Relation inflation-chômage: une vérification empirique de la courbe de Phillips en RDC de 1990 à 2011

II.2.3- MODÈLE À CORRECTION D'ERREUR

Accepter la cointégration, c'est accepter le fait qu'il existe une relation d'état stationnaire entre les deux séries de variables qui ont une tendance commune à évoluer dans le même sens. Tout écart momentané par rapport à l'équilibre est considéré comme aléatoire^30(*). D'après le théorème de représentation de Engle et Granger, les séries stationnaires, doivent être représentées sous forme de modèle à correction d'erreur si elles sont cointégrées, c'est-à-dire s'il existe une combinaison linéaire stationnaire entre elles.

L'utilisation du modèle à correction d'erreur permet de montrer la relation commune de cointégration (la tendance commune) et d'en déduire les interactions entre les variables^31(*). Cette méthodologie est adoptée dans notre travail parce qu'elle permet premièrement la prise en compte de l'évaluation de la dynamique des effets de court et de long terme du taux d'inflation sur le taux de chômage, deuxièmement elle permet la prise en compte des tendances stochastiques communes qui nous renseignent sur les effets permanents et transitoires des politique de stabilité de prix (c'est-à-dire d'inflation faible) sur le niveau de l'emploi représenté par le taux de chômage.

Spécifions le modèle à correction d'erreur conformément à la représentation de Hendry^32(*):

le coefficient représente la constante du modèle ;

le coefficient représente l'élasticité de court terme ;

le coefficient représente l'élasticité de long terme ;

le coefficient représente le terme de correction d'erreur, il doit être inférieur à l'unité et négatif. Ce coefficient indique la vitesse d'ajustement de la variable endogène (LTCHOM) pour retourner à l'équilibre de long terme suite à un choc.

L'estimation de modèle donne les résultats suivants :

= + - +

Probabilité ( ( )

T-Stat

II.2.4- VALIDATION STATISTIQUE DU MODÈLE

L'analyse des résultats obtenus, nous montre que le coefficient associé à la force de rappel, respecte la condition de départ, c'est-à-dire négatif et inférieur à l'unité. Il existe un mécanisme de correction d'erreur : à long terme, le déséquilibre entre l'inflation et le chômage se compense de sorte que les séries ont des évolutions de long terme quasi-similaires.

Nous allons à présent soumettre le modèle à différents tests (les résultats de différents tests sont présentés annexe II.5). Le test de Jarque-Bera fondé sur la notion de Skewness (asymétrie) et de Kurtosis (grossissement) permet de vérifier la normalité d'une distribution statistique. La statistique de Jarque-Bera vaut 1,5743 avec une probabilité critique valant 0,4751. Ce qui fait que nous ne rejetons pas l'hypothèse de normalité des résidus.

Le test d'hétéroscédasticité de White est fondé sur une relation significative entre le carré des résidus et une ou plusieurs variables explicatives au sein d'une même équation de régression. Si on rejette l'hypothèse nulle, alors il existe un risque d'hétéroscédasticité. La statistique F de ce test est de 1,3483, il révèle une probabilité critique de (0,3151) rejetant ainsi l'hétéroscédasticité au seuil de significativité de 5%.

Le test de RESET de Ramsey pour des erreurs de spécification donne une probabilité critique de (0,0799), il n'y pas d'élément qui fasse nettement penser à une erreur de spécification, ce qui conduit à affirmer que la forme fonctionnelle est bonne.

Le test LM de Breusch-Godfrey permet de tester une autocorrélation d'ordre supérieur à 1. L'hypothèse nulle à tester est celle de l'absence d'autocorrélation des erreurs. Sa statistique F vaut 1,756087, avec une probabilité critique de 0,2064, affirme une absence d'autocorrélation des erreurs ; on ne rejette pas l'hypothèse nulle au seuil de confiance de 5%.

Les tests de « CUSUM » sont fondés sur la dynamique de l'erreur de prévision. Ils permettent de détecter les instabilités structurelles des équations de régression au cours du temps. Le CUSUM SQ (CUSUM carré) est fondé sur la somme cumulée du carré des résidus récursifs. Il permet de détecter les modifications aléatoires, ponctuelles, dans le comportement du modèle. L'estimation récursive du modèle révèle des coefficients généralement stables au cours de la période. Hormis l'année 2001 du test CUSUMSQ, pour lequel nous constatons un léger franchissement. Les statistiques CUSUM et CUSUMSQ restent dans leur intervalle de confiance, nous rejetons l'hypothèse d'un changement structurel. Il est intéressant de remarquer que le point de rejet de l'hypothèse de stabilité des paramètres en 2001 correspond à un événement majeur : le changement au niveau de la politique économique en R.D.C. consécutive à la reprise des relations économiques avec ses partenaires internationaux.

Globalement, le modèle a passé une batterie des tests dont seul celui de CUSUMSQ a monté une légère faiblesse.

* ³⁰ Voir à ce sujet Ambapour S. et C. Massamba. (2005), « croissance économique et consommation de l'énergie au Congo : Une analyse en termes de causalité », BAMSI, BP 1374, Brazzaville.

* ³¹ Voir Bourbonnais R. (2005), « Econométrie manuel et exercices corrigés », DUNOD.

* ³² Les modèles à correction d'erreur ont été introduits par Hendry au début des années 80. Ils ont le mérite de faire ressortir les dynamiques de court et de long terme des variables.