Libéralisation financière et croissance économique au cameroun

SECTION 2 : METHODOLOGIE D'ESTIMATION

Pour estimer notre modèle, nous allons recourir à la méthode des Moindres Carrés Ordinaires (MCO). La période d'étude retenue va de 1990 à 2015. Nous utiliserons le logiciel eviews 8. Pour estimer notre modèle défini, nous utiliserons les données en séries chronologiques. Des telles données étant rarement des réalisations de processus stationnaire, il est nécessaire d'effectuer des analyses préalables des séries avant de choisir la méthode d'estimation appropriée.

I- Tests préalables sur les séries

Nous allons procéder d'abord à l''étude de la stationnarité des séries, ensuite nous allons tester l'existence d'une relation de cointégration entre les variables eten fin faire un test à correction d'erreur.

1- Etude de la stationnarité des variables

Avant de tester la relation à long terme entre les variables, il est
nécessaire de vérifier si les séries sont intégrées du même ordre. Le but de
ces tests est d'identifier la présence de racine unitaire dans une série.Ainsi, notre analyse empirique a débuté par des tests de racine unitaire sur l'ensemble des variables de nos différents modèles. Un processus X_t est dit stationnaire si tous ses moments sont invariants pour tout changement de l'origine du temps. Il existe deux types de processus stationnaire : les processus TS (Trend Stationary) qui présentent une non-stationnarité de type déterministe et les processus DS (Difference Stationary Process) pour lesquels la stationnarité est du type aléatoire. Ces processus sont stationnarisés par écart à la tendance et par un filtre aux différences. Dans ce dernier cas, le nombre de filtres aux différences permet de déterminer l'ordre d'intégration.

L'analyse de la stationnarité des séries est importante dans la modélisation de séries temporelles afin d'éviter d'obtenir une régression fallacieuse montrant qu'une régression linéaire avec des variables non-stationnaires n'est pas valide. Selon Bourbonnais (2007), le non stationnarité a des conséquences fondamentales sur le plan économétrique, parmi lesquelles: la perte de la linéarité des paramètres, les biais observés dans l'estimation du modèle et la perte de la qualité des paramètres.

Plusieurs tests permettent de vérifier la stationnarité des séries chronologiques. Le test de Phillips-Perron (PP), le test Kwiatkowski-Phillips-Schmid et Shin (KPSS) et le test de Dickey-Fuller Augmenté (ADF).

Dans cette étude, nous avons employé le test de Dickey-Fuller augmenté (ADF) afin d'explorer la nature des séries. Ce test est préféré aux autres en raison sa simplicité. Les résultats sont obtenus avec le logiciel eviews 8. Le degré de significativité habituellement accepté est de 5%.

Pour chaque série temporelle de l'équation à estimer, on part d'un modèle général où la variable à expliquer est régressée sur la variable à expliquer décalée d'une période soit :

Y_t= âo + äY_t-1+ å_t

Où Y_t est la variable à expliquer, åt un bruit blanc, âo et ä des paramètres.

Le test ADF va donc consister à tester l'hypothèse nulle « on est en présence d'une racine unitaire ou de non stationnarité» contre l'hypothèse alternative « on est en présence d'un processus stationnaire ». En formulant ces hypothèses de manière mathématique on aura :

H0: ä = 1

H1: ä < 1, âo ? 0

La règle de décision (accepter ou rejeter l'hypothèse nulle) consiste à comparer la valeur absolue calculée de la statistique Dickey-Fuller augmenté (ADF) à la valeur absolue de la valeur critique (CV) de McKinnon(1973) lue. Ainsi:

Si ADF < CV en niveau, on accepte l'hypothèse de la non-stationnarité (H0). La série considérée est alors non-stationnaire;

Si ADF > CV en niveau, on accepte l'hypothèse alternative de stationnarité et la série considérée est stationnaire.

L'intérêt de la condition de stationnarité est que l'effet produit par un choc sur une série possédant une tendance ou un facteur dépendant du temps (série non stationnaire) est transitoire. Ce choc ne peut affecter durablement la tendance et la série retrouve son mouvement tendanciel. Dans ces conditions, il est difficile de cerner clairement l'effet d'une autre série sur les variations d'une série non stationnaire. Cependant, lorsque la variable n'est pas stationnaire en niveau, l'on peut la rendre stationnaire par différence première ou seconde.