Incidence de la politique monétaire sur la croissance économique en république démocratique du Congo de 2003 à 2018.

3.4.2. DIAGNOSTIC DES MODELES

Le diagnostic permet de déterminer le niveau de validité économétrique du modèle au moyen

des différents tests.

a. SPECIFICATION

Dans les études de données de panel, il apparait nécessaire de s'assurer de la spécification homogène ou hétérogène du processus générateur des données, (Doucouré, 2008). Cela revient à tester l'égalité des coefficients du modèle étudié dans la dimension individuelle.

1er modèle

Ramsey RESET Test Equation: UNTITLED

Specification: LCRED LCRED(-1) LRO LRO(-1) LRO(-2) LRO(-3) LRO(-4) LTXDIR

LTXDIR(-1) LTXDIR(-2) LTXDIR(-3) LTXDIR(-4) LBNBCC LBNBCC(-1)

LBNBCC(-2) LBNBCC(-3) LBNBCC(-4) LBNBCC(-5) C

Omitted Variables: Squares of fitted values

	Value	df	Probability
t-statistic	0.140776	40	0.8888
F-statistic	0.019818	(1, 40)	0.8888
Likelihood ratio	0.028729	1	0.8654

~ 89 ~

2e modèle

Ramsey RESET Test Equation: UNTITLED Specification: CSS CSS(-1) CSS(-2) CSS(-3) CSS(-4) LCRED LCRED(-1) Omitted Variables: Squares of fitted values

	Value	df	Probability
t-statistic	1.231934	52	0.2235
F-statistic	1.517662	(1, 52)	0.2235
Likelihood ratio	1.697312	1	0.1926

b. HETEROSCEDASTICITÉ DES MODÈLES

L'identification de l'hétéroscédasticité peut être faite à l'aide de plusieurs tests, par exemple les tests de Breusch-Pagan, test de Goldfeld, test de Gleisjer et test de White. Dans notre étude, nous prenons le test de Breusch-Pagan pour tester l'hétéroscédasticité, le problème du test est le suivant :

? H0 : homoscédasticité

? H1 : hétéroscédasticité

Si la probabilité associée au test est inférieure à á, on rejette l'hypothèse d'homoscédasticité (H0). En revanche, si la probabilité est supérieure à á, l'hypothèse nulle est vérifiée et nous pouvons supposer l'homoscédasticité des résidus. Avec á = 5% = seuil de significativité.

1er modèle

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 0.281599 Prob. F(16,41) 0.9959

Obs*R-squared 5.742686 Prob. Chi-Square(16) 0.9906

Scaled explained SS 13.23849 Prob. Chi-Square(16) 0.6552

2e modèle

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 1.149335 Prob. F(6,52) 0.3476

Obs*R-squared 6.908184 Prob. Chi-Square(6) 0.3294

Scaled explained SS 19.63751 Prob. Chi-Square(6) 0.0032

Les tableaux ci-dessus nous renseignent l'absence d'autocorrélation des erreurs dans les deux modèles, l'absence d'hétéroscédasticité des modèles estimés. Ce qui confirme que nos deux modèles sont bien spécifiés.

~ 90 ~

c. STABILITE DES MODELES

Le test CUSUM permet d'étudier la stabilité structurelle du modèle estimé au cours du temps. Ce test nous a permis de voir si les modèles estimés sont stables pendant les années d'étude. L'hypothèse nulle est un modèle structurellement stable contre l'hypothèse alternative qui stipule un modèle structurellement instable.

1er modèle et 2^e modèle

Test de Cusum

²⁰

¹⁵

¹⁰

⁵

⁰

^-5

^-10

^-15

^-20

^{2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018}

^{CUSUM 5% Significance}

^30 ^20 ^10 ^0 ^-10 ^-20 ^-30

^{05 06 07 08 09 10 11 12 13 14 15 16 17 18}

^{CUSUM 5% Significance}

Si la courbe sort du corridor, il y a instabilité du modèle. Ici, nous constatons que les courbes de nos deux modèles ne sortent pas des bandes des corridors. Ainsi, nous concluons que les modèles sont stables au seuil de 5% sur toute la période.