Problématique de recouvrement des créances commerciales à la snel Bukavu. Une approche économétrique

III.3.1. TEST DE STATIONNARITE

Tableau n° 3.4 : Test de stationnarité des variables

VARIABLE S	EN NIVEAU		EN DIFFERENCE PREMIERE		DECISION
	Valeur calculée	Valeur tabulaire	Valeur calculée	Valeur tabulaire
TAUXRECOUV	-3.994086	-2.9035	-	-	I(0)
TAUXFACT	-1.441836	-2.9035	-4.760952	-2.9042	I(1)
REMAGRECOUV2	-3.826536	-2.9035	-	-	I(0)
REMAGRECOUV1	-3.823787	-2.9035	-	-	I(0)
NOMBRABO	3.912036	-2.9035	-4.484085	-2.9042	I(1)
NOMBAGE	-4.099904	-2.9035	-	-	I(0)
FACTURFOR	-2.406726	-2.9035	-6.575275	-2.9042	I(1)

Source : nos calculs avec Eviews 3.1

Les variables I(0) sont stationnaires en niveau et les variables I(1) sont stationnaires en différence première. Comme les variables n'ont pas le même niveau d'intégration, il n'est pas possible de recourir à l'estimation à court terme ou modèle dynamique ou encore modèle à correction d'erreur ; ce qui nous pousse à recourir à l'estimation du modèle à long terme dont les résultats sont synthétisés au moyen du tableau n° 3.5

Tableau n°3.5. : Résultats de l`estimation du modèle de long terme

Variable	Coefficient	Std. Error	t-Statistic	Prob.
TAUXFACTU	-0.027418	0.131553	-0.208415	0.8356
REMAGRECOUV2	5.28E-05	9.41E-06	5.611408	0.0000
REMAGRECOUV	-0.005075	0.001326	-3.828336	0.0003
NOMBRABO	6.43E-07	8.45E-07	0.760689	0.4496
REGFOELEC	0.026514	0.011166	2.374496	0.0206
NOMBAGRE	0.011310	0.002081	5.434165	0.0000
FACTUFOR	2.29E-06	5.25E-06	0.436869	0.6637
C	0.240658	0.067847	3.547093	0.0007
R-carré	0.951624	Moyenne de la variable dépendant		0.485120
R- carré Ajusté	0.946333	S.D. dependent var		0.100550
S.E. of régression	0.023293	Akaike info criterion		-4.576850
Sum squared resid	0.034725	Schwarz criterion		-4.323887
Log likelihood	172.7666	F-statistique		179.8537
Durbin-Watson Stat	1.818287	Prob (F-statistique)		0.000000

Source : traitement des outputs du logiciel Eviews

A long terme les variables taux de facturation, nombre des abonnés et facturation forfaitaire n'influencent pas le taux de recouvrement au seuil de 10%, les autres variables sont significatives au seuil de 1%, 5% et 10%.

Test d`adéquation du modèle à long terme

a) Test de Normalité

Source : nos traitements sur le logiciel Eviews

Ici, la valeur du coefficient Skewness (-0,3059) est très éloignée de la valeur caractéristique (0) mais de même pour la valeur du coefficient de Kurtosis (4,32967) qui n'est très proche de la valeur caractéristique (3). On peut donc émettre une première conclusion : la série étudiée semble ne pas suivre une loi normale. Confirmons ce résultat par le test de Jarque-Bera.

Le test de Jarque-Bera :

Ho : hypothèses de normalité acceptées : valeur des coefficients Skewness et Kurtosis proches des valeurs caractéristiques.

H1 : hypothèses de normalités rejetées.

On voit que la probabilité critique ici est égale à 4% qui est inférieur à 5% ou la statistique de Jarque-Bera est de 6,358 <5,9. On va donc rejetter Ho, la série ne suit donc pas la loi normale.

b) Tests d`homoscedasticité

ARCH Test:
F-statistic	0.259741	Probability	0.611924
Obs*R-squared	0.266267	Probability	0.605847

H₀: Erreurs homocédastiques

H₁: Erreurs hétérocédastiques

Les erreurs sont homocédastiques si Probabilité est supérieure à 5%. Les erreurs sont hétérocédastiques si Probabilité est inférieure ou égale à 5%. D'après les valeurs obtenues dans le tableau précédent la probabilité est supérieure à 5%, on accepte l'hypothèse d'Homocédasticité des erreurs. Les estimations obtenues par la méthode des doubles moindres carrés sont optimales. Il n'y pas donc d'effet d'ARCH, le modèle est homocédasticité.

c) Test d`autocorrelation

Breusch-Godfrey Serial Correlation LM Test:
F-statistic	0.239005	Probability	0.788133
Obs*R-squared	0.550861	Probability	0.759245

H₀ : Erreurs non corrélées

H₁ : Erreurs corrélées

On accepte l'hypothèse H₀ si la valeur de Probabilité est supérieure à 5% et H₁ si Probabilité est inférieure à 5%.

La statistique du test de Breusch Goldfrey donne une valeur de 0.551 et une probabilité de 0.759 (75.92%). Ces valeurs nous amènent à accepter l'hypothèse nulle d'absence d'autocorrélation d'ordre un des erreurs.

La méthode de MCO fournit ainsi, toutes choses égales par ailleurs, des estimateurs robustes ; c'est à dire des estimateurs non biaisés et asymptotiquement convergents. Un estimateur est dit asymptotiquement convergent lorsque sa variance tend vers l'infini en mesure que la taille de l'échantillon augmente. C'est donc un estimateur doté d'une variance minimale. En présence de l'autocorrélation d'erreurs, les estimateurs de Moindres Carrés Ordinaires ne sont pas cependant biaises.