3.5.2
Estimation du modèle
Notre préoccupation a été
jusque-là de savoir quelles serait l'effet des politiques
macroéconomiques à savoir la politique monétaire et la
politique budgétaire sur la croissance du PIB en RDC dans la
période allant de 1972 à 2009.
Cependant, en vue d'appréhender cet effet, nous nous
sommes proposé de représenter ces différentes politiques
par des agrégats économiques à savoir les taux de
croissance de la masse monétaire, le taux d'inflation, les taux de
croissance de la population et les taux de croissance des dépenses
publiques.
Le logiciel Eviews3.1 nous a permis de faire cette estimation.
La commande nous avons lancée dans Eviews3.1 afin d'estimer ce
modèle est :
LS tPIB C tMM tG TI tPOP
La commande ci-haut ne contient que des variables
stationnaires et la constante. Celles-ci ne présentent pas des
tendances. Ayant lancée dans Eviews3.1 notre commande nous obtenons les
résultats suivants comme l'indique le tableau ci-après :
H0 :â=0 ( les politiques
macroéconomiques n'expliquent pas la croissance économique)
H1 : â?0 (les politiques
macroéconomiques expliquent la croissance économique)
Tableau N°6 : Estimation de notre
modèle économétrique stationnaire
|
Variable Dépendante: TPIB
|
|
Méthode des Moindre Carré Ordinaire
|
|
Observations : 38
|
|
Variables
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
-7.317726
|
5.321516
|
-1.375121
|
0.1781
|
|
TMM
|
-0.004671
|
0.000966
|
-4.833919
|
0.0000
|
|
TG
|
-3.929465
|
1.089912
|
-3.605304
|
0.0010
|
|
TPOP
|
2.859377
|
1.814482
|
1.575864
|
0.1243
|
|
R-carré
|
0.444116
|
|
|
|
R-carré ajusté
|
0.395067
|
|
|
|
Ecart type de la régression
|
4.110782
|
|
|
|
Somme des carrés
|
574.5501
|
|
|
|
|
La statistique F de Fisher
|
9.054610
|
|
La statistique de Durbin-Watson
|
1.193679
|
Probabilité (F de Fisher)
|
0.000151
|
Source : Nos tests à partir des
données de l'annexe n°3.
Nous constatons que le taux de croissance de la masse
monétaire et les taux de croissance des dépenses gouvernementales
sont les seules variables significatives. On peut le voir à partir des
probabilités. Car on constate à 5%, que les deux variables qui
déterminent la croissance du PIB congolais avec des probabilités
respectives supérieures à 5% soit 0% et 0,1%. Pour bien
appréhender la significativité de nos variables nous
éliminons successivement de notre modèle les variables non
significative et nous aboutissons à une ré-estimation
suivante :
H0 :â=0 ( les politiques
macroéconomiques n'expliquent pas la croissance économique)
H1 : â?0 (les politiques
macroéconomiques expliquent la croissance économique)
Tableau N°7 :
Ré-estimation
|
Variable dépendante: TPIB
|
|
Méthode de Moindre Carré Ordinaire
|
|
Observations : 38
|
|
Variables
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
TMM
|
-0.003435
|
0.000751
|
-4.574780
|
0.0001
|
|
TG
|
-3.264796
|
1.053514
|
-3.098959
|
0.0038
|
|
R-carré
|
0.372327
|
|
|
|
R-carré ajusté
|
0.354892
|
|
|
|
Ecart type de la régression
|
4.245093
|
|
|
|
Somme des carrés des résidus
|
648.7494
|
|
|
|
|
Statistique F de Fisher
|
21.35472
|
|
|
|
|
|
La statistique de Durbin-Watson
|
0.917811
|
Probabilité (F de Fisher)
|
0.000048
|
Source : Nos tests à partir de
l'annexe N°3.
On remarque après élimination des variables non
significatives que seules le taux de croissance de la masse monétaire
et le taux de croissance des dépenses gouvernementales reste
significative avec les probabilité lié au t de student
correspondant à 0,3% et 0,01% pour le taux de croissance la masse
monétaire et celui des dépenses gouvernementales.
Cependant, nous constatons que le modèle augure une
probable autocorrélation des erreurs que nous pouvons observer à
l'aide du test de Breuch GODEFREY suivant :
Tableau N°8 : test de
Breush-Godfrey :
|
Corrélation d'une série d'Epreuve LM de
Breush-Godfrey
|
|
La statistique F de Fisher
|
7.341920
|
Probabilité
|
0.002237
|
|
Obs*R-carré
|
10.27286
|
Probabilité
|
0.005879
|
|
|
|
|
|
|
Test Equation:
|
|
Variable Dépendante: RESID
|
|
Méthode: Least Squares
|
|
|
Variables
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
TMM
|
0.000279
|
0.000658
|
0.424700
|
0.6737
|
|
TG
|
0.093939
|
0.929835
|
0.101028
|
0.9201
|
|
RESIDUS (-1)
|
0.586059
|
0.175104
|
3.346918
|
0.0020
|
|
RESIDUS (-2)
|
-0.061135
|
0.182780
|
-0.334470
|
0.7401
|
|
R-carré
|
0.270338
|
|
|
|
R-carré ajusté
|
0.205957
|
|
|
|
Ecart type de la régression
|
3.650447
|
|
|
|
Somme des carrés des résudus
|
453.0760
|
|
|
|
|
La statistique F de Fisher
|
4.198983
|
|
La statistique de Durbin-Watson
|
1.953634
|
Probabilité ( F de Fisher)
|
0.012464
|
Source : Nos tests à partir des
données de l'annexe N°3.
Nous remarquons que le F-LM test à 5% est
inférieur soit 0,2% ce qui nous ramene à corriger
l'autocorrelation avant de continuer nos estimations. Pour corriger
l'autocorrélation nous faisons recours à la méthode
itérative de Cochrane ORCUTT. Il s'agit tout simplement d'ajouter, dans
le modèle a estimé la variable AR(1). Après estimations
nous aboutissons à un modèle final corrigé de
l'autocorrélation ci-après :
Tableau N°9 : Estimation du
modèle à correction d'erreurs :
|
Variable dépendante: TPIB
|
|
Méthode de Moindre Carré Ordinaire
|
|
Observations : 37 after adjusting endpoints
|
|
Convergence achevée après 5 itérations
|
|
Variables
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
TMM
|
-0.002648
|
0.000960
|
-2.758448
|
0.0093
|
|
TG
|
-2.597175
|
0.971377
|
-2.673704
|
0.0114
|
|
AR(1)
|
0.573082
|
0.146404
|
3.914387
|
0.0004
|
|
R-carré
|
0.564663
|
|
|
|
R-carré ajusté
|
0.539055
|
|
|
|
Ecart type de la régression
|
3.637834
|
|
|
|
Somme des carrés des résidus
|
449.9504
|
|
|
|
|
La statistique F de Fisher
|
22.05019
|
|
La statistique Durbin-Watson
|
1.783089
|
Probabilité de la statistique F
|
0.000001
|
Source : Nos tests à partir
desdonnées de l'annexe N°3.
| 
