III.3. LES TESTS APPLICABLES AU MODÈLE.
ü Test de stationnarité des variables: test
ADF.
Le test de stationnarité de Dickey et Fuller
Augmenté (1981) sera appliqué à notre équation. Les
résultats obtenus permettront de juger de la stationnarité de
chaque variable retenue pour l'étude. Les hypothèses de ce test
sont:
H0 : présence de racine unitaire (non
stationnaire),
H1 : absence de racine unitaire (stationnaire).
Lorsque la statistique calculée est supérieure
ou égale à la valeur critique, on rejette l'hypothèse H1
au profit de H0.
ü Test
d'hétérocédasticité de White.
C'est un test général qui s'applique aussi
bien aux modèles en coupe instantanée qu'aux modèles en
série temporelle. Il nous permet de détecter une
éventuelle hétéroscédasticité des termes
d'erreurs. Autrement dit, il permet de vérifier la constance de la
variance des erreurs sur les différentes observations.
Les hypothèses du test sont :
H0: modèle homocédastique,
H1: modèle hétéroscédastique.
Si les deux probabilités sont supérieures au
seuil á, les erreurs sont homocédastiques ;
c'est-à-dire qu'on accepte H0. Par contre, si elles sont
inférieures ou égales à á, c'est l'hypothèse
H1 qui est acceptée.
ü Test d'auto corrélation des termes
d'erreurs.
Il s'agit du test de Breusch- Godfrey qui est
utilisé ici et qui permet de détecter l'auto corrélation
d'ordre (p) des termes d'erreurs. Les hypothèses de ce test sont:
H0: erreurs non corrélées,
H1: erreurs corrélées.
Si les probabilités associées sont
supérieures au seuil de décision á, on accepte
l'hypothèse de non corrélation des termes d'erreurs,
c'est-à-dire H0. Dans le cas contraire on accepte H1.
ü Test de spécification du
modèle.
C'est le test de Ramsey RESET qui permet de savoir si le
modèle est bien spécifié ou non. Les hypothèses
sont :
H0 : modèle bien spécifié
H1 : modèle mal spécifié
Lorsque les valeurs des deux probabilités sont toutes
supérieures au seuil á, on accepte l'hypothèse nulle selon
laquelle le modèle est bien spécifié. Dans le cas
contraire, c'est l'hypothèse de la mauvaise spécification du
modèle qui est acceptée. En cas de mauvaise spécification
du modèle, il faut procéder par une élimination ou un
ajout de variables explicatives pour résoudre le problème.
ü Test de significativité du
modèle.
Ce test peut être réalisé avec les
statistiques de Student ou de Fisher. Dans le cadre de notre étude,
c'est la probabilité de Fisher qui est utilisée et qui va nous
permettre d'apprécier la significativité globale du
modèle.
ü Test de stabilité du
modèle.
C'est à l'issu de ce test que se font les
prévisions économiques, une fois le modèle stable. Le test
CUSUM et CUSUM carré feront l'objet d'usage dans la présente
étude pour évaluer la stabilité de notre modèle.
ü Test de normalité des
erreurs.
Jarque et Bera sont les auteurs qui ont inventé ce
test pour vérifier la normalité des erreurs d'un modèle.
Les critères de décision sont de telle sorte que lorsque toutes
les probabilités sont supérieures au seuil que l'on se fixe, on
conclut que les erreurs suivent une loi normale.
ü Test de cointégration des
variables.
Ce test n'est valable que lorsque les variables sont
intégrées du même ordre selon Engel et Granger qui
s'effectue sur les résidus du modèle en vue d'apprécier
leur stationnarité. Si les résidus sont stationnaires alors il ya
cointégration des variables et il faut la corriger par l'estimation d'un
modèle à correction d'erreur. Il peut également être
réalisé grâce au test de Johansen qui porte sur le rang
d'intégration des séries et c'est ce dernier qui sera
utilisé dans notre étude.
| 
