La problématique de l'efficacité de l'aide internationale en Haà¯ti pour la période allant de 1995 à 2018

7.4- Test de détection d'autocorrélation

L'autocorrélation des erreurs est un problème qu'on peut rencontrer lorsqu'il y a de l'inertie dans les séries temporelles, si les variables incluses dans le modèle ne sont pas stationnaires, lorsqu'il y a des biais de spécification (Forme fonctionnelle incorrecte ou omission de variables pertinentes) ou mauvaise manipulation ou transformation des données et bien tant d'autres. Ce problème rend les estimateurs des MCO toujours biaisés, inefficients (ne sont pas BLUE). Les variances et covariances des estimateurs des MCO sont aussi biaisées et inconsistantes. Pour détecter si notre modèle fait face à ce problème, nous avons effectué le test suivant.

7.4.1- Test de Durbin-Watson (premier ordre)

Les hypothèses du test sont les suivantes :

H₀ : ñ = 0, les erreurs ne sont pas autocorrélées

H₁ : åt = ñåt-1+õt, les erreurs sont autocorrélées

La statistique du test est :

La statistique de DW est coincée entre 0 et 4. Quand la valeur calculée est proche de 2, on conclut que les erreurs ne sont pas autocorrélées.

Dans le cadre de notre étude, pour chacune des équations du modèle, les statistiques de DW sont respectivement 1.79 et 1.93. Ces deux valeurs sont très proches de 2. On peut conclure que les erreurs ne sont pas corrélées. Toutefois, pour être plus confiant, nous allons effectuer un test d'autocorrélation de Portmanteau.

7.4.2- Test d'autocorrélation de Portmanteau

Ce test évalue la corrélation existante entre les résidus. Dans l'analyse des séries chronologiques, pour tester une éventuelle autocorrélation dans les résidus d'un modèle, deux versions sont vraiment connues : il teste si l'un d'un groupe d'autocorrélation de la valeur résiduelle des séries temporelles sont différents de zéro. Ce test est celui de Ljung-Box qui est une version améliorée de celui de Box-Pierce.

Les hypothèses sont les suivantes :

H₀ : Il n'existe pas d'autocorrélation dans les résidus.

H₁ : Les résidus sont autocorrélés

La statistique du test est :

Donc, une trop grande valeur de Q indiquerait une certaine corrélation entre les å_t.

Les résultats du test dans le cadre de notre travail montrent que, pour h égal à 12, toutes les probabilités sont supérieures à 5% (voir l' annexe 9). Ce qui nous conduit à rejeter l'hypothèse alternative. Maintenant, nous sommes très confiants qu'il n'existe pas de problème d'autocorrélation dans les résidus de notre modèle.

8 - Interprétation et analyse économique des résultats

Présenter des causes internes à l'inefficacité de l'APD en Haïti est l'objectif de notre travail. Pour y parvenir, nous avons adopté une démarche empirique permettant de vérifier l'impact de l'aide sur la croissance puisqu'on ne pouvait pas se fier à nos observations pour conclure de l'inefficacité de l'aide. En ce sens, on a formulé un modèle SES dans lequel la deuxième équation nous a permis de vérifier la relation existante entre l'aide et la croissance. Dans les lignes qui suivent, on va procéder à l'interprétation des résultats de l'estimation pour chacune des variables du modèle.

? Aide publique au développement

Suite à l'estimation du modèle, les résultats empiriques confirment l'existence d'une relation négative entre l'aide et la croissance en Haïti comme nous l'avons espéré. Selon le coefficient testé, pour un niveau de confiance de 95%, une augmentation de l'aide publique au développement de 1% entraîne une diminution de la croissance du PIB de 0.044%. Donc, plus l'aide augmente, moins il y aura de croissance. Ce résultat est contraire à l'objectif poursuivi par l'aide publique au développement qui est la croissance et la réduction de la pauvreté. Ce résultat va de préférence dans le sens des auteurs qui voient l'aide comme une entrave à la croissance. Ce résultat confirme notre première hypothèse sur l'inefficacité de l'aide publique au développement en Haïti et donne ainsi sens à notre objectif qui est la recherche des causes.