1.2 Source des données
51
Les données qui sont utilisées pour cette
étude, sont essentiellement des données secondaires. Les
données annuelles proviennent des Institutions internationales (le FMI
et la Banque Mondiale), sous-régionale (la BCEAO) et nationales (Agence
Nationale de la Statistique et de la Démographie, et de la Direction de
Prévision et des Etudes Economiques de Dakar). Il s'agit ainsi des
séries chronologiques qui couvrent la période 1980-2009, soit 30
observations.
1.3 Techniques d'estimations des paramètres
Les variables de notre modèle ne sont pas toutes
stationnaires (tableau n°7). Nous allons passer par un modèle
à correction d'erreur noté en anglais Error correction
Modèle (ECM). L'estimation des paramètres se fera par la
méthode du moindre carré ordinaire (MCO).
Nous allons procéder à des étapes suivantes
:
-identification de l'ordre d'intégration des variables
(stationnarité des variables) ;
-test de cointégration des variables du modèle ;
-estimation de la relation de long terme du modèle par les
MCO ;
-estimation de la relation de court terme ou du MCE par les MCO.
1.3.1 Analyse de la stationnarité (test de
racine unitaire)
Lorsqu'on utilise des données temporelles, il est
primordial qu'elles conservent une distribution constante dans le temps. Ce
concept de stationnarité doit être vérifié afin
d'éviter des régressions factices pour lesquelles les
résultats pourraient être significatifs, alors qu'ils ne le sont
pas. Si une série est non stationnaire, la différencier peut la
convertir en série stationnaire. Afin de vérifier la
stationnarité des variables, le test de Phillip et Perron(PP) est
utilisé.
Le principe du test de PP consiste à vérifier
l'hypothèse nulle de stationnarité contre l'hypothèse
alternative de stationnarité en niveau, en différence
première ou en différence seconde par comparaison à la
valeur absolue de la valeur critique de Mc Kinnon lue notée en anglais
Critical value(CV), au seuil de probabilité de 5%.
52
-Si par contre |PP| < |CV| en niveau, on accepte
l'hypothèse nulle de stationnarité, la variable
considérée n'est pas stationnaire ;
-Si par contre |PP|= |CV| en niveau, on accepte
l'hypothèse alternative de stationnarité, donc la variable est
stationnaire.
1.3.2 Test de cointégration
Le test de cointégration permet d'identifier la nature
de la relation existante entre les variables par la détection d'une
éventuelle présence de vecteurs de cointégration.
Lorsque toutes les variables du modèle sont
stationnaires, le test de cointégration et la méthode à
correction d'erreur (estimation à court terme) ne s'imposent pas.
Si toutes les variables ne sont pas stationnaires et ont le
même ordre d'intégration, il faut faire l'estimation à long
terme et ensuite le test de cointégration par les résidus (Engle
et Granger) et terminer par la relation de court terme.
Par contre, si les variables ne sont pas stationnaires et ont
un ordre d'intégration différent. Autrement dit, si au moins une
variable du modèle considéré est stationnaire alors on
peut passer par le test de cointégration de Johansen sur les variables
pour ensuite faire l'estimation à long terme, suivi de l'estimation
à court terme.
Dans le cas d'espèce, il sera question de variables non
stationnaires et donc l'ordre d'intégration est différent. Dans
ce cas nous privilégions le test de Johansen.
Son principe est basé sur la comparaison du ratio de
vraisemblance noté LR à la valeur critique notée (CV).
-Si LR<CV, on accepte l'hypothèse nulle de
cointégration, c'est-à-dire les variables ne sont pas
cointégrées.
-Si LR= CV on accepte l'hypothèse de cointégration
des variables.
53
| 
