WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Effets de la fiscalité directe des entreprises et des ménages sur la consommation privée au burundi


par Désiré NTIRABAMPA
Université du Burundi - Licence 2015
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

Tableau 4: Résultats de l'estimation de la relation de long terme

Dependent Variable: LCPR

Method: Least Squares

Date: 06/23/15 Time: 14:20

Sample: 1983 2013

Included observations: 31

Variable

 

Coefficient

 

Std. Error

 

t-Statistic

 

Prob.

C

 

1.297325

 

0.948661

 

1.367532

 

0.1832

LFDRE

 

-0.050836

 

0.058059

 

-0.875588

 

0.3893

LFDRM

 

-0.205192

 

0.087079

 

-2.356403

 

0.0263

LFIR

 

0.235523

 

0.113587

 

2.073505

 

0.0482

LPIBR

 

0.861730

 

0.164699

 

5.232146

 

0.0000

R-squared 0.895737

Adjusted R-squared 0.879696

F-statistic 55.84214

Prob(F-statistic) 0.000000

Source : L'auteur à partir des résultats de la régression.

De ce tableau et par le test de student qui montre la contribution de chaque variable lorsqu'elle est prise individuellement, nous constatons qu'à long terme, la fiscalité directe réelle des ménages (FDRM) explique significativement la variable endogène. Cela signifie qu'une variation de 1% de la FDRM entraine une variation de 0,2% de la CPR dans le sens contraire.

Le produit intérieur brut Réel (PIBR) et la fiscalité indirecte Réelle (FIR) contribuent significativement à l'explication de la variable endogène, car leurs probabilités associées sont inférieures au seuil critique de 5%. Ainsi, la fiscalité directe réelle des entreprises (FDRE) n'est pas pertinente à l'explication de la variable consommation privée réelle.

Quant au test de Ficher, qui montre la contribution des variables lorsqu'elles sont prises conjointement, toutes les variables expliquent bien la CPR car la statistique de Ficher soit Prob(F-stat)= 0,00000 est nettement inférieure au seuil de signification de 5% ; de plus nous remarquons que le coefficient de détermination (R2 = 89,57%) du modèle est satisfaisant.

Ainsi, après avoir estimé la relation de long terme de notre modèle et dégagé les résidus, nous présentons les résultats des tests de racine unitaire sur les résidus.

b. Test de racine unitaire sur la série des résidus

Pour le présent test, la préoccupation majeure consiste à se rendre compte de la stationnarité en niveau. Nous utilisons la méthode de DFA et Pp pour tester la stationnarité sur la série des résidus. Les résultats trouvés sont fournis dans le tableau suivant :

Tableau 5 : Résultats du test de stationnarité de la série des résidus en niveau

Série

Retard optimal

Modèle

Test ADF

Test PP

V.cal

V.C à 5%

Stationnaire

Oui ou non

V.cal

V.C à 5%

Stationnaire

Oui ou non

Qt-1

1

M4

-2,962

-1,953

Oui

-4,483

-1,952

Oui

Source : L'auteur à partir des résultats des tests de stationnarité.

Les résultats de ce tableau sont obtenus en testant le modèle ni tendance ni constante (M4). Nous constatons que les résidus sont stationnaires en niveau, donc intégrés d'ordre zéro ; ce qui veut dire qu'il existe une évolution identique sur le long terme entre la consommation privée et les variables explicatives considérées dans notre modèle.

Ainsi, comme les résultats des tests de stationnarité ont montré que toutes les variables retenues sont intégrées d'ordre un et que la relation de long terme entre les variables dégagent des résidus stationnaires en niveau, nous pouvons accéder à estimer un Modèle à Correction d'Erreurs (MCE).

III.2.2.4. Estimation d'un Modèle à Correction d'Erreurs

Les analyses précédentes nous ont permis de confirmer de la relation de long terme entre les variables ; pour cette raison, le théorème de la représentation de GRANGER nous autorise à estimer le modèle dynamique de court terme qui est une représentation à correction d'erreur des variables augmentées d'un terme à correction d'erreur avec un retard d'une période appelée Modèle à Correction d'Erreurs (MCE) ou Erreur Correction Model (ECM). Le recours à l'estimation du modèle à correction d'erreurs permet de mettre en évidence la relation de court terme entre les variables.

Ainsi, ENGLE et GRANGER proposent une méthodologie d'estimation qui se fait en deux étapes.

En premier lieu, ils envisagent d'abord d'estimer la relation de cointégration par les MCO et ensuite de tester la stationnarité du résidu estimé. La stationnarité des résidus conduit à la conclusion selon laquelle, les séries sont cointégrées, et cela a été vérifié dans le paragraphe précédent.

En second lieu, ils préconisent l'estimation par la méthode des MCO de la relation du modèle dynamique (court terme) qui est de la forme suivante :

Log CPRt=a0 +a1Log FDREt+a2ÄLog FDRMt + a3ÄLog FIRt+ a4LogPIBRt+ a5Log CPRt(-1)+ a6Log FDREt(-1) + a7LogFDRMt(-1) + a8Log FIRt(-1) + a9LogLPIBR t(-1) +v0Qt(-1) + åt

Avec :

a0, a1, ............a9, les paramètres à estimer

Ä : l'opérateur mathématique des différences

Q : le résidu

V: coefficient de la force de rappel vers l'équilibre de long terme

Selon BOURBONNAIS (2003), la validation du Modèle à Correction d'Erreurs exige que la valeur du coefficient v0 soit négative et significative.

Voici les résultats de l'estimation de la relation de court terme :

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Entre deux mots il faut choisir le moindre"   Paul Valery