Dette extérieure et fuite des capitaux au Cameroun.

1.2. Le test de cointégration

Nous pouvons maintenant mettre en oeuvre le test de cointégration développé par Pesaran et al. (2001) pour déterminer l'existence (ou non) d'une relation de long terme entre les variables des deux modèles retenues dans cette étude.

Selon l'approche ARDL, une relation de long terme entre les variables du modèle existe lorsqu'on rejette l'hypothèse nulle d'absence de relation de cointégration. Cette hypothèse est testée à travers un test de Fisher dont la valeur calculée de la statistique est comparée aux valeurs critiques simulées par Pesaran, Shin, et Smith (2001). Ces auteurs fournissent deux ensembles de valeur représentant respectivement des limites supérieures et des limites inférieures. L'hypothèse d'absence de cointégration est rejetée lorsque la valeur calculée de la statistique de Fisher est plus élevée que la limite supérieure. Elle n'est pas rejetée dans le cas où elle est plus faible que la limite inférieure, et il n'est pas possible de conclure au cas où elle est comprise entre les deux limites.

La méthode du critère d'information de Schwarz (SIC) a été préférée car il est plus parcimonieux que le critère d'information d'Akaike (AIC). Les résultats des tests de co-intégration sont rapportés dans le tableau 4.2 et les résultats empiriques de l'ARDL (1,1,1, 1, 0) sont présentés dans le tableau 4.3 et ils présentent les coefficients de court terme.

Tableau 4.2 : Statistiques des tests de Wald

	Valeurs critiques						F Wald test	P-value of Wald test
Modèles	1%		5%		10%
	I(0)	I(1)	I(0)	I(1)	I(0)	I(1)
FCR(DET,APD,TPIB,OUV,RTO) (1)	3,29	4,37	2,56	3,49	2,2	3,09	5,20	0,0030
DET(FCR,APD,TPIB,OUV,RTO) (2)	3,29	4,37	2,56	3,49	2,2	3,09	0,96	0,4211

Source : Auteur à partir d'Eviews 9.

Notes : Les valeurs critiques sont tirées de Pesaran et al. (2001).

Les résultats de la statistique de Fisher associée au test de Wald font ressortir deux constats. Dans un premier temps, nous notons l'existence d'une relation de long terme entre la fuite des capitaux, la dette extérieure, l'aide publique au développement le taux de croissance du PIB et l'ouverture commerciale. En effet, la statistique de Fisher associée au test de Wald (6,91) est supérieure à la borne supérieure de la valeur critique du test limite (3,49) telle que tabulée par Pesaran et al.(2001). En outre, la p-value associée est inférieure à 0,05. Ceci nous amène à valider l'existence d'une relation de long terme entre la fuite des capitaux, la dette extérieure, l'aide publique au développement, le taux de croissance du PIB et l'ouverture commerciale aux différents seuils retenus.

En revanche, en observant la ligne 2 du tableau 4.2, nous constatons que cette relation n'est pas réciproque car non-seulement la statistique de Fisher associée au test de Wald (0,88) est inférieure à 3,49, mais aussi la p-value associée au test de Wald (0,42) est supérieure à 5%. Ceci nous amène à rejeter l'existence d'une relation de long terme entre la dette extérieure, la fuite des capitaux, l'aide publique au développement, le taux de croissance du PIB et l'ouverture commerciale (Modèle 2). Nous pouvons donc dire qu'au Cameroun, la dette extérieure affecte la fuite des capitaux (Modèle 1) mais la fuite des capitaux à son tour n'affecte pas la dette extérieure (Modèle 2).

Après avoir détecté l'existence d'une seule relation de long terme entre la fuite des capitaux, la dette extérieure, l'aide publique au développement, le taux de croissance du PIB et l'ouverture commerciale, la deuxième étape de la méthode consiste à rechercher les coefficients estimés de court terme et de long terme du modèle pour lequel la relation d'équilibre de long terme est validée. Dans notre cas, il s'agit du modèle (1).

Présentation des élasticités de court terme et de long terme

Les résultats obtenus dans le cadre de notre travail sont résumés dans les tableaux qui suivent :

Tableau 4.3: Fuite des capitaux et dette extérieure : élasticités de court terme 

Variables coefficients t-statistic P>[t]

Dépendante : FC

FC_t-1 -1,0436*** -4.975061 0.0001

DET_t-1 0.563554** 2.540027 0.0205

APD_t-1 3,335468* 2,008805 0,0543

OUV_t-1 0,817153* 2,026693 0,0508

TPIB 0,448642 0,917756 0,3658

TCE_t-1 -855285*** -6,065609 0,0000

R² 70,36%

Observations 38

Log Vraisemblance -95,74

F-Statistique 3,932146

Source : Auteur à partir d'Eviews 9. *** (**) [*] significativité à 1% (5%) [10%]

Tableau 4.4 : Fuite des capitaux et dette extérieure : élasticités de long terme

Variable dépendante : coefficients t-statistic P>[t]

Fuite des capitaux

FC_t-1 -0,855805*** -5,831656 0.0000

DET_t-1 0,165825* 1,863796 0,0729

OUV 0,947014* 2,276800 0,0543

REP 1,032355** 2,186511 0,0360

RTO 1,202877** 2,121847 0,0414

APD -1,232877 2,121847 0,0414

TPIB 0,448642 0,917756 0,3658

R² 70,36%

Observations 41

Log Vraisemblance -161,67

Source : Auteur à partir d'Eviews 9. *** (**) [*] significativité à 1% (5%) [10%]

Après estimation, nous constatons que :

- Le coefficient du terme d'erreur (TCE) qui représente la vitesse d'ajustement de la relation de court terme vers l'équilibre de long terme est bien négatif et significatif à 1%, ce qui confirme donc l'existence de la relation de long terme.

- Au niveau global, le modèle est significatif avec un coefficient de détermination R² (0,7036) élevé. Ce coefficient montre que la qualité d'ajustement du modèle est assez bonne.

Cependant, certains tests de validation des hypothèses sont nécessaires pour vérifier non seulement la bonne spécification des modèles mais aussi la stabilité des coefficients. Dans le premier cas, il s'agit du test d'autocorrélation des erreurs, du test de normalité des résidus, du test de spécification, du test d'hétéroscédasticité. Dans le deuxième cas, il s'agit du test de stabilité des paramètres du CUSUM et du carré du CUSUM.

Ø Test de l'autocorrélation des résidus :

L'autocorrélation des résidus a été testée à l'aide du test du multiplicateur de Lagrange de Breusch-Godfrey pour l'autocorrélation des résidus d'ordre n. Sous l'hypothèse nulle, toutes les autocorrélations sont statistiquement nulles. L'acceptation de l'hypothèse nulle revient à prouver la non-autocorrélation des résidus. Cette décision est prise si la statistique de Breusch-Godfrey calculée est inférieure à la valeur critique (5,99). La même conclusion est prise si la probabilité critique de cette statistique est supérieure au seuil de significativité de 5%. La p-value associée à la statistique du test de Breusch-Godfrey est de 25,77%. On accepte donc l'hypothèse nulle de l'absence d'autocorrélation des erreurs.

Ø Test de normalité des résidus

Pour tester la normalité des résidus, le test J-B dit de JARQUE et BERA a été utilisé. Ce test suit une distribution de Chi-deux à deux degrés de liberté. Il formule l'hypothèse nulle de distribution normale des résidus et cette hypothèse n'est acceptée que si la statistique J-B est inférieure à la valeur critique = 5,99. Cette normalité des résidus est aussi conclue lorsque la probabilité critique est supérieure au seuil de 5%. Ainsi, la p-value associée à la statistique de J-B est de 17,94%. On conclut que les résidus sont normalement distribués. 

Ø Test de spécification

Pour vérifier s'il n'y a pas des variables omises dans le modèle et si la spécification est correcte, nous avons fait recours au test de Ramsey RESET. Ce test procède par régression successive en ajoutant des variables supplémentaires à la régression initiale. Sous l'hypothèse nulle, les coefficients estimés des régresseurs supplémentaires sont statistiquement nuls, il n'y a donc pas d'erreurs de spécification ou de variables pertinentes omises. L'hypothèse nulle est aussi retenue si la probabilité critique de la statistique F-RESET est supérieure au seuil de significativité (ici 5%). Pour notre estimation, la probabilité F-RESET est de 42,5%. Il n'y a donc pas de variables omises dans le modèle et par conséquent la spécification du modèle est bonne.

Ø Test d'hétéroscédasticité

L'identification de l'hétéroscédasticité peut être faite à l'aide de plusieurs tests, par exemple le test de Breusch-Pagan, le test de Goldfeld, le test de Gleisjer et le test de White. Dans notre étude, nous utilisons le test de Breusch-Pagan pour tester l'hétéroscédasticité. Les critères de décision sont les suivants :

· H0 : homoscédasticité

· H1 : hétéroscédasticité

Si la probabilité associée au test est inférieure à 5%, on rejette l'hypothèse d'homoscédasticité (H0). En revanche, si la probabilité est supérieure à 5%, l'hypothèse nulle est vérifiée et nous pouvons supposer l'homoscédasticité des résidus. Dans notre cas, la p-value (32,08%) est supérieure à 5%. Nous ne rejetons donc pas l'hypothèse nulle d'homoscédasticité.

Tableau 4.5 :  Récapitulatif des Tests de Diagnostic

Intitulé	p-value
Test de Normalité de Jacque-béra	0,179424
Test d'autocorrélation de Breush Godfrey	0,2577
Test d'hétéroscédasticité de Breusch-Pagan	0,3208
Test de RESET	0,425

Source : Auteur à partir d'Eviews 9

· Test de stabilité des coefficients

Afin de mener à bien notre étude, il est important de tester si les relations de court terme et de long terme précédemment trouvées sont stables sur toute la période de l'étude. Pour ce faire, nous devons tester la stabilité des paramètres du modèle. La méthode que nous utilisons ici est basée sur la somme cumulée (CUSUM) et la somme cumulée carrées (CUSUMSQ) proposée par Brown et al. (1975). Contrairement au test Chow qui exige que les points de rupture soient spécifiés, les tests CUSUM peuvent être utilisés même lorsque les points de rupture ne sont pas connus. Le test de CUSUM utilise la somme cumulée des résidus récursifs sur la base des n premières observations et il est mis à jour de manière récursive. Le test de CUSUM carré utilise le carré des résidus récursifs et suit la même procédure.

Si les parcelles du CUSUM et du carré du CUSUM restent dans les limites critiques du niveau de significativité de 5%, l'hypothèse nulle selon laquelle tous les coefficients sont stables ne peut être rejetée. Cependant, si la courbe coupe le corridor, l'hypothèse nulle de la stabilité des paramètres est rejetée. Les graphiques 4.1 et 4.2 présentent les résultats des tests du CUSUM et du CUSUMSQ. L'observation de ces graphiques permet de constater que les courbes du CUSUM et du CUSUMSQ qui représentent la variable testée sont contenues dans la zone de significativité. Il y'a donc stabilité de la relation sur le long terme et le court terme.

Graphique 4.1 : Test de CUSUM

Source : Auteur à partir d'Eviews 9

Graphique 4.2 : Test de CUSUM carré

Source : Construit par l'auteur à partir d'Eviews 9

Les tests de diagnostic et de stabilité effectués, nous pouvons passer à l'interprétation des résultats obtenus de l'étude et formuler les recommandations de politique économique qui en découlent.