Agriculture et contribution à la croissance économique de la rdc

4. Test du modèle

En statistique, les tests de normalité permettent de vérifier si les données réelles suivent une loi normale ou non. Les tests de normalité sont des cas particuliers des tests d'adéquation (ou tests d'ajustement, tests permettant de comparer des distributions), appliquées à une loi normale^46(*).

Ces tests prennent une place importante en statistique. En effet, des nombreux tests supposent la normalité des distributions pour être applicables.

En toute rigueur, il est indispensable de vérifier la normalité avant d'utiliser les tests. Cependant, de nombreux tests sont suffisamment robustes pour être utilisables même si les distributions s'écartent de la loi normale.

C'est ainsi que nous allons utiliser les tests suivants :

- Le test de W Shapiro-Wilk ;

- Le test de Kolmogorov-Smirnov.

4.1. Le test de W Shapiro-Wilk47(*) 

En statistique, le test de W Shapiro-Wilk teste l'hypothèse nulle selon laquelle un échantillon X₁,..., X_n est issu d'une population normalement distribuée. Il a été publié en 1965 par Samuel Sanford Shapiro et Martin Wilk.

Sachant que l'hypothèse nulle est que la population est normalement distribuée :

- Si la p-value est inferieure à un niveau alpha choisi (par exemple 0,05) alors l'hypothèse nulle est rejetée ;

- Si la p-value est supérieur au niveau alpha choisi (par exemple 0,05), alors on ne doit pas rejeter l'hypothèse nulle. La valeur de la p-value alors obtenue ne présuppose en rien de la nature de la distribution des données.

4.2. Le test de Kolmogorov-Smirnov.

En statistique, le test Kolmogorov-Smirnov est un teste d'hypothèse utilisé pour déterminer si un échantillon suit bien une loi donnée connue par sa fonction de répartition continue, ou bien si deux échantillons suivent la même loi^48(*).

5. Le coefficient de corrélation linéaire R

Le coefficient de corrélation R (souvent appelé coefficient de Pearson) permet d'établir la relation qui existe enter la variable endogène et la variable exogène. Il permet de vérifier s'il existe, ou pas, une relation entre deux variables.

6. Le coefficient d'explication R2

Le coefficient d'explication ou de détermination R² nous permettra d'établir le degré d'explication ou d'influence d'une variable exogène sur la variable endogène par rapport à d'autres variables exogènes.

Rappelons ici que nous allons utiliser une régression multiple, mais notre préoccupation sera penchée sur une seule variable explicative que nous voudrons ressortir son degré d'explication de la variable endogène par rapport aux autres variables exogènes.

A ce stade, le coefficient de détermination R² nous donnera une explication globale du modèle c'est-à-dire sans donner l'information d'une manière séparée pour chaque prédicteur du modèle. Or, nous voulons dans ce travail ressortir l'explication de la variable endogène (PIB) par la variable exogène (agriculture) comparativement à d'autres variables exogènes

Pour ce cas, le coefficient de détermination R² nous semble insuffisant. C'est ainsi que nous allons faire recourt au coefficient Bêta.

* ⁴⁶ PHILIPPE DESCHAMPS, Cours d'économétrie, éd. 2006-2007, Université de Fribourg, p124

* ⁴⁷ PHILIPPE DESCHAMPS, Op.cit, p131

* ⁴⁸ PHILIPPE DESCHAMPS, Op.cit, p135