Transfert de technologie et croissance économique: une estimation en panel au sein de l'UEMOA

1.2.2. Origines des données

Les données sur les différentes variables prédéfinies proviennent de diverses sources qui peuvent être classées de la façon suivante :

-- Les données sur le commerce international (les importations et les exportations) et les IDE proviennent de la base de données du CNUCED ;

Trans~ert de tecfino(ogie et croissance économique : Vne estimation en panefau sein de PVEMOJI

Les données sur l'intensité des dépenses en recherche et développement proviennent de la base des données de l'UNESCO sur l'intensité des dépenses en R&D ;

Les données sur la formation brute de capital fixe proviennent des données de la BAD.

A la suite de la présentation des variables nous pouvons écrire les deux équations représentant nos deux modèles.

1.2.3. Les équations à estimer

En référence à notre modèle, nous exprimons deux équations qui sont :

Equation 1 :

1n(PIBit) = a + 11l 1n(DPUBit) + 112 1n(EXPORit) + 113 1n(FBCFit)

+ 1141n(IDEit) + 115 1n(TRANSit) + 116 1n(FTRAVit) + p_i + it + eit (5)

Où 1n(PIBit) désigne le logarithme du PIB réel ; ln(DPUBit ) ; celui des dépenses publiques ; 1n(EXPORit), celui des exportations, 1n(FBCFit) celui de la formation brute de capital fixe, ln(IDEit ) celui des IDE. ln(TRANSit ) désigne le logarithme du proxy des externalités en R&D représentant le transfert de technologie et 1n(FTRAVit) le logarithme de la force de travail ; les 11i représentent les élasticités des différentes variables par rapport au PIB réel ; uiet lit sont respectivement les effets spécifique pays et temps ;et Eit le terme d'erreur.

Equation 2 :

1n(PIBit) = a' + 11^'₁1n(P1Bit_1)+ 11'21n(DPUBit) + 11'31n(EXPORit)

+ 11¹4 1n(FBCFit) + 11¹5 1n(IDEit) + 11ⁱ6 1n(TRANSit)

+ 11¹7 1n(FTRAVit) + pi + nt + eit(6)

Où _{1n(PIBit_i)} représente le logarithme du PIB réel retardé d'une période, á' et â' représentent les coefficients à estimer.

Trans~ert de tecfino(ogie et croissance économique : Vne estimation en panefau sein de PVEMOJI

1.2.4. Méthodologie

On peut estimer les paramètres de nos modèles par les méthodes traditionnelles (MCO, Between, Within,etc), la méthode `Anderson et Hsiao (1982), la méthode d'Arellano et Bond (1991) et la méthode Bundel et Bond (1998) ; mais, en ce qui concerne le modèle dynamique (modèle 2), les estimateurs traditionnels ne sont pas convergents.

La méthode Anderson et Hsiao (1982) est basée sur l'utilisation des variables instrumentales. Elle donne des estimateurs qui ne sont pas efficaces car elle ne prend pas en compte la structure des termes d'erreurs et n'exploite pas toutes les conditions des moments²⁸ .C'est ce qui fait que dans la pratique, on fait recours souvent à la méthode des moments généralisée sur panel dynamique d'Arellano et Bond (1991)/ Bundle et Bond (1998) qui permet de contourner le problème d'endogénéité des variables. En effet, le GMM est la méthode <<magique>> qui fait fureur chez les économistes depuis quelques années ; elle permet d'apporter des solutions aux problèmes de biais de simultanéité et est la plus indiquée pour les panels dynamiques (Kpodar (2008)).

Notre méthodologie se présente en trois points : le test de spécification pour choisir la meilleure spécification du premier modèle ; les tests préliminaires (racine unitaire, autocorrelation des erreurs, endogénéité, etc.) ; et l'estimation du modèle à effet fixe ou aléatoire selon le résultat du test de spécification avec correction selon la méthode de Leblond et Belley-Ferris (2004) et du modèle dynamique à l'aide de la méthode des GMM.

i. Le test de spécification

Le test de spécification est important lorsqu'on travaille sur les données de panel. Hurlin (2006) précisent : « lorsque l'on considère un échantillon de données de panel, la toute première chose qu'il convient de vérifier est la spécification homogène ou hétérogène du processus générateur de données. Sur le plan économétrique, cela revient à tester l'égalité des coefficients du modèle étudié dans la dimension individuelle. Sur le plan économique, les tests de spécification reviennent à déterminer si l'on est en droit de supposer que le modèle théorique étudié est parfaitement identique pour tous les pays, ou au contraire s'il existe des spécificités propres à chaque pays ».

28

Elle utilise uniquement comme instruments des retards d'ordre2

Trans~ert de tecfino(ogie et croissance économique : Vne estimation en panefau sein de PVEMOJI

Dans ce ordre d'idée, nous allons successivement effectuer le test de Fisher pour valider le modèle à effet fixe, le de Breusch - Pagan (LM-test) pour le modèle à effet aléatoire, utilisé le test de Hausman pour discriminer entre les deux et en fin effectuer les tests d'endogénéité, d'autocorrolation des erreurs, d'hétéroscédasticité et de correlation inter individuel.

> Test de Fisher

On utilise le test de Fisher pour discriminer le modèle à effet fixe et le modèle sans effet fixe. Concrètement, on cherche à déterminer si l'on est en droit de supposer que le modèle théorique étudié est parfaitement identique pour tous les pays, ou au contraire s'il existe des spécificités propres à chaque pays. Le test est effectué automatiquement après estimation du modèle à effets fixes sur stata 11.

Les hypothèses du test sont :

H0 : Absence d'effets individuels

H1 :Presence d'effets fixes

Le logiciel stata calcule deux statistiques de Fisher .Le premier teste la significativité conjointe des variables explicatives tandis que la seconde teste la significativité conjointe des effets fixes introduits.

> Le test de Breusch and Pagan (LM-test)

On utilise le test de Breusch -Pagan (LM-test) pour discriminer le modèle à effet aléatoire et le modèle sans effet aléatoire.

Les hypothèses sont :

H 0 : Absence d'effets

H 1 : Présence d'effets aléatoires

> Le test de Hausman

Il permet de discriminer entre le modèle à effet fixe et le modèle à effet aléatoire. Il repose sur les hypothèses suivantes :

H0 : Présence d'effets aléatoires

H1 : Présence d'effets fixes

Trans~ert de tecfino(ogie et croissance économique : Vne estimation en panefau sein de PVEMOJI

Le résultat suit une loi X² avec K-1 degré de liberté. Si on ne peut rejeter l'hypothèse nulle, c'est-à-dire si la p-value est supérieure au niveau de confiance, on utilisera les effets aléatoires qui sont efficaces s'il n'y a pas de corrélation entre les erreurs et les variables explicatives.

Les tests d'endogénéité et d'autocorrélation, vont nous permettre de vérifier si le modèle choisi est efficace et peut être estimé sans précautions.

· Test d'endogénéité

Nous allons nous basé sur le test de Nakamura Nakamura en deux étapes défini par Kpodar(2008) pour vérifier si on est en droit d'utiliser l'une de nos variables explicatives comme variables endogènes.

· Le test d'autocorrolation des erreurs

Nous utilisons le test d'autocorrelation de Wooldrigde (2002) sur stata dont l'hypothèse H0 est l'absence d'autocorrelation de premier ordre. Si on rejette cette hypothèse, i.e. si la valeur obtenue est supérieure à la valeur critique, les erreurs des individus sont autocorrélées.

Après avoir retenu laquelle des deux spécifications correspond le mieux aux données utilisées, nous pouvons passer à l'étude de leur stationnarité.

· Test d'Hétéroscédasticité

L'hétéroscédasticité qualifie des données qui n'ont pas une variance constante, c'està-dire Var(e) = 4 . En effet, l'hétéroscédasticité ne biaise pas l'estimation des coefficients, mais l'inférence habituelle n'est plus valide puisque les écarts-types trouvés ne sont pas les bons.

Ils existent plusieurs tests qui se ressemblant pour détecter l'hétéroscédasticité dont le test de Breusch-Pagen et le test de White. L'idée générale de ces tests est de vérifier si le carré des résidus peut être expliqué par les variables du modèle. Si c'est le cas, il y a hétéroscédasticité. Dans notre travail, nous allons utiliser le test de Breusch-Pagen dont l'hypothèse H_o est que tous les coefficients de la régression des résidus au carré sont nuls, c'est-à-dire que : les variables du modèle n'expliquent pas la variance observée. Si le <<p-value>> est inférieur au seuil de significativité (1%, 5%, 10%), on rejette l'hypothèse nulle.

Trans~ert de tecfino(ogie et croissance économique : Vne estimation en panefau sein de PVEMOJI

· Test de corrélation inter individuel

Pour tester la présence de corrélation des erreurs inter-individus pour une même période, c'est-à-dire E(eitejt) pour i?j, on utilise un test Breusch-Pagan. Ce test vérifie

que la somme des carrés des coefficients de corrélation entre les erreurs contemporaines est approximativement zéro.

L'hypothèse nulle de ce test est l'indépendance des résidus entre les individus. La statistique résultante suit une loi X² avec (k-1)/2 degré(s) de liberté, équivalent au nombre de restrictions testées.

Si la valeur obtenue est supérieure à la valeur critique, on rejette l'hypothèse nulle : les erreurs sont corrélées de manière contemporaine.

ii. Tests de racine unitaire

Avant de commencer l'étude, il convient de tester la stationnarité des séries qui constitue une condition de départ de l'application du GMM.

Les tests de racines unitaires font partie des développements théoriques récentes des modèles de données de panel (Doucouré, 2008).Ces tests permettent de déterminer le degré d'intégration des panels. On peut citer : les tests de : Levin-Lin-Chu(1993) (LLC) ; de Im, Pesaran et Shin (1997) (IPS) ; de Hadri (2000) et celui de Breitung (2000).

Le test d'ADF de Levin and Lin-Chin (1992) appliqué aux données de panel à été utilisée par Coe et Helpman (1995) .Il est spécifié de la manière suivante :

p

AYft = ìi + e4$,%0 + siAY$,t-k + ^yt + eit (7)avec i = I,. N; t = 1, . . ,

k=1

Les hypotheses d'estimations sont:

- H0 : â = 0 ; la série est non stationnaire ;

- H1 : â < 0 ; la série est stationnaire

H0 , est rejeté si le p-valu calculé (donné par le logiciel) est inférieur à 10%. Le test de IPS quant à lui par de l'équation suivante :

Yi,t = YiYi,t-i ? ì$,r

j s>0 ⁽⁸⁾

Trans~ert de tecfino(ogie et croissance économique : Vne estimation en panefau sein de PVEMOJI

Les hypotheses sont:

H0 : yi = 1 ; toutes les séries du panel contiennent une racine unitaire ;

H1 : yi = 1 au moins une des séries individuelles du panel est stationnaire. Une probabilité du test inférieure à 10% conduit au rejet de H0.

Après toutes ces séries de tests, on peut passer à l'estimation des deux modèles.

iii. L'estimation du modèle à effet aléatoire ou à effet fixe

Les deux modèles ont été estimés au moment de la réalisation des tests de spécification. Il s'agira à ce nivaux de faire une autre estimation du modèle retenu en tenant compte des résultats obtenus des tests d'hétéroscédacité, de corrélation et autocorrelation selon la commande proposée par Leblond et Belley-Ferris (2004) sur stata.

iv. La méthode d'Arellano et Bond (1991)/ Bundel et Bond (1998)

On utilise la Méthode des Moments Généralisés en panel dynamique pour contrôler les effets spécifiques individuels et temporels, et pallier les biais d'endogénéité des variables. Les estimateurs les plus efficaces sont :

l'estimateur d'Arellano et Bond (1991) ou GMM en différence ;

l'estimateur de Blundell et Bond(1998) ou GMM système.

Arellano et Bond (1991) proposent une estimation en différence dont le but est d'éliminer un éventuel biais de variables omises liés aux effets spécifiques, dont l'équation se présente sous la forme suivante :

(Yit - Ytt-1) = a(Ytt-i - Y~t-2) + fi(xtt - xtt-1) + (fit - fit-i)(⁹)

En se basant sur les conditions sur les moments, ils proposent l'estimateur des GMM en deux étapes. Dans la première étape, les termes d'erreur sont supposés indépendants et homoscédastiques dans le temps et selon les individus. Dans une seconde étape, les résidus obtenus précédemment sont utilisés pour construire un estimateur efficient de la matrice de variance-covariance en relâchant l'hypothèse d'indépendance et d`homoscédasticité.

Le problème avec cette méthode est que la différenciation de l'équation en niveau élimine les variations inter-pays et ne prend en compte que les variations intra-pays et produit des estimateurs biaisés pour les échantillons de petites tailles. C'est pour palier à ce

Trans~ert de tecfino(ogie et croissance économique : Vne estimation en panefau sein de PVEMOJI

problème qu'on fait recours à l'estimateur des GMM en système de Blundell et Bond(1998) qui combine l'équation en différence première (9) avec l'équation (2)

On utilise le test de Sagan (Avellino et Bond, 1981) pour vérifier l'absence de corrélation de premier et second ordre. Le test de Sargan est basé sur l'auto variance des résidus moyens standardisé et suit une loi normale {N (0,1)} sous l'hypothèse Ho.