SECTION 2 : ANALYSE ECONOMETRIQUE DE LA RELATION ENTRE
LE CREDIT AU SECTEUR PRIVE ET LA CROISSANCE ECONOMIQUE.
L'économétrie est la branche de la science
économique qui recourt à la théorie économique,
à la statistique et aux mathématiques pour évaluer les
relations économiques et leurs implications en ce qui concerne les
comportements économiques54.
Pour modéliser les relations entre le crédit au
secteur privé et la croissance économique, nous utilisons une
régression linéaire multiple. L'analyse par la régression
multiple permet de tester les hypothèses portant sur la relation entre
une variable dépendante et au moins deux variables indépendantes.
Elle permet également d'effectuer des prévisions.
2.1 Les différentes variables à
étudier
Le modèle est constitué d'une variable
endogène LPIB qui représente le logarithme du Produit
Intérieur Brut et de 2 variables exogènes, LCREPRIV indiquant le
logarithme du crédit au secteur privé et LM2 désignant le
logarithme de la masse monétaire.
Nous avons préféré prendre le logarithme
des variables pour avoir une meilleure tendance et pour rendre les
séries plus stationnaires. Car les séries en niveau ne nous ont
pas donné des résultats statistiquement significatifs. Nous avons
utilisé des données annuelles partant de 2000 à 2009
à partir du Moindre Carré
54 MBETID-BESSANE Emmanuel « Cours
d'économétrie » 3e année des Sciences Economiques UB
2005.
56
Ordinaire (MCO) pour estimer notre modèle et, pour la
plupart des cas, on a pris le résultat de fin de période.
2.2 Spécification du modèle
2.2.1 Spécification mathématique du
modèle
L'équation générale du modèle prend
la forme suivante : LPIB = âo + â1LM2 + â2 LCREPRIV +
åt
Cette forme d'équation ne s'identifie pas typiquement
à un modèle déjà construit, néanmoins, elle
réfère particulièrement au modèle théorique
de Schumpeter (1912) qui a fait du crédit privé le mobile de
détermination de la production industrielle et de l'innovation
technologique. Toutefois, le crédit privé n'est pas pris en
compte dans son modèle de base.
2.2.2 Spécification économique du
modèle
On utilisons les donner en millions de F CFA (voir annexe) le
calcul de logarithme nous donne dans le tableau suivant.
Tableau n° 20 : Logarithme du PIB, masse
monétaire et crédit privé de 2000 à
2009.
|
Année
|
2000
|
2001
|
2002
|
2003
|
2004
|
2005
|
2006
|
2007
|
2008
|
2009
|
|
LPIB
|
11,83
|
11,84
|
11,83
|
11,79
|
11,80
|
11,81
|
11,83
|
11,84
|
11,85
|
11,87
|
|
LM2
|
9,96
|
10,02
|
10, 1
|
10,04
|
10,09
|
10,17
|
10,24
|
10,33
|
10,39
|
10,39
|
|
LCREPRIV
|
10,49
|
10,54
|
10,62
|
10,61
|
10,68
|
10,69
|
10,72
|
10,74
|
10,79
|
10,82
|
Source : Nous même.
Nous savons que d'après la spécification
mathématique du modèle : LPIB = âo + â1 LM2 +
â2 LCREPRIV + åt
âo, â1 et â2
représentent les paramètres estimés ;
åt désigne un terme stochastique, terme d'erreur
ou perturbation aléatoire.
L'estimation â1, mesure la variation du LPIB pour une
variation unitaire de LM2
lorsque LCREPRIV reste constant. L'estimateur â2 est
défini de manière analogue. Ces estimations peuvent être
appelées coefficients partiels de régression.
2.2.2.1 Test de signification pour les paramètres
estimés
Dans une régression à plusieurs variables, il faut
déterminer les variances des
estimateurs si l'on veut évaluer la signification
statistique des estimateurs de paramètres.
57
2.2.2.2 Test de stationnarité des
variables
La notion de stationnarité est importante dans la
modélisation de séries temporelles. Dans le cas où les
variables ne sont pas stationnaires mais intégrées de même
ordre, un concept très proche, celui de cointégration, permet de
déterminer le type de modèle à utiliser55. La
stationnarité joue également un rôle important dans la
prédiction de séries temporelles.
| 
