Fluctuation du Taux de change en Haiti, une analyse de ses principales causes, de 1996 à 2005

1.3.3.- Test d'autocorrélation

Les séries temporelles sont souvent porteuses d'autocorrélation des erreurs, alors utilisent le test qui suit, afin de déceler tout risque d'autocorrélation.

1.3.3.1.- Test de Breusch-Godfrey

Principe du test et Règle de décision :

L'hypothèse testée est celle de l'autocorrélation (de rang 1 et 2) des résidus. Le protocole du test consiste à régresser les résidus sur toutes les variables explicatives du modèle et sur les résidus retardés respectivement de 1ère et 2ème périodes. Si le modèle est globalement significatif ou s'il y a un R² élevé, alors on peut présumer à 95% qu'il existe dans le modèle une autocorrélation des résidus de rang 1 et/ou 2. La précision sur le rang de l'autocorrélation est fournie par le test de Wald sur les estimateurs des résidus retardés sur le terme d'erreur. Si la probabilité associée à la statistique de Fisher (F-statistic) est inférieure à 5%, on conclut qu'il y a autocorrélation des résidus dans le modèle.

Réalisé à partir du logiciel E-views 4.1, le test de Breusch-Godfrey fournit les résultats suivants :

Test d'autocorrélation, Tableau # 11

Breusch-Godfrey Serial Correlation LM Test:
F-statistic	1.092597	Probability		0.339056
Obs*R-squared	2.381624	Probability		0.303974

Source : résultat généré par E-views

Il semble que le modèle est exempt d'autocorrélation, avec une probabilité supérieure à 5% et un R² peu élevé^40(*), donc nous pouvons poursuivre avec les tests de validité.

1.3.4.- Test d'Hétéroscédasticité

Ce test est utilisé, pour vérifier si les variances des erreurs ne sont plus sur la première diagonale, donc la variance de l'erreur est alors liée aux valeurs de la variable explicative. Utilisons le test de White afin de détecter tout risque d'Hétéroscédasticité.

1.3.4.1.- Test de White

L'hypothèse testée est celle de l'Hétéroscédasticité des résidus. Si le modèle est globalement significatif ou s'il y a un R² élevé, alors on peut présumer à 95% qu'il existe dans le modèle d'Hétéroscédasticité. En principe, s'il est observé dans une équation une quelconque Hétéroscédasticité, c'est toujours le fait d'une ou de plusieurs variables. Si la probabilité associée à la statistique de Fisher (F-Statistic) est inférieure à 5%, nous disons qu'il y a Hétéroscédasticité des résidus dans le modèle. Le tableau suivant nous donne le résultat fourni par E-views.

Test d'hétéroscédasticite, Tableau # 12

White Heteroskedasticity Test:
F-statistic	1.336137	Probability		0.194622
Obs*R-squared	19.38365	Probability		0.196872

Source : résultat généré par E-views

 

Avec un R2 = 4 %^41(*), et la probabilité associée à la statistique de Fisher qui est supérieur à 5 % (19 %), même si tous nos estimateurs ne sont pas significatifs, nous pouvons conclure qu'il n'existe pas d'Hétéroscédasticité dans le modèle.

* ⁴⁰ Voir annexe II

* ⁴¹ Voir annexe III