2.1.1. Interprétation statistique et
économétrique du modèle
- ?0 = -2,55 représente le logarithme
de la demande de monnaie M2 lorsque le PIB, INT, TCH et l'INF sont à
l'unité ;
- ?1 = 2,03 représente
l'élasticité de la demande de monnaie par rapport au PIB. Une
hausse de 1% du PIB entraine une augmentation de 2,03% de la demande de
monnaie.
- ?2 = -0,26 représente
l'élasticité de la demande de monnaie par rapport au taux
d'escompte. Lorsque le taux d'escompte augmente de 1%, la demande de monnaie M2
baisse de 0,26%.
- ?3 = -0,03 représente
l'élasticité de la demande de monnaie par rapport au taux de
change. Pour un accroissement de 1% du taux de change, la demande de monnaie
décroit de 0,03%.
- ?4 = -0,02 représente
l'élasticité de la demande de monnaie par rapport au taux
d'inflation. L'inflation influe négativement et légèrement
la demande de monnaie, en effet, cette dernière baisse de 0,02% lorsque
le taux d'inflation augmente de 1%.
Les résultats d'estimation montrent que les
coefficients associés à la constante, log PIB et log TINT sont
d'un point de vue statistique et économétrique significatifs, car
les statistiques de Student associées sont largement
supérieurs aux valeurs critiques au seuil de 5%, ce qui n'est pas le cas
pour les séries log TCH et log INF. Les valeurs de la statistique de
student sont inférieurs à la valeur critique ce qui nous
conduit à rejeter l'hypothèse de significativité du taux
de change et du taux d'inflation au seuil de 5%.
En complément des coefficients de la régression,
la méthode des moindres carrés permet d'obtenir d'autres
statistiques en particulier l'écart type des résidus ou
l'écart type résiduel. Il est intéressant car il donne une
indication sur l'étroitesse d'ajustement entre la droite calculée
et les points expérimentaux, puisque les résidus
représentent la distance entre les valeurs observées et les
valeurs théoriques. Dans notre cas, sa valeur est de 0,13
ceci nous permet d'avancer que la précision de l'ajustement est
appréciable.
La qualité de l'ajustement correspond au rapport entre
l'information totale sur la demande de monnaie et l'information effectivement
reconstituée à partir des connaissances procurées par la
combinaison des variables explicatives. Cette qualité d'ajustement varie
entre 0% (les variables
D'après ces résultats, nous remarquons d'une
part que la significativité du modèle est limitée par la
présence d'erreurs autocorrélées, d'autre part, la valeur
du coefficient de détermination
sélectionnées n'apportent aucun
élément de prévision sur la demande de monnaie) et 100%
(la connaissance des valeurs variables explicatives permet de prévoir
intégralement les valeurs de la demande de monnaie) et dépend de
l'intensité de la corrélation entre la demande de monnaie et ses
déterminants. Elle peut se calculer ou se mesurer directement à
l'aide du coefficient de détermination, c'est-à-dire du
carré du coefficient de corrélation. D'après les
résultats d'estimation le R2 est
égale à 0,9752, la qualité d'ajustement
est donc bonne.
Selon le test de Fisher qui se fonde sur
l'équation d'analyse de variance, il existe bien une relation entre les
variables explicatives et la demande de monnaie. La statistique de Fisher
obtenue de la régression (394,53) est largement
supérieure à la valeur critique au seuil de 5%.
Pour vérifier l'auto corrélation des
résidus, nous utiliserons le test de Durbin Watson qui
détecte l'auto corrélation d'ordre 1. Cette statistique varie
entre 0 et 4 et nous avons DW=2 lorsque ñ = 0,
elle dépend de deux valeurs d1 et d2 tabulées en fonction du
nombre d'observations et le nombre de variables explicatives, constante exclue.
Dans notre modèle, la statistique de DW égale à
0,68 est comparait aux valeurs d1 et d2 au seuil de 5%, soit
1,34 et 1,72 respectivement. Ceci nous permet de conclure une
autocorrélation positive des erreurs.
| 
