Intégration financière dans la zone CFA: une approche à la Fedlstein- Horioka

4.2. Estimations en données de panel traditionnelles

Cette approche permet d'estimer le coefficient de rétention de l'épargne selon les procédures pooling, between, within et random effects.

Cette approche consiste donc en l'estimation des estimateurs pooling, within random effects et à les comparer. La comparaison des ces estimateurs donne des informations sur la structure de la variance des observations. Cette approche contrairement à la précédente permet d'obtenir en plus de l'estimateur between, les estimateurs pooling, within et random effects et ainsi de prendre en compte l'hétérogénéité des individus.

L'estimateur pooling est l'estimateur MCO sur données empilées. Il suppose l'homogénéité des individus et la constance de la relation testée au cours temps.

L'estimateur between est obtenu en faisant la moyenne des données individuelles. Il ainsi suppose aussi l'homogénéité des individus.

L'estimateur within est l'estimateur du modèle à effets fixes. Il est calculé en écart aux moyennes individuelles et supprime donc les différences entre pays (corrige l'hétérogeneité). Il accorde ainsi donc plus d'importance à la dimension temporelle.

Cet estimateur est calculé dans le cadre d'un modèle à effets fixes.

I _it =ai+flS it +eit

Où e _it est indépendante et équidistribuée et a_i supposée corrélée avec les termes Sit

L'estimateur random effects est l'estimateur du modèle à erreurs composées. Il suppose l'existence d'un effet individuel non directement observable introduit dans le résidu (non corrélé avec les variables explicatives). C'est l'estimateur issu de l'estimation d'un modèle à effets aléatoires.

I _it =ai+flS it +'1it ^avec '1it =eit +ui

Où a_i et '1_it sont des perturbations aléatoires non corrélées

Le choix entre l'estimateur within et l'estimateur random effects passe par une série de tests. On suppose que u_i suit une loi normale.

Il faut d'abord faire un test d'existence d'effets spécifiques³. C'est un test LM de Breusch Pagan dont l'hypothèse nulle est l'absence d'effets spécifiques. C'est l'acceptation ou le rejet de l'hypothèse d'existence d'effets spécifiques qui conditionne la suite de la procédure. Dans le cas où on accepte l'hypothèse d'effets spécifiques, cela implique de faire donc le choix entre les deux types d'estimateurs en effectuant le test d'Hausman.

Le test de Hausman⁴ est un test qui permet de déterminer si les estimateurs within et random effects sont statistiquement différents. C'est un test dont l'hypothèse nulle est l'absence d'exogénéité de l'effet individuel par rapport à la variable explicative. Il permet donc de faire le choix entre un modèle à effets fixes et un modèle à effets aléatoires. Si on accepte l'hypothèse, cela implique qu'on doit estimer un random effects comme estimateur efficace et convergent.

24

³ Voir résultats tableau 2 en annexes

⁴ Résultats, voir tableau 3 en annexes

25

	Estimateur pooling				Estimateur within		Estimateur random effects		Estimateur between
Zone CFA	0.224***	0.217***	0.202*	0.163	0.202*	0.163	0.207**	0.176**	0.231**
	(0.049)	(0.058)	(0.109)	(0.112)	(0.107)	(0.110)	(0.083)	(0.083)	(0.099)
UEMOA	0.055	-0.005	0.478***	0.425***	0.478***	0.425***	0.426***	0.373***	-0.386
	(0.217)	(0.196)	(0.114)	(0.097)	(0.113)	(0.095)	(0.121)	(0.087)	(0.208)
CEMAC	0.300***	0.316***	0.080	0.104	0.080	0.104	0.237***	0.266***	0.363**
	(0.064)	(0.057)	(0.093)	(0.073)	(0.092)	(0.072)	(0.073)	(0.062)	(0.063)
GOUV1	0.197***	0.193***	0.145	0.074	0.145	0.074	0.184***	0.175***	0.204**
	(0.029)	(0.021)	(0.191)	(0.141)	(0.189)	(0.138)	(0.062)	(0.029)	(0.040)
GOUV2	0.189	0.175	0.233	0.212	0.233	0.212	0.222*	0.202*	0.138
	(0.105)	(0.113)	(0.148)	(0.123)	(0.146)	(0.121)	(0.129)	(0.112)	(0.179)
Effets pays	Non	Non	Oui	Oui	Non	non	Non	Non	Non
Effets anné	Non	Oui	Non	Oui	Non	Oui	Non	Oui	Non

Tableau 3 : Résultats des estimations Pooling, within, between et random effects

***p<0.01 : significativité au seuil de 1%, **p<0.05 significativité au seuil de 5%, *p<0.1 significativité au seuil de 10% avec p comme p-value

26

Les valeurs des coefficients de rétention de l'épargne obtenues, montrent que les diffétentes zones ont un degré d'intégration financière plus élevé que les pays de l'OCDE et de l'Union Européenne. En effet Béreau (2007) dans son étude sur l'Europe des 15, trouve des valeurs de coefficients de rétention de l'épargne de 0.304 pour les estimateurs pooling et within et 1.050 pour les estimateurs between. Corbin (2001) étudiant le degré d'intégration financière des pays de l'OCDE, trouve des valeurs des estimateurs se situant entre 0.45 et 0.8 pour l'estimateur pooling, 0.6 et 1 pour l'estimateur between ; les valeurs des estimateurs within et random effects, se situant respectivement entre 0.4 et 0.7.

Les résultats montrent que dans la zone CFA, les différents estimateurs sont révélateurs d'un degré d'intégration financière relativement élevé ; ces estimateurs se situent autour de 0.20. L'égalité de ces estimateurs est le signe de la prédominance de la variabilité interindividuelle qui représente près de 99% de la variabilité totale des observations. Cette valeur commune des différents estimateurs indique un degré d'intégration financière élevée dans la zone CFA. L'acceptation de l'hypothèse d'existence d'effets spécifiques et l'acceptation de l'hypothèse d'exogénéité de l'effet individuel non observable par rapport à la variable explicative dans le modèle à effets aléatoires, conduit à retenir l'estimateur random effects comme estimateur convergent et efficace dans la zone CFA.

Dans la zone UEMOA, l'estimateur pooling suggère un niveau d'intégration relativement élevé ; la proximité des estimateurs within et random effects, autour de 0.4 peut être le signe d'une absence de corrélation entre les effets spécifiques individuels et les variables explicatives d'où l'équivalence dans l'utilisation de l'un ou l'autre des estimateurs. Ces deux estimateurs sont plus grands que l'estimateur pooling qui suggère lui aussi un degré d'intégration financière élevé. L'utilisation de l'estimateur within ou random effects pour la spécification de l'hétérogénéité individuelle est donc équivalente.

L'hypothèse d'existence d'effets spécifiques est acceptée et le test d'Hausman conduit à retenir le modèle à effets aléatoires comme spécification de l'hétérogénéité individuelle.

Dans la zone CEMAC, l'acceptation de l'hypothèse nulle d'absence d'effets spécifiques au seuil de 5%, conduit à se concentrer sur les estimateurs between et pooling qui supposent une certaine homogénéité des pays de la zone CEMAC. Ces derniers, proches et sensiblement égaux à 0.3 suggèrent un degré d'intégration financière élevé.

L'hypothèse nulle d'absence d'effets spécifiques acceptée au seuil de 5% , mais rejetée au seuil de 10% et dans ce cas, le test d'Hausman suggère d'utiliser l'estimateur within come estimateur efficace et convergent pour la spécification de l'hétérogénéité individuelle dans la zone CFA.

Dans la zone de gouvernance 1, l'acceptation de l'hypothèse nulle d'absence d'effets spécifiques au seuil de 5% conduit à retenir que les estimateurs pooling et between. Les estimateurs pooling et between très proches et respectivement de 0.19 et 0.20 suggèrent un degré d'intégration financière élevé. On note une prédominance de la variabilité interindividuelle. En considérant un seuil de 10%, l'hypothèse d'existence d'effets spécifiques est acceptée et le test d'Hausman permet de conclure que l'estimateur random effects est l'estimateur efficace et convergent. La valeur de cet estimateur de 0.19 indique une intégration financière élevée.

27

Dans la zone de gouvernance 2, on note une proximité des estimateurs within et random effects (0.2). Cela indique l'équivalence dans l'utilisation de l'estimateur within ou random effects. Ces deux estimateurs sont plus élevés que les estimateurs pooling et between, respectivement de 0.18 et 0.13. Cela signifie que la variabilité interindividuelle est plus élevée que la variabilité intraindividuelle.

L'acceptation de l'existence d'effets spécifiques d'une part, et l'acceptation de l'hypothèse d'exogénéité d'autre part, suggère d'utiliser l'estimateur random effects comme estimateur efficace et convergent.

Cette méthode montre que le degré d'intégration financière des différentes zones est relativement élevé. En prenant 10% comme seuil, cela permet de faire une comparaison entre le degré d'intégration financière des différentes zones. Ainsi la comparaison de l'estimateur within de chacune des zones UEMOA et CEMAC, permet de conclure que le degré d'intégration financière de la zone CEMAC est plus élevé que celui de la zone UEMOA. En comparant l'estimateur random effect de GOUV1 à celui de GOUV2, on en déduit que GOUV1 est plus intégrée financièrement que GOUV2.

Ainsi, les pays agricoles contrairement à la méthode en coupes périodiques sont moins intégrés financièrement que les pays producteurs de matières premières. Le résultat obtenu concernant la gouvernance est conforme aux résultats précédents ; un niveau de gouvernance élevé et un degré d'intégration financière élevé sont positivement corrélés.

Ces résultats sont conformes à ceux de Payne et Kumazawa (2005) dans leur étude sur les pays africains dans laquelle, la valeur des différents estimateurs se situent entre 0.20 et 0.24.