Tableau 2: Test de White
|
Test d'hétéroscédasticité de
White:
|
|
Statistique de Fisher
|
8.933359
|
Probabilité
|
0.211887
|
|
Nombre d'obs. R-carré
|
22.26690
|
Probabilité
|
0.174672
|
|
|
|
|
|
Source : Obtenu à partir du traitement des
données avec Eviews.
Comme on peut le voir à travers du tableau
no2, la probabilité associée au test de White (0,17)
est supérieure à 0,05. On ne rejette pas l'hypothèse nulle
de l'homoscédasticité des résidus.
IV.3.2.3.Le test de
détection de l'autocorrélation des termes d'erreur
La présence de la corrélation sérielle
est suffisante pour rendre le processus d'estimation par la méthode des
Moindres Carrées Ordinaires (MCO) biaisé et inconsistant. La
détection de l'autocorrélation des termes d'erreur semble
importante car dans le cas de son existence, on obtient des variances des
paramètres qui sont sous-estimés. De là, les
paramètres satisfont le test de Student car la valeur
« t » se trouve dans ce cas surestimé. De ce fait,
ces paramètres obtenus ne sont pas considérés comme des
critères d'évaluation de la signification statistique des
coefficients.
La détection des termes d'erreur
(autocorrélation sérielle) se fait dans ce cas au moyen de
multiplicateur de Lagrange (LM). Pour tester l'autocorrélation, on se
fie sur la probabilité de la statistique de Fisher.
H0 : il n y a pas d'autocorrélation
H1 : il y a autocorrélation
| 
