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

 > 

Analyse des conséquences de l'endettement public extérieur sur la croissance économique de la RDC (1991-2010)

( Télécharger le fichier original )
par Sulutani AMANI MAISHA
Institut supérieur pédagogique de Bukavu - Licence en pédagogie appliquée 2011
  

précédent sommaire suivant

IV.2.2.2. Validité économétrique

a. Test de Ramsey

On accepte l?hypothèse nulle si les probabilités sont supérieures à 0,05 et on rejette l?hypothèse nulle si les probabilités sont inférieures à 5% par conséquent on accepte l?hypothèse alternative. Les valeurs des deux probabilités du test de Ramsey sont supérieures à 5% en occurrence de 79,22% et 70,25% (Annexe 3). Ceci nous apprend que le modèle est bien spécifié et il y a l?absence d?autocorélation des erreurs.

b. Test de Breusch-Godfrey

La statistique de Breusch-Godfrey ou test de multiplicateur de Lagrange (LM) de corrélation sérielle est un test d?absence d'auto corrélation, qui prend en compte certaines limitations et insuffisantes du test DW:

v' la variable dépendante peut apparaître comme variable explicative retardée dans le modèle (modèle auto régressif) ;

v' l?auto corrélations peuvent être supérieures à l?ordre 1 ;

v' la possibilité que les résidus soient auto corrélés.

Si la probabilité est inférieure à 0,05, on rejette l?hypothèse nulle de non auto corrélation des résidus (erreurs).

L?analyse de la probabilité du test de Breusch-Godfrey est ici de 7,6667% qui est supérieure à 5% (0,076667>0,05), ce qui veut dire qu?on accepte l?hypothèse nulle de non auto corrélation des termes d?erreurs. Ce résultat confirme ce lui de D.W d?absence d?auto corrélation des erreurs (Annexe 4).

c. Test d'homoscédasticité des résidus L?une des hypothèses clés des modèles linéaires est l?hypothèse

d?homoscédasticité, c?est-à-dire, les résidus (termes d?erreur) du modèle ont la méme variance. Le test de White est un test général d'homoscédasticité, fondé sur l'existence d'une relation entre le carré du résidu et une ou plusieurs variables explicatives. L?hypothèse nulle est celle d'homoscédasticité contre l?hypothèse alternative d?hétéroscédasticité.

La probabilité du test de White est ici de 0,3889 qui est largement supérieure à 0,05=5% (0,3889>0,05) (Annexe 5), ce qui veut dire qu?on accepte l?hypothèse nulle d?homoscédasticité des résidus ou termes d?erreurs.

d. Test de ARCH Ce test vient corroborer l?homoscédasticité des érreurs, car selon ce test les

erreurs du modèle sont homoscédastiques si les probabilités sont supérieures à 0,05. Pour ce cas, nous avons observé que les erreurs sont homoscédastiques car les probabilités sont supérieures au seuil de 5% en occurrence de 34,45% et 29,74% (0,3445> 0,05 et 0,2974> 0,05) voir (annexe 6).

e. Test de normalité des résidus Pour vérifier si le processus des résidus suit un bruit blanc gaussien, il y a

plusieurs tests paramétriques disponibles. En ce qui nous concerne, nous allons nous limiter aux tests couramment utilisés : le skewness, le Kurtosis et le test de Jarque-Bera. Ce test nous a permis de savoir s?il y a la normalité des erreurs.

Observant les résultats sur la figure se trouvant à l'LttQfQ llh. Dans le tableau de droite, nous avons les trois statistiques : Skewness, Kurtosis et Jarque-Bera. Le JarqueBera a une probabilité de 0,8019 soit 80,19% qui est supérieure à 0,05 soit 5%, ce qui veut dire qu?on accepte l?hypothèse nulle de normalité des termes d?erreurs ou résidus.

f. Test de multi colinéarité Ce test consiste à comparer le R2 du modèle estimé au coefficient de corrélation

simple des variables explicatives prises 2 à 2. La matrice de corrélation simple des variables explicatives (Annexe 8) nous montre que tous les coefficients de corrélation entre les variables réellement explicatives du modèle sont inférieurs à R2. Ceci signifie que les variables du modèle retenu ne sont pas colinéaires.

g. Test de CUSUM Le test CUSUM permet d?étudier la stabilité structurelle du modèle estimé au

cours du temps. Ce test nous a permis de voir si le modèle estimé est stable pendant les années d?étude. L?hypothèse nulle est modèle structurellement stable contre l?hypothèse altern ative qui stipule modèle structurellement instable

Si la courbe sort du corridor, il y a instabilité du modèle. Ici, nous constatons que la courbe ne sort pas de la bande donc dans le corridor (annexe 9). Ainsi, nous concluons que le modèle est stable au seuil de 5% sur toute la période.

h. Test de CUSUM au carré La statistique de CUSUM au carré ou CUSUMSQ teste la stabilité ponctuelle du

modèle. Le modèle est ponctuellement stable car la courbe ne sort pas du corridor (Annexe 10). Les tests ci-dessus ont été effectués pour s?assurer de la validité économétrique du modèle.

Eu égard ceux qui précède le modèle est statistiquement et économétriquement

validés.

précédent sommaire suivant







9Impact, le film from Onalukusu Luambo on Vimeo.



Appel aux couturier(e)s volontaires

Hack the pandemiuc !

Moins de 5 interactions sociales par jour



BOSKELYWOOD from Ona Luambo on Vimeo.