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

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