1. Introduction
e tissu économique marocain est caractérisé par plus de 95% des petites et moyennes entreprises à caractère généralement familial et artisanal ainsi leur mode de management reste encore traditionnel et archaïque. La conjoncture économique actuelle est défavorable et marquée par des crises de toutes natures. Et, face à la mondialisation, toute entreprise est exposée au risque de défaillance. L'intérêt porté à la défaillance d'entreprises vient des coûts substantiels des faillites. En effet, les conséquences d'une faillite sont généralement très coûteuses : problèmes financiers (pertes financières), problèmes économiques (perte de la compétitivité) et problèmes sociaux (chômage), ainsi, la résolution des problèmes de défaillance entraîne un gaspillage de ressources. accumulant ainsi les déficits et devenant non rentable, ce qui implique une valeur ajoutée négative (GRESSE, 1994). Selon la vision financière, c'est la situation où l'entreprise se trouve en difficulté d'honorer ses engagements financiers.
Les explications de la défaillance d'entreprises ont fait l'objet de nombreux travaux empiriques. En effet, plusieurs travaux ont tenté d'examiner l'impact de la conjoncture macroéconomique sur le nombre de défaillances d'entreprises (Tirapat et Nittayagasetwat 1999, Bunn et Redwood 2003, Liou et Smith 2007, Lev 1974, Delion 2008, Blot et Le Bayon 2009). Ces travaux affirment qu'un nombre important d'entreprises disparaissent quand la conjoncture leur est défavorable. Dans cette optique, Altman (1984) et Johnson (1974), affirment que le taux de faillite augmente durant les périodes de récession et diminue durant les périodes d'expansion.
Ainsi, d'autres travaux ont exposé le lien entre défaillances et créations (Longueville 1992, Bordes et Mélitz 1992, Marco et Rainelli 1986, Blazy et al. 1993, Combier 1994, Blazy et Combier 1998)
2. Analyse Des Résultats
La défaillance des entreprises peut être expliquée par la conjoncture économique et par le nombre de créations des entreprises. Le PIB a un effet négatif sur les défaillances. Cependant, les créations ont un effet positif sur les défaillances.
Les graphiques de réponse du nombre de défaillances à différents chocs montrent que les défaillances réagissent négativement à un choc positif sur le PIB. Ce choc entraîne dès la première année une baisse importante des défaillances, ensuite cet effet est amorti au bout de quatre ans. Cependant, les défaillances réagissent négativement, au bout d'un an, à un choc positif de créations et cet effet durera au maximum deux ans. A Long terme, le degré d'influence du niveau de créations des entreprises sur les défaillances est plus important que le court terme. En effet, une augmentation de 1% des créations entraîne à long terme une hausse des défaillances de plus de 6,5%, alors qu'il n'est que de 3,2% à court terme. Cependant, l'effet du PIB est très réduit, car, à court terme, une diminution de cette grandeur de 1% entraine une augmentation des défauts d'entreprises de 1,5%. Cet effet n'est que de presque de 0,2% à long terme. L'effet à long terme de la conjoncture sur le niveau des défaillances n'est pas observé dans notre étude.
Ainsi, l'analyse causale montre aussi que les créations d'entreprises subissent aussi des effets suite aux variations des niveaux des défaillances et du PIB. En effet, nous avons constaté une influence positive et importante du PIB dans les deux horizons temporels, tandis qu'une faible portée négative des défaillances à court terme. En effet, une augmentation du PIB de 1% entraine une hausse des créations de l'ordre de 0,65% à court terme et de l'ordre de 1,75% à long terme. Cependant, les défaillances ont un effet négatif sur le niveau des créations à court terme. Car, pour une hausse des défaillances de 1%, les créations diminuent de 0,1%.
Au terme de cette étude, nous constatons que les défaillances d'entreprises sont influencées négativement à court terme par le PIB. Donc, lorsque la conjoncture économique est défavorable, un nombre important d'entreprises fait défaut. Ainsi, les créations d'entreprises influencent positivement, beaucoup plus à long terme, les défaillances d'entreprises. C'est-à-dire que lorsque le nombre de création d'entreprises augmente, le nombre de défaillances augmente ultérieurement. Cela peut être expliqué par la hausse de la proportion de jeunes entreprises dans le stock des V.
3. Conclusion
En guise de conclusion, les défaillances d'entreprises apparaissent fortement liées à l'évolution du PIB et donc elles peuvent être expliquées, à court terme par la très forte sensibilité aux variations de la conjoncture économique. Ce résultat affirme alors ceux démontrés par Tirapat et Nittayagasetwat (1999) et Blot et Le Bayon (2009). Ainsi, l'effet de la variable démographique sur les défaillances est plus remarquable à long terme, ce qui confirme aussi les résultats obtenus par Longueville (1992), Bordes et Mélitz (1992)
4. Annexes
Annexe 1: , , , , , , 1
Forme matricielle du VECM ? ? ? ? ? ? ? ? ? ? ? ? + ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? + ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Î?" Î?" Î?" Î?" Î?" Î?" Î?" Î?" Î?" + + ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Î?" Î?" Î?" Î?" Î?" Î?" Î?" Î?" Î?" + ? ? ? ? ? ? ? ? ? ? = ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? t LPIB1 1 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 0 0 1 1 ...
| Modélisation Des Défaillances D'entreprises Au Maroc : Une Étude Économétrique Modélisation Des Défaillances D'entreprises Au Maroc : Une Étude Économétrique | |||||
| 4 Global Journal of Management and Business Research Volume XVI Issue I Version I Year ( ) 2016 B | . Ces études ont montré que l'évolution des défaillances d'entreprises peut être également expliquée par les créations intervenues aux périodes précédentes et donc par un facteur démographique 1 Alors nous allons appliquer un modèle vectoriel à correction d'erreurs (MCE) sous la forme suivante . Cet article propose une analyse statistique, sur une longue période, de l'effet d'un facteur macroéconomique et un facteur démographique sur la défaillance des entreprises. Il s'agit, en effet, d'établir une relation de corrélation entre les défaillances d'entreprises comme variable endogène et les créations d'entreprises et le PIB comme variables exogènes. Pour cette étude, l'analyse porte sur la période 1991-2011 et nous allons utiliser, pour les défaillances et les créations, les données collectées par les statistiques de l'Office Marocain de la Propriété Industrielle et Commerciale (OMPIC), et pour le PIB, nous allons se baser sur les statistiques de la base de données de la Banque Mondiale: WORLD DEVELOPMENT INDICATORS. Observation F-Statistique Probabilité Î?" : est la matrice des paramètres d'un processus de décalage d'ordre p; La notion d'entreprise défaillante peut s'avérer complexe et dynamique ainsi qu'il est difficile à cerner en raison des divers modes d'analyse. Dans sa dimension juridique, elle peut être définie comme celle qui est engagée dans une procédure de redressement ou de liquidation judiciaire. Dans sa conception économique la plus large, c'est une entreprise qui le nombre de retards qui vérifiera un minimum pour modèle et donc le modèle VAR à choisir est celui qui a (respectivement 0,002 et 0,001) sont inférieures à 5%. n'arrive plus à écouler normalement ses stocks, avec : B : est la matrice des coefficients des termes à correction d'erreur ; A' : est une matrice contenant les r relations de cointégration ; ? : terme d'erreur II. Méthodologie de Recherche Nous allons appliquer un modèle vectoriel à correction d'erreurs (VECM : VEctor Correction Model) suivant les étapes suivantes. D'abord, après avoir étudié les évolutions annuelles des créations d'entreprises, des défaillances et du PIB au Maroc, une étape préliminaire consiste à transformer les séries en logarithme et le rendre sur la même plage temporelle à partir de 1991. Ensuite, nous allons effectuer des tests de bases de détermination de la causalité en se basant sur le test de Granger et des tests de stationnarité en rappelant que les séries en niveau doivent être non stationnaires. Après, nous allons déterminer le modèle vectoriel à correction d'erreur (VECM) en précisant premièrement le nombre de retard p à attribuer au modèle VAR(p) à l'aide des critères d'informations, en déterminant deuxièmement l'ordre de cointégration en se basant sur le test de Johansen, en estimant troisièmement le VECM et en validant quatrièmement le modèle obtenu par les différents tests des appliqués aux résidus. Enfin, nous allons interpréter les résultats obtenus a) Evolutions annuelles des créations d'entreprises, des défaillances et du PIB au Maroc En analysant les évolutions annuelles des taux de croissance de ces trois grandeurs, il apparaît graphiquement que les variations annuelles des défaillances d'entreprises sont corrélées négativement avec celles du PIB (Graphique 1). Cependant, les variations annuelles des défaillances d'entreprises sont corrélées positivement avec celles des créations d'entreprises. Graphique 1 : taux de croissance annuel des défaillances d'entreprises et du PIB -10.00% -5.00% 0.00% 5.00% 10.00% -1 -0.5 0 0.5 1 1.5 2 Années Défaillances (échelle gauche) PIB (échelle droite inversée) t t p t p t t X BA X X X ? + + ? Î?" + + ? Î?" = ? ? ? ? 1 1 1 Tableau 1 : Evolution des taux de croissance annuel des créations d'entreprises, des défaillances et du PIB b) Transformations des séries Les séries en niveau sont transformées en logarithme suivant la notation suivante : -Le logarithme du PIB est noté LPIB -Le logarithme des défaillances est noté LDEF -Le logarithme des créations est noté LCRE La transformation des séries en niveau en logarithme permet à la fois d'estimer plus facilement le modèle, surtout s'il est d'ordre multiplicatif, ainsi, les coefficients sont exprimés en termes d'élasticité et cela Années Défaillance Créations PIB 1991 -5,00% -3,12% 6,90% 1992 -19,30% -4,89% -4,03% 1993 22,83% -14,07% -1,01% 1994 38,05% -2,31% 10,36% 1995 -39,74% 7,38% -6,58% 1996 11,70% 23,14% 12,22% 1997 174,29% -5,78% -2,23% 1998 -30,21% 11,48% 7,66% 1999 -37,31% 14,50% 0,53% 2000 132,54% 8,15% 1,59% 2001 149,49% 5,05% 7,55% 2002 -8,21% 10,06% 3,32% 2003 40,98% 56,79% 6,32% 2004 -8,46% 10,57% 4,80% 2005 -27,60% 2,12% 2,98% 2006 35,57% 0,40% 7,76% 2007 14,12% 25,88% 2,71% 2008 47,42% 8,47% 5,59% 2009 13,99% 1,74% 4,76% 2010 2,76% 2,85% 3,68% 2011 25,97% 7,20% 4,55% 2012 16,02% 28,98% 2,72% permet donc de raisonner en terme de taux de croissance. c) Tests de causalité et de stationnarité i. Test de causalité de Granger et détermination de la variable endogène et des variables exogènes Granger (1969) a fourni une définition de la causalité fondée sur trois axiomes : Retards LogL LR FPE AIC SC HQ 0 -9.62 NA 0.00 1.32 1.47 1.35 1 39.28 77.22 1.16e-05 -2.87 -2.27 -2.77 2 53.01 17.33* 7.70e-06 -3.36 -2.32 -3.19 ? Tableau 3 : Tests de stationnarité des séries LPIB, LDEF et LCRE ADF Valeur critique 5% Niveau (décalage) R 2 LPIB (1) -12,68 -3,04 I(1) 91 % (2) -4,41 -3,75 I(1) 96 % (3) -2,85 -1,96 I(1) 95 % LDEF (1) -6,03 -3,04 I(1) 73 % (2) -5,87 -3,69 I(1) 73 % (3) -2,59 -1,96 I(1) 69 % LCRE (1) -3,67 -3,02 I(1) 44 % (2) -4,64 -3,67 I(1) 55 % (3) -2,64 -1,96 I(1) 53 % Le test de stationnarité montre que les trois séries ne sont pas stationnaires en niveau, cependant, ils sont intégrées d'un même ordre I(1), il y a alors risque de cointégration. On peut donc envisager l'estimation d'un modèle à correction d'erreur. Pour ce faire il a fallu déterminer le nombre de retard p du modèle VAR(p) à l'aide des critères d'informations. d) Test de co-intégration et estimation du modèle à correction d'erreur Pour effectuer une telle approche nous avons passé par quatre étapes : i. Détermination du nombre de retard Le nombre de retards p à attribuer au modèle VAR dépend des critères Akaike (AIC), Schwarz (SC) et probabilités associées aux t-statistiques Log Likelihood. D'autres retards sont ajoutés dans le Nous allons choisir VAR (3) parce qu'il a le minimum pour les critères FPE, AIC, SC et HQ et le maximum pour le Log Likelihood. ii. Détermination de l'ordre de cointégration (Test de Johansen) Le test de la trace affirme qu'il y a cointégration car l'hypothèse nulle d'absence de cointégration a été rejetée (55,98>29,79) au seuil de 5%. Egalement, l'hypothèse nulle selon laquelle il y a au plus une relation de cointégration a été rejetée au seuil de 5%, car la p-values (1,6%) est inférieure à 5% (18,67> 15,49). Cependant, l'hypothèse selon laquelle il y a au plus deux relations de cointégration a été acceptée au seuil de 5%, car la statistique de la trace (2,05) est inférieure à la valeur critique (3,84). Le test de la trace indique donc que les trois séries sont cointégrées d'ordre 2, alors il y a deux relations d'association de long terme. Tableau 5 : Test de la trace Hypothesized No. of CE(s) Eigenvalue Trace Statistic 0.05 Critical Value Prob.** None * 0.874167 55.98636 29.79707 0.0000 At most 1* 0.602732 18.67600 15.49471 0.0160 At most 2 0.108110 2.059419 3.841466 0.1513 Trace test indicates 2 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values Ces résultats peuvent être confirmés par le test de la statistique de maximum d'Eigenvalue (voire annexe 2) qui affirme aussi l'existence de deux relations de cointégration. iii. Estimation du modèle VECM(2) Nous avons estimé le modèle à correction d'erreur avec un nombre de retards de 3 (VAR(3)) et avec deux ordres de cointégration. Ainsi, nous retenons une constante et une tendance dans le VECM et non dans le modèle VAR. Alors le modèle à correction d'erreur estimé est comme suit : Dans les deux équations de coinétgration du modèle à correction d'erreur, les coefficients C(1) et C(2) appelés termes de correction d'erreur, qui mesure la vitesse de convergence vers l'équilibre, sont respectivement de -1,78 et -5,94 (voir annexe 6), ils sont négatifs et significativement différent de 0, car les 3 69.79 15.90 4.33e-06* -4.18* -2.69* -3.93* * indique l'ordre de retards sélectionné par les critères LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion III. Validation du Modèle Le modèle à correction d'erreur est valable car le coefficient de correction d'erreur est négatif et significativement différent de 0. Aussi, nous constatons que R² est égal à 98%, il est largement supérieur à 60% et proche de 1. Ainsi, la statistique de Fisher est de 25,51, il est significatif au seuil de 5%. Alors le modèle est globalement valide. IV. | 3 Global Journal of Management and Business Research Volume XVI Issue I Version I Year ( ) 2016 B Global Journal of Management and Business Research Volume XVI Issue I Version I Year ( ) 2016 | |||
| LPIB does not Granger Cause LDEF Akaike (AIC) et Schwarz (SC) et un maximum pour Log | 20 | 6.76126 | 0.00971 | ||
| Likelihood. | LDEF does not Granger Cause LPIB | 1.02190 | 0.38709 | ||
| LCRE does not Granger Cause LDEF | 20 | 3.95635 | 0.04345 | ||
| LDEF does not Granger Cause LCRE | 6.15051 | 0.06211 | |||
| © 2016 Global Journals Inc. (US) 1 | © 2016 Global Journals Inc. (US) | ||||
| 5. CAILLIES J. M. et M. DEVILLIERS [1986], « | |||||
| Démographie des entreprises ». Collections de | |||||
| l'INSEE Premiers Résultats, 54, février. | |||||
| 6. COFACE, | « | Panorama | des | défaillances | |
| d'entreprises ». Printemps 2012 | |||||
| 7. COMBIER J. [1993], « Les défaillances d'entreprise | |||||
| en 1992 ». Insee Première, n° 274, publication | |||||
| d'août. | |||||
| 8. CRUTZEN N. et VAN CAILLIE D. [2007a], « La | |||||
| défaillance des PME: processus et (auto) diagnostic | |||||
| ». Paper presented at Journée de formation | |||||
| continuée -Institut des Experts-Comptables, Liège, | |||||
| Belgique, Juin. | |||||
| 9. GUILHOT B. [2000], « Défaillances d'entreprise: | |||||
| soixante-dix ans d'analyse théoriques et empiriques | |||||
| ». Revue Française de Gestion, 130, 52-67. | |||||
| 10. MARCO L. [1984], « Les défaillances d'entreprises | |||||
| et la crise en France (1974-1983) ». Revue | |||||
| Références Bibliographiques | d'économie politique, 94 (5) : 676-87. 11. MARCO L. et M. RAINELLI [1986], « Les disparitions | ||||
| 1. ALTMAN E.I. [1984], « The success of business failure prediction models: an international survey ». Journal of Banking and Finance, 8 (2), 171-198. | de firmes industrielles en France : un modèle économétrique ». Revue d'économie industrielle, 36 : 1-13. | ||||
| 2. BLAZY R. [2000], « La faillite: Éléments d'analyse | 12. TIRAPAT S. et NITTAYAGASETWAT A. [1999], « An | ||||
| économique ». Paris: Economica. | Investigation of Thai Listed Firms' Financial Distress | ||||
| 3. BLAZY R. et COMBIER J. [1997], « La défaillance d'entreprise: Causes économiques, traitement | Using Macro and Micro Variables ». Multinational Finance Journal, vol. 3, n° 2, pp. 103-125. | ||||
| judiciaire et impact financier ». INSEE. | 13. TRESOR-ECO, Document n°84, Février 2011 | ||||
| 4. BONNET J. et RENOU-MAISSANT P. [2000], « La | (http://www.tresor.economie.gouv.fr/file/325817.pdf) | ||||
| régulation macro-économique et sectorielle de la | |||||
| démographie d'entreprises », Économie et | |||||
| Prévision, 145(4), p.19-40. | |||||
| Modélisation Des Défaillances D'entreprises Au Maroc : Une Étude Économétrique Modélisation Des Défaillances D'entreprises Au Maroc : Une Étude Économétrique | |||||
| Error Correction: Log likelihood | D(LDEF) 24.38155 | D(LPIB) 26.63833 | D(LCRE) 44.99484 | ||
| Akaike AIC | -1.375728 | -1.626481 | -3.666093 | ||
| CointEq1 Schwarz SC | -1.780100 -0.782147 | 0.162170 -1.032900 | 0.336202 -3.072512 | ||
| Mean dependent | (0.34673) 0.151272 | (0.30587) 0.063962 | (0.11032) 0.101669 | ||
| S.D. dependent | [-5.13402] 0.444161 | [ 0.53019] 0.085617 | [ 3.04761] 0.108685 | ||
| Annexe 2 : Test de cointégration de Johansen Unrestricted Cointegration Rank Test (Trace) CointEq2 -5.943717 0.609454 (1.03635) (0.91424) Determinant resid covariance (dof adj.) 2.14E-08 [-5.73521] [ 0.66663] Determinant resid covariance 7.92E-10 Log likelihood 111.9861 | 0.839526 (0.32973) [ 2.54608] | ||||
| Hypothesized D(LDEF(-1)) Akaike information criterion 0.344590 Trace | 0.05 0.028468 -7.554013 | -0.080454 | |||
| Year 2016 8 | No. of CE(s) None * At most 1 * D(LDEF(-2)) Eigenvalue 0.874167 0.602732 Schwarz criterion Annexe 4 : Estimation de la relation à long terme Statistic Critical Value 55.98636 29.79707 18.67600 15.49471 (0.30674) (0.27060) (0.09760) Prob.** 0.0000 [ 1.12338] [ 0.10520] -5.377549 [-0.82436] 0.152526 -0.047974 -0.039613 0.0160 At most 2 0.108110 2.059419 3.841466 0.1513 (0.14829) (0.13082) (0.04718) [ 1.02857] [-0.36673] [-0.83960] Dependent Variable: LDEF Method: Least Squares | 2016 Year 9 | |||
| Global Journal of Management and Business Research Volume XVI Issue I Version I ( ) B | Trace test indicates 2 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05 No. of CE(s) Eigenvalue Statistic Critical Value None * 0.874167 37.31036 21.13162 At most 1 * 0.602732 16.61658 14.26460 At most 2 0.108110 2.059419 3.841466 Max-eigenvalue test indicates 2 cointegrating eqn(s) at the 0.05 level Prob.** 0.0001 0.0209 0.1513 * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values Annexe 3 : Estimation du modèle à correction d'erreur Vector Error Correction Estimates Date: 02/05/14 Time: 09:41 Sample (adjusted): 1995 2012 Included observations: 18 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq: CointEq1 CointEq2 LDEF(-1) 1.000000 0.000000 LPIB(-1) 0.000000 1.000000 LCRE(-1) -6.563614 1.752388 (1.16050) (0.39320) D(LDEF(-3)) 0.144676 0.123527 -0.116606 (0.11333) (0.09997) (0.03606) [ 1.27664] [ 1.23563] [-3.23401] D(LPIB(-1)) 2.986915 -0.566865 -0.650235 (1.13652) (1.00260) (0.36160) [ 2.62812] [-0.56540] [-1.79821] D(LPIB(-2)) 1.254039 -0.443487 0.253217 (0.88609) (0.78168) Date: 02/04/14 Time: 21:02 Sample: 1991 2012 Included observations: 22 Variable Coefficient Std. Error t-Statistic Prob. LPIB -0.389583 0.068151 -5.716460 0.0000 LCRE 1.672340 0.178408 9.373694 0.0000 R-squared 0.845904 Mean dependent var 6.091387 (0.28192) [ 1.41525] [-0.56735] [ 0.89818] D(LPIB(-3)) 1.519846 -0.396001 0.198826 (0.43765) (0.38608) (0.13925) [ 3.47275] [-1.02570] [ 1.42789] D(LCRE(-1)) -3.274006 0.803067 0.645714 (0.47325) (0.41749) (0.15057) [-6.91810] [ 1.92358] [ 4.28839] D(LCRE(-2)) -0.353202 -0.385983 0.679724 (0.77688) (0.68534) (0.24718) [-0.45464] [-0.56320] [ 2.74994] Adjusted R-squared 0.838199 S.D. dependent var 1.134085 D(LCRE(-3)) -0.243952 0.736947 -0.288864 (0.68432) (0.60368) (0.21773) [-0.35649] [ 1.22076] [-1.32673] C 0.037324 0.030969 0.051384 (0.11380) (0.10039) (0.03621) [ 0.32797] [ 0.30848] [ 1.41915] S.E. of regression 0.456179 Akaike info criterion 1.354647 Sum squared resid 4.161995 Schwarz criterion 1.453833 Log likelihood -12.90112 Durbin-Watson stat 1.227738 Annexe 5 : Test de signification des coefficients du Dependent Variable: D(LDEF) Method: Least Squares Date: 02/04/14 Time: 22:02 Sample (adjusted): 1995 2012 Included observations: 18 after adjustments | Volume XVI Issue I Version I ( ) B Global Journal of Management and Business Research | |||
| R-squared | [-5.65584] 0.979072 | [ 4.45678] 0.561669 | 0.964617 | ||
| @TREND(91) Adj. R-squared | 0.626567 0.940703 | -0.288990 -0.241939 | 0.899749 | ||
| Sum sq. resids | (0.14273) 0.070189 | (0.04836) 0.054622 | 0.007105 | ||
| S.E. equation | [ 4.38999] 0.108158 | [-5.97607] 0.095413 | 0.034412 | ||
| C F-statistic | 47.97417 25.51736 | -37.61845 0.698934 | 14.87044 | ||
| © 2016 Global Journals Inc. (US) 1 | © 2016 Global Journals Inc. (US) | ||||