2.5 Tests sur le modèle
Afin de juger du pouvoir explicatif de notre modèle,
nous procéderons ici à quelques tests classiques à
savoir : le test d'hétéroscédasticité, le test
d'homogénéité et le test d'autocorrélation des
erreurs.
2.5.1Test
d'hétéroscédasticité de Breush-Pagan
On test :
Ho : homoscédasticité des erreurs
Contre
H1 : hétéroscédasticité des
erreurs
La statistique de Khi-deux est de 5.62 avec une
probabilité de 0.0178
(Prob > Khi2). On accepte alors l'hypothèse
d'homoscédasticité des erreurs au seuil de 5% (voir annexe). Cela
signifie que la marge d'erreur est identique en tout point de
l'échantillon.
2.5.2 Test de Chow : test
d'homogénéité des comportements
Ce test permet d'examiner si les coefficients d'une
régression sont stables par rapport aux observations utilisées.
Il porte sur la somme des carrées des résidus.On veut
tester :
Ho :SCR=SCR1 +SCR2 (modèle
stable)
Contre
H1 : SCR ?SCR1+SCR2(modèle
instable)
La statisrique F*=  de Fisher suit une loi F(k, n-2k)
Avec k : nombre de paramètres du
modèle ;
SCR1 : pour le sous-groupe des femmes«0''
SCR2 :pour le sous- groupe des hommes«1''
· Si F*>Fluá alors on
rejette H0, avec á le risque d'erreur
Les résultats de l'estimation nous donnent :
SCR= 4165.30829 ; SCR1=3014.39938 ;
SCR2=182.414033 ; n=n1+n2=32+18=50 ; k=13
F*=
F*=0.559304004 ; Flu0.05=F(13,
24)=2.25
On constate que F*<Flu ; alors on accepte H0
c'est-à-dire SCR=SCR1+SCR2
Conclusion : Le modèle est stable au risque
d'erreur de 5%. Ainsi donc ; on peut maintenir le modèle
complet.
2.5.3 : Test
d'autocorrélation des erreurs
A partir de la série des résidus de
l'estimation du CAP, on fait une représentation graphique (graphique1).
Ce dernier montre que les résidus sont alternés ; on a donc
un risque d'autocorrélation négative.
Nous corrigeons l'autocorrélation par la
procédure de Cochrane Orcutt. La probabilité 0.0021
associée au coefficient estimé de la variable AR(1) est
significative au seuil de 5%. (voir le détail du test à l'annexe)
Graphique1 : Représentation graphique des
résidus
| 
