Memoire Online - Impact de la masse monétaire,du PIB et du taux de change sur le niveau général des prix au Rwanda.

Selon les théories économiques récentes concernant l'équilibre démontre qu'une série économique stationnaire peut être le résultat d'une combinaison de variables non stationnaires, d'où l'analyse de la cointégration est indispensable.

Si une combinaison linéaire des variables est stationnaire ces variables sont alors cointégrées. Il est nécessaire de noter que la relation de cointégration est détectée en se servant du test de Dickey-Fuller Augmenté de stationnarité sur le résidu du modèle. Si ce résidu est stationnaire, nous acceptons l'hypothèse d'une cointégration entre les variables.

Les résultats obtenus après l'application de l'ADF aux résidus de l'équation (3) se présentent ainsi :

Modèle	ADF test statistic	Valeurs critiques			Probabilité pour (t ou)
		1%	5%	10%
Avec dérivé sans tendance	-2,274113	-3,8067	-3,0199	-2,6202	0,3705
Avec dérivé et tendance	-2,219629	-4,5000	-3,6591	-3,2677	0,6591
Sans dérivé ni tendance	-2,084822	-2,6889	-1,9592	-1,6246

De ce tableau, nous constatons que les statistiques d'ADF test sont supérieures aux valeurs critiques en valeur absolue pour l'équation sans dérivé ni tendance au seuil de 5% et 10%. Ce qui nous permet d'affirmer que U_t est stationnaire et nous constatons que l'IPC_t, M2_t, PIB_t et TCH_t, sont cointégrés et évoluent ensemble dans le long terme.

IV.5.5.3 Estimation du modèle

Dans cette section, nous allons estimer notre modèle et examiner l'impact de chaque variable explicative sur le niveau général des prix au Rwanda. Les données utilisées pour la régression du modèle se trouvent dans l'annexe1.

IV.5.5.3.1 Estimation du modèle par la méthode de moindres carrés ordinaires (MCO)

Nous avons traité le modèle avec le logiciel Eviews et la transformation en logarithmes népériens a été faite car elle plus utile et plus courante a cause des avantages qu'elle procure. Ces avantages sont les suivants :

Ø Les paramètres obtenus par cette forme de transformation représentent les élasticités.

Ø L'estimation par la méthode de MCO d'une fonction logarithmique transformée donne des estimateurs sans biais (JONHSON, 1985, p.77).

Le test de student permet de vérifier la pertinence d'une variable explicative qui figure dans un modèle et sa contribution à l'explication du phénomène que l'on cherche à modéliser.

En outre, il permet de vérifier si les paramètres sont significativement différents de zéro ou non.

En effet, le test de coefficients des paramètres nous a conduit aux résultats ci-après :

En regardant les résultats ci-dessus, nous constatons que tous les coefficients de notre modèle sont supérieurs à t tabulés de 2,060 sauf celui du PIB qui est inférieur à cette valeur.

Ceci signifie qu'à long terme, le niveau général des prix évolue ensemble avec la masse monétaire en circulation et le taux de change et non avec le revenu intérieur (PIB).

Le test de Fisher, nous aide à faire le test de signification globale du modèle. Pour ce faire, on compare le test de Fisher (F*) calculé au F lu sur la table de Fisher à (k-1) et (n-k) degré de liberté.

Quant aux résultats de notre modèle, F* calculé est 324,3 et F lu sur la table de Fisher.

. Comme F calculé est supérieur à F tabulé, notre modèle est globalement significatif au seuil de 5%.

La valeur de coefficient de détermination qui donne la proportion de la variation totale dans la variable dépendante expliquée par les variables explicatives (R²=0,976) est assez élevé. Ceci veut dire que 97,6% de la variation du niveau général des prix au Rwanda sont expliquées par la masse monétaire en circulation, le PIB et le taux de change.

Comme la valeur de coefficient de détermination (R²) est inférieure à la valeur de Durbin Watson (0,976< 1,133), il est vrai à dire que notre régression n'est pas fallacieuse selon GRANGER (1983) et ENGEL (1987) cité par BOURBONNAIS R. (2003 :279).

Quant à l'ajustement du modèle (R²=0,973), cette valeur est donc largement bon et significatif.

On parle de l'autocorrélation des erreurs, lorsque l'hypothèse d'indépendance (H5) n'est pas vérifiée. En d'autre terme, c'est quand

, alors que

D'après RURANGA Charles (2008 : 56), l'autocorrélation est définie comme « la corrélation entre éléments des séries ou observations rangé dans le temps comme dans les données en coupes instantanés ». Dans le cadre de la régression, le modèle classique de régression linéaire suppose qu'une telle autocorrélation est absente des erreurs.

Partant de la position de Durbin Watson test calculé qui est comprise entre (0 et 4) on peut y faire des conclusions suivantes :

1) Si d₂< DW < 4-d₂ : H₀ est acceptée. Donc

, c'est-à-dire qu'il n'y a pas d'autocorrélation des erreurs.

3) Si 4-d₁< DW < 4 : H₀ est rejetée. Donc

, il y a autocorrélation négative.

4) Si d₁< DW < d₂ ou 4-d₂< 4-d₁; pas de conclusion, on est dans la zone de doute où on ne peut pas conclure.

La lecture du graphique ci-haut montre qu'on est dans la zone de doute (1,133).D'où on ne peut pas conclure.

Nous pouvons utiliser le test de KLEIN pour détecter la présence ou non d'une multicolinéarité. Cette règle consiste à comparer le coefficient de détermination R²y de la régression avec les coefficients r²x_i, x_j de corrélation partielle entre les variables explicatives pour i #j (R. BOURBONNAIS, 2003 : 108-109).

Dans notre modèle à long terme, le coefficient de détermination de la régression est R²y = 0,976 et les coefficients de corrélation partielles sont :

Comme R² est supérieur à tous les coefficients de corrélation partielle (97,6% > 94,4%, 94,4%, 86,6%, 86,6%, 90,7% et 90,7% respectivement pour ln

, ln

et ln

). Nous pouvons alors affirmer qu'il n'y a pas la présence de mutlicolinéarité nuisible dans notre modèle. En d'autres termes, il n'y a pas l'existence d'une relation linéaire entre les variables explicatives (M2_t, PIB_t et TCH_t) de ce modèle de régression.

	Breusch-Godfrey serial correlation LM Test
F statistic	2,410815	Probability	0,113061
Obs* R-Squared	5,033461	Probability	0,080723

De ce tableau, nous remarquons qu'il n'y a pas d'autocorrélation car la probabilité de F statistic est supérieure à 5%.

	White Heteroscedasticity test
F statistic	1,506082	Probability	0,224554
Obs* R-Squared	8,423814	Probability	0,208668

La lecture du tableau ci-haut témoigne qu'il n'y a pas d'hétéroscedasticité car la probabilité de F-statistic est supérieure à 5% (0,05).

Impact de la masse monétaire,du PIB et du taux de change sur le niveau général des prix au Rwanda.

IV.5.5.2 Test de cointégration

IV.5.5.3 Estimation du modèle

IV.5.5.3.1 Estimation du modèle par la méthode de moindres carrés ordinaires (MCO)