II. Étude empirique sur les effets de la
mondialisation sur le développement durable en Chine
A. Méthode économétrique
utilisée 1 . Test de corrélation : Chi2
Nous allons chercher à savoir dans cette partie
économétrique si le commerce à partir de 1978 et donc de
l'ouverture au monde a eu des conséquences sur l'aspect
économique, environnemental et social.
Les variables explicatives choisies afin d'effectuer cette
étude sont le PIB en milliard de dollars constant, les émissions
de CO2 en kt et l'indice de Gini.
Nous allons effectué un test de dépendance pour
savoir si la variable explicative commerce expliquerait les variations de ces
variables.
Les test de corrélations n'ont pas véritablement de
sens statistique c'est pour cela qu'on va faire un test d'hypothèse pour
apporter une certaine significativité statistique à nos
conclusions.
Pour le test de corrélation simple:
Le coefficient de corrélation est compris entre -1 et
1.
Le test de dépendance choisi est le test de CHI2.
Comment savoir s'il y a un lien entre deux variables ?
Y= PIB ou Gini ou CO2 X = commerce (en % du PIB)
H0: X et Y sont indépendantes H1: X et Y sont
dépendantes
Le seuil de significativité ( l'erreur de premier
espèce) est la probabilité de rejeter H0 alors qu'elle est
vraie.
Nous allons fixer ici nos calculs au seuil de 5%.
deux variables. Pour cela, on construit un indice d mesurant
l'écart constaté entre les effectifs réels et les
effectifs théoriques.
Sur le logiciel Stata, d est automatiquement donné
lorsque la commande pour le test de chi2 est effectué. Une fois notre d
trouvé, cela va nous permettre de poser la règle de
décision.
Le d max va se lire dans la table statistique du CHI2.
Lorsque d sera inférieur à d max alors on va
accepter H0 et si d est supérieur à d max alors on pourra rejeter
H0.
Une fois le test du Chi2 exécuté sur Stata, la p
valeur va apparaître, celle-ci va nous permettre de conclure lorsque l'on
ne va pas soumettre un test, elle va nous permettre de conclure sans passer par
la lecture de la table du CHI2.
Si la p valeur est supérieur à 5% , j'accepte H0 et
lorsqu'elle est inférieur à 5% alors je rejette H0.
Je vais donc rejeter mon H0 car la p valeur est de 0. 2)
Régression linéaire
Nous avons fait le choix d'opter pour le modèle de
régression linéaire afin d'expliquer la variable Y qui sera dans
chacun des calculs, différente et représentant à chaque
fois l'une des 3 dimensions du développement (économique, social
et environnemental).
Y va représenter le coefficient de Gini pour l'aspect
environnemental, le PIB chinois pour l'économie et l'émission de
CO2 pour la dimension environnementale.
Le but de la régression simple est d'expliquer une
variable Y à l'aide d'une variable X. La variable Y est appelée
variable dépendante, ou variable à expliquer et les variables Xj
(j=1,...,q) sont appelées variables indépendantes, ou variables
explicatives.
Remarque : La régression
diffère de l'analyse de la corrélation où toutes les
variables jouent un rôle symétrique (pas de variable
dépendante versus indépendante). Toutefois, tout comme dans le
contexte de l'analyse de la corrélation, il faut être prudent
lorsqu'on formule des relations de causalité. L'existence d'une relation
entre X et Y n'implique pas nécessairement une relation de
causalité entre elles.
Au vue du graphique représentatif de la relation X et
Y, il semble inadéquat de proposer une régression linéaire
pour un graphique de forme sinusoïdale ou sigmoïdale.
La régression linéaire permet d'établir
des estimations dans le futur à partir d'informations passées.
Elle est souvent calculée avec la méthode des moindres
carrés qui permet de réduire les erreurs en ajoutant de
l'information.
| 
