Problématique de recouvrement des créances commerciales à la snel Bukavu. Une approche économétrique

3.3. Echantillonnage

Par cette technique nous avons tiré aléatoirement un échantillon de 72 ménages selon le nombre d'observation du modèle et l'absence des données compilées pour une période plus longue à la SNEL Bukavu. Cet échantillon a été reparti sur le 3 communes de la ville de Bukavu comme suit : 25 ménages à Ibanda, 30 ménages à Kadutu et 17 ménages à Bagira. Ces échantillons tiennent compte aussi du nombre d'abonnés que nous trouvons dans chaque commune.

Dans ce travail nous utiliserons les données chronologiques recueillies à la SNEL dans le service commercial, et les données recueillies auprès des ménages de la ville de Bukavu.

A cause de l'absence des données compilées pour une période plus longue ; nous étions obligé de retenir une période de 6 ans allant de 2007 à 2012. Cela a comme conséquence un faible degré de libertés auquel nous allons remédier en évitant d'intégrer beaucoup des variables dans le modèle et en présentant les données mensuelles. Certes, nous allons veiller à ce niveau à intégrer les variables les plus importantes.

3.3.1. Méthodes d'analyse des résultats

Cette section présente les outils qui nous ont servi pour l'analyse des données récoltées à travers l'enquête effectuée à la SNEL Bukavu et auprès de 72 ménages abonnés à la SNEL.

Statistique descriptive

Ainsi, nous avons exploité certaines statistiques descriptives avant d'analyser notre modèle économétrique par la méthode qui nous a permis de valider ou non les hypothèses émises.

Concernant l'analyse statistique, nous avons jugé bon pour notre cas de n'utiliser que la moyenne et présenter les données sur le graphique qui semble être pertinent.

Méthode d'estimation du modèle

Le logiciel eviews 3.1 nous a été utile dans l'estimation de notre modèle par la méthode de moindres carrés ordinaires.

Différents tests utilisés

La conduite des tests ci- dessous nous a permis de nous assurer de la qualité des résultats économétriques que nous avons trouvés.

Test de normalité

L'objectif poursuivi par ce test est de vérifier si les résidus du modèle estimé suivent une loi normale. Cette analyse peut être menée à partir de l'examen visuel de l'histogramme de la distribution de fréquence.

La statistique de Jarque- Bera propose un test de normalité qui tienne compte du skweness et de kurtosis. Elle est définie par :

Avec : n= nombre d'observations

k= nombre de variables explicatives si les données proviennent des résidus d'une régression linéaire, si k=0

S= coefficient d'asymétrie : moment d'ordre 3 d'une variable centrée réduite

K= Kurtosis = moment d'ordre 4 d'une variable centrée réduite

L'hypothèse nulle (H₀), veut que les données suivent une loi normale, (H₁), que les données ne suivent pas une loi normale.

Autrement, on accepte H₀ si la probabilité associée à ce test de JB, est supérieur à 5% et H₁ dans le cas contraire.

Néanmoins, la règle de décision se construit deux manières. On peut soit utiliser le critère de probabilité de JB, soit celui de Kirtosis combiné à celui du coefficient d'asymétrie.

Ainsi, en considérant le critère de probabilité de J- Bera, Bourbonnais (1998) et Hurlin (2003) relèvent que si celle- ci est supérieure au seuil de signification de 5%, on accepte H₀ et si non on accepte H₁

Source : nos calculs avec Eviews 3.1

En effet, les résultats montrent une probabilité associée au test de Jarque- Bera (59,3%) est supérieure au seuil de 5%. Les résidus suivent une loi normale.

Test d'autocorrélation

L'autocorrélation des erreurs signifie que le terme correspondant à une période est corrélé avec le terme d'erreur d'une période. Si cette corrélation joue entre deux termes consécutifs, on parle de l'autocorrélation d'ordre 1.

Il existe plusieurs tests de l'autocorrélation des erreurs ; pour le cas de notre travail, nous utiliserons le test de Durbin Watson, il permet de détecter l'autocorrélation d'ordre 1 selon la forme :

Test d'Héteroscédasticité

L'Héteroscédasticité a lieu en cas de non constance de la variance des erreurs. Les conséquences de l'Héteroscédasticité sont les suivantes :

- Estimateurs sans biais

- L'estimateur MCO n'est plus à variance constante.

L'idée de ce test est de vérifier si le carré des résidus peut être expliqué par les variables explicatives du modèle. Si tel est le cas, il ya une Héteroscédasticité.

Test de cointégration

Lorsque deux variables sont cointégrées, elles sont reliées par une relation de long terme, cependant, elles peuvent s'écarter de temps en temps (à court terme) de cette relation d'équilibre.