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

 > 

Impact du taux de change sur l'inflation en RDC de 2000-2020


par Daniel Mandala
Université Joseph Kasa Vubu - Licencié en en économie monétaire  2022
  

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

Section 2. Stationnarisation des variables

Les méthodes classiques d'estimation supposent que les séries utilisées sont stationnaires. Or, suite aux développements récents en séries temporelles, il est aujourd'hui usuel que les principaux agrégats macroéconomiques ne peuvent plus être représentés comme des séries stationnaires autour d'une tendance déterministe. Il est donc de plus en plus opportun de prendre en compte leur degré de stationnarité et d'étudier la permanence des chocs stochastiques. Avant toute estimation, nous devons d'abord étudier la stationnarité des séries.

L'apparence de ces différentes courbes nous laisse penser que toutes les séries présentées ici ne sont pas stationnaires. Nous avons par conséquent procéder à un test de racine unitaire pour mieux appréhender leur comportement. À cet effet, nous avons adopté la méthode du test de Dickey-Fuller Augmenté (ADF) qui permet de prendre en compte l'autocorrélation possible de la série différenciée via une correction utilisantles valeurs retardées. Rappelons que l'hypothèse nulle de ce test est lenon stationnarité de la série étudiée, c'est-à-direl'existence d'au moins une racine unitaire. D'abord, nous le faisons à niveau puis en différence première pour rechercher l'ordre d'intégration des séries.

Ainsi, les résultats détaillés sur la stationnarisation des séries sont présentés dans les annexes.

Ci-dessous, nous présentons le récapitulatif du test ADF des toutes les variables sous étude.

Tableau 4 : Récapitulatif du tes d'ADF sur toutes les variables

Séries

statistiques

Modèles

Degré d'intégration

ADF

VCM

Taux d'inflation

-22.66535

-3.020686

avec constante

I(0)

Taux de change

-1.997004

-1.960171

Sans tendance ni constante

I(1)

Masse monétaire

-4.150910

-1.964418

Sans tendance ni constante

I(2)

Section 3. Estimation du modèle par MCO

Tableau 5 : Résultat de l'estimation de la relation de long terme par MCO

Dependent Variable: TXINFL

 
 

Method: Least Squares

 
 

Date: 11/02/22 Time: 09:37

 
 

Sample (adjusted): 2001 2020

 
 

Included observations: 20 after adjustments

 
 
 
 
 
 
 
 
 
 
 

Variable

Coefficient

Std. Error

t-Statistic

Prob.  

 
 
 
 
 
 
 
 
 
 

C

10.59602

8.107037

1.307015

0.2086

DTXCH

0.166401

0.061657

2.698821

0.0152

DMM

-0.006160

0.004619

-1.333567

0.1999

 
 
 
 
 
 
 
 
 
 

R-squared

0.300020

  Mean dependent var

20.96200

Adjusted R-squared

0.217669

  S.D. dependent var

30.86756

S.E. of regression

27.30219

 Akaike info criterion

9.589292

Sum squared resid

12671.96

 Schwarz criterion

9.738652

Log likelihood

-92.89292

 Hannan-Quinn criter.

9.618449

F-statistic

3.643197

   Durbin-Watson stat

1.405435

Prob(F-statistic)

0.048220

 
 
 
 
 
 
 
 
 
 
 
 
 

La relation issue de cette estimation peut s'écrire de la manière suivante :

TXINFL = 10.5960215217 + 0.166401305567*DTXCH - 0.00615969339013*DMM

Outre les estimations, les tests post-estimations nous renseignent ce qui suit :

Tableau 6 : tests post-estimations

Test post estimation

Probabilité critique

Jarque-Bera

0.00000

LM-Test de Breusch-Godfrey

0.7420

ARCH

0.8271

Ramsey RESSET Test

0.5931

De l'analyse des tests d'hypothèses sous-tendant l'usage de la méthode des MCO, nous remarquons que seules les hypothèses de l'absence de l'hétéroscedasticité des erreurs et de l'absence d'autocorrélation des erreurs sont respectées car leurs probabilités sont respectivement supérieures à 5%, soit 0.7420>0.05 et 0.8271>0.05.

Cependant, l'analyse de la normalité des erreurs n'est pas respectée car, nous constatons que la probabilité attachée à la statistique de Jarque-Berra est inférieure au seuil de significativité de 0,05. Ainsi, on peut conclure l'absence de normalité des erreurs. La non-validation de l'hypothèse évoquée ci-haut, nous contraint de prédire la relation entre le taux d'inflation et le taux de change. Pour ce faire, il est nécessaire de corriger pour lever l'autocorrélation des erreurs.

Tableau 7 : Résultat de l'estimation de la relation de long terme par MCO corrigé

Dependent Variable: TXINFL

 
 

Method: Least Squares

 
 

Date: 11/02/22 Time: 10:25

 
 

Sample (adjusted): 2002 2020

 
 

Included observations: 19 after adjustments

 

Convergence achieved after 5 iterations

 
 
 
 
 
 
 
 
 
 
 

Variable

Coefficient

Std. Error

t-Statistic

Prob.  

 
 
 
 
 
 
 
 
 
 

C

8.026036

3.436386

2.335604

0.0338

DTXCH

0.111163

0.027075

4.105711

0.0009

DMM

-0.003198

0.001987

-1.609419

0.1284

AR(1)

-0.050832

0.103345

-0.491870

0.6299

 
 
 
 
 
 
 
 
 
 

R-squared

0.525714

    Mean dependent var

14.95474

Adjusted R-squared

0.430857

    S.D. dependent var

15.61725

S.E. of regression

11.78190

    Akaike info criterion

7.955670

Sum squared resid

2082.197

    Schwarz criterion

8.154499

Log likelihood

-71.57886

    Hannan-Quinn criter.

7.989319

F-statistic

5.542166

    Durbin-Watson stat

1.885398

Prob(F-statistic)

0.009183

 
 
 
 
 
 
 
 
 
 
 
 
 

Inverted AR Roots

-.05

 
 
 
 
 
 
 
 
 
 
 
 

La relation issue de cette estimation peut s'écrire de la manière suivante :

TXINFL = 8.02603598832 + 0.11116320175*DTXCH 0.00319769227474*DMM + [AR(1)=-0.0508322938254]

La lecture des résultats montre que le modèle est globalement significatif. La P-value de la statistique de Fisher est quasi nulle car la probabilité est inférieure à 5% soit 0.009183<0.05.Tout cela signifie que l'hypothèse nulle selon laquelle toutes les élasticités sont nulles est rejetée. Le coefficient de détermination (R2 ajusté) témoigne le pouvoir explicatif du modèle. Ainsi 43% des fluctuations de long terme de l'indice des prix au Congo sont expliquées par cette relation de long terme.

Toutefois, nous remarquons que les variations de la masse monétaire M2 ne sont pas significatives sur le taux d'inflation car la probabilité de T-student est supérieure à 5% soit 0.1284>0.05 et le taux de change entre le dollar et le franc CDF à long terme a une influence significative sur la variation du taux d'inflation pour la période sous étude car sa probabilité de T-student est inférieure à 5% soit 0.0009<0.05.

Outre les estimations, les tests post-estimations nous renseignent ce qui suit :

Tableau 8 : tests post-estimations corrigées

Test post estimation

Probabilité critique

Jarque-Bera

0.803767

LM-Test de Breusch-Godfrey

0.8933

ARCH

0.9683

Ramsey RESSET Test

0.5551

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








"I don't believe we shall ever have a good money again before we take the thing out of the hand of governments. We can't take it violently, out of the hands of governments, all we can do is by some sly roundabout way introduce something that they can't stop ..."   Friedrich Hayek (1899-1992) en 1984