Conclusion partielle
Dans ce chapitre, nous avons exposé la
méthodologie économétrique que nous avons adoptée
pour cette étude, inspirée de la définition d'un
modèle économique donnée par E. Malinvaud
(1980). Notre choix s'est portés sur le modèle ARDL, que
nous avons présenté et spécifié en détail,
après avoir traité et analysé les données.
Notre objectif est de saisir l'impact du capital humain sur la
croissance économique en RD Congo, en utilisant comme variables
d'intérêt le Produit Intérieur Brut par habitant et
l'indice de capital humain. Nous avons également pris en compte des
variables de contrôle, comme la formation brute de capital fixe et l'aide
publique au développement, qui sont essentielles et importantes pour
améliorer les résultats. Ainsi, nous avons exposé les
fondements théoriques et empiriques de notre démarche, ainsi que
les outils statistiques et économétriques nécessaires
à son application. Dans le chapitre suivant, nous
présenterons les résultats de l'estimation de l'effet du capital
humain sur la croissance économique en RDC. Nous verrons alors si
nos hypothèses sont confirmées ou infirmées par les
données, et quelles sont les implications de nos résultats pour
la politique économique et sociale du pays. Nous
nous interrogerons également sur les limites de notre étude et
les perspectives d'amélioration possibles.
CHAPITRE 4 :
L'ESTIMATION DE L'EFFET DU CAPITAL HUMAIN SUR LA CROISSANCE ECONOMIQUE EN RDC
DE 1970 A 2021.
Ce chapitre a pour objectif d'estimer l'effet du capital
humainsur la croissance économique en RD Congo (traitement des
données et présentation de différents résultats
empiriques). Il se divise en deux sections. La première porte sur
l'analyse exploratoire des variables des séries. La deuxième
expose les estimations du modèle
économétriquementionnés et discute les résultats.
Section 1 : Analyse
exploratoire des séries
Statistiques descriptives
des variables de l'étude
A ce stade nous calculons quelques statistiques descriptives,
et présentons la matrice de corrélation des variables de
l'étude.
1.1.
Caractéristiques descriptives des variables de
l'étude
Les caractéristiques de tendance centrale et de
dispersion des variables sont présentées dans le tableau 2
ci-dessous :
Tableau 2 : Statistiques descriptives
|
PIBHAB
|
ICH
|
FBCF
|
APD
|
|
Moyenne
|
712.5954
|
1.426154
|
19.87865
|
1.51E+09
|
|
Médiane
|
509.7750
|
1.485000
|
22.07500
|
9.63E+08
|
|
Maximum
|
1372.460
|
1.680000
|
55.40000
|
7.08E+09
|
|
Minimum
|
334.0200
|
1.120000
|
5.870000
|
1.82E+08
|
|
Ecart-type
|
344.4878
|
0.199678
|
9.708309
|
1.34E+09
|
|
Skewness
|
0.538094
|
-0.271784
|
0.642135
|
1.914479
|
|
Kurtosis
|
1.767267
|
1.458577
|
4.800363
|
7.824320
|
|
Jarque-Bera
|
5.801929
|
5.788141
|
10.59641
|
82.19246
|
|
Probabilités
|
0.054970
|
0.055350
|
0.005001
|
0.000000
|
|
Observations
|
52
|
52
|
52
|
52
|
Source : Résultats obtenus à l'aide
du logiciel Eviews10.
Le PIB par habitant (PIBHAB) a connu une croissance moyenne de
712.5954 points durant la période étudiée, mais avec une
forte dispersion autour de cette moyenne et une asymétrie positive (une
distribution asymétrique à droite). L'indice de capital humain a
atteint en moyenne 1.426154 points, avec une faible dispersion et une
asymétrie négative (une distribution asymétrique à
gauche). Nos deux variables de contrôle, quant à elles, ont
évolué positivement durant la période, avec des moyennes
respectives de 19.87865% et 1.51E+09%, mais avec des faibles dispersions et des
asymétries positives (des distributions asymétriques à
droite).
Par ailleurs, selon le test de Jarque-Bera, le PIB par
habitant et l'indice de capital humain suivent une loi normale au seuil de 5%,
tandis que nos deux variables de contrôle ne sont pas normalement
distribuées à ce seuil, car la probabilité Jarque-Bera est
inférieure à 5%. L'analyse de la corrélation
linéaire entre ces variables sera présentée dans le point
suivant.
1.2. Corrélation
entre les variables
Tableau 3 : Matrice de corrélation simple
entre variables
|
LPIBHAB
|
LICH
|
LFBCF
|
LAPD
|
|
LPIBHAB
|
1.000000
|
|
|
|
|
LICH
|
-0.934453
(0.0000)
|
1.000000
|
|
|
|
LFBCF
|
0.527171
(0.0001)
|
-0.242739
(0.0829)
|
1.000000
|
|
|
LAPD
|
-0.215896
(0.1242)
|
0.396111
(0.0037)
|
0.559518
(0.0000)
|
1.000000
|
Source : auteur (nos calculs sur Eviews
10)
L'analyse du tableau ci-dessus montre que le PIB par habitant
(PIBHAB) est fortement et négativement corrélé à
l'indice de capital humain (-93,4 %), mais qu'il existe une corrélation
négative plus faible avec l'aide publique au développement (-21,5
%). L'indice de capital humain présente une faible corrélation
négative avec la formation brute de capital fixe (-24,2 %), mais une
corrélation positive plus faible avec l'aide publique au
développement (39,6 %). Par ailleurs, la formation brute de capital fixe
est positivement corrélée à l'aide publique au
développement (55,9 %).
Analyse de la
stationnarité des variables
Il est important d'identifier la nature du non
stationnarité d'une série avant de la rendre stationnaire, car
une procédure de stationnarisation inadéquate peut engendrer des
perturbations artificielles. D'où la nécessité d'effectuer
des tests de racine unitaire permettant de détecter l'existence d'une
non stationnarité mais aussi la nature de celle-ci (processus TS ou
DS).
Il existe un grand nombre de tests de racine unitaire. Les
travaux pionniers en la matière sont ceux de Dickey et Fuller. Les tests
de Dickey-Fuller (DF) sont des tests paramétriques reposant sur
l'estimation d'un processus autorégressif. Ces tests sont les plus
utilisés en raison de leur grande simplicité. Les tests de Dickey
et Fuller simples ont été élargis pour prendre en compte
le problème d'autocorrélation des erreurs. On les appelle
« tests de Dickey et Fuller Augmentés (ADF :
AugmentedDickey-Fuller) », mais ils souffrent également d'un
certain nombre de critiques. Celles-ci ont conduit à
l'élaboration d'autres tests de racine unitaire dont notamment ceux de
Phillips et Perron (PP), Zivot et Andrews (AZ), Kwiatkowski, Phillips, Schmidt
et Shin (KPSS). De tous ces tests, les deux premiers sont faciles d'application
et couramment utilisés. En fait, le PP est adapté en
présence d'hétéroscédasticité, et le test AZ
est utilisé pour une série qui accuse une rupture de structure ou
changement de régime identifié de façon endogène.
Dans cette étude, nous avons fait recours au test AZ. L'hypothèse
nulle (Ho) de ce test est la non-stationnarité, elle
est rejetée si P-value < 0.05. Les
résultats sont donnés comme suit (les statistiques
calculées sont de t de student) :
Tableau 4 : Etude la
stationnarité
|
Variables
|
Niveau
|
Différence 1ère
|
Constat
|
|
AZ
|
AZ
|
|
Lpibhab
|
-5.747507
(0.01)
|
_________________
|
I(0)
|
|
Lich
|
-5.070624
(0.01)
|
_________________
|
I(0)
|
|
Lfbcf
|
-1.385097
(0.99)
|
-8.926593
(0.01)
|
I(1)
|
|
Lapd
|
-3.684649
(0.2901)
|
-7.562723
(0.01)
|
I(1)
|
Source : auteur (nos estimations sur Eviews
10)
L'on note que la formation brute de capital fixe et l'aide
publique au développement sont intégrées d'ordre 1
(stationnaire après la première différence), alors que le
produit intérieur brut par habitant et l'indice de capital humain
restent stationnaires à niveau (sans différenciation). Les
séries sont ainsi intégrées à des ordres
différents, ce qui rend inefficace le test de cointégration de
Engel et Granger (cas bivarié) et celui de Johansen (cas
multivarié), et rend opportun le test de cointégration aux bornes
(Pesaran et al, 2001).
| 
