Where 𝛽is a constant, pthe chosen lag, ∅and 𝛼the coefficients of the

regression, 𝜆𝑡 t is a trend term and 𝜇𝑡 is the white noise. The unit root test has the following
hypothesis test:

Consequently, unit root test with ADF test was applyto findout the order of integration among
GDPper capita, interest rates, money supply and inflation. Because the order of integration of the
dependent variable as well as the combination of I (1) and I (0) regression supported the select of the
ARDL model for thestudy. Thus, ARDL model can be expressed in general form as below equation
4.5below:

Where: 𝛽is intercept, the coefficients’u,𝜃, T,𝜗refers to short run while, the coefficients’ 𝛿1to 𝛿4
refers to long-run parameters and𝜀𝑡 is a white noise error term.

4.3.2F-Bound tests and error correction model

The results obtained from the above equation(4:5) can help to determine if a long-term relationship
is present among the variables or not. therfore, F-test is performed to validate the precense of a

one period lag variables, i.e. 𝛿1to 𝛿4be jointly zero. Thus the following hypothesis test is performed:
long-term co-integration among the variables of the study. F-test involve analysis of coefficients for

Exists long-run relationship

F-test in ARDL framework depends on:

1. The mix of I(0) and I(1) independent variables.

2. The number of independent variables

3. If the model includes an intercept and/or trend termF-test has a non-standard distribution in the
ARDL model.

The hypothesis testing inF-test involves upper and lower bounds of critical values that are divided
into three different cases. Therefore, the hypothesis test is not performed regularly. Pesaran et al.
(2001) tabulated critical values for upper and lower bounds to accept or reject the null hypothesis of
F-test. The greater value of F-test denotes upper bound that means rejecting null hypothesis and
long-run relationship exists between the variables.

Consequently, if F-value is small, it denotes lower bound that means null hypothesis will not be
rejected so the co-integration is not significant. However, if F-value is between upper and lower
bounds that means additional information is need to denote a relationship.

Fail to Reject 𝐻0< Inconclusive < Reject 𝐻0

The test can also provide inclusive results and to observe the error correction term, Banerjee et al.
(1998) and Kremers et al. (1992) provided a remedy that used a negative and significant ECM-term in
a similar framework to stimulate co-integration and long-run relationship even under the inclusive
case.
Hence, t-test can be performed that is equivalent to the above described test to evaluate the co-
integration using null hypothesis and lower upper bounds. If the F-test is inconclusive, the t-test can
be carried as a complementary test.

ECM is defined as the next pace in the ARDL model. There are set of assumptions that are made
when the F-bound tests produce satisfactory results and there is a possibility to establish a long-run
non-spurious regression as linear of non-stationary variables thus are stationary in the OLS
framework:

𝑦𝑡=𝛽0+𝛽1𝑥1+𝜀𝑡(4:6)

An error correction term is defined by ECM to capture the convergence of the model towards
equilibrium as:

𝐸𝐶𝑀𝑡−1=𝑦𝑡−1−𝛽̂0−𝛽̂1𝑥𝑡−1

where 𝛽̂s are estimators of the model as defined in above equation (4:6). 𝐸𝐶𝑀𝑡−1 Are residuals
from equation(4:6). Hence, if the model is approaching towards the equilibrium in the long-term, the
variation between the dependent and independent variables (𝐸𝐶𝑀𝑡−1) cannot increase.

Therefore, the difference between the variables must decrease.

Furthermore, 𝐸𝐶𝑀𝑡−1 becomes new data series, as 𝑥𝑡 ,𝑦𝑡 ,𝛽𝑗all given from the regression in
equation (4:5)short-term dynamics are determined using lagged

The Error Correction Model coefficient 𝜔 must be negative andstatistically significant in order
converge tolong-runequilibrium. A significant ECM coefficient confirms the existence of a stable long-
run relationship and cointegration between the independent and dependent variables. The
coefficient also determines the speed of adjustment towards equilibrium.

4.4Diagnostic Tests

Diagnostic tests are used because the ARDL model aims to detect the best Linear unbiased estimator
(BLUE). Tian and Ma (2010) and Hasan and Nasir (2008) outlined that the validation tests including
serial correlation, Heteroscadasticity, normality test and stability test are most commonly preferred
tests. The study therefore conducted these tests to ensure stability of the model and the outcomes
outlined that the model is valid for the analysis.

Similarly, it is also important to analyze thepresence of the serial correlation in the disturbance term.
If there is an existence of serial correlation in the model is found than the inference made before is
not valid since serial independence of the error term is a principle for the applicability of this model.
The researcher conducted Breusch-Godfrey Serial Correlation LM Test to demonstrate extinction of
serial correlation at 5% level. In addition, this test was also used to determine the existence of
heteroskedasticity.

4.4.1Serial correlation

Within a serial correlation Breusch-Godfrey (Godfrey, 1978) test is used for examining the
autocorrelation in the regression model. The test uses residuals from the model in the regression
analysis to detect autocorrelation up to the predesigned order p. Breusch-Godfrey test supports a
broader group of regressors. For Breusch-Godfrey test, it is important that the below equation hold
true: covariance (𝜖𝑖

,𝜀𝑗

) = 0, ∀i;j if not the series with have serial correlation. Brooks (2014) argued that existence of serial
correlation will affectthe efficiency rather than the unbiased behavior of the regression estimators.

Hence, the estimators of the model will not be BLUE. The residuals model under the simplest form of
the Breusch-Godfrey test is:

Generally, the test has following hypothesis.

Ho:p = 0, No serial correlation

H1: p≠ 0, there is serial correlation

4.4.2Heteroskedasticity test

The heteroskedasticity test refers to testing that all residuals in the designed model have a constant
variance (𝜖𝑡

. Within the regular ordinary least square OLS estimation and ARDL model, it is assumed that the
residuals have a constant variance known as heteroskedasticity. Therefore, ifthere is no constant
variance among the residuals of the model, the predictable coefficients will not be BLUE (is a
property of OLS regression that describes that OLS is unbiased and has a minimum variance among
all linear unbiased estimators. This means that the model will not possess minimum variance of the
unbiased estimators. Hence, the present study used Breusch-Pagan Godfrey test for testing
heteroskedasticity. The null and alternative hypothesis in heteroskedasticity test is as below.

Ho: homoscedasticity

H1: Heteroscedasticity

4.4.3Normality test

The study used Jarque-Bera test for normality in the residuals. It is vital to conduct the normality test
because the non-normality cause problem related to statistical inferences of coefficients. Brooks
(2014)argued that the confidence intervals and significance tests may be affected by non-normality
because these values are determined by normality assumptions

),∀𝑡. The general hypothesis for normality test is as below.

Ho:There is normality in the residual.

Où 𝛽est une constante, ple retard choisi, ∅et 𝛼les coefficients de la régression, 𝜆𝑡 t est un terme de
tendance et 𝜇𝑡 est le bruit blanc.

Régression, 𝜆𝑡 t est un terme de tendance et 𝜇𝑡 est le bruit blanc. Le test de racine unitaire a le test
d’hypothèse suivant :

Par conséquent, le test de racine unitaire avec le test ADF a été appliqué pour déterminer l'ordre
d'intégration entre le PIB par habitant, les taux d'intérêt, la masse monétaire et l'inflation. L'ordre
d'intégration de la variable dépendante ainsi que la combinaison des régressions I (1) et I (0)
confirment le choix du modèle ARDL pour l'étude. Ainsi, le modèle ARDL peut être exprimé sous la
forme générale de l'équation 4.5 ci-dessous :

Où : 𝛽est l'intercept, les coefficients "u,𝜃, T,𝜗réfèrent au court terme tandis que les coefficients 𝛿1à
𝛿4 font référence aux paramètres à long terme et𝜀𝑡 est un terme d'erreur de bruit blanc.

4.3.2 Tests de limite F et modèle de correction d'erreur

Les résultats obtenus à partir de l'équation ci-dessus (4:5) peuvent aider à déterminer si une relation
à long terme est présente entre les variables ou non. Par conséquent, le test F est effectué pour

l'analyse des coefficients pour les variables décalées d'une période, c'est-à-dire que 𝛿1à 𝛿4 soient
valider l'existence d'une co-intégration à long terme entre les variables de l'étude. Le test F implique

conjointement nuls. Le test d'hypothèse suivant est donc effectué :

Il existe une relation à long terme

Le test F dans le cadre ARDL dépend de :

1. La combinaison des variables indépendantes I(0) et I(1).

2. Le nombre de variables indépendantes

3. Le testF a une distribution non standard dans le modèle ARDL.

Le test d’hypothèse dans le testF implique des limites supérieures et inférieures des valeurs critiques
qui sont divisées en trois cas différents. Par conséquent, le test d’hypothèse n’est pas effectué
régulièrement. Pesaran et al. (2001) ont établi un tableau des valeurs critiques pour les limites
supérieures et inférieures afin d’accepter ou de rejeter l’hypothèse nulle du test F. La valeur la plus
élevée du test F indique la limite supérieure, ce qui signifie que l’on rejette l’hypothèse nulle. Plus la
valeur du test F est élevée, plus la limite supérieure est élevée, ce qui signifie que l’hypothèse nulle
est rejetée et qu’il existe une relation à long terme entre les variables.

Par conséquent, si la valeur F est faible, elle indique la limite inférieure, ce qui signifie que
l’hypothèse nulle ne sera pas rejetée et que la co-intégration n’est pas significative. Toutefois, si la
valeur F se situe entre les limites supérieure et inférieure, cela signifie que des informations
supplémentaires sont nécessaires pour mettre en évidence une relation.

Échec du rejet 𝐻0< Inconclusif < Rejeter 𝐻0

Échec du rejet 𝐻0< Inconclusif < Rejeter 𝐻0

Le test peut également fournir des résultats inclusifs et pour observer le terme de correction
d’erreur, Banerjee et al. (1998) et Kremers et al. (1992) ont fourni une solution qui utilise un terme
ECM négatif et significatif dans un cadre similaire pour stimuler la co-intégration et la relation à long
terme, même dans le cas inclusif.

Il est donc possible d'effectuer un test t équivalent au test décrit ci-dessus pour évaluer la co-
intégration en utilisant l’hypothèse nulle et les limites inférieures et supérieures. Si le test F n’est pas
concluant, le test t peut être utilisé comme test complémentaire.

L’ECM est défini comme l’étape suivante du modèle ARDL. Il existe un ensemble d’hypothèses qui
sont faites lorsque les tests de limite F produisent des résultats satisfaisants et qu’il est possible
d’établir une régression non fallacieuse à long terme, car les variables linéaires non stationnaires
sont donc stationnaires dans le cadre des MCO :

𝑦𝑡=𝛽0+𝛽1𝑥1+𝜀𝑡(4 :6)

Un terme de correction d’erreur est défini par l’ECM pour capturer la convergence du modèle vers
l’équilibre comme suit :

𝐸𝐶𝑀𝑡-1=𝑦𝑡-1-𝛽̂0-𝛽̂1𝑥𝑡-1

Où 𝛽̂s sont des estimateurs du modèle tel que défini dans l’équation ci-dessus (4 :6). 𝐸𝐶𝑀𝑡-1 sont

la variation entre les variables dépendantes et indépendantes (𝐸𝐶𝑀𝑡-1) ne peut pas augmenter.
les résidus de l’équation (4 :6). Par conséquent, si le modèle se rapproche de l’équilibre à long terme,

Par conséquent, la différence entre les variables doit diminuer.

En outre, 𝐸𝐶𝑀𝑡-1 devient une nouvelle série de données, car 𝑥𝑡 ,𝑦𝑡 ,𝛽𝑗tous les résultats de la

de correction de l’erreur 𝐸𝐶𝑀𝑡𝑀𝑡

régression dans l’équation (4 :5)la dynamique à court terme est déterminée à l’aide d’un coefficient

Échec du rejet 𝐻0< Inconclusif < Rejeter 𝐻0

Le coefficient du modèle de correction d’erreur 𝜔 doit être négatif et statistiquement significatif

pour converger vers l’équilibre à long terme. Un coefficient ECM significatif confirme l’existence
d’une relation stable à long terme et d’une cointégration entre les variables indépendantes et
dépendantes. Le coefficient détermine également la vitesse d’ajustement vers
5000

Résultat de la traduction

L’ECM est défini comme l’étape suivante du modèle ARDL. Il existe une série d’hypothèses lorsque
les tests de limite F produisent des résultats satisfaisants et qu’il est possible d’établir une régression
non fallacieuse à long terme car les variables non stationnaires linéaires sont donc stationnaires dans
le cadre des MCO :

𝑦𝑡=𝛽0+𝛽1𝑥1+𝜀𝑡(4 :6)

Un terme de correction d’erreur est défini par l’ECM pour capturer la convergence du modèle vers
l’équilibre comme suit :

𝐸𝐶𝑀𝑡-1=𝑦𝑡-1-𝛽̂0-𝛽̂1𝑥𝑡-1

Où 𝛽̂s sont des estimateurs du modèle tel que défini dans l’équation ci-dessus (4 :6). 𝐸𝐶𝑀𝑡-1 sont

la variation entre les variables dépendantes et indépendantes (𝐸𝐶𝑀𝑡-1) ne peut pas augmenter.
les résidus de l’équation (4 :6). Par conséquent, si le modèle se rapproche de l’équilibre à long terme,

Par conséquent, la différence entre les variables doit diminuer.

En outre, 𝐸𝐶𝑀𝑡-1 devient une nouvelle série de données, car 𝑥𝑡 ,𝑦𝑡 ,𝛽𝑗tous les résultats de la

de correction de l’erreur 𝐸𝐶𝑀𝑡𝑀𝑡-1.

régression dans l’équation (4 :5)la dynamique à court terme est déterminée à l’aide d’un coefficient

Le coefficient du modèle de correction d’erreur 𝜔 doit être négatif et statistiquement significatif

pour converger vers l’équilibre à long terme. Un coefficient ECM significatif confirme l’existence
d’une relation stable à long terme et d’une cointégration entre les variables indépendantes et
dépendantes. Le coefficient détermine également la vitesse d’ajustement vers l’équilibre.

4.4 Tests de diagnostic

Les tests de diagnostic sont utilisés car le modèle ARDL vise à détecter le meilleur estimateur linéaire
sans biais (BLUE). Tian et Ma (2010) et Hasan et Nasir (2008) ont souligné que les tests de validation,
y compris la corrélation sérielle, l’hétéroscadasticité, le test de normalité et le test de stabilité sont
les tests les plus couramment préférés. L’étude a donc effectué ces tests pour garantir la stabilité du
modèle et les résultats ont montré que le modèle est valide pour l’analyse.

De même, il est important d’analyser la présence d’une corrélation sérielle dans le terme de
perturbation. S’il existe une corrélation sérielle dans le modèle, l’inférence faite précédemment n’est
pas valide puisque l’indépendance sérielle du terme d’erreur est un principe pour l’applicabilité de ce
modèle. Le chercheur a effectué le test LM de corrélation sérielle de Breusch-Godfrey pour
démontrer l’extinction de la corrélation sérielle au niveau de 5 %. En outre, ce test a également été
utilisé pour déterminer l’existence de l’hétéroscédasticité.

4.4.1 Corrélation sérielle

Dans le cadre d’une corrélation en série, le test de Breusch-Godfrey (Godfrey, 1978) est utilisé pour
examiner l’autocorrélation dans le modèle de régression. Le test utilise les résidus du modèle dans
l’analyse de régression pour détecter l’autocorrélation jusqu’à l’ordre prédéfini p. Le test de Breusch-
Godfrey prend en charge un groupe plus large de régresseurs

1907

5000

Résultat de la traduction

Pour le test de Breusch-Godfrey, il est important que l’équation ci-dessous soit vraie : covariance (𝜖𝑖

𝜀𝑗

) = 0, ∀i ;j si les séries n’ont pas de corrélation sérielle. Brooks (2014) a soutenu que l’existence d’une
corrélation sérielle affectera l’efficacité plutôt que le comportement sans biais des estimateurs de
régression.

Par conséquent, les estimateurs du modèle ne seront pas BLEU. Le modèle des résidus sous la forme
la plus simple du test de Breusch-Godfrey est :

En règle générale, le test repose sur l’hypothèse suivante.

Ho :p = 0, pas de corrélation sérielle

H1 : p≠ 0, il y a une corrélation sérielle.

4.4.2 Test d’hétéroscédasticité

Le test d’hétéroscédasticité consiste à vérifier que tous les résidus du modèle conçu ont une variance
constante (𝜖𝑡

. Dans le cadre de l’estimation ordinaire par les moindres carrés (MCO) et du modèle ARDL, on
suppose que les résidus ont une variance constante, connue sous le nom d’hétéroscédasticité. Par
conséquent, s’il n’y a pas de variance constante parmi les résidus du modèle, les coefficients
prévisibles ne seront pas BLEU (propriété de la régression par les MCO qui décrit que les MCO sont
sans biais et ont une variance minimale parmi tous les estimateurs linéaires sans biais. Cela signifie
que le modèle ne possède pas la variance minimale des estimateurs sans biais. La présente étude a
donc utilisé le test de Breusch-Pagan Godfrey pour tester l’hétéroscédasticité. L’hypothèse nulle et
l’hypothèse alternative du test d’hétéroscédasticité sont les suivantes.

Ho : homoscédasticité

H1 : hétéroscédasticité

4.4.3 Test de normalité

L’étude a utilisé le test de Jarque-Bera pour vérifier la normalité des résidus. Il est essentiel
d’effectuer le test de normalité car la non-normalité entraîne des problèmes liés aux inférences
statistiques des coefficients. Brooks (2014) soutient que les intervalles de confiance et les tests de
signification peuvent être affectés par la non-normalité car ces valeurs sont déterminées par les
hypothèses de normalité

),∀𝑡. L’hypothèse générale du test de normalité est la suivante.

Ho :Les résidus sont normaux.