Tests de robustesse

3.3.4. Tests de robustesse

Nous testons la sensibilité de nos résultats à travers divers tests de robustesse⁷⁸. Dans un premier temps, suivant Kluve et al. (2002) et Smith et Todd (2005), nous testons la robustesse de nos résultats en faisant varier la spécification de notre modèle probit. Plus précisément, dans l’objectif de satisfaire l’hypothèse d’indépendance conditionnelle, nous incluons dans le modèle probit initial des variables de conditionnement additionnelles pouvant théoriquement affecter à la fois la variable de résultat et la variable de traitement. Ces variables sont la dette publique totale en pourcentage du PIB (DEBT), le montant des dépenses de consommation publique sur le PIB (GVT_EXPEND), l’indicateur de stabilité gouvernementale (GSTAB) fourni par Beck et al. (2001), l’indicateur de démocratie de Polity IV (POLITY2) et, une variable rendant compte de la coloration politique du pouvoir exécutif (RIGHT). Cette dernière est une variable binaire prenant la valeur 1 si le gouvernement est de droite et 0 sinon. Chacune de ces variables est introduite séparément dans le modèle probit initial.

Puis, nous testons la sensibilité de nos résultats à l’indicateur d’indépendance de la banque centrale employé. Pour cela, nous remplaçons l’indicateur d’indépendance de facto précédemment utilisé par l’indicateur d’indépendance de jure développé par Cukierman et al.

(1992). Cet indicateur, basé sur l’analyse des statuts des banques centrales et noté CWN Index, est compris entre 0 et 1, une valeur faible indiquant une faible indépendance statutaire de l’autorité monétaire. Suivant Cukierman et al. (1992), les indicateurs d’indépendance de jure et de facto sont également introduits simultanément dans le modèle probit. Nous considérons de plus uniquement la quatrième composante de l’indicateur CWN visant à mesurer l’indépendance de la banque centrale dans ses relations financières avec le Trésor public (CBI_LENDING). Cette composante, qui renvoie d’une manière générale aux conditions d’octroi de crédits au Trésor, entre pour moitié dans le calcul de l’indicateur d’indépendance globale CWN. Un gouvernement ayant accès aux avances de la banque centrale pour financer

78 Nous tenons à remercier les deux rapporteurs anonymes de la revue Economic Systems dont les commentaires et recommandations ont grandement contribué à améliorer cette partie de notre étude empirique.

183 son déficit sera, de fait, moins incité à mettre en œuvre des réformes fiscales en vue d’améliorer l’efficacité de la mobilisation des ressources publiques.

En outre, du fait que certains pays de notre échantillon aient connu sur la période considérée des taux d’inflation très élevés, il paraît important de tester la robustesse de nos résultats en supprimant ces observations extrêmes. En effet, de telles observations peuvent conduire à biaiser l’estimateur du maximum de vraisemblance sur lequel s’appuie le modèle probit et donc, ipso facto, à biaiser les estimateurs par appariement. Suivant Lin et Ye (2009), nous supprimons donc l’ensemble des observations caractérisées par un taux d’inflation annuel supérieur ou égal à 40%. Nous testons ensuite la sensibilité de nos résultats à la période d’étude retenue. Nous restreignons tout d’abord nos estimations à la période 1990-2009, le premier pays émergent ayant officiellement adopté le ciblage d’inflation étant le Chili à la fin de l’année 1990. Puis dans un second temps, nous supprimons les observations se rapportant à la crise financière et économique récente, cette dernière ayant impacté négativement les rentrées fiscales par le jeu des stabilisateurs automatiques.

Enfin, nous testons la sensibilité de nos résultats à la composition du groupe de contrôle. Nous considérons ici deux groupes de contrôle alternatifs. Le premier fait référence à l’étude de Gonçalves et Salles (2008) sur les performances macroéconomiques du ciblage d’inflation au sein des économies émergentes, qui retiennent un groupe de contrôle composé de vingt-trois pays émergents⁷⁹. Puis, suivant Joyce et Nabar (2009), nous retenons dans l’échantillon des pays non-cibleurs l’ensemble des économies émergentes référencées au moins dans deux des trois classifications suivantes: Standard & Poor’s Emerging Market Index, Morgan Stanley Capital International Emerging Market Index et, la classification du Département des marchés de capitaux internationaux du FMI. D’après ce critère, les pays non-cibleurs considérés sont les suivants: l’Argentine, la Chine, l’Egypte, l’Inde, la Jordanie, la Malaisie, le Maroc, le Pakistan, la Russie, le Sri Lanka, le Venezuela et, le Zimbabwe.

Les résultats des estimations probit, dont le caractère est purement informatif, sont reportés en annexe B de ce chapitre. Parmi les variables de conditionnement additionnelles retenues, seules les variables GSTAB (colonne 4) et RIGHT (colonne 5) ne sont pas statistiquement significatives. Les variables CWN Index (colonnes 6 et 8) et CBI_LENDING (colonne 7) sont statistiquement significatives et ont le signe attendu, à savoir un impact positif sur la probabilité d’adopter le ciblage d’inflation. Le niveau de dette publique impacte

79 Voir le chapitre 1 pour le détail des pays.

184 quant à lui négativement cette probabilité (colonne 1), ce qui est conforme à la littérature sur les préconditions à l’adoption du ciblage d’inflation et aux résultats empiriques des précédentes études (voir, par exemple, Truman, 2003 ; Hu, 2006 ; Calderón et Schmidt-Hebbel, 2008b). Enfin, nous trouvons un lien positif et significatif entre les variables GVT_EXPEND (colonne 2) et POLITY2 (colonne 3) et la probabilité qu’un pays émergent adopte une stratégie de ciblage de l’inflation. Les colonnes 9 et 10 des tableaux 3.6 et 3.7 présentent respectivement les estimations du modèle probit pour la période 1990-2009 et la période 1980-2007. Les résultats sont identiques à ceux obtenus précédemment lorsque nous considérions la période 1980-2009. La colonne 11 des tableaux 3.6 et 3.7 présente quant à elle les résultats de l’estimation probit lorsque nous supprimons les périodes de forte inflation. Les résultats confirment la relation négative et significative entre le niveau d’inflation et la probabilité qu’un pays adopte le ciblage d’inflation. Enfin, les colonnes 12 et 13 des tableaux 3.6 et 3.7 présentent les résultats des estimations probit lorsque nous considérons respectivement les groupes de contrôle retenus par Gonçalves et Salles (2008) et Joyce et Nabar (2009). Les résultats sont proches de ceux obtenus précédemment, ce qui indique que les estimations probit sont relativement peu sensibles à la composition du groupe de contrôle.

185 Tableau 3.4. Impact moyen de l’adoption du ciblage d’inflation sur le taux de prélèvement public (IT_PA)

Algorithmes d’appariement Note : Les écart-types bootstrappés sur la base de 1000 réplications apparaissent entre parenthèses. ***, **, * représentent respectivement la significativité au seuil de 1%, 5% et 10%.

Plus important, les multiples modifications dans la spécification du modèle probit n’ont globalement pas impacté les résultats de l’effet moyen du traitement sur les traités. Nous retrouvons en effet un impact positif et significatif de l’adoption du ciblage d’inflation sur le taux de prélèvement public des économies émergentes ayant adopté cette stratégie de politique monétaire. Les tests de robustesse conduits confirment par conséquent le lien entre ciblage d’inflation et politique budgétaire, dont les mécanismes ont été discutés dans la première section de ce chapitre.

186 Tableau 3.5. Impact moyen de l’adoption du ciblage d’inflation sur le taux de prélèvement public (IT_FF)

Algorithmes d’appariement

Nearest-neighbor matching Radius matching

Kernel matching n = 1 n = 3 n = 5 r = 0.04 r = 0.02 r = 0.01

(1) (2) (3) (4) (5) (6) (7)

Adoption “aboutie” (IT_FF) Effet moyen du traitement/traités

Adding public debt 5.94*** 3.99** 3.93** 4.52*** 5.34*** 4.83*** 5.72***

(2.04) (1.84) (1.77) (1.64) (1.69) (1.74) (2.19)

Adding government expenditure 1.05 1.26 1.64 2.43* 1.86 1.28 1.05

(1.91) (1.82) (1.62) (1.36) (1.54) (1.66) (1.90)

Adding Polity2 4.47*** 4.16*** 4.74*** 4.37*** 4.75*** 3.29* 4.53***

(1.72) (1.58) (1.41) (1.29) (1.50) (1.82) (1.50) Adding government stability 3.83* 2.96 3.04* 3.78*** 4.06*** 4.76*** 3.92*

(2.03) (1.85) (1.84) (1.47) (1.55) (1.62) (2.25)

Adding partisanship dummy 1.26 1.40 1.45 2.55 3.17 2.68 2.40

(2.54) (2.42) (2.23) (1.98) (2.17) (2.24) (3.12) Considering de jure CBI 5.93*** 5.44*** 5.67*** 5.22*** 6.16*** 6.43*** 5.81***

(1.58) (1.38) (1.36) (1.28) (1.34) (1.51) (1.52) Considering CBI_LENDING 5.36*** 5.62*** 5.65*** 6.13*** 6.36*** 6.39*** 5.26***

(1.58) (1.40) (1.42) (1.27) (1.30) (1.45) (1.52) Adding CWN index 5.20*** 5.11*** 5.51*** 5.25*** 4.99*** 5.46*** 5.01***

(1.56) (1.45) (1.30) (1.33) (1.33) (1.49) (1.50)

Post 1990-sample 5.10*** 3.49* 3.11* 3.42** 4.02** 5.52*** 5.11**

(1.92) (1.94) (1.87) (1.53) (1.61) (1.74) (2.04) Pre -2008 crisis sample 7.40*** 5.44*** 4.54** 5.68*** 6.07*** 7.14*** 7.39***

(2.02) (1.92) (1.80) (1.53) (1.68) (1.72) (1.94)

Without inflation ≥ 40% 4.77** 3.61* 3.01* 3.50** 4.61*** 5.33*** 5.91***

(2.00) (1.93) (1.80) (1.53) (1.58) (1.63) (1.66) Joyce and Nabar control group 3.87** 4.59*** 4.38*** 4.22*** 4.36*** 5.59*** 4.65***

(1.77) (1.53) (1.56) (1.54) (1.62) (1.91) (1.49) Gonçalves and Salles control group 4.82*** 4.76*** 4.67*** 4.71*** 5.13*** 4.29** 3.93**

(1.68) (1.53) (1.47) (1.34) (1.45) (1.65) (1.67) Note : Les écart-types bootstrappés sur la base de 1000 réplications apparaissent entre parenthèses. ***, **, * représentent respectivement la significativité au seuil de 1%, 5% et 10%.