Synergie politique monétaire et politique de change pour une stabilité des prix en République Démocratique du Congo

(e) 1.3. Estimation des paramètres et présentation des résultats

Il est question ici de procéder à l'estimation des paramètres de notre modèle et à présenter les résultats tout en respectant toutes les étapes économétriques de la modélisation VAR tel que décrit au premier point de la présente section

(f) 1.3.1. Test de stationnarité

Avant de nous plonger dans la modélisation, nous avons besoin d'étudier la stationnarité des variables que nous allons utiliser. Une série est stationnaire si sa moyenne et sa variance sont constantes à travers le temps. Cela veut dire l'évolution de la série ne connait ni une tendance, ni des chocs aléatoires.

Le test de racine unitaire qui sera utilisé est celui de Dickey Fuller Augmenté (ADF). Les résultats sont consignés dans le tableau ci-dessous nous permet de confirmer la stationnarité de la série ou de la série différenciée si la statistique ADF en valeur absolue est supérieure aux valeurs critiques de Mackinnon (VCM) en valeur absolue, ou la non stationnarité dans le cas contraire.

Tableau 12 : Résultats des tests de Dickey-Fuller Augmenté (ADF)

Séries	Test à niveau				Stationnarisation			Ordre d'intégration
	ADF	Seuil	VCM	DECISION	ADF	VCM	DECISION
TINF	-5.25	1%	-3.487	Stationnaire				I(0)
		5%	-2.886
		10%	-2.580
VTCH	-6.28	1%	-3.486	Stationnaire				I(0)
		5%	-2.886
		10%	-2.580
TD	-1.63	1%	-3.486	Non Stationnaire	-10.27	-3.487	Stationnaire	I(1)
		5%	-2.886			-2.886
		10%	-2.580			-2.580
VRCH	-11.82	1%	-3.486	Stationnaire				I(0)
		5%	-2.886
		10%	-2.580
VMM	-11.62	1%	-3.486	Stationnaire				I(0)
		5%	-2.886
		10%	-2.580

Source : Auteur à l'aide du logiciel E-views 10

La lecture du tableau ci-haut, nous montre que quatre séries sont stationnaire à niveau (le Taux d'inflation, la variation du Taux de change parallèle, les réserves de change et la variation de la masse monétaire) ; et une ne l'est pas (le Taux directeur). D'où, il faut le rendre stationnaire en l'exprimant en différence première. Apres l'avoir différentiée, la série Taux directeur (TD) est devenue stationnaire ; elle est donc intégrée d'ordre I(1).

(g) 1.3.2. Détermination de décalage optimal

L'estimation d'un modèle à variables explicatives échelonnées à décalage fini pose un problème majeur, celui du nombre de décalages à utiliser. Avant de passer aux méthodes d'estimation de ces modèles, il s'avère nécessaire de déterminer au préalable le retard maximum. Pour déterminer le nombre optimal de retards d'un modèle à retards échelonnés, en général on utilise les critères AKAIKE et SCHWARTZ.^46(*)

Pour se faire, l'on estime un nombre donné de modèles VAR et l'on construit un tableau qui reprend les critères AIC et SC de la dernière partie de l'output de chaque modèle estimé et à partir de ce tableau nous pouvons, par ligne, minimiser les critères AIC et SC pour obtenir le décalage optimal du modèle VAR.

Tableau 13 : Détermination du décalage optimal

Lag	AIC	SC
0	28,71460	28,83329
1	25,39982	26,11196*
2	25,57186	26,87744
3	25,36469	27,26372
4	25,35040*	27,84288

Source : Auteur à l'aide du logiciel E-views 10

Note: AIC = Akaike Information Criterion SC = Schwarz Criterion

Après avoir utilisé les critères d'AKAIKE et de SCHWARZ pour déterminer le retard optimal du modèle VAR pour un ordre allant de 0 à 4, le critère AIC est minimisé au quatrième décalage alors que le critère SC est minimisé au premier décalage.

En partant du principe de parcimonie et du fait qu'il est plus facile d'interpréter un VAR dont le décalage est 1 que celui d'un décalage plus élevé, nous avons retenu 1 comme décalage optimal pour estimer notre modèle VAR.

* ⁴⁶ KINTAMBU, M., «introduction à l'économétrie », Syllabus du cours, inédit, UNIKIN, Kinshasa, 2006-2007, p.102.