WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Les déterminants de la faible bancarisation dans l'UEMOA

( Télécharger le fichier original )
par Agossou Jacques GANSINHOUNDE
Université Polytechnique du Bénin - Master Banque-Finance 2007
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

III Validation du modèle

La validation du modèle se fait en trois étapes à savoir la validation économique, la validation statistique et la validation économétrique. Tous les test sont faits au seuil de 5%.

1 Validation économique

En observant le résultat de la régression (annexe 3 au point 5), on remarque sur les cinq (5) variables explicatives que trois (PIB par habitant, le volume de microcrédit, le proportion de banque de petite taille) respectent les signes prévus confirmant ainsi la théorie économique.

Par contre au niveau des deux autres variables que sont le taux de progression du nombre des banques et le volume de crédit bancaire, les signes sont contraires à ceux attendus. Cela peut être dû à l'absence de profondeur temporelle dans notre échantillon.

2 Validation statistique 2.1 Qualité globale

La régression multiple (annexe 3 au point 5) calcule trois statistiques de détermination R²:

· R² Within = 0,6178: elle est la plus significative pour un modèle à effets fixes. Elle indique que 61,78% de la variabilité intra-individuelle de la marge de bancarisation est expliquée par celle des variables explicatives retenues;

· R² between = 0,3327: elle suggère que les effets fixes liés aux caractéristiques des pays contribuent à 3 3,27% au modèle;

· R² overall = 0,3448 : elle donne une contribution globale du modèle.

Deux statistiques de test de Fisher sont également fournies

· En haut Prob > F = 0,0003 : Elle indique une bonne significativité conjointe des variables explicatives;

· En bas Prob > F = 0,0000 : Elle indique une bonne significativité des effets fixes introduits. On peut donc conclure à une qualité statistique globalement bonne du modèle.

2.2 Significativité des variables

Le t-student des variables explicatives que sont le PIB par habitant (0,00 1), le volume du crédit bancaire (0,028) et le volume de microcrédit (0,03 8) montre qu'elles ont une bonne significativité.

3 Validation économétrique

3.1 Test de normalité des erreurs

La normalité des erreurs est une propriété de la méthode des moindres carrés ordinaires utilisée dans la régression multiple. Pour vérifier cette propriété, nous utilisons le test de Skewness et Kurtosis (annexe 3 au point 6).

Hypothèse et mode de décision

H0: Erreurs normalement distribuées.

Si (Prob>Chi2) > (Seuil = 5%) alors l'hypothèse H0 est acceptée. Les erreurs sont normalement distribuées.

Résultat du test de Skewness/Kurtosis

(Prob>Chi2) = 0,0773. L'hypothèse H0 est donc acceptée. Les erreurs sont normalement distribuées.

3.2 Test d'autocorrélation des erreurs

On parle d'autocorrélation des erreurs lorsque les erreurs sont liées par un processus de reproduction (Bourbonnais, 2003). L'erreur d'une période est influencée par celle de la période précédente. Le test de Wooldridge est utilisé pour vérifier l'absence de cette propriété (annexe 3 au point 7).

Hypothèse et mode de décision

H0: Pas d'autocorrélation de premier ordre

Si (Prob > F ) < (seuil = 5%) alors l'hypothèse H0 est rejetée.Les erreurs sont autocorrélées.

Sinon les erreurs sont non autocorrelées.

Résultat du test de Wooldridge

F( 1, 6) = 0.265

Prob > F = 0.6250

H0 n'est pas rejetée . Les erreurs ne sont pas autocorrélées.

3.3 Test d'homoscédasticité des erreurs

On parle d'homoscédasticité lorsque le risque de l'amplitude de l'erreur est constant dans le temps. Pour ce test, nous utilisons la méthode de Breush-Pagan qui consiste à vérifier si le carré des résidus peut être expliqué par les variables du modèle. Si c'est le cas, il y a hétéroscédasticité (annexe 3 au point 8).

Hypothèse et mode de décision

H0: modèle homoscédastique

Si le carré du résidu de la régression est expliqué par les variables alors l'hypothèse H0 est rejetée.

Résultat de la méthode de Breush-Pagan

Le carré du résidu est expliqué de façon significative par les variables du modèle (R² = 0,9999). L'hypothèse H0 est donc rejetée. Il y a hétéroscédasticité. Elle pourra être corrigée par la méthode de White.

Précision sur la nature de l'hétérodasticité avec le test de Wald modifié

Hypothèse et mode de décision

H0: ói² = ó²

Si (Prob>chi2) < (seuil = 5%) alors H0 est acceptée. On a une homoscédasticité interindividuelle.

Résultat du test

Prob>chi2 = 0,0000. Il y a homoscédasticité inter-individuelle.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Le don sans la technique n'est qu'une maladie"