3.2. ANALYSES PRELIMINAIRES
3.2.1. SOURCES DES DONNEES
Les données des séries sous-examen sont des
données secondaires que nous n'avons pas directement
récoltées sur base d'une quelconque enquête ou recensement,
mais plutôt elles proviennent principalement des rapports de la Banque
Mondiale et de la Banque Centrale du Congo. Ces données sont par
différentes simulations trimestrialisées en commençant par
l'année 2003 jusqu'en 2018, soit l'équivalent de 64
observations.
Tableau 3-2 Statistique descriptive
|
CSS
|
LBNBCC
|
LCRED
|
LRO
|
LTXDIR
|
|
Mean
|
5.866875
|
1.988702
|
13.48945
|
1.751137
|
2.496991
|
|
Median
|
6.290625
|
2.553631
|
13.81896
|
1.945910
|
2.853050
|
|
Maximum
|
9.712500
|
4.325052
|
15.20750
|
2.612475
|
4.339518
|
|
Minimum
|
1.614687
|
-1.948448
|
10.28861
|
0.584843
|
0.497403
|
|
Std. Dev.
|
2.041820
|
1.613655
|
1.453109
|
0.611865
|
1.125470
|
|
Skewness
|
-0.320953
|
-0.777257
|
-0.591013
|
-0.619612
|
-0.425183
|
|
Kurtosis
|
2.454187
|
2.777847
|
2.135091
|
2.276539
|
2.021730
|
|
|
|
|
|
|
|
Jarque-Bera
|
1.893216
|
6.575637
|
5.720672
|
5.490854
|
4.480358
|
|
Probability
|
0.388055
|
0.037335
|
0.057250
|
0.064221
|
0.106439
|
|
|
|
|
|
|
|
Sum
|
375.4800
|
127.2769
|
863.3245
|
112.0728
|
159.8074
|
|
Sum Sq. Dev.
|
262.6487
|
164.0445
|
133.0261
|
23.58587
|
79.80098
|
|
|
|
|
|
|
|
Observations
|
64
|
64
|
64
|
64
|
64
|
Source : auteur (à l'aide d'Eviews
9)
Il ressort du tableau ci-dessus que le taux de croissance
économique est plus volatile que d'autres variables ; aussi, l'on
note que toutes les variables sous-étude sont normalement
distribuées (Prob. Jarque-Bera <5%).
Figure 3-2 Evolution graphique des variables
Source : auteur (à l'aide d'Eviews 9)
Sur la période allant de 2003 à 2018, le taux de
croissance économique ressort une moyenne de 5.866875 dans chaque
trimestre, avec une forte volatilité traduit par un écart type de
2.041820%.
Comme il se laisse voir dans les graphiques ci-haut, la
courbedes crédits présente une évolution linéaire
et celle du taux de réserve obligatoire une évolution
quasi-linéaire. Par contre les autres variables sous-examen
présentent des courbes avec tendance ou saisonnalité. De ce fait,
nous pouvons alors faire présomption de non-stationnarité pour
les séries CSS (croissance économique), LBNBCC (Bon BCC) et
LTXDIR (Taux directeur) et présomption de stationnarité pour les
séries lcred (crédits à l'économie) et lro
(coefficient de réserve obligatoire).
3.2.2.
ANALYSE DE LA STATIONNARITE
La plupart des données temporelles
macroéconomiques sont des réalisations des processus non
stationnaires (NELSON et PLOSSER, 1982). Lorsqu'on travaille avec des
séries temporelles, il faut vérifier au préalable que
celles-ci sont stationnaires. S'il s'avère que ce n'est pas le cas, il
faut trouver une bonne façon de les rendre stationnaires. C'est pour
cette raison qu'avant tout traitement économétrique, il convient
de s'assurer de la stationnarité des variables. Une série
chronologique est donc stationnaire si son espérance et sa variance
restent inchangées dans le temps(Bourbonnais, 1998).
En d'autres termes, une série stationnaire ne comporte
ni saisonnalité, ni tendance. Dickey Fuller ainsi que Phillips et
Perron ont mis au point un test permettant non seulement de détecter
l'existence d'une tendance mais aussi de déterminer la bonne
manière de stationnariser une série. Cette condition de
stationnarité doit être vérifiée pour chacune
des séries afin d'éviter des régressions fallacieuses
pour lesquelles les résultats pourraient être «
significatifs », alors qu'ils ne le sont pas. La
stationnarité renvoie au caractère infiniment persistant des
séries à la suite d'aléa. Cette propriété
estsouhaitée dans le cadre des estimations sur les données
temporelles car elle évite les risques de régressions
fallacieuses. Il existe une grande variété de tests de
stationnarité des variables. Ainsi, les tests usuels sont ceux
d'ADF et PP suite à leur simplicité. Dans le cadre de
ce travail, nous procèderons par le test de Dickey Fuller
augmenté.
Tableau 3-3 Test de Dickey
Fuller augmentés
|
Variables
|
A niveau
|
En différence 1ere
|
En différence 2nd
|
Constat
|
|
CSS
|
-0.959149
(0.2973)
|
-1.963887
(0.0482)**
|
|
I(1)
|
|
LBNBCC
|
-1.168533
(0.2185)
|
2.348632
(0.0195)**
|
|
I(1)
|
|
LCRED
|
-4.357775
(0.0009)
|
|
|
I(0)
|
|
LRO
|
-3.493347
(0.0502)
|
-1.017734
(0.2740)
|
-6.768039
(0.0000)*
|
I(2)
|
|
LTXDIR
|
-1.012808
(0.2762)
|
-2.259952
(0.0242)**
|
|
I(1)
|
Source : auteur (nos estimations sur Eviews 9)
(.) : Probabilités ; * : stationnaire à 1% ;
** : stationnaire à 5%
De ce tableau, en employant le test de racine unitaire de
Dickey-Fuller augmenté (DFA), La croissance économique, le bon
BCC et le taux directeur sont stationnaire après une
différenciation première tandis que la série taux
directeur est intégrée d'ordre I(2). Ces résultats peuvent
être vus en comparant les valeurs observées (en termes absolus)
des statistiques de DFA aux valeurs critiques au seuil de 5 %. Et que donc,
l'hypothèse de non stationnarité est rejetée puisque
toutes les variables ont été rendue stationnaires après
leurs intégrations appart CRED qui l'était déjà
à niveau.
Figure 3-3 Courbes d'évolution des séries
stationnaires
Source : Auteur (A l'aide d'Eviews 9)
Les graphiques ci-dessus nous montre l'évolution de
courbes des séries stationnaire(CRED) et rendues stationnaire
après une différenciation première appliquées sur
(CSS, LBNBCC et TXDIR) et une intégration d'ordre deuxième sur la
première série (LRO).
| 
