Marchés boursiers et croissance économique. Une analyse comparative entre l'Afrique subsaharienne et l'Asie du sud-est.

Tableau 4  : Tableau d'abréviation des variables pour les deux modèles

Types de Variables	Données	Code	Mesures
Variable endogène ou cible	Croissance économique	G	Taux de croissance du PIB réel par tête
Variables boursières de contrôle	Ratio de capitalisation boursière	CAPBOURS	Capitalisation boursière/PIB
	Ratio de rotation en volumes des Transactions	RTO	Valeur des transactions sur actions /capitalisation
	Ratio de la liquidité liée à l'économie	TRAVAL	Valeur des transactions sur actions/PIB
Variables macroéconomiques de contrôle	Degré d'ouverture extérieure	OPEN	Volume (exportations + importations) sur le PIB
	L'investissement national	INV	Volume des investissements par le rapport au PIB
	Croissance économique	G	Taux de croissance du PIB réel par tête
	Dette extérieure	DEXT	Montant de la dette extérieure par rapport au PIB

Source : Construction de l'auteur à partir de Semedo et Benafta (2008).

Tableau 5 : Récapitulatif des signes attendus des coefficients des variables exogènes pour le modèle 1

Y X	CAPBOURS	RTO	TRAVAL	INV	OPEN	DEXT
Taux de croissance du PIB réel par tête (G)	+	+/-	+/-	+	+	-

Source : Par l'auteur à partir d'une revue exhaustive de la littérature.

Tableau 6 : Récapitulatif des signes attendus des coefficients des variables exogènes pour le modèle 2

Y X	G	OPEN	DEXT	INV
CAPBOURS	+	+	-	+
RTO	+/-	+	-	+
TRAVAL	+/-	+	-	+

Source : Par l'auteur à partir d'une revue exhaustive de la littérature.

IV.4. Méthodes d'estimation et tests d'hypothèses

IV.4.1. Méthodes d'estimation

Les estimations des modèles et les tests sont effectués sur un panel statique composé de deux groupes de pays allant de 1988 à 2010. En effet, il existe plusieurs méthodes pour estimer nos modèles. Le choix de la méthode dépend des hypothèses que l'on effectue sur les paramètres et sur les perturbations. Nous procédons à l'estimation de trois modèles différents pour l'équation de la croissance s'inscrivant dans la spécification générale brièvement exposée ci-dessus : le modèle sans effets, le modèle à effet fixes, le modèle à erreurs composées.

- Le modèle sans effets

Nous faisons l'hypothèse de comportements uniformes dans le temps et parmi les individus. Dans ce cas, les estimateurs à estimer ainsi que les termes constants sont considérés comme étant invariants d'un individu à l'autre. Cela conduit à estimer le modèle suivant :

G_???? = ?? + ??_?????? +å_???? avec ??₁ = ??₂ = ? = ??_?? = ??

On suppose que les variables ??_???? sont indépendantes de å_???? et les variables explicatives sont non colinéaires. Ce modèle permet d'utiliser les moindres carrés ordinaires (MCO) appliqués aux données de panel. Mais son inconvénient est qu'il ne suppose aucune hétérogénéité.

- Le modèle à effet fixes

Pour remédier au problème que pose le modèle précédent, nous faisons l'hypothèse que les coefficients de comportements sont semblables pour chaque individu et invariant dans le temps, à l'exception des constantes ??_?? qui sont spécifiques à chaque individu et à chaque période. Les perturbations sont toujours homoscédastiques. Le modèle devient alors :

G_???? = ??_??+ ??_?????? + å_???? avec ?? = 1,..., N ???? ?? = 1,...., T

Pour estimer ce modèle, on lui applique, d'abord, l'opérateur « within », puis dans une deuxième étape, on procède à l'estimation par les MCO de ce modèle transformé. A ce stade de l'analyse, il convient de vérifier la pertinence de l'adjonction d'effets spécifiques. Il teste la significativité de ces effets à l'aide de la statistique de Fisher :

??₀: ??₁ = ??₂ = ? = ??_?? = ??.

On teste les hypothèses suivantes :

??₀:?????????????? ??'????????????.

??₁: ????é?????????? ??'???????????? ??????????.

On accepte l'hypothèse nulle d'absence d'effets si la statistique ??* est inférieure à la valeur critique lue sur la table de Fisher. (Accepter ??₀ ???? ????????<??????). Ou bien, on accepte ??₀ si la probabilité associée au test de Fisher est supérieur à 5% ; (accepter ??0 ???? ???? (??) > 5%).

- Le modèle à erreurs composées

Encore appelé modèle à effets aléatoires, le modèle à erreurs composées introduit l'effet spécifique dans le terme aléatoire. Les résidus sont alors hétéroscédastiques, ce qui nécessite une estimation par la méthode des MCGF. Il s'agit de tester la significativité de ces effets à l'aide de tests d'hétéroscédasticité (test de Breusch et Pagan). Le modèle à estimer par les MCGF est le suivant :

G_???? = ??_?????? + å_???? ???????? å_???? = ??_???? + ??_????

où ??_???? et ??_???? sont des perturbations aléatoires non corrélées. Le terme d'erreur de l'équation est composé de deux parties : ??_i (?????????? ????????????????????) ???? ??_i (?????????? ??é????????????). On teste les hypothèses suivantes :

??₀ : ?????????????? ??'????????????

??₁:????é?????????? ??'???????????? ????é??????????????.

On accepte l'hypothèse nulle d'absence d'effets si la probabilité associée au test de Breusch et Pagan est supérieur à 5%.

Nous effectuons ensuite un test de spécification de Hausman qui est d'une très grande importance. En effet, le choix entre modèle à effets fixes et modèle à effets aléatoires dépend des considérations suivantes : la nature de l'effet individuel, le nombre d'unités statiques, la nature de l'échantillon ; le type d'induction qu'on veut faire. Toutefois le test permettant de distinguer les effets fixes des effets aléatoires est le test de spécification de Hausman. Ce test est présenté dans la section suivante.

L'utilisation des données de panel permet de rendre compte des disparités individuelles et/ou temporelles de la connexion finance - croissance. Elle augmente substantiellement la variabilité des observations et la précision des estimations. L'utilisation des données de panel permet, aussi, de contrôler les caractéristiques non observées spécifiques aux pays et réduire, par conséquent, les biais d'estimation qui leur sont rapportés.