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.
| 
