Problématique de l'inflation au travers des principaux determinants du revenu des menages. Cas d'Haiti:1975@2004.

Source : Calculs effectués sur les données à partir du logiciel E-Views 5.0

La lecture du Tableau XIII permet de faire une comparaison entre les coefficients partiels et R²_y du Tableau IX. La valeur de R²_y étant supérieur dans chaque cas, cela implique qu'il n'y a pas de présomption de multicollinéarité.

IV.2.4.2) Test de Farrar -Glauber66(*)

Ce test comporte deux étapes :

· La première étape consiste à calculer le déterminant (D) de la matrice des coefficients de corrélation entre les variables explicatives.

· La deuxième étape consiste à effectuer un test du ÷2, en posant les hypothèses suivantes :

H0: D = 1 (les séries sont orthogonales)

H1: D < 1 (les séries sont dépendantes)

Se servant de l'annexe IV, on trouve D=0.003938 <1, l'hypothèse H1 est acceptée, dans ce cas, il n'y a pas de problème de multicollinéarité.

La valeur empirique du *Õ² calculée à partir de l'échantillon est égale à :

*Õ² = -[n-1-1/6(2K+5)]*lnD

Où n est la taille de l'échantillon, K le nombre de variables explicatives (terme constant inclus, K=k+1) et Ln le logarithme népérien.

Si * Õ ² = Õ ² lu dans la table à ½ K(K-1) degrés de liberté et au seuil á choisi, alors l'hypothèse H₀ est rejetée. Il y a donc présomption de multicollinéarité.

Si* Õ ² < Õ ², alors nous acceptons l'hypothèse d'orthogonalité.

En remplaçant les lettres par leur valeur on obtient :

*Õ² = -[30-1-1/6(2(5+1)+5)]*ln0.003938

*Õ² = 14.886984

Après calcul, le *Õ ² est égal à 14.886984 et inférieur a la valeur lue de Õ ² lu de la table de la loi de Chi-deux, soit 43.773, et permet de conclure qu'il n'y pas de présomption de multicollinéarité entre les variables.

IV.4.6) Test de Normalité des erreurs

Pour calculer les intervalles de confiance prévisionnels et aussi pour calculer les tests de Student sur les paramètres, il convient de vérifier la normalité des erreurs.

Le test de Jarque et Bera (1984), fondé sur la notion de Skewness (asymétrie) et de Kurtosis (aplatissement), permet de vérifier la normalité d'une distribution statistique.

Selon le test de Skewness et Kurtosis, si les hypothèses H₀ : v₁ = 0 (symétrie) et v₂ = 0 (aplatissement normal) sont vérifiées, alors v₁ = 1.96 et v₂ = 1.96 ; dans le cas contraire l'hypothèse de normalité est rejetée.

Donc, si s > Õ²_1-á on rejette l'hypothèse H₀ de normalité des résidus au seuil á.

D'où, par comparaison : Õ²_1-á = 20.59 (table de la loi de Chi-Deux) et s = 52.67231, la loi normale ou encore le test de normalité est vérifié. Voir le schéma II ci-dessous :

Schéma II : Test de Normalité des Erreurs

* ⁶⁶ Farrar D. E. et Glauber R. R., 1967