2)Le modèleajusté:
Pour réaliser notre régression linéaire
multiple, nous utiliserons la méthode des moindres carrés
ordinaires (MCO), sans avoirs recours à des effets fixes (car
après les avoir testé, nous avons remarqué que, d'une part
ils n'améliorent pas la significativité du modèle, mais
pis encore, ils la détériorent). De plus, notre panel estdit
«balance» (balanced panel).
Ln(Gini)i,t=â0+â1Log(Trade)i,t
+â2(Landlock)i+â3(Government Effectiveness)i,t +â4(Control of
Corruption)i,t +â5(D1Labour Force)+â6(D2Land)+ìi,t
A l'instar des auteurs de notre article de
référence, pour remédier au problème
d'endogénéité entre la variable expliquée (indice
de Gini) et la variable explicative (Trade), nous allons procéder
à deux étapes de régressions. Nous utiliserons les
mêmes variables instrumentales, qui sont la superficie (area) et la
densité démographique (population). Ces deux variables ont
été retenues car elles influencent le degré d'ouverture
d'un pays sans pour autant avoir d'effet significatif sur les
inégalités de revenus.
Première régression du modèle
ajusté:
Ln(Tradeoppenness)i,t=
á0+á1ln(area)i+á2ln(pop)i+á3(Government
Effectiveness)i,t+á4(Level of Corruption)i,t+á5(Landlock)i+
á6(D1Labour Force)i+ á7(D2Land)+ åi,t
Seconde régression du modèle
ajusté:
Nous remplaçons donc les valeurs trouvées de notre
variable explicative «Trade», dans notre première
régression, soit après instrumentalisation. Nous la nommerons
dorénavant «Openness», pour éviter de prêter
à confusion parmi les variables utilisées lors des
régressions. Ainsi, notre nouvelle équation se décrypte
comme tel:
Ln(Gini)i,t= â0+â1Ln(Openness)i,t
+â2(Landlock)i+â3(GovernmentEffectiveness)i,t+â4(Control of
Corruption)+â(D1Labour Force)+â6(D2Land)+ìi,t
3) Discussion et résultats empiriques:
Les résultats montrent que les variables instrumentales
permettent de résoudre le problème
d'endogénéité car d'une part la variable «area»
est fortement significative à 1% et la variable «population»
est moyennement significative à 5% de degré de liberté.
Les variables affectent négativement le degré de commerce
extérieur. Cela peut se justifier dans le sens où plus un pays
est grand et peuplé, plus il est à même de se suffire
à lui même. En effet, la demande nationale peut davantage absorber
la production, de même qu'une plus grande superficie à tendance
à offrir plus de produits alimentaires et agricoles mais aussi de
ressources naturelles. De même, un grand pays est relativement moins
gagnant à l'échange qu'un petit. Pour mémoire, selon
Bagwathi, un grand pays est susceptible de subir une
détérioration de ces termes de l'échange. Par ailleurs, un
pays caractérisé par une meilleure gouvernance semble être
plus enclin à s'ouvrir au commerce extérieur. A contrario, un
plus fort contrôle de la corruption aurait pour effet d'amoindrir
l'ouverture au commerce mondial des pays. Ces deux dernières variables
sont significatives à 1%. La dummy «D2Land» joue
négativement sur le commerce extérieur. Ainsi, si un pays est
fortement doté en terre, il jouit d'une plus large autosuffisance. On
peut appliquer ici le raisonnement mené pour la variable
«area». Cette dummy est moyennement significative, à 5%.
Enfin, la dummy «D1Labour force» a, elle aussi, un impact
négatif sur l'échange extérieur. Cela signifierait qu'un
pays relativement intensif en main d'oeuvre non qualifié serait plus
fermé au commerce. Il en reste que cette variable n'est pas
significative.
TABLEAU 1: Coefficients estimés de la première
étape de régression du modèle ajusté
|
Nom de la variable
|
Estimation du Paramètre
|
Standard Errors
|
T Value
|
P Value
|
|
Constante
|
6.008556 *
|
0.2352504
|
25.54
|
0.000
|
|
Ln Area
|
-0.0820334**
|
0.029515
|
-2.78
|
0.020
|
|
Ln Pop
|
-0.0700406*
|
0.0298577
|
-2.35
|
0.000
|
|
Landlock
|
Dropped
|
dropped
|
dropped
|
Dropped
|
|
GovernmentEffectiveness
|
0.8342466*
|
0.1008977
|
8.27
|
0.000
|
|
Control of Corruption
|
-0.5882407*
|
0.0932868
|
-6.31
|
0.000
|
|
D1Labour Force
|
-0.0845784
|
0.053292
|
-1.59
|
0.114
|
|
D2Land
|
-0.1511422**
|
0.0735319
|
-2.06
|
0.041
|
|
R carre
|
0.5673
|
|
R carre ajuste
|
0.5559
|
|
Nombre d'observations
|
234
|
Variable dépendante : lnTradeOpenness *
statistiquement significatif a 1%
** statistiquement significatif a 5%
***statistiquement significatif a 10%
Nous nous plaçons maintenant dans la deuxième
étape de régression. Les résultats du modèle
montrent que le degré d'ouverture influe significativement sur les
inégalités de revenus. Les inégalités de revenus
augmentent de 0.28% pour toute hausse de 1% du degré d'ouverture
économique et le coefficient est statistiquement moyennement
significatif à 5%. Nous trouvons de ce fait un résultat semblable
à celui de notre article de référence. Cependant,dans
notre régression, l'impact de la variable exogène
« Openess » est d'autant plus fort sur la variable
expliquée, quoique notre coefficient soit moins significatif. Le
coefficient de la variable «GovernmentEffectiveness», montre qu'une
meilleure gouvernance, plus efficace en d'autres termes, permet de
réduire les inégalités. Une amélioration de 1% de
l'état de gouvernance permet de baisser les inégalités de
0.24%. Ce résultat était intuitivement prévisible dans la
mesure où un gouvernement plus efficace et plus soucieux du bien
être de la population locale sera d'autant plus favorable à
appliquer des politiques qui bénéficieraient à l'ensemble
de la communauté plutôt qu'à une minorité au
détriment du reste. Enfin, là où les résultats sont
des plus étonnant, au même titre qu'ils l'étaient dans
l'article de référence, c'est qu'un contrôle
supérieur de 1% de la corruption, au lieu d'aller dans le sens d'une
baisse des inégalités, les augmentent de 0.17%. De
mémoire, dans l'article de référence l'indice de
corruption avait pour effet d'amoindrir les inégalités. Cela
reviendrait au même que les résultats trouvés dans notre
modèle ajusté, où moins de corruption diminuerait les
inégalités. Cependant, les coefficients ne sont pas significatifs
que ce soit dans le modèle de référence ou notre
modèle ajusté. Concernant les coefficients des dummys, qui nous
permettaient de tester si les dotations en facteurs relatifs des pays
influencées ou non différemment les inégalités,
nous aboutissons à des résultats tout à fait
intéressant. En effet, un pays fortement doté en main d'oeuvre
non qualifiée semble accroître les inégalités
plutôt que les résorber. Ce qui va dans le sens contraire des
prédictions théoriques du modèle HOS. Ainsi, il
apparaît qu'avoir un avantage comparatif dans le bien intensif en travail
non qualifié ne contribuerait pas à diminuer les
inégalités. Le différentiel des salaires entre
travailleurs compétents et non compétents irait plutôt dans
le sens d'un élargissement. Il est à préciser toutefois,
qu'étant donné le faible nombre pays contenus notre
échantillon mais aussi peut être les données retenues pour
mesurer cette variable peuvent donner des résultats contestables. Enfin
le coefficient de la dummy «D2Land» montre que plus un pays est
abondant en terre plus celui-ci est inégal. Cela confirme donc les
prédictions du modèle HOS réctifié par Wood. Il est
par ailleurs important de savoir que le coefficient de la dummy
«D2Land» affecte plus les inégalités que celui de la
dummy «D1LabourForce». Ce résultat est favorable à
notre analyse dans la mesure où l'on a voulu montrer qu'un pays ouvert
au commerce et dont l'avantage comparatif était la production de biens
intensifs en terre était plus inégalitaire qu'un pays ouvert au
commerce et dont l'avantage comparatif repose sur les biens utilisant de la
main d'oeuvre non qualifiée. Ces deux coefficients sont statistiquement
significatifs à 1% de degré de liberté.
TABLEAU 2: Coefficients estimés de la seconde
étape de régression du modèle ajusté
|
Nom de la variable
|
Estimation du Paramètre
|
Standard Errors
|
T Value
|
P Value
|
|
Constante
|
2.445466*
|
0.5431999
|
4.50
|
0.000
|
|
Ln Openness
|
0.2869262**
|
0.123116
|
2.33
|
0.022
|
|
Landlock
|
Dropped
|
dropped
|
dropped
|
Dropped
|
|
GovernmentEffectiveness
|
-0.2435177**
|
0.1206551
|
-2.02
|
0.046
|
|
Control of Corruption
|
0.178219***
|
0.09298
|
1.92
|
0.058
|
|
D1Labour Force
|
0.1537827*
|
0.049376
|
3.11
|
0.002
|
|
D2Land
|
0.3199141*
|
-0.0805836
|
3.97
|
0.000
|
|
R carre
|
0.2081
|
|
R carre ajuste
|
0.1664
|
|
Nombre d'observations
|
101
|
Variable dépendante : ln Gini * statistiquement
significatif a 1%
** statistiquement significatif a 5%
***statistiquement significatif a 10%
NB: Nous avons effectué d'autres estimations pour
essayer d'accroître la significativité des coefficients. Puisqu'il
nous manque beaucoup des données pour la variable «Gini», qui
est celle que l'on souhaite expliquer, notamment pour les années allant
de 1987 à 1995- 6, mais aussi pour les variables
«GovernmentEffectiveness» et «Control of Corruption» dont
les valeurs débutent à l'année 1996, nous avons tenter de
faire la régression en utilisant les mêmes méthodes de
régressions que pour la période 1997-2007, et nous avons
trouvé que la significativité des coefficients avaient largement
décrue. Nous pensons que cela s'explique par la diminution
d'observations. De même, nous avons testé une autre
régression en imputant les variables «GovernmentEffectiveness»
et «Control of Corruption» et non avons trouvé que la
significativité des coefficients du modèle, notamment celui de la
variable «Trade» en pâtissait fortement. Ainsi, la
présence de ces deux variables est fondamentale parce qu'elles influent
considérablement sur les inégalités de richesses.
| 
