II-2-a- le test de stationnarité
Avant de procéder à l'estimation du
modèle nous allons faire ce test pour voir si les caractères
probabiliste des variables sont stables dans le temps, autrement dit si toutes
les variables ont la même espérance, même variance et si les
autocorrélations ne dépendent pas du temps, mais l'écart k
entre les périodes considérées (??????~????, ????+1) =
??????(????', ????'+1) ~ ????). Plusieurs tests peuvent être
appliqués pour détecter la stationnarité. Entre autre le
Levin et Lin (1 993 ) et de lm, Pesaran et Shin (1 997) . Le test de lm,
Pesaran et Shin, le test de Dickey et Fuller( 1 979) . Parmi tous ces tests
nous optons pour le test de Levin et Lin parce que ce test est le plus
adapté dans le
|
traitement
|
des
|
données e
|
n panels.
|
Ce test consiste à estimer??~. On construit la
statistique associée au test H0 :??~ ~ 0. De façon traditionnelle
la statistique de Levin et Lin s'écrit de la façon suivant :
??~
????=0 ~ ??~??~
La procédure de décision est la suivante: si la
statistique de Livin et Lin est
|
inférieur à au s
|
euil de
|
loi normale centrée réduite, on acc
|
epte l'hypothès
|
e nulle de
|
racine unitaire. Mais dans le cas contraire, on accepte
l'hypothèse alternative H1 de stationnarité.
II-2-b-Test d'autocorrélation
L' autocorrélation concerne les résidus. Il y a
autocorrélation toutes les fois où
|
on peut trouver un co
|
efficient
|
de co
|
rrélation
|
linéaire s
|
ignifi
|
catif différent
|
de zéro (0)
|
|
entre la chronique
|
de rés
|
idu et cette même c
|
hronique déc
|
alée d'un
|
ou de
|
p
|
lusieurs pas
|
Page 59
de temps. En fait ce test est appliqué pour voir si les
variables sont indépendantes. ñ~=? ?? ????+1????
? ?? ????2
??=1
ñ~est l'estimation, par les MCO, du modèle
et+1=ñe t+?t avec |ñ |?1
- Si ñ~ >0, absence de
autocorrélation dans le résidu, ce qui implique que le DW?
2 ;
Corruption, insécurité transfrontalière et
dynamique du commerce intra- CEMAC
- Si ñ~ --*1, forte
autocorrélation positive dans les résidus, ce qui implique un DW
--* 0 ;
- Si ñ~ --* -1, forte
autocorrelation négative dans le résidu d'où un DW--*
4.
II-2-c- Test
d'hétéroscédasticité
Ce test nous permet de voir si les variables n'ont pas de
variance constante. Autrement elle qualifie des données qui n'ont pas
une variance constante, c'est-à-dire Var(e)? óe. El le
ne biaise pas l'estimation des coefficients, mais l'inférence habituelle
n'est plus valide puisque les écarts-types trouvés ne sont pas
les bons. L'hétéroscédasticité est une situation
rencontrée fréquemment dans les données, il est donc
important de savoir la détecter et la corriger.
Plusieurs tests (le test de Breusch- Pagan et le test de
White) se ressemblant existent pour détecter l'hétéros
cédasticité. L'idée générale de ces tests
est de vérifier si le carré des résidus peut être
expliqué par les variables du modèle. Si c'est le cas, il
y a hétéroscédasticité.
Dans le cadre de ce travail, nous allons utiliser le test
Breusch- Pagan pour détecter
l'hétéroscédasticité. Ainsi, on pose
l'hypothèse suivante :
T40 : absence d'hétéroscédasticité
T41 : hétéroscédasticité
Ainsi, on rejette l'hypothèse nulle lorsque le p-value<
alpha, on peut donc
|
conc
|
lure à
|
la présenc
|
e d'hétérosc
|
édasticité. Dans le cas contraire on
|
rejette
|
Page 60
l'hypothèse alternative et on conclut qu'on est en
présence d'homoscédasticité.
| 
