Analyse des variations de l'inflation et du taux de change en RDC, de 1983 à 2013.

Tableau 12 : Test d'autocorrélation des erreurs via le test de BREUSCH-GODFREY

Test d'autocorrélation sérielle de Breusch-Godfrey :
F-statistique		0.339862			Probabilité			0.714870
Obs.* R²		0.759937			Probabilité			0.683883
Test statistique :
Variable dépendante : RESID
Méthode : Moindres Carrés Ordinaires
Date: 08/05/15 Heure: 11:08
Mettre à 0 les premières valeurs du résidu décalé.
Variables	Coefficients		Erreurstat.			t-Statistique		Prob.
LNMM	0.000911		0.034086			0.026740		0.9789
LNPIB	-0.002544		0.112012			-0.022708		0.9821
RESID(-1)	-0.152732		0.197199			-0.774507		0.4454
RESID(-2)	-0.074208		0.198006			-0.374776		0.7108
R²		0.024514			Moyenne de la variable dépendante			0.006099
R² ajusté		-0.083873			Somme de la variable dépendante			0.937813
S.E. de regression		0.976350			Critèreinformationneld'Akaike			2.909923
Somme des carrés des résidus		25.73800			Critère de Schwarz			3.094954
Log de vraisemblance		-41.10381			Statistique de Durbin-Watson			1.858562

Source : nous-mêmes sur base du logiciel E-VIEWS 3.1

Les résultats de ce tableau montrent que la probabilité de F statistique ainsi que celle de R² observée sont supérieures à 0,05. Acceptation de l'hypothèse nulle H0. Donc, il y a absence d'autocorrélation des erreurs dans ce modèle.

2° Test d'hétéroscedasticité de WHITE

Nous pouvons procéder à ce test soit à l'aide d'un test de Fisher classique de nullité de coefficients :

H0 : a1 = b1 = a2 = b2 = . . . = ak= bk= 0

Si on refuse l'hypothèse nulle, alors il existe un risque d'hétéroscédasticité.

Tableau 13: Test d'hétéroscédasticité de WHITE

Test d'hétéroscédasticité de White :
F-statistique			1.299120			Probabilité			0.296289
Obs.* R²			5.163751			Probabilité			0.270905
Test Equation:
Variable dépendante : RESID^2
Méthode: MoindresCarrésOrdinaires
Date: 08/05/15 Heure: 11:09
Période: 1983 2013
Nombred'observations: 31
Variables	Coefficient				Erreur stat.		t-Statistique		Prob.
C	1.644326				2.930218		0.561162		0.5795
LNMM	-0.369230				1.014351		-0.364006		0.7188
LNMM^2	0.055624				0.085742		0.648737		0.5222
LNPIB	0.248550				0.191031		1.301096		0.2046
LNPIB^2	-0.210236				0.125766		-1.671644		0.1066
R²		0.166573				Moyenne de la variable dépendante			0.851160
R² ajusté		0.038353				Somme de la variable dépendante			1.074959
S.E. de regression		1.054144				Critèreinformationneld'Akaike			3.090024
Somme des carrés des résidus		28.89169				Critère de Schwarz			3.321313
Log de vraisemblance		-42.89538				F-statistique			1.299120
Statistique de Durbin-Watson		2.263598				Prob.(F-statistique)			0.296289

Source : nous-mêmes sur base du logiciel E-VIEWS 3.1

Soit recourir à la statistique LM qui est distribuée comme un ÷2 à p = 2 k degrés de liberté (autant que de coefficients que nous estimons, hormis le terme constant), si n × R2 >÷2(p) lu dans la table au seuil á, on rejette l'hypothèse d'homoscédasticité des erreurs^72(*).

Soit ici à estimer le modèle : lnINFL= â+ âlnTC+ âlnMM + âlnPIB +

Avec n = 31; R2 = 0,166; F* = 1,299

- Test de Fisher F* = 1,299 < F 0,05= 3,35.

- Test LM n R2 = 31 × 0,166 = 5,146<÷2 0,05(2) = 5,99.

Nous sommes, dans les deux cas, amenés à accepter l'hypothèse H0 pour un seuil de 5 %.

Le modèle est donc homoscédastique.

3° Test de normalité des résidus

Ce test porte sur une série des résidus. On va tester si la distribution du résidu suit la loi normale ou non à l'aide du test de Jarque-Bera qui est un test statistique qui sert à tester si la distribution est normale.

Ho : les résidus suivent une loi normale

H1 : les résidus ne suivent pas une loi normale

* ⁷²R. BOURBONNAIS, Econométrie, DUNOD, 9^e éd., Paris, 2015, P.151