de l'héteroscédasticité découle de l'hypothèse classique selon le quelle il existe la non fixité de la variance dans le temps. Le test de white consiste à vérifie si le carré des résidus peut être expliqué par les variables de modèle.

H0 : P>0,05 ; il y a absence héteroscédasticité, H1 : P<0,05 ; il y a présence héteroscédasticité.

Test de normalité de Jarque Bera

C'est le plus utilisé des tests de normalités.il repose sur les résidus de régression et s'accompagne des indicateurs de skiées et de Kurtosis destinée à mesurer respectivement le degré d'asymétrie et d'aplatissement. Hypothèses :

H0 : si P>0,05 et que la stat de JB< 5,99 ; il ya normalité des résidus,

H1 : P<0,05 et la stat de JB> 5,99 ; les résidus ne sont pas normalement distribué.

TSONGO MULWAHALI Patient, Mémoire : Création des entreprises et chômage en R.D.C : Vérification empirique de la loi d'OKUN. De 2000 à 2014

~ 80 ~