3-1-2-2 Test de cointégration
Pour ce test nous allons utiliser la
méthode de Engle et Granger (1987). Elle se fait en deux
étapes :
· Première étape:
Estimation de la relation de long terme
Tableau 6: Résultat
de l'estimation de la relation de long terme
Variables
|
coefficients
|
t-Statistic
|
Probabilité.
|
C
|
-216.7251**
|
-4.658229
|
0.0001
|
LPIB
|
7.997624**
|
3.239945
|
0.0035
|
LIT
|
2.457331**
|
3.365842
|
0.0026
|
LDET
|
-0.207087
|
-0.415742
|
0.6813
|
TO
|
0.053418**
|
2.596064
|
0.0158
|
TSS
|
-0.116604
|
-1.622689
|
0.1177
|
LAID
|
1.185568
|
1.363552
|
0.1854
|
SDEXP
|
0.006648
|
0.320399
|
0.7514
|
R²
|
0.940122
|
Durbin-Watson stat
|
1.892769
|
R² ajustés
|
0.922657
|
Prob (F-statistic)
|
0.00000
|
|
** indique une significativité au seuil de 5%
· Deuxième étape: test de
stationnarité sur le résidu du modèle de long terme
Il nous revient à ce niveau de faire le test de
stationnarité sur le résidu issu de la relation de long terme
afin de conclure qu'il existe bel et bien une relation de cointegration entre
les variables. (Le résultat du test est en annexe 3)
Tableau 7:
Résumé du résultat du test de stationnarité sur le
résidu issu de l'équation de long terme
Variable
|
ADF
|
Valeur critique
|
Probabilité
|
Conclusion
|
Résidu de l'équation
|
-5.343584
|
-1.952066
|
0.0000
|
Stationnaire
|
La probabilité(0,0000) est inférieure
à 0.05 alors le résidu est stationnaire (I(0)). Nous pouvons donc
conclure qu'il y a bien cointegration entre les variables du modèle.
Sur cette base, nous pouvons donc utiliser la
représentation à correction d'erreur (MCE).
3-3-2-2 Le modèle à
correction d'erreur (MCE)
Tableau 8: Résultat de
l'estimation du MCE
Variables
|
coefficients
|
t-Statistic
|
Probabilité.
|
C
|
0.187125
|
0.670723
|
0.5094
|
D(LPIB)
|
4.924067
|
1.002768
|
0.3269
|
D(LIT)
|
2.858551
|
1.760549***
|
0.0922
|
D(LDET)
|
-0.411194
|
-0.468434
|
0.6441
|
D(TO)
|
0.051519
|
2.335985**
|
0.0290
|
D(TSS)
|
-0.127330
|
-1.626704
|
0.1180
|
D(LAID)
|
0.223012
|
0.291472
|
0.7734
|
D(SDEXP)
|
0.011868
|
0.777878
|
0.4449
|
RES (-1)
|
-0.009396
|
-3.901220**
|
0.0008
|
R²
|
0.510669
|
Durbin-Watson stat
|
1.941260
|
R² ajustés
|
0.332730
|
Prob (F-statistic)
|
0.023847
|
** indique une significativité au seuil de 5%
*** indique une significativité au seuil de 10%
Le coefficient du résidu retardé, qui
représente la force de rappel vers l'équilibre, est
négatif (-0,009) statistiquement significatif. De plus sa valeur est
comprise entre -1 et 0. La représentation du modèle à
correction d'erreur est donc validée.
Ø Test de normalité
Le test de normalité effectué est celui
de Jarque-Bera (1984). Nous notons que les résidus sont normaux. En
effet, la probabilité (0,73) est supérieure à 5%. Les
détails concernant ce test sont en annexe.
Ø Test d'homoscédasticité de White
Le test d'homoscédastité de White est
fait après avoir estimé les paramètres par MCO. Le
résultat du test montre que la probabilité de la statistique de
Fischer (0,75) est supérieure à 5%. Les erreurs sont donc
homoscédastiques (Voir annexe3).
Ø Test d'autocorrélation des erreurs
Pour vérifier si les erreurs sont
autocorélées ou non, nous allons réaliser le test de
Breush- Godlfrey, donnée par BR=nR² suit un khi-deux à p
degré de liberté, avec :
P= nombre de retard des résidus
N= nombre d'observations
R²= coefficient de détermination.
L'hypothèse de non corrélation des erreurs est
acceptée si la probabilité est supérieure à 5%,
ou si nR²<chi-deux lu.
La probabilité de la statistique de Fischer
(0.636) étant supérieure à 5%, nous concluons que les
erreurs ne sont pas autocorrélées. Le résultat du test
figure en l'annexe
Ø Test de stabilité du modèle
La stabilité du modèle à correction
d'erreur est testée au moyen du test de CUSUM et de CUSUM CARRE.
Il révèle que notre modèle est stable pour les
deux tests, car la courbe ne coupe pas le corridor (détail est en annexe
3).
Ø Test de significativité
Le test de significativité est issu de l'estimation du
modèle de long terme et celui du court terme. Ils sont estimés
par les MCO et nous pouvons tirer les conclusions suivantes :
· A long terme, la croissance ; l'investissement
total ; le taux d'ouverture sont significatives à 5% alors que la dette
le taux de scolarisation secondaire le service de la dette rapporté aux
exportations ne sont pas significatives ;
· A court terme seul le taux d'ouverture et
l'investissement total sont significatif respectivement au seuil de 5% et de
10%.
· Le modèle est globalement significatif car la
probabilité de la statistique de Fischer est égale à
0,000000 ce qui est inférieur à 5%.
|