3.2. TEST SUR LES RESIDUS
Il s'agit de tester la normalité,
l'hétérocedasticité et l'autocorrélation des
résidus.
3.2.1. Test de normalité des résidus
L'hypothèse de normalité des résidus joue
un rôle essentiel car elle va préciser la distribution statistique
des estimateurs. C'est donc grâce à cette hypothèse que
l'inférence statistique peut se réaliser. Ce test est
effectué à l'aide du test de Jacque-Bera qui suit une loi de
Khideux à deux degrés de liberté au seuil de 5%
égale à 5,99. Il permet de savoir si les variables du
modèle suivent ou non une loi normale. Les résultats de nos tests
prouvent globalement que les résidus sont normalement distribués
car les statistiques de Jarque-Bera sont toutes inférieures à
5,99.
Tableau n°3.4 : Résultat du test de
normalité des résidus
VAR Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl) H0: residuals are
multivariate normal Date: 01/21/11 Time: 17:38
Sample: 1980 2007
Included observations: 25
|
Component
|
Skewness
|
Chi-sq
|
Df
|
Prob.
|
|
1
|
-0.320562
|
0.428166
|
1
|
0.5129
|
|
2
|
-0.171561
|
0.122638
|
1
|
0.7262
|
|
3
|
-0.028424
|
0.003366
|
1
|
0.9537
|
|
Joint
|
|
0.554171
|
3
|
0.9068
|
|
Component
|
Kurtosis
|
Chi-sq
|
Df
|
Prob.
|
|
1
|
2.523626
|
0.236387
|
1
|
0.6268
|
|
2
|
1.553014
|
2.181009
|
1
|
0.1397
|
|
3
|
1.517090
|
2.290647
|
1
|
0.1302
|
|
Joint
|
|
4.708044
|
3
|
0.1945
|
|
Component
|
Jarque-Bera
|
df
|
Prob.
|
|
|
1
|
0.664554
|
2
|
0.7173
|
|
2
|
2.303648
|
2
|
0.3161
|
|
3
|
2.294014
|
2
|
0.3176
|
|
Joint
|
5.262215
|
6
|
0.5106
|
Dans certains cas, c'est le nombre d'observations qui nous
permet de conclure que les résidus sont normaux. En effet, quand le
nombre d'observations est supérieur à trente, la série
suit une loi normale.
3.2.2. Test
d'hétéroscédasticité des résidus
Effectué à l'aide du test de White dans le cadre
de notre étude, ce test permet de savoir si les erreurs sont
homoscédastiques ou non.
L'hétéroscédasticité qualifie les données
qui n'ont pas une variance constante. Or, les séries doivent être
homoscédastiques pour présenter les meilleurs estimateurs. Pour
faire le test d'hétéroscédasticité, l'idée
générale est de vérifier si le carré des
résidus peut être expliqué par les variables du
modèle. Dans notre étude, les résidus sont
homoscédastiques car les probabilités sont supérieures
à 5%.
Tableau n° 3.5 : Résultat du test
d'hétéroscédasticité des résidus
VAR Residual Heteroskedasticity Tests: No Cross Terms (only
levels and squares) Date: 01/21/11 Time: 17:41
Sample: 1980 2007
Included observations: 25
Joint test:
|
Chi-sq
|
df
|
Prob.
|
|
|
|
|
40.86297
|
36
|
0.2653
|
|
|
|
|
Individual components:
|
|
|
|
|
|
Dependent
|
R-squared
|
F(6,18)
|
Prob.
|
Chi-sq(6)
|
Prob.
|
|
res1*res1
|
0.376877
|
1.814456
|
0.1527
|
9.421917
|
0.1512
|
|
res2*res2
|
0.357096
|
1.666329
|
0.1867
|
8.927408
|
0.1777
|
|
res3*res3
|
0.323599
|
1.435238
|
0.2556
|
8.089973
|
0.2316
|
|
res2*res1
|
0.197686
|
0.739184
|
0.6251
|
4.942146
|
0.5513
|
|
res3*res1
|
0.282719
|
1.182464
|
0.3589
|
7.067986
|
0.3146
|
|
res3*res2
|
0.388402
|
1.905182
|
0.1351
|
9.710048
|
0.1374
|
Source : Calculs de l'auteur sur l'Eviews 5
| 
