Tableau 4 : Test de cointégration de
Pedroni
|
Tests de Pedroni
|
stats
|
P-values
|
Stat pondérées
|
P-value
|
|
Dimension
Within
|
Panel V-stat
|
-2,483187
|
0,9935
|
-2,480167
|
0,9934
|
|
Panel Rho-stat
|
-0,599359
|
0,2745
|
-1,027589
|
0,1521
|
|
Panel PP-stat
|
-3,052106
|
0,0011**
|
-4,803139
|
0,0000
|
|
Panel ADF-stat
|
-3,079623
|
0,0010**
|
-4,907662
|
0,0000
|
|
Dimension
Between
|
Group Rho-stat
|
-0,975188
|
0,1647
|
|
|
Group PP-stat
|
-6,202879
|
0,0000**
|
|
Group ADF-stat
|
-6,126803
|
0,0000**
|
Note: **, * dénotent le degré de
significativité à 1%, 5% respectivement.
Source : Auteur à partir des
données de l'étude.
Les résultats du test (annexe 3) montrent que sur les
sept statistiques du test, quatre sont en faveur de l'existence d'une relation
de long terme entre la croissance économique et les autres variables. On
conclura donc qu'il existe au moins une relation de cointégration.
3.3.2.2.
Méthode d'estimation
La méthode d'estimation adoptée est la
méthode des moments généralisés GMM (General Method
of Moment) en système (Arellano et Bover, 1995 ; Blundell et Bond,
1998). En effet cet estimateur proposé par Arellano et Bond (1991)
permet d'exploiter toutes les conditions d'orthogonalité qui existent
entre la variable retardée endogène et le terme d'erreur.
L'apport de cette méthode réside à la
fois dans le traitement correct du problème lié aux effets
individuels corrélés et dans la possibilité de tenir
compte de l'endogénéité potentielle des variables
explicatives. Également, cette méthode consiste à combiner
pour chaque période l'équation en différence
première accompagne de celle à niveau. Dans l'équation en
différence première, les variables
prédéterminées sont instrumentées par leurs valeurs
en niveau retardées d'au moins une période. Tandis que dans
l'équation à niveau, les variables sont instrumentées par
leurs différences premières.
Le système d'équations ainsi obtenu est
estimé simultanément à l'aide de la méthode des
moments généralisés. Monte Carlo, Blundell et Bond (1998)
ont trouvé que l'estimateur des GMM en système est plus efficace
que celui en différences car lorsque les instruments sont fiables,
l'estimateur GMM en différences premières donne des
résultats biaisés dans les échantillons finis. De plus,
l'estimation par GMM présente l'avantaged'englober plusieurs autres
méthodes parmi lesquelles les moindres carrés ordinaires,
lesdoubles moindres carrés, les moindres carrés non
linéaires, le maximum de vraisemblance,qui en constituent des cas
particuliers.
Deux tests sont associés à l'estimateur des GMM
en système :
1) Le test de sur-identification de Sargan et Hansen (1982),
qui permet de tester la validité des variables retardées comme
instruments.
H0 : les instruments sont valides (variables instrumentales
non corrélées avec les perturbations)
H1 : les instruments ne sont pas valides (variables
instrumentales corrélées avec les perturbations)
2) Le test d'autocorrélation d'Arellano et Bond
(1991)
H0 : absence d'autocorrélation d'ordre 1 entre les
variables et le terme d'erreur
H1 : absence d'autocorrélation d'ordre 2 entre les
variables et le terme d'erreur.
| 
