Memoire Online - Croissance des dépenses publiques et incidence sur le développement au Cameroun: le cas du secteur éducatif

Dans cette section, il s'agira de déterminer les caractéristiques des séries utilisées dans le but de s'en servir pour l'estimation de la relation de déséquilibre. Les caractéristiques renvoient ici à la stationnarité des variables utilisées dans chaque équation. Nous en tirerons des conclusions issues de l'analyse des résultats.

I-2-3-1- Estimation du modèle

Le comportement des dépenses publiques est évalué au regard des résultats des estimations des équations de demande, d'offre et de déséquilibre des dépenses publiques. Au préalable, il nous convient d'examiner en profondeur les propriétés des séries utilisées dans chaque équation.

Les caractéristiques des variables utilisées seront déterminées à l'aide du test de stationnarité de Dickey-Fuller augmenté (ADF). L'application du test ADF nécessite au préalable de choisir le nombre de retards p à introduire de sorte à blanchir les résidus. Le problème du choix de p est important dans la mesure où :

- l'inclusion d'un nombre insuffisant de retards peut affecter le niveau du test,

- l'introduction d'un nombre trop élevé de retard réduit le nombre de degrés de liberté et la puissance du test, ce qui conduit trop souvent, de manière erronée au non rejet de l'hypothèse nulle.

Plusieurs méthodes sont possibles pour effectuer ce choix. Nous retiendrons le critère d'information d'Akaike qui consiste à estimer plusieurs processus pour différentes valeurs de p et l'on retient le modèle qui minimise les critères d'information.

Ayant appliquée cette méthode aux différentes variables de l'équation de demande, nous obtenons pour chaque variable les valeurs suivantes : 1 pour les variables G, Urban, Relprice et XM ; 2 pour la variable Y ; et 5 pour la variable Logpop

Ayant obtenu ces différentes valeurs, nous pouvons maintenant vérifier la stationnarité des séries en adoptant la stratégie séquentielle descendante du test ADF tel que explicité ci-dessus. La règle de décision est la suivante :

- Si la valeur de ADF est inférieure à la valeur critique, alors on accepte l'hypothèse de stationnarité de la série;

- Dans le cas contraire, on accepte l'hypothèse de non stationnarité de la série

Tableau 2.5 : Caractéristiques des séries temporelles de l'équation de demande

Variables	Statistiques ADF en niveau	Statistiques ADF en différence 1ère	Ordre d'intégration
G	-2.393097	-3.556919**	I (1)
Urban	-2.545678	-7.248888**	I (1)
Logpop	-2.833045	-2.225560**	I (1)
Y	-2.473103	-1.991981**	I (1)
Relprice	-2.358061	-3.557491**	I (1)
XM	-2.301279	-3.157835**	I (1)

Notes : ** indique la significativité à 5% c'est-à-dire la valeur de ADF est inférieure à la valeur critique

Si les variables sont de même ordre d'intégration, I (1) par exemple, l'existence d'un seul vecteur de co-intégration est possible. En revanche, si les séries ne sont pas toutes intégrées du même ordre, nous pouvons être certain que le vecteur de co-intégration n'est pas unique (Bourbonnais 2002). A la lecture du tableau 2.5, on se rend bien compte que les séries définies sont toutes non stationnaires à niveau, mais stationnaires lorsque définies en différence première. Elles sont toutes intégrées d'ordre 1, l'on peut penser à l'existence d'une relation de co-intégration entre elles. Ainsi, le test de co-intégration de Engle et Granger doit être effectué.

§ Test de co-intégration par l'approche en deux étapes de Engle et Granger

Première étape : Estimation par les MCO de la relation de la relation de long terme

Dependent Variable: G
Method: Least Squares
Sample: 1 25
Included observations: 25
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-1186.348	1301.972	-0.911193	0.3742
URBAN	-2.128388	2.315886	-0.919038	0.3702
LOGPOP	180.3363	196.2747	0.918795	0.3704
Y	0.028906**	0.009872	2.928058	0.0090
RELPRICE	-0.005284	11.39550	-0.000464	0.9996
XM	-0.188416***	0.110856	-1.699649	0.1064
D1	2.955158	1.759674	1.679378	0.1104
R-squared	0.490892	Mean dependent var		19.18920
Adjusted R-squared	0.321189	S.D. dependent var		2.940625
S.E. of regression	2.422781	Akaike info criterion		4.839205
Sum squared resid	105.6576	Schwarz criterion		5.180490
Log likelihood	-53.49006	F-statistic		2.892654
Durbin-Watson stat	1.599845	Prob(F-statistic)		0.037365

Notes : * indique une significativité à 1%, ** indique une significativité à 5%, *** indique une significativité à 10%. Estimation sous Eviews

Nous utiliserons les valeurs critiques tabulées par Engle et Yoo (1987) dans l'application du test de stationnarité ADF sur le résidu de la relation de long terme.

Le résultat du test, à la lecture du tableau 2.7 en annexe est le suivant : la statistique ADF calculée est inférieure à la statistique ADF lu (-2,986 < -2,67), alors on accepte l'hypothèse de stationnarité de la série du résidu, notre relation de long terme est une relation de co-intégration. En présence d'une relation de co-intégration, de meilleurs résultats sont obtenus en estimant plutôt un modèle à correction d'erreur (MCE).

Le résultat de l'estimation de notre modèle à correction d'erreur est donné par le tableau 2.8 présenté en annexe.

On constate que le coefficient associé à la force de rappel est négatif (-0,84) et significativement différent de zéro au seuil statistique de 1%. Il existe bien un mécanisme à correction d'erreur. Grâce, au mécanisme à correction d'erreur, nous avons modélisé simultanément les dynamiques de long terme et de court terme des séries des dépenses publiques, selon l'optique de la demande. Les résultats seront analyser dans la sous-section suivante, mais avant cela, vérifions les caractéristiques des séries de l'équation d'offre des dépenses publiques.

Comme précédemment, nous utiliserons les mêmes approches pour l'application des tests de stationnarité et de co-intégration.

La variable dépendante reste toujours la part des dépenses publiques dans le PIB, mais les variables explicatives ne sont plus les mêmes à l'exception de la variable Relprice. Les caractéristiques des séries sont les suivantes : les variables sont de même ordre d'intégration, I (1), se référer au tableau 2.9. L'existence d'un seul vecteur de co-intégration est possible.

Grâce à la conclusion de Bourbonnais (2002), nous pouvons tester l'existence d'une relation de co-intégration.

§ Test de co-intégration par l'approche en deux étapes de Engle et Granger

Première étape : Estimation par les MCO de la relation de la relation de long terme

Pour passer à la deuxième étape il convient de tester la stationnarité du résidu de l'équation de long terme. Si le résidu n'est pas stationnaire c'est-à-dire les variables ne sont pas co-intégrées, alors la relation de long terme est une régression fallacieuse. Par contre si ce résidu est stationnaire, la relation de long terme est une relation de co-intégration. L'application du test de stationnarité ADF sur le résidu de la relation de long terme nous donne des résultats satisfaisants (le résidu est stationnaire en niveau), voir tableau 2.11 en annexe. Notre relation de long terme est une relation de co-intégration. Nous pouvons passer à la deuxième étape.

Dependent Variable: GMethod: Least SquaresSample: 1 25Included observations: 25

Variable

CoefficientStd. Errort-StatisticProb.

-9.5926316.356395-1.5091310.1477

RELPRICE

14.90246**5.6503642.6374340.0162

PUB

-0.0195490.016352-1.1955320.2466

DIRTAX

1.186293*0.1554477.6315060.0000

DEFICIT

0.0734760.1612930.4555420.6539

-0.2257521.288239-0.1752410.8627

R-squared

0.783362

Mean dependent var

19.18920

Adjusted R-squared

0.726352

S.D. dependent var

2.940625

S.E. of regression

1.538282

Akaike info criterion

3.904773

Sum squared resid

44.95993

Schwarz criterion

4.197303

Log likelihood

-42.80966

F-statistic

13.74076

Durbin-Watson stat

1.731672

Prob(F-statistic)

0.000009

Notes : * indique une significativité à 1%, ** indique une significativité à 5%, *** indique une significativité à 10%. Estimation sous Eviews

A la lecture du tableau 2.12 (Cf. annexe), on observe les résultats de l'estimation du mécanisme à correction d'erreur.

Une fois de plus le coefficient associé à la force de rappel est négatif (-0,85) et significativement différent de zéro au seuil statistique de 1%. Il existe bien un mécanisme à correction d'erreur. Ce mécanisme à correction d'erreur permet de faire ressortir les dynamiques de court et long terme de l'offre des dépenses publiques, que nous analyserons dans la suite.

De tout ce qui précède, la variable dépendante est la part des dépenses publiques totales dans le PIB. Lorsque qu'on distingue dépenses de fonctionnement et dépenses d'investissement et qu'on procède à des tests de stationnarité, nous obtenons des résultats satisfaisants (cf. Annexe Tableaux 2.13 et 2.14) qui nous permettent d'avoir une vue d'ensemble sur l'évolution de chaque catégorie de dépenses publiques. Après avoir fait une présentation complète des résultats, il nous reste à analyser ces résultats afin d'en tirer des conclusions de politiques économiques.

Croissance des dépenses publiques et incidence sur le développement au Cameroun: le cas du secteur éducatif

Section III- Estimations et Recommandations

I-2-3-1- Estimation du modèle