|
Analyse des variations de l'inflation et du taux de change en RDC, de 1983 à 2013.( Télécharger le fichier original )par Martial MULINZI LUSHUGUSHU ULPGL - Licence 2014 |
VII. CONCLUSION PARTIELLELe second chapitre nous a permis de faire une analyse empirique sur les travaux passés et voir si leurs résultats vont correspondre aux nôtres. Comme tout travail scientifique, nous avons utilisé une méthodologie pour examiner nos données, où la méthode hypothético-déductive nous a été utile pour tester les hypothèses à partir de la littérature empirique existante. La technique documentaire nous a permis de consulter les différents rapports de la Banque Centrale du Congo, et de la Banque Mondiale pour y soutirer les données utiles au modèle adopté dans notre travail. Le modèle utilisé a été inspiré par celui deMongardini et Saadi-Sedik (2003)70(*). Il s'agit d'un modèle qui met en relation l'inflation et les variations du taux de change officiel, mais aussi en tenant compte des autres variables macroéconomiques comme la masse monétaire et le produit intérieur brut. Nous avons pu présenter ces quatre variables utilisées dans notre modèle. Et enfin, nous avons expliqué chaque graphique montrant l'évolution des variables dans le temps. CHAPITRETROISIÈME :ANALYSE DES VARIATIONS DE L'INFLATION ET DU TAUX DE CHANGE EN RDCAprès avoir présenté la revue de la littérature, la méthodologie, le modèle utilisé et ses variables au second chapitre, nous allons alors estimer le modèle et faire des tests économétriques qui pourront nous montrer si la variation du taux de change explique celle de l'inflation en RDC. Il est donc question dans ce chapitre d'analyser les variables macroéconomiques et de trouver la fonction estimée de l'inflation en RDC. De manière sommaire, nous allons commencer par le test de stationnarité avec celui de racine unitaire des séries, puis estimer le modèle et d'autres tests suivront selon leur importance dans notre estimation ; ce qui nous permettra de bien interpréter nos résultats. III.1. STATIONNARITE DES VARIABLES71(*)La satisfaction au test de stationnarité ou test de racine unitaire constitue la condition sine qua none pour l'application de la méthode des moindres carrés ordinaires (MCO). La stationnarité est un concept clé pour la validité d'une régression sur les séries temporelles. D'un point de vue statistique, la stationnarité suppose que le passé est comparable au présent et au futur. Ainsi, une série chronologique est stationnaire, au sens strict, si sa distribution de probabilité ne change pas au cours du temps. Cette définition forte de la stationnarité implique que la distribution jointe (Yr+1, Yr+2, . . ., Yr+n) ne dépende pas de r. Si c'est le cas, on conclut qu'Yt est non stationnaire. Par ailleurs, un processus est stationnaire si celui-ci n'a ni trend, ni saisonnalité. De ce fait, fluctue autour d'une moyenne constante. Il apparait donc que la stationnarité est une exigence qui assure l'utilisation du modèle en dehors de la période sur laquelle il a été estimé. Pour procéder à l'estimation de notre modèle, nous allons au préalable, nous rendre compte de la stationnarité des variables à utiliser. Ceci est nécessaire, étant donné que les variables économiques sont rarement des réalisations de processus stationnaire. La non stationnarité peut bien concerner l'espérance que les moments de second ordre. Depuis Nelson et Plosser, les cas de non stationnarité en moyenne sont analysés à partir de deux types de processus : Ø Processus TS (Trend Stationary), qui représente les processus caractérisés par le non stationnarité de nature déterministe ; Ø Processus DS (DifferenceStationary), qui représente les processus dont le non stationnarité est de nature stochastique. Dans le premier cas, les données sont marquées par une tendance générale. Il sied alors d'introduire un Trend ou une tendance générale dans le modèle. Alors que le second cas, si les ordres d'intégration des variables sont différents, il faut les différencier en vue de les rendre stationnaires. Or, mettre en relation des variables dont les ordres d'intégration sont différents, sans les rendre stationnaires, ne peut que conduire à de fausses régressions ou régressions fallacieuses. En effet, les processus TS et DS sont caractérisés par des comportements très différents et il convient de les distinguer. Suite à un choc, un processus TS revient à son niveau pré-choc, alors qu'un processus DS n'y revient jamais. On comprend dès lors que, d'un point de vue économétrique, l'identification et la caractérisation du non stationnarité sont tous aussi fondamentales. Pour ce faire, nous allons utiliser le test de Dickey-Fuller (DF) et le test de Dickey-Fuller Augmenté (ADF). Procédure et application du test de stationnarité Dickey et Fuller considèrent trois modèles de base pour la série Xt, t=1, 2, 3,...T : Modèle [1] : modèle sans constante ni tendance déterministe : (1-ñL)Xt = åt (1) Modèle [2] : modèle avec constante sans tendance déterministe : (1 - ñL)(Xt - ì) = åt (2) Modèle [3] : modèle avec constante et tendance déterministe : (1 - ñL)(Xt - á - ât) = åt (3) Dans chacun des trois modèles, on suppose que
åtest un choc : Si ñ = 1, cela signifie qu'une des racines du polynôme retard est égale à 1. On dit alors qu'on est en présence d'une racine unitaire. En d'autres termes, Xt est un processus non stationnaire et le non stationnarité est de nature stochastique (processus DS). On teste l'hypothèse nulle de racine unitaire (Xt est intégré d'ordre 1, c'est-à-dire non stationnaire) contre l'hypothèse alternative d'absence de racine unitaire (Xt est intégrée d'ordre 0, c'est-à-dire stationnaire). En pratique, on estime les modèles sous la forme suivante : Modèle [1] : ?Xt = öXt-1 + åt (4) Modèle [2] : ?Xt = öXt-1 + ã + åt (5) Modèle [3] : ?Xt = öXt-1 +ë+ät + åt (6) Pour chaque modèle, ö = ñ - 1 et
åt ~ ü Si la valeur calculée de la t- statistique associée à ö est inférieure à la valeur critique, on rejette l'hypothèse nulle de non stationnarité ; ü Si la valeur calculée de la t- statistique associée à ö est supérieure à la valeur critique, on accepte l'hypothèse nulle de non stationnarité. Il est fondamental de noter que l'on n'effectue pas le test sur les trois modèles. Il convient en effet d'appliquer le test de Dickey-Fuller sur un seul des trois modèles. En pratique, on adopte une stratégie séquentielle en trois étapes: Etape I : On commence par appliquer le test sur le modèle 3. On peut aboutir à deux résultats : · Si la tendance n'est pas significative, on passe au modèle 2. · Si la tendance est significative, on teste l'hypothèse nulle de racine unitaire. · Si ö n'est pas significativement différent de 0, Xt est non stationnaire. Dans ce cas, il faut la différencier et recommencer la procédure sur la série en différence première. · Si ö est significativement différent de 0, Xt est non stationnaire et il s'agit d'un processus TS. Dans ce cas, la procédure s'arrête et l'on peut directement travailler sur Xt. Etape II : Cette étape ne doit être appliquée que si la tendance dans le modèle précédent n'est pas significative. On estime le modèle 2 : · Si la constante n'est pas significative, on passe au modèle 1. · Si la constante est significative, on teste l'hypothèse nulle de racine unitaire : · Si ö n'est pas significativement différent de 0, Xt est non stationnaire. Dans ce cas, il faut la différencier et recommencer la procédure sur la série en différence première. · Si ö est significativement différent de 0, Xt est stationnaire. Dans ce cas, la procédure s'arrête et l'on peut directement travailler sur Xt. Etape III : Cette étape ne doit être appliquée que si la constante dans le modèle précédent n'est pas significative. On estime le modèle 1 : · Si ö n'est pas significativement différent de 0, Xt est non stationnaire. Dans ce cas, il faut la différencier et recommencer la procédure sur la série en différence première. · Si ö est significativement différent de 0, Xt est stationnaire. Dans ce cas, la procédure s'arrête et l'on peut directement travailler sur Xt. Les résultats des tests de stationnarité 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, comme nous l'avons signalé au départ. Tableau 3 : Stationnarité sur la variable LNINFL
Source : nous-mêmes sur base du logiciel E-VIEWS 3.1 Nous remarquons que la valeur de DFA est de -3.997614 est supérieure à la valeur critique au seuil de 5% qui est de -1,9535 en valeur absolue. Alors nous rejetons H0 (intégrée d'ordre 1 sans constante ni tendance). La variable LNINFL est donc non stationnaire, il faut qu'on y introduise un filtre à la différence première pour qu'on la rende stationnaire. * 70J. MONGARDINI et T. SAADI-SEDIK, Op. Cit., 2003 * 71J.P. KISONIA MUSUBAO, Op. Cit, P.117 |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
~, L est l'opérateur retard ; Xt est la variable dont on
teste la stationnarité ; ñ, ì, á et â
sont des paramètres.
, On teste alors l'hypothèse nulle ö = 0 (non
stationnarité) contre l'hypothèse alternative ö < 0
(stationnarité) en se référant aux valeurs tabulées
par Fuller (1976) et Dickey et Fuller (1979, 1981). Dans la mesure où
les valeurs critiques sont négatives, la règle de décision
est la suivante :