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

 > 

Impact du risque politique sur les investissements directs étrangers en Afrique subsaharienne

( Télécharger le fichier original )
par Didier Jol Kama N'GBESSO
Université d'Auvergne Clermont- Ferrand1, centre d'études et de recherches sur le développement international - Master 2 2010
  

précédent sommaire suivant

Appel aux couturier(e)s volontaires

II. 5 LES TESTS ECONOMETRIQUES ET ROBUSTESSE DES RESULTATS

Les méthodologies des tests sont tirées de Araujo, Brun & Combes (2008).

II.5.1 Test de Hausman 

Le modèle classique sur données de panel repose sur l'hypothèse d'homogénéité des comportements c'est-à-dire que les individus (ici nos pays) sont identiques entre eux et dans le temps. Dans ce cas, on parle de « modèle Pooled ». Toutefois l'approche moderne permet de dépasser cette spécification. Il existe alors deux modèles classiques pour estimer une équation de données de panel à savoir le modèle à effets fixes et le modèle à effets aléatoires. L'application de test de Hausman permet de faire l'arbitrage entre les deux modèles. Les résultats du test nous donne, qu'au seuil alpha de 10% le Chi Deux calculé est de 17,74 (11 ddl). Il est supérieur au X² lu 17,28. Le modèle à effet fixe est préférable.

II.5.2 Test de normalité : test de Bera et Jarque

Il porte sur la distribution de l'écart aléatoire åi (i=1,...,N) de variance á². Dans l'hypothèse nulle, åi suit une loi normale. La normalité des résidus est nécessaire pour effectuer les autres tests. Une distribution normale se base sur deux caractéristiques de distribution : la symétrie de la distribution et son épaisseur, soit les statistiques du skewness et du kurtosis. Une symétrie parfaite est associée à un coefficient d'asymétrie nul et à un coefficient de voussure de 3. Bien que notre test de Bera et Jarque ne nous permette pas de conclure à une normalité des résidus, nous pouvons ici appliquer le théorème central limite qui est d'ailleurs très utile dans le cas de grands échantillons. Le théorème de central limite avance le fait qu'au-delà d'un certain nombre d'observations, les termes d'erreurs suivent asymptotiquement une loi normale. Par conséquent avec 434 observations, notre modèle rentre parfaitement dans ce cas de figure. En appliquant le théorème central limit, on peut dire que la distribution de nos résidus suit une loi normale.

II.5.3 Test d'homoscédasticité

L'hypothèse d'homoscédasticité suppose une homogénéité de comportements au sein de l'échantillon d'analyse et une constance dans la variance des résidus. Si cette hypothèse n'est pas respectée, la variance des résidus n'est plus identique. Les estimateurs MCO n'en seront pas pour autant biaisés, mais la variance ne sera alors plus minimale. L'hypothèse nulle est celle d'homoscédasticité. Le test appliqué permet de constater une hétéroscédasticité.

précédent sommaire suivant






Aidez l'hopital de Montfermeil




Moins de 5 interactions sociales par jour