CHAPITRE 3 : PRESENTATION, INTERPRETATION DES RESULTATS
ET RECOMMANDATIONS
32
Section 1 : Présentation et
interprétations des résultats
Paragraphe 1 : présentation des résultats
Rappel du Modèle :
Prodt= a0 + a1AIDt + a2IMPORt +a3PLUt +a4SUPt +a5
AIDt2 + ut (2)
Pour obtenir de bonnes estimations nous avons
procédé à un modèle semi log. Ainsi le
modèle (2) devient :
LProdt= a0 + a1 AIDt + a2 IMPORt +a3PLUt +a4SUPt +a5
AIDt2 + ut (3) Avec : L :
logarithme népérien,
A-Test de diagnostic
1-Etude de la stationnarité des
séries.
Plusieurs tests sont utilisés pour déterminer
l'ordre d'intégration des variables d'un modèle. Dickey et Fuller
(1979 ; 1981) ont mis au point un test permettant non seulement de
détecter l'existence d'une tendance mais aussi de déterminer la
bonne manière de stationnariser une série. Nous utiliserons le
test de stationnarité de Dickey-Fuller Augmenté (ADF).
L'alternative d'hypothèses qui se présente à l'issue du
test est la suivante :
H0 : Racine unitaire (série non stationnaire) ;
H1 : non racine unitaire (série stationnaire).
La statistique est automatiquement fournie par le logiciel
Eviews.
Si ADF est supérieur à la valeur critique de
Mackinnon, alors l'hypothèse H0 est acceptée. Par
conséquent la série est non stationnaire.
Si ADF est inférieur à la valeur critique de
Mackinnon, alors l'hypothèse H1 est acceptée. Cela traduit la
stationnarité de la série.
Les tests sont appliqués en niveau, puis en
différence au cas où il y aurait présence de racine
unitaire à ce premier stade.
Tableau n°2 : Résultats des tests de
stationnarité en niveau.
|
Variables
|
Retard
|
Trend
|
Constante
|
ADF
|
Valeur critique (5%)
|
Décision
|
|
LPROD
|
1
|
NON
|
NON
|
-4,92
|
-1,95
|
NS
|
|
AID
|
1
|
OUI
|
OUI
|
-2,73
|
-2,98
|
NS
|
|
AID2
|
1
|
OUI
|
NON
|
-0,07
|
-1,95
|
NS
|
|
SUP
|
1
|
OUI
|
NON
|
1,95
|
-1,95
|
NS
|
|
IMPORT
|
2
|
OUI
|
OUI
|
-2,27
|
-2.98
|
NS
|
|
PLU
|
1
|
NON
|
OUI
|
-2,96
|
-2,98
|
NS
|
Source : Résultats d'étude
de stationnarité des tests ADF sur les variables.
NS : NON STATIONNAIRE
La non stationnarité des séries nous conduit
à voir si nos variables sont intégrées d'ordre un (1). Le
tableau 2 ci-dessous présente les résultats des tests de
stationnarité en différence première sur les variables.
L'objectif est de rendre stationnaires les séries afin de ne pas avoir
une régression fallacieuse.
Tableau n°3 : Résultats des tests de
stationnarité en différence première
|
Variables
|
Retard
|
Trend
|
Constante
|
ADF
|
Valeur critique (5%)
|
Décision
|
|
LPROD
|
1
|
NON
|
OUI
|
-3 ,39
|
-2,98
|
S
|
|
AID
|
1
|
NON
|
NON
|
-4,67
|
-1,95
|
S
|
|
AID2
|
1
|
NON
|
NON
|
-3,57
|
-1,95
|
S
|
|
SUP
|
1
|
NON
|
OUI
|
-4,18
|
-2,98
|
S
|
|
IMPORT
|
2
|
NON
|
NON
|
-2,18
|
-1,95
|
S
|
|
PLU
|
1
|
NON
|
NON
|
-4,82
|
-1,95
|
S
|
Source : Résultats d'étude
de stationnarité des tests ADF sur les variables.
De la lecture des tableaux ci- dessus, nous retenons que les
valeurs de la statistique de DICKEY-FULLER pour chacune des séries sont
tous supérieurs à la valeur critique de MacKinnon au seuil de 5%
lorsque les séries sont prises en niveau et inferieurs à la
valeur critique de MacKinnon au seuil de 5% lorsqu'elles sont prises en
différence première. Le test
34
d'ADF révèle donc qu'au seuil de 5% aucune des
séries n'est stationnaire en niveau mais qu'elles le sont toutes en
différence première. Toutes les séries étant
intégrées d'ordre 1, il existe un risque de cointégration
(cf. annexe 1).
2- Test de
cointégration
L'analyse du test de cointégration de JOHANSEN fait
apparaître l'existence de trois (3) relations de cointégration au
seuil de 5% entre les variables du modèle (cf. annexe 3). D'où la
nécessité d'écrire en plus du modèle de long terme
un modèle de court terme.
| 
