Incidence du cout du risque de défaut sur les marges de taux des banques camerounaises

Tableau 5 : Test de cointégration

Le test de cointégration des variables MTB et PROCRED montre que la relation de long terme entre ces variables est non significative, puisque la statistique de Johansen n'est pas significative au seuil de 5%^77(*) : Il n'existe pas de relation de cointégration entre les variables MTB et PROCRED.

Par conséquent, un modèle VAR simple est retenu.

I-2-2-2- présentation du modèle

a) Rappel des règles de décision

Le test F de Fisher permet d'estimer la significativité d'une régression. Si la valeur du F calculée est supérieure à la valeur du F de la table à un seuil défini (5% dans cette étude) la régression considérée n'est pas significative.

Par ailleurs, lors de l'estimation d'un modèle, il convient d'indiquer la contribution de la variable explicative à la variabilité de la variable dépendante. Cette contribution relative est mesurée par le coefficient de détermination :

- = 0 signifie que toute la variabilité est due au terme d'erreur å ;

- = 1 implique une contribution parfaite de la variable explicative à la variabilité de la variable dépendante.

Ces deux extrêmes sont rarement vérifiés. ne peut pas être égal à zéro parce que le modèle a été défini sur la base d'une théorie. De même, ne peut pas être égal à 1 parce que l'erreur est implicite au modèle évalué. Ainsi, dans les modèles à données en coupe longitudinales la valeur de est proche de 0,80. En revanche, dans les modèles à données individuelles est proche de 0,50 (Kamgnia, 2005).

Enfin, dans un modèle de régression multiple, la variable la plus contributive est la variable dont le coefficient est associé à la statistique de Student la plus élevée en valeur absolue.

Pour résumer les indicateurs de qualité de la régression, un modèle valable et qui traduit une contribution satisfaisante de la variable explicative à la variabilité de la variable dépendante présente un R élevé (proche de 1), et une probabilité de Fisher très faible (proche de 0).

b) Estimation du modèle

La représentation du modèle général VAR à 2 variables et p décalages (noté VAR(p)) est la suivante^78(*) :

Où C est la matrice des constantes du modèle ;

Aj la matrice des paramètres estimés du modèle ;

Yt la matrice des variables ;

la matrice des erreurs d'estimations.

Un retard d'une période est adopté. Il s'agit du retard généralement retenu dans la littérature. Il se justifie, dans le cas du coût du risque de défaut constaté à postériori, par le fait que la banque doit observer l'évolution de ce coût avant de le facturer à la clientèle.

Les résultats de la régression sont comme suit :

D(MTB) = -0,006457 -0,299333* D (MTB) _t-1 - 1,631841* D (LNPROCRED) _t-1 (2)

(-0,006464) (-2,569163) (-0,796986)

R= 0,114634 AIC = 2.682537 P-value = 0,035146 n= 59

Le modèle obtenu est valide, puisque la P-value associée à la statistique de FISHER (0,035146) est inférieure à 5%. Ce modèle présente un R faible, ce qui signifie que la variabilité de la variable MTB n'est pas expliquée par la variable PROCRED.

* ⁷⁷ De manière générale, l'évaluation des tests d'hypothèses se fait sur la base de la comparaison des risques d'erreur de décision. Les niveaux théoriques de risques, encore appelés seuils critiques ou intervalles de confiance, communément considérés sont 1%, 5% et 10%. Le seuil de 5% est retenu dans la plupart des travaux économétriques. Il signifie que la probabilité de se tromper est de 5%, ou encore, que le résultat est fiable à 95%).

* ⁷⁸ Le modèle VAR est l'égalité entre le vecteur de la différenciation des variables du modèle et la somme du vecteur des constantes, du produit de la matrice des paramètres, du vecteur de la différenciation des variables retard, et du vecteur des résidus d'estimation.