Tableau 3: Test de
Breusch-Godfrey
|
Test du Multiplicateur de Lagrange de l'autocorrélation
sérielle de Breusch-Godfrey :
|
|
Statistique de Fisher
|
29.04921
|
Probabilité
|
0.110880
|
|
Obs.R-carré
|
19.96888
|
Probabilité
|
0.000046
|
|
|
|
|
|
Source : Obtenu à partir du traitement des
données avec Eviews
On accepte l'hypothèse
nulle de l'absence de l'autocorrélation car la probabilité de la
statistique de Fisher est supérieure à 5%.
-Test d'autocorrélation des erreurs de
Durbin-Watson
Le test de Durbin-Watson (DW) permet de mesurer
l'autocorrélation des erreurs. Le test d'hypothèse se construit
comme suit:
- 
- 
251695616
4- di
251694592
4-ds
251693568
?
251687424
?
251686400
251688448251684352251683328251681280
di
251690496
251698688
251697664
251696640251685376251682304
2
251692544
ds
251691520
0
251689472251680256251679232251678208
De
De part sa construction, cette statistique varie entre 0 et 4
et nous avons DW = 2 lorsque  Afin de tester l'hypothèse , Durbin et Watson ont tabulé les valeurs critiques de
DW au seuil de 5% en fonction de la taille de
l'échantillon  et du nombre de variables explicatives . La lecture de la table permet de déterminer deux valeurs  et (Gujarati, op.cit.).251677184
 et  : position du coefficient de Durbin-Watson dans l'espace
empirique
Selon cette position, nous pouvons conclure :
· 0<DW< , on rejette l'hypothèse  (il y a l'autocorrélation des erreurs
·  <DW< : zone d'indétermination ou zone de doute
 · <DW<4- : on accepte l'hypothèse  (pas d'autocorrélation des erreurs)
· 4- <DW<4-  : zone d'indétermination ou zone de doute
· 4-  <DW<4, on rejette  : il y a autocorrélation des erreurs
Pour notre modèle, le DW calculée est de 2,664.
 =0,202 et  =1,977 (lu dans la table de Durbin-Watson, le nombre d'observation (n)
=23 et les variables explicatives (k) égales à 13). Les
résultats trouvés montrent qu'il y a absence
d'autocorrélation des erreurs car DW calculé se trouve entre  et 4- .
IV.4. La significativité
globale des variables du modèle
Le test de significativité globale des coefficients
cherche à savoir s'il existe au moins un seul parmi eux, à
l'exception de la constante qui soit significativement différent de
zéro. C'est-à-dire une variable explicative qui influence
significativement la variable endogène. On teste l'hypothèse
nulle H0 selon laquelle tous les coefficients du modèle sont
égaux à zéro, à l'exception de la constante, contre
l'hypothèse selon laquelle il existe au moins un coefficient
différent de zéro.
Comme on l'a fait sur la significativité individuelle
des variables du modèle, on va statuer sur la significativité
globale des variables pour voir si la probabilité de la statistique de
Fisher est? à 5%. Pour notre cas, le résultat de l'estimation
affiche pour la probabilité du Test de Fisher très significative
(probabilité F-stat : 0,000001).
Le coefficient de détermination R2 et
surtout R2- ajusté obtenu indique de combien la variation de
la variable dépendante (offre du café) a été
expliquée par les variables indépendantes. Pour notre
modèle, ce coefficient est égal à 0,992 ; cela
signifie que les variables retenues dans le modèle expliquent 99,2% des
variations totales de l'offre du café dans la région de
KIRIMIRO.
Le test de Durbin-Watson est si près de 3 (2,6) qu'il
suggère une absence d'autocorrélation ou d'erreurs de
spécification (Gujarati, op.cit,).
| 
