II-1- Le test de Hausman
Nous avons effectué le test de Hausman sur la
deuxième équation du modèle (annexe 5.2), après
avoir fait le test de Fisher d'effet fixes (annexe 6.2) et le test de
Breush-Pagan d'effets aléatoires (annexe 7.2).
Tableau 9 : Test de
spécification des équations et choix du modèle
approprié
|
Tests
Modèle
|
Fischer (effet fixe)
|
Breush-Pagan (effet aléatoire)
|
Hausman
|
Choix du modèle
|
|
Equation 2
|
F(3,105)=65,90
Prob>F=0,000
|
Wald Chi2(3)=203,91
Prob>Chi2=0,000
|
Chi2(3)=21,38
Prob>Chi2=0,000
|
Modèle à effets fixes
|
Source : Auteur à partir des
résultats du logiciel STATA 11
L'analyse des résultats de ces tests nous recommande le
choix du modèle à effets fixes pour l'estimation du modèle
2. Car les probabilités des ces différents tests sont
inférieures à 5%.
II-2- Résultats des estimations
Avant de présenter les résultats de l'estimation
pour la CEMAC, nous présenterons d'abord ceux de l'estimation de chaque
pays membre de la sous-région.
· La régression par pays
Le tableau ci-dessus présente les résultats de
l'estimation pour chaque pays (annexe 8.2).
Tableau 10 :
Résultats des estimations par pays (modèle 2)
|
PAYS
VRBLES
|
CAMEROUN
|
CENTRAFRIQUE
|
CONGO
|
GABON
|
GUINEE EQUATRLE
|
TCHAD
|
|
Coeff
|
Prob
|
Coeff
|
Prob
|
Coeff
|
Prob
|
Coeff
|
Prob
|
Coeff
|
Prob
|
Coeff
|
Prob
|
|
C
|
6,47
|
0,26
|
6,94
|
0,00
|
-4,42
|
0,64
|
17,02
|
0,00
|
-34,47
|
0,00
|
26,75
|
0,00
|
|
LOG(PIBH)
|
-0,15
|
0,73
|
0,45**
|
0,03
|
0,20
|
0,75
|
2,16***
|
0,00
|
0,08
|
0,97
|
2,88***
|
0,00
|
|
LOG(k)
|
0,25
|
0,42
|
0,25**
|
0,01
|
0,05
|
0,95
|
-0,37***
|
0,00
|
0,24
|
0,31
|
0,50***
|
0,00
|
|
LOG(VAAGR)
|
0,50***
|
0,00
|
0,22
|
0,23
|
1,20
|
0,24
|
-0,27
|
0,42
|
2,70***
|
0,00
|
-1,62***
|
0,00
|
|
R2
|
0,6663
|
0,9224
|
0,4936
|
0,9780
|
0,8629
|
0,9751
|
|
R2 ajustée
|
0,5948
|
0,9069
|
0,3924
|
0,9736
|
0,8354
|
0,9702
|
|
Prob(F-Statistic)
|
0,0012***
|
0,0000***
|
0,0146**
|
0,0000***
|
0,0000***
|
0,0000***
|
|
(***), (**): Significatifs respectivement au seuil de 1% et 5%
|
Source : Construction de l'auteur à partir du
logiciel Eviews 8.0
Les valeurs de R2 et R2
ajusté dans les 6 pays de la CEMAC à l'exception du Congomontrent
que les variables choisies du modèle théorique ont bien une
influence sur la variable expliquée ; on peut donc dire que la
qualité d'ajustement du modèle est bonne. De plus, la
probabilité de Fisher montre que le modèle est globalement
significatif au seuil de 1% et 5%.
Le logarithme du PIB par tête influence positivement le
logarithme de la valeur ajoutée du secteur industriel dans l'ensemble de
la sous-région à l'acception du Cameroun où ce logarithme
influence négativement le logarithme de la valeur ajoutée du
secteur industriel et qui est aussi non significatif.
On constate que le capital physique par tête est non
significatif au Cameroun ; Congo et Guinée Equatoriale, et
significatif au Gabon ; Tchad et Centrafrique. Il influence positivement
l'industrie à l'exception du Gabon où cette influence est
négative.
Le sous-secteur agricole influence positivement la dynamique
du secteur industriel dans la majorité des pays. Bien que cette relation
se soit révélée négative au Gabon et au Tchad, elle
n'est pas significative au Gabon et significative au Tchad. Malgré que
la corrélation soit positive au Congo et en Centrafrique, elle n'est pas
significative. Dans les pays de la CEMAC, les élasticités du
secteur industriel par rapport à l'agriculture sont respectivement
0,50 ; 0,22 ; 1,20 ; -0,27 ; 2,70 ; -1,62 pour le
Cameroun, la Centrafrique, le Congo, le Gabon, la Guinée Equatoriale et
le Tchad. Ce qui signifie, si le logarithme de la valeur ajoutée du
secteur agricole augmente de 1% dans ces pays, alors le logarithme de la valeur
ajoutée du secteur industriel augmente respectivement de 0,50% ;
0,22% ; 1,20% ; -0,27% ; 2,70% et -1,62%.
· La régression pour la CEMAC
Tableau 11 :
Résultats des estimations du modèle 2
|
Variable dépendante :
LOG(VAIND)
|
|
Variables explicatives
|
Coeff.
|
Prob.
|
|
C
|
1,6063
|
0,470
|
|
LOG(PIBH)
|
0,5973***
|
0,000
|
|
LOG(k)
|
0,1136
|
0,328
|
|
LOG(VAAGR)
|
0,6348***
|
0,000
|
|
Spécification : Modèle à effets
fixes
Nombre d'observation = 114
R2 (Within) =
0,6531
Test de Fischer : F(5,105) = 13,64 Prob> F = 0,000
*** : Significatif au seuil de 1%
|
Source : Construction de l'auteur à partir du
logiciel STATA 11
Le tableau précedent présente l'estimation de
l'équation 2. Il en ressort que le modèle est globalement
significatif (Prob>F = 0,000?1%) au seuil de 1%. Le R2 est de
0,65 ; la variabilité des variables explicatives de
l'équation explique 65% de la variabilité de la valeur
ajoutée du secteur industriel.
L'équation qui permet d'estimer la dynamique du
sous-secteur agricole sur celle du secteur industriel s'écrit de la
façon suivante :
LOGVAINDt= á0 +
á1LOGPIBHt + á2LOGKt
+ á3LOGVAAGRt +
Et
Le modèle estimé s'écrit comme
suit :
  t = 1,60+ 0,59LOGPIBHt +
0,11LOGk + 0,63LOGVAAGRt
L'estimation de l'équation ci-dessus montre que la
variable logarithme de la valeur ajoutée agricole (LOGVAAGR) affecte
positivement la dynamique du secteur industriel. Ces résultats sont
aussi conformes aux prédictions empiriques de la plupart des travaux. En
effet, l'estimation d'un modèle vectoriel à correction d'erreur
(VECM) par Yao (2000) et Katircioglu (2006) aboutissent à une relation
positive entre le sous-secteur agricole et le secteur industriel.
Etant donné la significativité et le signe
attendu de la variable logarithme de la valeur ajoutée agricole, notre
deuxième hypothèse se trouve ainsi valider :
Hypothèse 2 : la dynamique du
secteur agricole influence positivement celle du secteur industriel
Notre deuxième hypothèse ayant été
aussi validée, nous pouvons maintenant passer aux implications des
politiques économiques.
|
|
