Impact de l'AGOA (African Growth and Opportunity Act) sur les exportations des pays éligibles de la CEDEAO (Communauté Economique des Etats de l'Afrique de l'Ouest)

3.1.1.3. Méthode d'estimation

L'équation (6) est un modèle dynamique dans la mesure où la variable dépendante retardée figure parmi les variables explicatives. La technique économétrique appropriée dans ce cas est la méthode des moments généralisés (MMG). Elle permet d'apporter des solutions aux biais d'endogénéité et aussi de contrôler les effets spécifiques individuels et temporels. On distingue deux approches pour estimer le modèle empirique : l'estimateur GMM en différence

première^51 de Arellano et Bond (1991) et l'estimateur GMM en système^52 Bond (1998).

de Blundell et

L'estimateur GMM en système domine pour plusieurs raisons. Bien que pour l'estimateur en
différence première on suppose que les variables explicatives sont faiblement endogènes, que
les termes d'erreur entre eux et avec toutes les variables explicatives sont non corrélés, celui-

ci souffre de la faiblesse des instruments. Il en découle des biais considérables 53 dans les

47

échantillons finis et une précision asymptotiquement faible. Par ailleurs, la différentiation de l'équation en niveau élimine les variations inter-pays et ne prend en compte que les variations intra-pays. L'estimateur GMM en différence première présente alors des limites. Ces insuffisances peuvent être levées par l'estimateur GMM en système. Dès lors, Blundell et Bond (1998) admettent que l'estimateur GMM en système est plus efficient que l'estimateur GMM en différence première. C'est pourquoi, l'estimation par le GMM en système sera retenue. Toutefois, l'estimation par le GMM en différence sera aussi effectuée pour confirmer la dominance de l'estimateur GMM en système.

En général, ces deux types d'estimateurs ont chacune des variantes à une et deux étapes. La variante à 2 étapes qui utilise les résidus des estimations de la première phase est asymptotiquement plus efficace que la variante à une étape. Robuste en théorie, cette estimation à 2 étapes a tendance à produire des erreurs standard biaisées dans les échantillons

⁵¹ Cet estimateur d'Arellano et Bond consiste à prendre pour chaque période la première différence de l'équation à estimer pour éliminer les effets spécifiques des pays, et ensuite à instrumenter les variables explicatives de l'équation en première différence par leurs valeurs en niveau retardées d'une période ou plus.

⁵² Cet estimateur de Blundell et Bond combine les équations en première différence avec les équations en niveau dans lesquelles les variables sont instrumentées par leurs premières différences.

⁵³ Les coefficients sont d'autant plus biaisés que les variables sont persistantes dans le temps, que les effets spécifiques sont importants et que la dimension temporelle du panel est faible.

KONATE/Mémoire-Master-NPTCI/Impact de l'AGOA sur les exportations des pays éligibles de la CEDEAO

	2009

finis et c'est pourquoi Arellano et Bond (1991) ont recommandé la méthode à une étape pour l'inférence.

Mais avant l'estimation proprement dite de l'impact de l'AGOA, il convient de discuter des problèmes économétriques éventuels (non stationnarité, hétéroscédasticité, autocorrelation) qui pourraient biaiser les résultats.

L'utilisation des deux estimateurs GMM présuppose la quasi-stationnarité des variables de l'équation en niveau et l'absence d'autocorrélation des résidus. Comme les données macroéconomiques font le plus souvent état de non stationnarité, l'application du GMM doit se faire prudemment. C'est pourquoi les séries seront soumises à un test de racine unitaire pour vérifier le niveau de stationnarité de chacune d'elle.

Parmi les variables explicatives de l'équation (6), deux variables endogènes ont été identifiées : les exportations totales retardées _{(lntotalxijt-1)} et les exportations AGOA (xagoaijt). Mais l'utilisation de variables instrumentales dans la procédure GMM permet de corriger cette endogénéité afin d'obtenir des résultats statistiquement valides.

Lors des estimations dans STATA, l'option « robust » sera utilisée. Cela permettra l'obtention de statiques z corrigées de l'hétéroscédasticité par la méthode de White.

Par ailleurs, la procédure d'estimation fournit aussi bien la statistique de Hansen pour tester l'hypothèse nulle de validité des instruments (test de suridentification)⁵⁴ que la statistique de

Arellano-Bond pour détecter l'autocorrélation^55

d'ordre un (AR(1)) et d'ordre deux (AR(2))

dans les résidus d'ensemble. Dans les données de panel, un AR(1) est attendu ; mais le modèle serait invalide si une corrélation AR(2) est détectée. Ainsi, le test d'Arellano et Bond (1991) permettront de discuter de l'hétéroscédasticité et l'autocorrélation.