VI-
ANALYSE ET DISCUSSION DES RESULTATS
1- L'estimation du
modèle
a. La stationnarité des variables retenues dans
le modèle
D'après l'allure des courbes de la valeur
ajoutée agricole, l'indice des prix, de la température et des
précipitations, nous remarquons qu'ils ont une tendance
générale, soit à la baisse ou à la hausse, soit que
leurs évaluations au cours du temps présentent une tendance
ascendante et unique, ce qui met leur stationnarité en niveaux, ceux-ci
nous conduisent à tester la stationnarité pour s'assurer ou non
de l'existence d'une racine unité, et ceux-ci en utilisant le test de
Dickey-fuller augmenté et de Philips-Perron.
Tableau 3 : Résultats des tests de
stationnarité
|
VARIABLES
|
TYPE DE TEST
|
Avec constante
sans trend
|
Avec constante
et trend
|
Sans constante
sans trend
|
VALEUR
CRITICALE à
5%
|
Statistique
de test
|
Décisions
|
|
Précip
|
ADF
|
Oui
|
Oui
|
Oui
|
-3,552973
|
-6,993443
|
I(1)
|
|
PP
|
Oui
|
Oui
|
Oui
|
-3,552973
|
-14,88426
|
I(1)
|
|
KPSS
|
Oui
|
Non
|
|
0,463000
|
0,198357
|
I(1)
|
|
Temp
|
ADF
|
Oui
|
Oui
|
Oui
|
-3,562882
|
-6,467815
|
I(1)
|
|
PP
|
Oui
|
Oui
|
Oui
|
-3,552973
|
-13,04803
|
I(1)
|
|
KPSS
|
Oui
|
Non
|
|
0,463000
|
0,197857
|
I(1)
|
|
VAAg
|
ADF
|
Oui
|
Oui
|
Oui
|
-3,552973
|
-4,921820
|
I(1)
|
|
PP
|
Oui
|
Oui
|
Oui
|
-3,552973
|
-6,995098
|
I(1)
|
|
KPSS
|
Oui
|
Non
|
|
0,463000
|
0,115838
|
I(1)
|
|
Iprix
|
ADF
|
Oui
|
Oui
|
Oui
|
-3,562882
|
-7,068836
|
I(1)
|
|
PP
|
Oui
|
Oui
|
Oui
|
-3,552973
|
-18,84101
|
I(1)
|
|
KPSS
|
Oui
|
Non
|
|
0,463000
|
0,198357
|
I(1)
|
Source : Auteur à partir des résultats
extraits d'Eviews
Le tableau 3 présente les résultats issus des
différents tests de stationnarités effectuées (Les tests
de stationnarité d'ADF et de Phillips-Perron et de
Kwiatkowski-Phillips-Schmidt-Shin).
On constate que, pour toutes les variables (Précip,
Temp, VAAg, Iprix), les statistiques ADF, PP et KPSS sont inférieures
aux statistiques critiques des différents seuils, qu'après une
différentiation première, elles sont donc intégrées
d'ordre un (I(1)). Alors, on peut conclure qu'il se peut qu'il existe une
relation de cointégration. Pour vérifier la cointégration
entre ces variables, il faut passer par deux étapes. D'abord, il faut
déterminer le nombre de retard optimal qui convient à notre
modèle. Ensuite, nous allons utiliser le test de Johnson pour
détecter le nombre des relations de cointégration entre les
variables.
a- Le choix du nombre de retard:
Pour choisir la taille d'un modèle VAR(p) pour un
ordre p allant de 0 à un ordre h fixé de façon arbitraire,
on se servira usuellement d'un critère d'information. Pour notre
modèle, on calcule les fonctions AIC(p). Le choix du nombre de retard a
un rôle très important dans l'estimation d'un modèle VAR.
On choisit le nombre de retard qui minimise l'un de ces deux critères
d'information.
Tableau 4 : le choix du nombre de retard
|
Lag
|
Logl
|
LR
|
FPE
|
AIC
|
SC
|
HQ
|
|
0
|
-356,4785
|
NA
|
321415,5
|
24,03190
|
24,21873*
|
24,09167
|
|
1
|
-345,1479
|
18,88427
|
444294,4
|
24,34320
|
25,27733
|
24,64203
|
|
2
|
-323,0360
|
30,95674
|
315016,4
|
23,93573
|
25,61717
|
24,47364
|
|
3
|
-289,9072
|
37,54599*
|
119083,8*
|
22,79381
|
25,22255
|
23,57079
|
|
4
|
-269,8220
|
17,40709
|
130277,4
|
22,52147*
|
25,69752
|
23,53751*
|
|
Source : Auteur à partir des résultats
extraits d'Eviews
* indicates lag order selected by the criterion
|
|
LR: sequential modified LR test statistic (each test at
5% level)
|
|
FPE: Final prediction error
|
|
|
AIC: Akaike information criterion
|
|
|
SC: Schwarz information criterion
|
|
|
HQ: Hannan-Quinn information criterion
|
Les résultats du tableau ci-dessus nous montrent que le
nombre de retard est égal à quatre, puisque le critère
d'Akaike (AIC) sélectionne que le nombre de retard est égal
à quatre.
b- Le test de cointégration
Cette méthode est intéressante car elle permet
de donner le nombre de relations de cointégration qui existent entre nos
variables à long terme. La séquence du test de Johanson (il
s'agit du test de la trace et test de la valeur propre) consiste à
trouver le nombre de relations de cointégration (r). Pour cela, on
utilise la méthode de maximum de vraisemblance dont les résultats
figurent dans le tableau 5.
Tableau 5: Le test de cointégration
|
Statistique de la trace
|
Statistique de la valeur propre maximale
|
Valeur critique au seuil de 5%
|
Prob.**
|
|
None *
|
76,70837
|
0,729350
|
47,85613
|
0,0000
|
|
At most 1 *
|
36,19359
|
0,541586
|
29,79707
|
0,0080
|
|
At most 2
|
12,01413
|
0,319900
|
15,49471
|
0,1563
|
|
At most 3
|
0,063145
|
0,002035
|
3,841466
|
0,8016
|
Source Auteur extrait à partir d'Eviews9
Comme le montrent les résultats du tableau 5, le test
de Cointégration de Johannsen révèle qu'il y a deux
relations de Cointégration. A cet effet, nous utilisons le modèle
vectoriel à correction d'erreurs (VECM) pour estimer nos variables
(Engle R.E. et Granger C.W.J. 1987).
|
|
