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 ai 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 ai et '1it 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
ui 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.
|