CHAPITRE TROISIEME :
VERIFICATION EMPIRIQUE DE LA RELATION INVESTISSEMENT- EPARGNE PRIVEE DE LA
RDC
Après toues les considérations
théoriques sur l'investissement et l'épargne ainsi que sur
l'évolution de l'économie de la RDC, nous nous proposons dans ce
chapitre de tenter de vérifier empiriquement le lien investissement
épargne privée de l'économie congolaise, une relation
causale entre les deux variables économiques fournira des
éléments de réflexion propices pour une meilleure
compréhension des phénomènes économiques de la RDC.
III.1. PRESENTATION DU
MODELE D'ANALYSE ET LA MODELISATION
III.1.1. Présentation du
modèle d'analyse
Un modèle économétrique est un
modèle de l'économie qui fait appel à des valeurs
numériques des propensions marginales et à d'autres
paramètres économétriques.
Ces valeurs numériques sont engendrées
à partir de données tirées de l'économie
réelle et auxquelles sont appliquées des méthodes
statistiques d'estimation qui tiennent compte de tous les facteurs pouvant
avoir une incidence sur l'endogène. De nos jours il existe plusieurs de
ces modèles dont l'objet est de prévoir l'évolution de
l'économie.
Dans cette partie, nous relèverons
différentes variables que nous avons retenu pour faire cette
étude, afin de comprendre les effets de ces dernières sur le
tissu économique.
De ce fait, l'investissement constituerait la variable
expliquée par la variable explicative qui est l'épargne.
Le modèle théorique qui nous a servi de
support est fondé sur la théorie qui suggère que
l'épargne précède l'investissement. Le modèle se
présente comme suit :
I /y= 1+2 S/Y+
Où I/y représente la part de
l'investissement brut dans le produit national
S/y représente la part de l'épargne
privée dans le produit national.
III.1.2. LA STATIONNARITE DES
VARIABLES
Pour procéder à l'estimation du
modèle, on se rend compte au préalable de la stationnarité
des variables à utiliser.
Ceci est nécessaire car les variables
économiques et financières sont rarement des réalisations
de processus stationnaires. La non stationnarité peut bien concerner
l'espérance que les moments de second ordre. Depuis Nelson et Plosser,
les cas de non stationnarité en moyenne dont analysés à
partir de deux types de processus : Processus TS (Trend stationnary) qui
représente les processus caractérisés par une non
stationnarité de nature déterministe et Processus DS
(Différence stationnary) qui représente le processus dont la non
stationnarité est de nature stochastique.
Dans le premier cas, les données sont
marquées par une tendance générale. Il sied alors
d'introduire un trend ou une tendance générale dans
le modèle ; en présence du second cas, si les ordres
d'intégration des variables sont différents, il faut les
différencier en vue de les rendre stationnaires. Or mettre en relation
des variables dont les ordres d'intégration sont différents, sans
les rendre stationnaires, ne peut que conduire à des fausses
régressions ou régressions fallacieuses.
En effet, les processus TS et DS sont
caractérisés par des comportements très différents
et il convient de les distinguer.
Suite à un choc, un processus TS revient à
son niveau pré-choc, alors qu'un processus DS n'y revient jamais. On
comprend dès lors également que d'un point de vue
économétrique sont tous aussi fondamentales.
Pour ce faire, on utilise le test de Dickey-Fuller (DF)
et le test de Dickey-Fuller Augmenté (ADF).
III.1.2.1 Procédure et application du test de
stationnarité
Dickey et Fuller considèrent trois modèles
de base pour la Xt, t=1,2,3,...T
Modèle (1) : modèle sans constante ni
tendance déterministe :
(1-
Modèle (2) : modèle avec constante sans
tendance déterministe :
Modèle (3) : modèle avec constante et
tendance déterministe ;
Dans chacun des trois modèles, on suppose que  est un bruit
blanc : L est l'opérateur retard ; Xt est la variable dont on
teste la stationnarité ;  sont des
paramètres.
Si , cela
signifie qu'une des racines du polynôme retard est égal à
1. on dit alors qu'on est en présence d'une racine unitaire. En d'autres
termes, Xt est un processus non stationnaire et la non stationnarité est
de nature stochastique (processus DS).
On teste l'hypothèse nulle de racine unitaire (Xt
est intégré d'ordre 1, c'est-à-dire non stationnaire)
contre l'hypothèse alternative d'absence de racine unitaire (Xt est
intégré d'ordre 0, c'est à dire stationnaire).
En pratique, on estime les modèles sous la forme
suivante :
Modèle (1) :
Modèle (2) : 
Modèle (3) : 
Avec pour chaque modèle,  . On teste
alors l'hypothèse nulle  (non
stationnarité) contre l'hypothèse alternative  (stationnarité) en se référant aux valeurs
tabulées par Fuller (1976) et Dickey et Fuller (1979, 1981). Dans la
mesure où les valeurs critiques sont négatives, la règle
de décision est la suivante, on rejette l'hypothèse nulle de non
stationnarité. Si la valeur calculée de t-statistique
associé à  est
supérieur à la valeur critique, on accepte l'hypothèse
nulle de non stationnarité.
Il est fondamental de noter que l'on n'effectue pas le
test sur les trois modèles. Il convient en effet d'appliquer le test de
Dickey-Fuller sur un seul des trois modèles. En pratique, on adopte une
stratégie séquentielle en trois étapes.
Etape I : On commence par appliquer le test sur le
modèle 3. on peut aboutir à deux résultats :
- si la tendance n'est pas significative, on passe au
modèle 2.
- Si la tendance est significative, on test
l'hypothèse nulle de racine unitaire.
Si  n'est pas
significative différent de 0, Xt est stationnaire. Dans ce cas, il faut
la différencier et recommencer la procédure sur la série
en différence première.
Si  est
significativement différent de 0, Xt est stationnaire. Dans ce cas, la
procédure s'arrête et l'on peut directement travail sur
Xt.
Etape II : Cette étape ne doit être
appliquée que si la tendance dans le modèle
précèdent n'est pas significative.
On estime le modèle 2 :
- Si la constante n'est pas significative, on passe au
modèle 1 ;
- Si la constante est significative, on teste
l'hypothèse nulle de racine unitaire.
Si  n'est pas
significativement différent de 0, Xt est non stationnaire. Dans ce cas,
il faut la différencier et recommencer la procédure sur la
série en différence première.
Si  est
significativement différent de 0, Xt est stationnaire. Dans ce cas, la
procédure s'arrête et l'on peut directement travailler sur
Xt.
Etape III : cette étape ne doit être
appliquée que si la constante dans le modèle
précédent n'est pas significative. On estime le
modèle1.
Si  n'est pas
significativement différent de 0, Xt est non stationnaire. Dans ce cas,
il faut la différencier et recommencer la procédure sur la
série en différence première.
Si  est
significativement différent de 0, Xt est stationnaire. Dans ce cas, la
procédure s'arrête et l'on peut directement travailler sur
Xt.
La stationnarité des variables représente
une solide garantie contre les régressions fallacieuses ou non
cohérentes.
Si une variable Xt est stationnaire en niveau, on dira
qu'elle est intégrée d'ordre zéro (Xt~I(o)).
De manière générale, on dit qu'une
série est intégrée d'ordre « d », s'il
faut la différencier « d » fois pour qu'elle soit
stationnaire.
| 
