La stationnarité des variables en RDC est cruciale pour comprendre les déterminants de l’épargne entre 1960 et 2020. Cette analyse met en évidence les faibles taux d’épargne et leur influence sur l’investissement et la croissance économique dans le pays.
Section 2 :
ANALYSE ET TRAITEMENT DE DONNEES
3.2.1. Analyse de Près-estimation du modèle
a) Analyse de la stationnarité des variables
Avant de déterminer le modèle d’estimation à utiliser, il convient de faire une étude préalable des séries des différentes variables. Pour ce faire, nous utiliserons le test de racine unitaire de Dickey-Fuller Augmenté (ADF).
Le test ADF se base sur une estimation par Moindres carrés Ordinaires (MCO) de la variable par rapport à elle-même mais avec un décalage. Le test est fondé sur une hypothèse nulle correspondant à la racine unitaire (signifiant que la série n’est pas stationnaire).
Les hypothèses se présentent comme suit :
H0: présence de racine unitaire (la série n’est pas stationnaire) ; et
H1: absence de racine unitaire (la série est stationnaire)
On accepte l’hypothèse nulle si la valeur statistique du coefficient de racine unitaire est supérieure à la statistique de Dickey-Fuller au seuil critique considéré (5%) ; soit si la probabilité critique de cette valeur est supérieure à 0,05 ; dans le cas contraire, on accepte l’hypothèse alternative (dans ce cas, la série est stationnaire).
| Tableau 3 : Résultats synthétiques du test de racine unitaire : ADF | |||||||
|---|---|---|---|---|---|---|---|
| VARIABLES | T-ADF | T-critical values à 1% | T-critical values à 5% | Probability | Level | 1st level | 2end level |
| IDE | -10.11922 | -3.548208 | -2.912631 | 0.0000 | ** | ||
| INT | -3.842918 | -3.544063 | -2.910860 | 0.0043 | * | ||
| INFL | -6.895138 | -3.544063 | -2.910860 | 0.0000 | * | ||
| PIBH | -12.33379 | -3.546099 | -2.911730 | 0.0000 | ** | ||
| AID | -6.394660 | -3.546099 | -2.911730 | 0.0000 | ** | ||
| EPA | -6.018075 | -3.544063 | -2.910860 | 0.0000 | * | ||
Légende : * : à niveau ; ** : en première différence ; *** : en deuxième différence.
Source : Nous-même à partir des résultats tirés avec Eviews 12
Les résultats de ce tableau montrent à travers le test de racine unitaire de Augmented Dickey Fuller (ADF) la stationnarité en différence première de variables notamment l’investissements direct étrangers et le PIB par habitant et l’aide publique au développement tandis que le taux d’intérêt, l’inflation et l’épargne sont intégrées à niveau. Les résultats montrent par le test ADF à 1%, à 5% sont inférieures aux valeurs critiques de Mackinnon au seuil de 5%, ce qui veut dire la présence de stationnarité.
b) Etude de la causalité entre les variables
Pour vérifier la causalité entre les variables, nous avons eu à faire recourt au test de causalité bilatérale de Granger. L’hypothèse nulle de ce test correspond à l’absence de causalité d’une variable X face à une variable Y. la règle de décision est telle que l’on accepte l’hypothèse nulle si la probabilité critique du test est supérieure à 5% ; et donc, il y aura causalité entre variables si la probabilité critique est inférieure à la marge d’erreur.
| Tableau 4 : Résultats du test de causalité au sens de Granger | |||
|---|---|---|---|
| Pairwise Granger Causality Tests | |||
| Date: 10/10/22 Time: 01:10 | |||
| Sample: 1960 2020 | |||
| Lags: 3 | |||
| Null Hypothesis: | Obs | F-Statistic | Prob. |
| IDE does not Granger Cause EPA | 58 | 4.94058 | 0.0044 |
| EPA does not Granger Cause IDE | 0.83912 | 0.4787 | |
| AID does not Granger Cause EPA | 58 | 0.80927 | 0.4946 |
| EPA does not Granger Cause AID | 0.92918 | 0.4334 | |
| INFL does not Granger Cause EPA | 58 | 4.95038 | 0.0043 |
| EPA does not Granger Cause INFL | 2.05968 | 0.1172 | |
| INT does not Granger Cause EPA | 58 | 0.93522 | 0.4305 |
| EPA does not Granger Cause INT | 2.41557 | 0.0771 | |
| PIBH does not Granger Cause EPA | 58 | 1.35091 | 0.2683 |
| EPA does not Granger Cause PIBH | 0.43918 | 0.7259 | |
Source : Nous-même à partir des résultats tirés avec Eviews 12
Les résultats de ce test nous ont permis d’établir les relations suivantes :
EPARGNE
AID
PIBHAB
IDE
INTERET
INFLATION
Source : nous-même, A partir du tableau précédent
Ce schéma nous montre l’existence d’une causalité unidirectionnelle entre l’épargne et l’aide publique au développement ; entre l’épargne et le taux d’intérêt ; et entre l’épargne et le PIB par habitant. Cependant, il existe une relation bidirectionnelle entre l’épargne et l’inflation ; et l’épargne et l’investissements direct étrangers.
1. Le test de Pesaran et al. (2001)
La cointégration entre séries suppose l’existence d’une ou plusieurs relations d’équilibre à long terme entre elles. Ces relations peuvent être combinées avec les dynamiques de court terme de ces séries dans un modèle et peuvent prendre la forme d’un vecteur à correction d’erreurs ou d’un modèle à correction d’erreurs selon la forme suivante :
Avec : = vecteur de variables stationnaires sous études (dont on explique la dynamique), = matrice dont les éléments sont des paramètres associés à ; A= matrice de même dimension que (et r(A) représente le nombre de relations de cointégration) ; = opérateur de différence première (kuma jonas Kibala, 2018).
Pour tester l’existence ou non de la cointégration entre série, la littérature économétrique fournit plusieurs tests ou approches. Pour notre part, nous opterons pour le test de cointégration de Pesaran et al. (2001), appelé aussi « test de cointégration aux bornes » ou « bounds test cointegration ».
Le modèle de base associé au test de cointégration par les retards échelonnés est le modèle ARDL cointégrée dont la spécification est la suivante :
Où zt-1 est le terme de correction d’erreur résultant de la relation d’équilibre de long terme ; c’est un paramètre indiquant la vitesse d’ajustement au niveau d’équilibre après un choc. Son signe doit être négatif et son coefficient significatif pour assurer la convergence de la dynamique vers l’équilibre à long terme. Ce coefficient varie entre -1 et 0. -1 signifie une convergence parfaite alors que 0 permet de conclure qu’il n’y pas de convergence après un choc dans le processus (Bourbonnais, 2015; Benyacoub and Mourad, 2021).
Cette relation peut aussi s’écrire comme suit :
Ou
Pour vérifier l’existence d’une relation de cointégration, on recourt au test de Fisher selon les hypothèses suivantes :
La procédure est telle qu’on devra comparer les valeurs de Fisher obtenues aux valeurs critiques (bornes) simulées sur plusieurs cas et différents seuils par Perasan et al. Et l’interprétation ou la décision se fera comme ceci :
- Si F-calculé est supérieur à la borne supérieure, il existe une relation de cointégration ;
- Si F-calculé est inférieur à la borne inférieure, il n’existe pas de relation de cointégration ; et
- Si F-calculé est compris entre les deux bornes, le test est non-concluant, aucune interprétation objective ne pourrait se faire.
| Tableau 5 : Résultats du test de cointégration aux bornes | ||||
|---|---|---|---|---|
| F-Bounds Test | Null Hypothesis: No levels relationship | |||
| Test Statistic | Value | Signif. | I(0) | I(1) |
| F-statistic | 6.184653 | 10% | 2.08 | 3 |
| K | 5 | 5% | 2.39 | 3.38 |
| 2.5% | 2.7 | 3.73 | ||
| 1% | 3.06 | 4.15 | ||
Source : Nous-même à partir des résultats tirés avec Eviews 12
Les résultats du tableau ci-dessus révèlent que le F-calculé est supérieur à la borne supérieure, d’où la présence d’une relation de long terme entre les variables d’étude.
Source : Nous-même à partir des résultats tirés avec Eviews 12
Après l’analyse et le traitement de données, les résultats révèlent dans l’ensemble avec tous les tests utilisés, le modèle est expliqué à 80,8% du coefficient de détermination. Ce qui veut dire que le modèle est globalement significatif.
Les résultats de l’estimation du modèle ARDL comme on peut le voir, c’est un modèle ARDL (1, 4, 2, 4, 4, 1) est le modèle le plus optimal parmi les 20 modèles estimés.
Interprétation du modèle
1. La dynamique de court terme
EPARGNE = – 0.074*IDE (-1) – 0.096*IDE (-2) -0.003*INT (-1) -0.0001*INFL(-1) -0.00009*INFL(-2)-0.88*PIBH(-1)
Il ressort à court terme pour ce modèle :
- Un hause de 100% des IDE décalé à la 1ère période entraine une baisse de 7% l’épargne courante ;
- Un hause de 100% des IDE décalé à la 2ème période entraine une baisse de 9.6% l’épargne courante ;
- Un hause de 1000% du taux d’intérêt retardé à la 1ère période entraine une baisse de 3% l’épargne courante ;
- Un hause de 1000% de l’inflation retardée à la 1ère période entraine une baisse de 0.1% l’épargne courante ;
- Un hause de 1000% de l’inflation retardée à la 2ème période entraine une baisse de 0.09% l’épargne courante ;
- Un hause de 100% du PIB par habitant retardée à la 3ème période entraine une baisse de 88 % l’épargne courante.
2. La dynamique de Long terme
EPARGNE = 0.048*IDE +0.851*AID
Les effets de Long terme révèlent :
- Une augmentation de 100% des IDE entraine une hausse de 4.8% de l’épargne ;
- Une augmentation de 100% d’aide publique au développement entraine un accroissement de 85% de l’épargne.
Le coefficient d’ajustement (0.809) ou force de rappel de l’équilibre du modèle de cointégration est statistiquement significatif, ceci garantit un mécanisme de correction d’erreur dans les variations de l’épargne. D’où, l’existence d’une relation de long terme. Autrement dit, tous les déséquilibres du modèle seront corrigés dans la période qui suive au bout de 1 ans et 2 mois.
3.2.2. Décalage optimal
Pour déterminer le retard optimal nous nous sommes servis du critère d’information d’Akaike pour sélectionner le modèle ARDL optimal, celui qui offre des résultats statistiquement significatifs partant des statistiques (Student et Fisher) avec moins des paramètres d’estimation pour une meilleure inférence statistique. Les résultats de la détermination du retard optimal passent par l’estimation du modèle ARDL.
[12_img_1]
Source : Nous-même à partir des résultats tirés avec Eviews 12
Comme on peut le voir, le modèle ARDL (1, 4, 2, 4, 4, 1) est le plus optimal parmi les 19 autres présentés, car il offre la plus petite valeur du Shwarz-SIC.
Les tests de Post-estimation du modèle
| Tableau 7 : Résultats des tests diagnostiques du modèle ARDL estimé | |||
|---|---|---|---|
| Hypothèse du test Test Valeurs (Probabilité) | |||
| Autocorrélation | Breusch-Godfrey | 2.021 (0.164) | |
| Normalité | Jarque-Bera | 0.302 (0.859) | |
| Hétéroscédasticité | Breusch-Pagan-Godfrey | 1.351 (0.210) | |
| Spécification | Ramsey (Fisher) | 1.008 (0.320) | |
Source : Auteur (nos estimations sur Eviews 12, cfr. Annexe)
Le présent tableau élucide les différents tests de la validité de notre modèle ; pour ce faire nous avons analysé les résidus de notre modèle en examinant la corrélation sérielle, leur normalité et leur Hétéroscédasticité.
Pour analyser l’autocorrélation sérielle, nous avons effectué le LM-test sur notre modèle Auto-Regressive Distributed Lag Models, test qui nous donne les résultats selon lesquels : il n’y a pas autocorrélation sérielle dans le modèle. Ce test a été fait avec 2 retards, équivalent celui de notre modèle économétrique autorégressif à retard échelonné, et les probabilités de valeur critiques LM-stat sont supérieures au seuil de signification de 5% ce qui nous a mené à l’acceptation de l’hypothèse stipulant l’absence de la corrélation sérielle, comme indiqué dans l’annexe.
En ce qui concerne la normalité des résidus, nous avons effectué le test de JARQUE-BERA.
Ce test montre que les variables suivent une loi normale. Les résultats de ces tests sont repris dans l’annexe. Ainsi l’avant dernier test effectué est celui d’Hétéroscédastique. En effet on parle d’Hétéroscédastique lorsque les variances de résidus des variables examinées sont différentes une collection de variables aléatoires est hétéroscédastique s’il y a des sous-populations qui ont des variabilités différentes des autres. Dans notre cas, ce test montre que les variables du modèle vu leur probabilité largement supérieure au seuil critique de 5% sont homoscédastiques (la variance de l’erreur des variables est constante). Et le dernier test est celui de Ramsey qui montre que le modèle a été bien spécifié comme le démontre le tableau.