Efficacité de la politique monétaire sur la stabilité de taux de change en République démocratique du Congo de 1998 à 2014.

C. Tests sur les résidus

Examiner les résidus est un des moyens les plus sûrs d'évaluer la qualité de la régression. Pour cela, nous allons nous intéresser aux tests suivants :

Ø Test de normalité de résidus de JARQUE-BERA

Pour le tester, nous pouvons émettre les hypothèses suivantes :

H₀ : il y a normalité des résidus ;

H₁ : pas de normalité des résidus.

Pour valider H₀, la statistique de Jarque-Bera doit être inférieure à 5.99 ou soit sa probabilité doit être supérieure à 0.05. Si non, on valide l'hypothèse alternative.

Ce graphique aide à tester la normalité en se servant de partie droite du graphique qui porte des indications chiffrées.

Source : Nous-mêmes en usant le logiciel Eviews

Graphique n°04 : Test de Normalité de résidus de JARQUE-BERA

Il y a normalité d'erreurs car JB (0.656547) < 5,99 et que sa Prob (0,720166) > 0,05. C'est-à-dire les erreurs sont normalement distribuées.

Ø Test de Multiplicateur de LAGRANGE (LM TEST):

Ce test examine la corrélation entre les résidus et la probabilité des valeurs retardées à un degré supérieur. Le critère de validation repose sur les hypothèses ci-après :

H₀ : il y a absence d'auto corrélation des erreurs

H₁ : il y a présomption d'auto corrélation des erreurs

La probabilité de NR² doit être supérieure à 0.05 pour que H₀ soit validée. Si tel n'est pas le cas, on valide l'hypothèse alternative.

Tableau N°06 : Test de Multiplicateur de LAGRANGE (LM TEST)

Ce tableau nous permet de porter des jugements si le modèle présente l'auto corrélation des erreurs ou pas.

Breusch-Godfrey Serial Correlation LM Test:
F-statistic	0.809940	Prob. F(2,12)		0.4678
Obs*R-squared	2.021895	Prob. Chi-Square(2)		0.3639

Source : Nous-mêmes en usant le logiciel Eviews

Nous remarquons que la Prob (0.3639) > 0,05. Alors l'hypothèse nulle est acceptée. Il y a absence d'auto corrélation des erreurs ceci veut dire qu'il y a une relation de causalité entre les variables.

Ø Test d'auto corrélation des erreurs de Durbin-Watson

Ce test permet de vérifier s'il y a l'autocorrelation d'ordre 1 des erreurs. Il repose sur les hypothèses suivantes :

H₀ : il y a absence d'auto corrélation d'ordre 1

H₁ : il y a présomption d'auto corrélation d'ordre 1

On lit dans la table de Durbin-Watson, au seuil de 5% et Durbin-Watson doit être à l'intervalle de 1.5 à 2.4 pour validerH₀ dans le cas contraire on valide H_1.

Dans notre tableau d'estimation la valeur de Durbin-Watson est de 1.648371qui se trouve à l'intervalle de1.5 à 2.4 ; donc cette valeur est proche de 2. Dans ce cas on valide l'hypothèse nulle, c'est-à-dire il y a absence d'auto corrélation.

Ø Test de l'hétéroscedasticité

Pour vérifier l'hétéroscedasticité, nous faisons recours au test de WHITE et de ARCH. Le test d'hétéroscedasticité répond, pour sa validation aux hypothèses suivantes :

H₀ : il y a homoscédasticité ;

H₁ : il y a hétéroscedasticité.

On accepte H₀ si la probabilité de NR² est supérieure à 0,05. L'inverse est valable pour accepter H_1.

Tableau N°07 : Test d'Hétéroscedasticité de WHITE

De ce tableau, nous arriverons à savoir s'il y a homoscédasticité ou hétéroscedasticité.

Heteroskedasticity Test: White
F-statistic	0.831241	Prob. F(5,11)		0.5536
Obs*R-squared	4.661821	Prob. Chi-Square(5)		0.4585
Scaledexplained SS	1.645297	Prob. Chi-Square(5)		0.8957

Source : logiciel Eviews

On accepte l'hypothèse nulle car NR² (0.4585) donc il ya homoscédasticité.

Tableau N°08 : Test d'Hétéroscedasticité de ARCH

De ce tableau, nous arriverons à savoir s'il y a homoscédasticité ou hétéroscedasticité.

Heteroskedasticity Test: ARCH
F-statistic	0.001542	Prob. F(1,14)		0.9692
Obs*R-squared	0.001762	Prob. Chi-Square(1)		0.9665

Source : logiciel Eviews

On accepte l'hypothèse nulle car NR² (0.9665) donc il ya homoscédasticité.

Ø Test de multi-colinéarité (test de Klein)

Pour ce qui est de la multi-colinéarité, on compare toutes les valeurs de la matrice de corrélation avec la valeur de R². Il y a multi colinéarité si toutes les valeurs de la matrice sont supérieures à R^2, donc on admet qui y a colinéarité entre Xi et yi. Dans le cas contraire il n'y a pas colinéarité.

Tableau N°09: Matrice de corrélation de Klein

		MM		TXINT
MM		1.000000		-0.503775
TXINT		-0.503775		1.000000

Source : Nous-mêmes en usant le logiciel Eviews

La valeur de R² pour notre étude est de : 0.830272 qui est supérieur à toutes les valeurs de la matrice de corrélation donc on admet que notre modèle n'est pas affecté de la colinéarité.

Ø Test de linéarité des paramètres du modèle (test de Ramsey)

Le test de Ramsey consiste à vérifier si la forme fonctionnelle est correcte.

Nous vérifions cela en utilisant les hypothèses suivantes :

Ho : P>0,05 : le modèle est bien spécifié ;

H1 : P<0,05 : le modèle est mal spécifié.

Tableau N°10: test de Ramsey

Ramsey RESET Test:
F-statistic	0.089060	Prob. F(1,13)		0.7701
Log likelihood ratio	0.116066	Prob. Chi-Square(1)		0.7333

Source : logiciel Eviews

La probabilité associée à la statistique de ficher est de 0.7701>0,05. Ce qui nous incite à valider l'hypothèse nulle ; donc notre modèle est bien spécifié.

A. Test de stabilité du modèle (test de Cusum carré)

Il s'agit ici de voir au seuil d'erreur de 5%, si notre modèle est stable à travers le temps. Pour ce faire les tests de cusum carré (stabilité ponctuelle) nous permettront d'arriver à cette conclusion.

Ho : si la courbe ne coupe pas le corridor : modèle est stable ;

H1 : si la courbe coupe le corridor : le modèle est instable.

Source : logiciel Eviews

Graphique N°05 : Test de Cusum Carré

Ce graphiques nous renseigne que la série est stable car la tendance évolue entre les deux corridors, donc on accepte l'hypothèse nulle.

Nous avons remarqué que tous les tests ont réussi, ce qui montre que notre modèle est généralement bon.

C'est ainsi que de l'analyse des données, nous pouvons alors sans crainte passer à l'interprétation et à la discussion des résultats issus du modèle repris plus haut car ce modèle vient de répondre aux différents Tests Statistiques et Econométriques.