Institutions, changement structurel et croissance économique

a. Test de multicolinéarité

On parle de multicolinéarité lorsque deux ou plusieurs variables indépendantes ont une relation linéaire parfaite ou presque parfaite. Cette relation pose problème dans la mesure où la mesure de l'influence réelle des variables explicatives prises individuellement est rendue difficile par l'existence de variables redondantes qu'il conviendra d'éliminer.

Ainsi, lorsqu'un modèle possède plusieurs séries explicatives liées entre elles, cela conduit à diverses conséquences (Bourbonnais, 2015) à savoir, une augmentation de la variance estimée de certains coefficients de régression, une instabilité des estimations des coefficients des moindres carrés, un problème d'identification des coefficients qui sont indéterminés et de variance infinie dans le cas d'une multicolinéarité parfaite. Il existe différents tests permettant de déceler une multicolinéarité entre les variables explicatives d'un modèle et parmi eux, le test de Klein (1962) et le test de Farrar et Glauber (1967). Nous optons pour le test de Klein, qui compare le coefficient de détermination de la variable à expliquer R²_y avec les coefficients de corrélation simple r²_xi,xj entre les variables explicatives. La règle de décision est : si R²_y est inférieur à r²_xi,xj, ou si les variables du test présentent un coefficient supérieur ou égal à 0,8, il y a présomption de multicolinéarité.

Tableau 2 : Test de multicolinéarité

Variables	CS	EXP	IDE	INF	INST	INSTxCS	CREDIT
CS	1.000000	0.252161	0.099856	0.175612	-0.127173	0.966688	0.092555
EXP	0.252161	1.000000	0.558814	-0.043593	-0.479200	0.130600	0.019055
IDE	0.099856	0.558814	1.000000	-0.032035	-0.108207	0.069199	0.071847
INF	0.175612	-0.043593	-0.032035	1.000000	-0.091216	0.152541	0.106804
INST	-0.127173	-0.479200	-0.108207	-0.091216	1.000000	0.122569	-0.031357
INSTxCS	0.966688	0.130600	0.069199	0.152541	0.122569	1.000000	0.077661
CREDIT	0.092555	0.019055	0.071847	0.106804	-0.031357	0.077661	1.000000

Source : auteur à partir des données de l'étude

Le tableau ci-dessus présente les variables pouvant traduire unproblème de multicolinéarité. A cet effet, nos résultats (annexe 1) montrent qu'il existe une présomption de multicolinéarité entrele changement structurel et la variable d'interaction entre changement structurel et qualité institutionnelle, ce qui pourrait s'expliquer par le fait que cette variable intègre le changement structurel.

La correction des problèmes de multicolinéarité peut se faire de plusieurs manières : en retirant les variables explicatives fortement corrélées du modèle grâce à la regression pas à pas (Hocking, 1976 ; Bourbonnais, 2015), la regression sur les meilleurs sous-ensembles ou nos propres connaissances ; en utilisant la méthode des moindres carrés partiels qui permet de réduire le nombre de variables indépendantes à un ensemble de variables non corrélées (Helland 1990).

La méthode la plus efficace ici serait de retirer les variables indépendantes susceptibles d'expliquer les mêmes phénomènes afin d'éviter un effet de masque (Bourbonnais, 2015).

Cependant, pour la suite de notre travail, les variables concernées ne sauraient être ignorées, étant directement impliquées dans la résolution de notre problématique. De plus, Allison (2012) montre qu'en cas de multicolinéarité entre une variable d'interaction et ses composantes, il est tout à fait possible et non risqué d'ignorer la multicolinéarité car la p-value de cette variable d'interaction n'est pas affectée par ce phénomène, et ce même si on tente de réduire les corrélations en centrant les variables. Nous choisissons donc de conserver toutes les variables et de mener notre estimation malgré la présomption de multicolinéarité.