Les déterminants du taux de change en r.d.c

B.2. Technique d'analyse des données

Notre étude fera essentiellement recours à l'outil économétrique avec Eviews 9 pour la vérification des différentes hypothèses formulées. Les tests statistiques seront effectués pour analyser les données que nous possédons.

B.2.1. Quelques tests économétriques

? Test de multicolinéarité de Klein

Ce test est employé dans le cas d'un modèle incorporant de séries explicatives liées entre elles et permet de prévenir le risque de l'instabilité des coefficients de moindres carrés dans l'optique de voir si la matrice des variables

64

explicatives est régulière⁴⁴. Nous allons utiliser ce test qui est fondé sur la comparaison du coefficient de détermination R² calculé sur le modèle à K variables

y

et les coefficients de corrélation simple R² < , il y a présomption de

_y R2 xi,xj

multicolinéarité et absence de multicolinéarité dans la cas inverse.

? Test de racine unitaire : test de duckey-fuller (1979)

Avant le traitement d'une série chronologique, il convient d'en étudier les caractéristiques stochastiques. Si ces caractéristiques sont expliquées par du fait que son espérance et sa variance se trouve modifiée dans le temps, la série chronologique est considérée comme non stationnaire, dans le cas d'un processus stochastique invariant, la série temporelle est alors stationnaire.

Le test de duckey-fuller permettent de mettre en évidence du caractère stationnaire ou non d'une chronique par la détermination d'une tendance déterministe ou stochastique. Le test que nous allons utiliser pour étudier la stationnarité des variables, est celui de Dickey Fuller Augmenté (ADF) qui considère trois modèles avec les hypothèses suivantes :

Modèle (1) : modèle sans constante ni tendance déterministe

ñ Xt =öXt -1 +? j =1

èjÄXt -1 +nt

Modèle (2) : modèle avec constante sans tendance déterministe

ñ Xt =öXt -1 +ì +? j =1

èjÄXt -1 +nt

Modèle (3) : modèle avec constante et tendance déterministe

ñ Xt =öXt -1 + ? +ät +?

èjÄXt -1 +nt

j =1

⁴⁴ REGIS BOURBONNAIS, Econométrie : cours et exercices corriges, 9^e édition Dunod, 2015 p.114

65

Le principe de ce test est comme suit:

H0: ñ =1: Présence de racine unitaire (Série non stationnaire) H0: |ñ| <145: Absence de racine unitaire (Série stationnaire) La règle de décision est la suivante:

? Si ADF stat < ADF critique alors l'hypothèse H0 est vérifiée. La variable est donc non

stationnaire

? Si ADF stat = ADF critique alors l'hypothèse H1 est vérifiée et la variable est

stationnaire⁴⁵.

Avec Eviews la validation est basée sur la probabilité statistique de t calculé qui doit être inférieur à la valeur critique de 5% pour une série stationnaire.

? Le test d'autocorrélation des erreurs

Pour tester l'autocorrélation des erreurs nous allons évaluer le test de Durbin Watson (DW) qui nous permettra de détecter l'autocorrélation des erreurs. Il porte sur le résidu. On va tester si la variance est nulle ou non à l'aide de Durbin Watson (DW), si DW est supérieur à la borne supérieure critique (DW2), on accepte Ha alors il n'y a pas d'autocorrélation et si DW est inférieur à la borne inférieur critique (DW1), on rejette Ho alors il y a autocorrélation des erreurs. Si Durbin Watson est dans la zone de doute, pour voir si les erreurs sont corrélées ou non. On fait la statistique de godfrey.

? Test de Breush-godfrey

C'est un test qui est fondé sur le test de Fisher de nullité de coefficient ou de multiplicateur de Lagrange (LM test), il permet de tester une autocorrélation d'ordre supérieur à 1 et reste valide en présence de la variable dépendante décalée en tant que variable explicative. L'idée générale de ce test réside dans la recherche d'une relation significative entre le résidu et ce résidu décalé. Pour effectuer ce test nous faisons recours à la statistique LM qui est distribué comme x² à p degrés de

liberté; avec p le nombre de retard des résidus, n le nombre d'observation et R² le coefficient de détermination. On parle de non corrélation des erreurs lorsque n*R²

⁴⁵ REGIS BOURBONNAIS, Op.cit. page 250

66

est inférieur à khi-deux(p) lu sur la table au seuil de ?46 ⁴⁶,et avec Eviews 9 c'est quand la probabilité est supérieure à 5%.

? Le test d'hétéroscédasticité de WHITE

Le test de White est fondé sur une relation significative entre le carré de résidu et une ou plusieurs variables explicatives en niveau et au carré au sein d'une même équation de régression. Soit n le nombre d'observation disponible pour estimer les paramètres et R² le coefficient de détermination. Alors si l'un de coefficient est significativement diffèrent de 0, on accepte l'hypothèse d'hétéroscedasticité.

La règle de décision est basée sur le test de Fisher de nullité de coefficient. On recourt à la statistique de LM qui est distribué comme un x² à p = 2k degres de liberté, si n*R² < (p) lu dans la table au seuil ?4748, et avec une probabilité statistique supérieure à 5% on adopte l'hypothèse d'homoscedasticité des erreurs⁴⁷

? Test de normalité de Jarque-bera (1984)

Ce test statistique sert à tester si la distribution est normale ou suit la loi normale. Les deux coefficients (Skewnes : mesure l'asymétrie de la distribution autour de la moyenne et kurtosis: mesure l'aplatissement de la distribution de la variable) permettent de comparer une distribution à une distribution normale. Pour calculer les intervalles de confiance prévisionnels et pour effectuer les tests de Student sur les paramètres. La statistique de Jarque-bera suit une loi de khi-deux à deux degrés de liberté sous l'hypothèse de normalité. On accepte l'hypothèse de normalité de résidus lorsque l'une ou l'autre des conditions suivantes est vérifiée:

? Si la valeur estimée de la statistique de Jarque-Bera est inférieure à celle lue dans la table de khi-deux au seuil de 5% à deux degrés de liberté (5,99) et si la probabilité statistique est supérieur 5%⁴⁸

? Le test de stabilité de CUSUM

⁴⁶ REGIS BOURBONNAIS, Op.cit, p.127

⁴⁷ REGIS BOURBONNAIS, Op.cit, p.151 ⁴⁸Idem, p.131

67

Ce test est caractérisé par la dynamique de l'erreur de prévision et il permet de détecter l'instabilité des équations de régression au cours du temps. Le modèle est stable lorsque la ligne reste dans l'intervalle de confiance sans franchir les bornes du corridor.