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

 > 

Changements climatiques et production agricole dans les pays de la CEEAC


par Blaise Ondoua Beyene
Université de Yaoundé 2 - Master Degree 2019
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

2.2 Estimation, présentation des résultats et interprétations

Dans cette sous-section, nous allons présenter tour à tour la méthode d'estimation (2.2.1), les résultats de l'estimation et une interprétation de ces résultats (2.2.2).

2.2.1 Méthode d'estimation

Pour apporter les éléments de réponse à notre question de recherche et mettre en évidence l'efficacité des stratégies d'adaptation aux changements climatiques sur le rendement agricole, nous avons privilégié l'approche économétrique, en faisant recours à la modélisation en données de panel. L'utilisation des données de panel présente trois avantages : une double variabilité qui prend en compte à la fois la dimension individuelle et la dimension temporelle ; elle permet de contrôler l'hétérogénéité inobservable et l'invariance dans le temps et permet d'atténuer le biais d'omission des variables car si les variables omises ne changent pas dans le temps alors tout changement de la variable dépendante à travers le temps ne peut être causé par les variables omises (Engoung et al., 2018).

2.2.2 Estimation, présentation des résultats et interprétation

Nous présentons en (2.2.2.1) la procédure d'estimation en (2.2.2.2) les résultats et l'interprétation.

2.2.2.1 Procédure d'estimation

Pour procéder à l'estimation du modèle dans le cadre de notre étude, nous nous referons aux travaux de '''''Quan et al. (2019) qui ont mis en évidence l'adaptation aux changements climatiques et leur impact sur le rendement du blé. En plus, nous nous referons aux travaux de -de Medeiros Silva et al. (2019) qui sur la période de 1990 à 2015 ont estimé les effets des changements climatiques sur la production de canne à sucre dans l'Etat de Paraíba (Brésil) en adoptant une approche par panel. De ce fait, ces auteurs ont utilisé un modèle linéaire de régression multiple pour évaluer l'influence des changements climatiques sur la production de la canne à sucre. Ils tiennent compte uniquement des températures et des précipitations dans la construction de leur modèle économétrique.

L'utilisation des données de panel nécessite d'effectuer un choix entre modèles à effets fixes et modèles à effets aléatoires. De ce fait, nous recourront au test de spécification de Hausman (1978). Les résultats de ce test sont présentés dans le tableau ci-dessous.

Tableau 4.2: Résultats du test de Hausman

Modèle

Statistique du test

p-value

Modèle 1(banane)

55,37

0,0000

Modèle 2(cacao)

200,5

0,0000

Modèle 3(café)

11,06

0,1362

Modèle 4(coton)

49,28

0,0000

Source : Auteur, résultats des tests d'Hausman (1978)29(*) effectués par le logiciel STATA 15.1avec les données de FAOSTAT (2018), CCKP (2018) et de la WDI (2018)

Des résultats de ce tableau (tableau 4.2), il ressort que le modèle 1 est à effets fixes, les modèles 2, 3 et 4 sont à effets aléatoires.

Avant de procéder à l'estimation de ces différents modèles, nous réalisons d'abord les tests liés à l'autocorrélation et à l'hétéroscédasticité (Wooldridge, 2013). De ce fait, nous allons effectuer le test de Wald sur l'hétéroscédasticité et de Wooldridge pour l'autocorrélation de premier ordre. Au regard des résultats de ces deux tests (confère annexe II.7, II.8), il ressort des tests de Wald que tous les modèle sont hétéroscédastiques (annexe II.7) ; le test de Wooldridge indique qu'il y'a présence d'autocorrélation de premier ordre pour les modèles 2 et 3 tandis que dans le modèle 1 et 4 il y'a absence d'autocorrélation de premier ordre (annexe II.8).

Pour procéder à l'estimation de ces différents modèles, nous allons utiliser la méthode des Moindres Carrées Généralisés (MCG) afin de résoudre les problèmes d'hétéroscédasticité et d'autocorrélation liés au modèle 2 et 3. Pour ce qui est du modèle 1, nous allons procéder à l'estimation du modèle à effets fixes en corrigeant le problème d'hétéroscédasticité détecté, cela revient à appliquer les Moindres Carrées Ordinaires sur le modèle à effets fixes. En fin, pour le modèle 4 nous estimons le modèle à effets aléatoires en corrigeant le problème d'hétéroscédasticité, cela revient à appliquer les Moindres Carrées Ordinaires sur le modèle à effets aléatoires (Goaied et Sassi, 2012).

* 29Dans les modèles 1 et 3 si la p-value du test est supérieure à 5% on retient le modèle à effet aléatoire ; si la p-value est inférieure à 5% on retient le modèle à effet fixe. De même pour le modèle 2 et 4 si la p-value du test est inférieure à 5% on retient le modèle à effets aléatoire ; si elle est supérieure à 5% c'est le modèle à effets fixes.

précédent sommaire suivant