S6 Econometrie ECO GEST 2016

D.
TOUIJAR 15/03/2016
2015-16
Mthodes Economtries
Module M2:
-Economtrie I
Parcours :
Economie et Gestion
S6 -Section B-
Vol. Horaire : 50h = 34 C + 12.5 Td +3.5 val
TOUIJAR 1 TOUIJAR 2
La naissance de l'conomtrie moderne

La naissance de l'conomtrie moderne
L'conomtrie moderne est ne la fin des annes 30 et

En simplifiant de faon sans doute abusive l'on peut
pendant les annes 40. Elle est la rsultante de trois
phnomnes : le dveloppement de la thorie de l'infrence distinguer deux grandes priodes de la recherche
statistique la fin du XIX me sicle ; la thorie macro- conomtrique moderne . Jusqu' la fin des annes
conomique et la comptabilit nationale qui offrent des 70 l'conomtrie va tudier la spcification et la
agrgats objectivement mesurables ( contrairement la solvabilit de modles macroconomiques
microconomie fonde sur l'utilit subjective ) ; enfin, et surtout quations simultanes . Puis la suite de ce que l'on
, la forte demande de travaux conomtriques, soit de la part
a appel la rvolution des anticipations rationnelles et
d'organismes publics de prvision et de planification , soit de la
part dentreprises qui ont de plus en plus besoin de modliser de la critique de Lucas, la recherche se tournera
la demande et leur environnement conomique gnral. A davantage vers la microconomie et l'analyse des
partir des annes 60, l'introduction de l'informatique et des sries temporelles .
logiciels standardiss va rendre presque routinire l'utilisation
de l'conomtrie . TOUIJAR 3 TOUIJAR 4
Introduction gnrale Introduction gnrale

Lconomtrie est la branche des sciences conomiques
qui traite des modles et des mthodes mathmatiques Les modles utiliss ne permettent pas de
appliques aux grandeurs et variations conomiques.
prvoir, au sens strict, lvolution des
Le calcul infinitsimal, les probabilits, la statistique, et phnomnes conomiques, mais davantage de
la thorie des jeux, ainsi que dautres domaines des
construire des hypothses et dextrapoler des
mathmatiques, sont utiliss pour analyser, interprter
et prvoir divers phnomnes conomiques tels que les tendances futures partir dlments actuels.
variations de prix sur le march, lvolution des cots
de production, le taux de croissance, le niveau du
chmage, les variations du taux de change, les grandes
tendances de lconomie court et moyen terme qui
permettent dorienter la conduite dune politique
conomique. TOUIJAR 5 TOUIJAR 6
1
D.TOUIJAR 15/03/2016
PROGRAMME DE CE SEMESTRE BIBLIOGRAPHIE
Titre Auteurs Code

Chapitre 0: Rappel sur les Tests ECONOMETRIE
William Greene
dHypothses et moments conditionnels
ECONOMETRIE : Thorie et M.Cohen-
techniques de base- exercices J.Pradel
Chapitre 1: Introduction au modle ECONOMETRIE : manuel et exercices
corrigs R.Bourbonnais
de rgression linaire simple
Probabilits-Analyse des donnes et
G.Saporta
statistique
Chapitre 2: Le modle ECONOMETRIE : Le modle linaire
F.B. doucour Econ:46
de rgression linaire multiple
TOUIJAR 7 gnral
TOUIJAR
8
CH 0 Introduction
Soit X1, X2, , Xn un chantillon alatoire
), o
Rappels relatif la V.A. parente X de loi L (
est un paramtre rel inconnu.
I Le semestre prcdent, on cherchait estimer
. Mais il arrive quon ait une ide prconue sur
LES TESTS sa valeur: = 0
On dsire alors tester la validit de cette
STATISTIQUES hypothse, en la confrontant une hypothse
alternative.
TOUIJAR 9 TOUIJAR 10
Cette dernire exprime une

tendance diffrente au sujet du
Mthodologie du
paramtre. test dhypothse
Exemple :
On suppose que est partitionn en 0
Est-ce que le taux de
et 1:
chmage au Maroc est p 0 ? = 0 1 et 0 1 =
Est-ce que lesprance de vie
au Maroc est 0 ?...ou a Exprimons le fait que 0 par
augment ?
TOUIJAR 11
lhypothse H0 et le fait que 1 par H1
TOUIJAR 12
2
H0 : sappelle lhypothse nulle.

H0 : 0
H1 : sappelle lhypothse
H1 : 1 alternative.
Si 0 se rduit au seul point 0: 0 = { 0 }
H0 devient H0 : = 0 et sera
appele lhypothse simple.
Soit lhypothse simple H0 : = 0 Si H1 est telle que H1: < 0 ;

alors on dit que le test est unilatral
gauche:
Si H1 est telle que H1: > 0
;
alors on dit que le test est unilatral
droite: H0 :" =0"
H0 :" =0"
T.U.G. #
T.U.D. # H :" < "
H :" > " 1 0
1 TOUIJAR
0 15 TOUIJAR 16
Si H1 est telle que H1: 0 ; Dfinition: Un test dhypothse, est

une rgle de dcision permettant, au vu
alors on dit que le test est bilatral : de la ralisation ( x1, x2, , xn ) de lE.A., de
rpondre la question dans lequel des
H0 :" = 0" deux sous ensemble se trouve ?

T.B. # Cette rgle de dcision peut
conduire deux types derreurs:
H :" "
1 0
3
On rejette H0 alors que H0 est vraie: 1)-

RH0/H0vraie
On lappelle erreur de premire
= P(RH 0 H 0Vraie ) = P0 (RH 0 )
espce
Cest le risque de premire espce.
On ne rejette pas H0 alors que H1 est
vraie: 2)-
NRH0/H1vraie;
= P (NRH 0 H1Vraie ) = P1 ( NRH 0 )
cest lerreur de seconde espce .
On dfinit alors la probabilit de
commettre lune ou lautre erreur: Cest le risque de seconde espce.
Voici un tableau rsumant toutes les situations Procdure suivre

1- dfinir le paramtre tester
Dcision 2- Formuler les deux hypothses H0 et H1
Ralit RH0 NRH0 3- Prciser le Genre du test
4- Choisir la Statistique du test (bon estimateur de )
H0 Vraie Erreur de 1re Bonne Dcision
espce 5- Prciser la loi de la statistique sous H0
6- Ecrire la rgle de Dcision
H1 Vraie Bonne Dcision Erreur de 2me
7- Faire lapplication numrique et dcider
espce
8- Conclure
I- Tests Relatifs Une Proportion

Procdure suivre
1Test Unilatral gauche pour la proportion
i) Formulation des hypothses 1- paramtre p= tester
2- Formulation des deux hypothses
3- TUG pour la proportion
H 0 :" p = p 0 " 4- F est un bon estimateur de p
5- si le T.C.L. est vrifi sous H0 alors
T .U .G . #
H 1 :" p < p 0 " F p0
Z= 0 , 1
p 0q 0
n
4
I- Tests Relatifs Une Proportion Courbe de densit o

de la loi normale P ( Z > +z ) =
1Test Unilatral gauche pour la proportion centre rduite 1 et
F p0 2 o z = z 1
R.D Z=
p 0q 0
p0 q0
Si f < c = p0 z on rejette H 0 n
n

Si f c = p z p0 q0
0 on ne rejette pas H 0 1-
n
En effet :
0 TOUIJAR +z Z
- Notation : TOUIJAR 25 26
Loi de Loi de
F sous F sous
H1 H0
z p0 q0
n
R0
c p 0 R0 p1 c p0 F

Fp c p0
= P0 (RH 0 ) = P0 (F < c ) = P0 0
<
p q
0 0 p0 q0
n n
c p0
= z c = p0 z p0 q0
p0 q0 n
n p1 c p0
Remarque : Les logiciels utilisent souvent

le niveau de signification 0 ( p-value)
dune ralisation f de F : cest le plus
petit partir du quel on ne peut plus 0 P-value Interpretation
P0 (F < f ) = 0
rejeter H0 :
0 < 0,01 very strong evidence against H0
0,01 0 < 0,05 moderate evidence against H0

Si dans notre exemple on suppose que n=100, p0=0.75 f = 0,65
Alors : 0 = P0 (F < f ) 0,05 0 < 0,10 suggestive evidence against H0
= P0 (Z < 2,309) = 1% 0,10 0 little or no real evidence against H0

Signe de la rgion de Rejet
Le test est donc significatif
TOUIJAR 5% 29 TOUIJAR 30
5
2- Test Unilatral droite pour la En effet :

proportion
H 0 :" p = p0 "
i)-F.H. z p0 q0
T .U .D.# n
F
H 1 :" p > p0 "
R0 p0 c
R0
ii) si le T.C.L. est vrifi sous H0 alors la
rgle de dcision devient : F p0 c p0
= P0 ( RH 0 ) = P0 ( F > c ) = P0 >
p 0q 0 p 0q 0
R.D

p0 q0 n n
Si f > c = p0 + z on rejette H 0
n c p 0
= + z c = p 0 + z p 0q 0
Si f c = p + z p0 q0 on ne rejette pas H p 0q 0 n
TOUIJAR
0
n
0 31
n TOUIJAR 32
Remarque : La p-value ici vaut : 3- Test Bilatral pour la proportion

F.H
0 = P0 (F > f ) H0 :" p = p0"

T.B.#
Si on teste p = 0,75 # p > 0,75 et si n=100 f = 0,65
H1 :"p p0"
Alors : Si T.C.L. On adopte la Rgle de
0 = P0 (F > f ) dcision suivante :
= P0 (Z > 2,309) = 99%
R.D
Si f [c1 ; c2 ] on rejette H 0

Le test nest donc pas significatif 5% ni Si f [c1 ; c2 ] on ne rejette pas H 0
95% TOUIJAR 33 TOUIJAR 34
Do:
R0 R0 R.D
c1 p0 c2 p0q0
Si f p0 > z / 2 on rejette H0
n
R0
Si f p z p0 q0
or f [c1 , c2 ] f [ p0 c , p0 + c ] f p0 c 0 /2 on ne rejette pas H0
n
d ' o f [c1 , c2 ] f p0 > c
Ou

Fp Si z > z /2 on rejette H 0
= P0 (RH 0 ) = P0 ( F p0 > c ) = P0
c
0
>
Si z z /2 on ne rejette pas H 0
p0 q0 p0 q0
n n
avec f p0
c p0 q0 z =
= z c = z p 0q 0
p0 q0 2 2
TOUIJAR
n 35 TOUIJAR 36
n n
6
Remarque Si on teste p = 0,75 # p 0,75 II- Tests Relatifs Une

et si F vaut f = 0,65 , alors la p-value Moyenne
vaut ici : 1- Test Unilatral droite pour la
moyenne
F p f 0, 75
0 = P0 0
>
p 0q 0 0, 75 0, 25
Question : est-ce que lesprance de vie
n 100
des marocains a augment depuis le
= P0 (Z > + 2 , 3 0 9 ) = 2 P0 ( Z > + 2 , 3 0 9 ) dernier recensement ?
= 2 1% = 2%
Pour rpondre cette question, on doit
Le test est donc significatif 5% et mme
confronter 2 hypothses:
2,5% TOUIJAR 37 TOUIJAR 38
i)-
H 0 :" = 0 " 1)- Dtermination de c en fonction du
risque :
T .U .D.#
H 1 :" > 0 "
a)Si est connu et (X est normale ou n 30 )
ii)-On adopte ensuite une Rgle de
dcision base sur la statistique X et qui
c 0
= P0 (RH 0 ) = P0 ( X > c ) = P0 Z > n
rpondra la question: partir de quelle

ralisation de X dcidera-t-on du rejet de
H0 pour un risque ?
Si x > c on rejette H 0
c 0
n = z c = 0 + z

Si x c on ne rejette pas H
TOUIJAR
0 39 TOUIJAR n 40
b)Si est inconnu et X est normale; on a

Do la rgle de dcision : la rgle de dcision :
s
Si x > c = 0 + t n 1; on rejette H 0
n
s
Si x c = 0 + t n 1; on ne rejette pas H 0

Si x > c = 0 + z n on rejette H0
n
c)Si est inconnu et n 50 ; on a la
rgle de dcision :
Si x c = 0 + z on ne rejette pas H0
n s
Si x > c = 0 + z n on rejette H 0
s
Si x c = 0 + z on ne rejette pas H 0
TOUIJAR 41 n
TOUIJAR 42
7
II- Tests Relatifs Une ii)-On adopte ensuite une Rgle de

Moyenne dcision base sur la statistique X et qui
2- Test Unilatral gauche pour rpondra la question: partir de quelle
la moyenne ralisation de X dcidera-t-on du rejet de
H0 ?
On doit confronter les deux hypothses
Si x < c on rejette H 0
suivantes Si x c on ne rejette pas H

H 0 :" = 0 "
0
i)-
T .U .G.# De la mme faon que prcdemment, on
H1 :" < 0 " a les rgles de dcision selon les cas :
a)Si est connu et (X est normale ou n 30) c)Si est inconnu et n 50 ; on a la

rgle de dcision :

Si x < c = 0 z
s
Si x < c = 0 z n on rejette H 0
on rejette H0
n
s
Si x c = 0 z on ne rejette pas H0 Si x c = 0 z on ne rejette pas H 0
n n
b)Si est inconnu et X est normale; on a II- Tests Relatifs Une Moyenne
la rgle de dcision : 3- Test Bilatral pour la moyenne
s
Si x < c = 0 t n 1; on rejette H 0

i)- H0 :" = 0"

n
s T.B.#
Si x c = 0 t n 1; on ne rejette pas H 0
TOUIJAR
n 45 H1 :" 0"
TOUIJAR 46
ii)-On adopte la Rgle de dcision

suivante : x [c1 ; c2 ] c1 x c2 0 c x 0 + c
c x 0 + c x 0 c
Si x [c1 ; c2 ] on rejette H 0

Si x [c1 ; c2 ] on ne rejette pas H 0 Do la rgle de dcision suivante
Si x 0 > c on rejette H0

R0 R0

c1 0 c2 Si x 0 c on ne rejette pas H0
R0
8
b)Si est inconnu et X est normale

On a les rgles de dcision selon les
s
cas : Si x 0 > t n1; / 2 n
on rejette H0
s
a)Si est connu et (X est normale ou n 30 ) Si x 0 t n1; / 2 on ne rejette pas H0
n

Si x 0 > z / 2 n
on rejette H0 c)Si est inconnu et n 50 ; on a
s
Si x 0 > z / 2
on rejette H0
n
Si x 0 z / 2 on ne rejette pas H0
n s
Si x 0 z / 2 on ne rejette pas H0
TOUIJAR 49
n
TOUIJAR 50
RD.
III- Tests Relatifs Une Si s 2 > c on rejette H 0

Si s c
2
on ne rejette pas H 0
Variance
Dans ce paragraphe on supposera la 2 (n-1)
normalit de la population
1- Test Unilatral droite pour la

variance
H 0 :" = 0 "
2 2
2n1; Y

T .U .D.# Y = ( n 1)
S2 2 (n-1) sous H0
02
H1 :" 2 > 02 " 02 2
= P0 (Y > 2 ) = P S
2
>

2 c = 0 522
TOUIJAR 51 n 1; 0

TOUIJAR
n 1
n 1;
n 1 n 1;
2- Test Unilatral gauche pour la

De la mme faon que prcdemment, on variance
a les rgles de dcision selon les cas : H 0 :" 2 = 02 "

T .U .G.#
a)Si est inconnue
H1 :" 2 < 02 "
La statistique utilise est S2; do la R.D.
est :
02 R.D. (pour inconnue)
Si s > n 1; 02
2 2
on rejette H 0
n 1 Si s < n 1;1
2 2
on rejette H 0
n 1
Si s 2 n21; 2
0

02
on ne rejette pas H 0 Si s 2 n21;1
n 1
TOUIJAR 53
n 1 TOUIJAR 54
9
3- Test Bilatral pour la Si est inconnue

variance
2 02 02
Si s 2

n 1;1 / 2 ; n21; / 2
n 1 n 1
H0 :" = " 2 2
0
on rejette H
T .B.#
0
Si s 2 2 02 02
H1 :" 2 02 " n 1;1 / 2 ; n21; / 2
n 1 n 1

Cas o est inconnue

1- Test Bilatral de Rapport critique (sous H0):
comparaison de 2 Variances : S2
Rc = 12 Si s12 > s22 22
On suppose la normalit des 2 S2 H 0 : =1
S 22 12
populations Sinon R c = 2 et F.H. devient alors
H1 : 2 2 1
2
S1
12 = 1 1
F.H. H :
H 0 : 12 = 22
0
22 Loi de Rc sous H0 :

# #
Rc
1 ,
2
H : 2 2
1 1 2
12
H 1 : 1
22
2- Test Bilatral de comparaison de 2

R.D. moyennes
H0 : 1 = 2 H0 : 1 2 = 0
[
Si Rc F1 / 2 ( 1 ; 2 ) ; F / 2 ( 1 ; 2 ) ]
#

#

on rejette H 0 H1 : 1 2 H1 : 1 2 0

[
Si Rc F1 / 2 ( 1 ; 2 ) ; F / 2 ( 1 ; 2 ) ]
On propose X 1 X 2 comme estimateur
on ne rejette pas H 0 de 12 :
o i = ni 1
a)Si 1 et 2 connus et (X1 normale ou n1 30 )
TOUIJAR 59
n2 30
et (X2 normale ou TOUIJAR ) 60
10
R.D. b)Si 1 et 2 inconnus mais gales et X1 et

X2 normales, alors la R.D. est la suivante
12 22 :
Si x1 x2 > z / 2 + on rejette H0 1 1
n1 n2 Si x1 x2 > t / 2;n1 +n2 2 s +
n1 n 2

on rejette H
12 22
0
Si x1 x2 z / 2 + on ne rejette
Si x x t 1 1
n1 n2 / 2;n1 + n2 2 s +
pas H 1 2
n1 n 2
0

TOUIJAR 61 on ne rejette pas H0 TOUIJAR 62
S =
2 (n1 1)S12 + (n2 1)S 22
Si x1 x2 > z / 2
s12 s22
+ on rejette H0
(n1 1) + (n2 1) n1 n 2

s12 s22
c)Si 1 et 2 inconnus et n1 50 , n2 50 Si x1 x2 z / 2 + on ne rejette
alors la R.D. est la suivante : n1 n 2
pas H
0
RAPPELS
Moments Conditionnels :
On suppose que Y est une V.A.R. mais que X
CH 0 peut tre qualitative;
Rappels LEsprance conditionnelle :

II On appelle esprance de Y sachant X=x;
note E (Y X = x ) ; la quantit dfinie par
Moments E (Y X = x ) = y P (Y = y / X = x )
Conditionnels y
Rem : E(Y/X=x)=(x) est une fonction de x
appele fonction de rgression de Y en X
TOUIJAR 66
TOUIJAR 65
11
Dfinition : La Variance conditionnelle :

On appelle esprance conditionnelle de Y Dfinition :
sachant X; note E (Y X ) ; la variable On appelle Variance conditionnelle de Y
alatoire dfinie par : sachant X=x; note V (Y X = x ) ; la quantit
E(Y/X)=(X)
V (Y X = x ) = E (Y E (Y X = x ) ) / X = x
2

Proprits : De l on peut dfinir la V.A. variance
conditionnelle :
1) Linarit: E (Y 1 + Y 2 X ) = E (Y 1 X ) + E (Y 2 X ) V (Y X ) = E (Y E (Y X ))
2
/X

2) Thorme de lesprance Totale :
Thorme de la variance Totale :
E E (Y TOUIJAR
X ) = E (Y ) 67 V (Y ) = E V (Y
TOUIJAR / X ) +V E (Y X ) 68
Approche gomtrique : Approche gomtrique :

Soit le produit scalaire de 2 V.A. X et Y, not Soit maintenant lespace Lx des V.A.
<X , Y>, dfinie comme suit fonctions de X (i.e. du type (X)); alors
<X , Y>= E(XY) E(Y/X) est la projection orthogonale de Y sur
Et soit ||.|| la norme associe ce produit Lx (les proprits dun projecteur orthogonale sont
vrifies grce aux proprits de lesprance
X ,X = E (X )
scalaire :
X = 2
conditionnelle).Do E[(Y-(X))2] minimale si
(X)=E(Y/X)
Si Y et X sont deux variables centres, alors Y W
<X,Y>=E(XY)=cov(X,Y) et X = E X 2 = X ( )
E(Y/X)
E(X) est la projection orthogonale de X sur O D

E(Y)
la droite D des V.A. constantes : X
X
E[(X-a)2] minimale si a=E(X)
TOUIJAR 69 Lx TOUIJAR 70
O E(X)
D
a
Introduction :
La RLS (rgression linaire simple)
permet dtudier la liaison (suppose
linaire) entre deux variables quantitatives
X et Y; o Y (variable endogne) sera
explique par X (variable exogne).
Autrement, on cherche prvoir le
comportement moyen de Y en fonction de
la V.A. X : Y= (X) tel que cet estimateur
soit sans biais : E(Y)=E(Y), et mesurer
TOUIJAR 71 lerreur de prvision : V(Y-Y)
TOUIJAR 72
12
Nous allons nous intress laspect Modle thorique de la rgression simple

infrentiel de cette rgression. On mesure la qualit de cette approximation
On supposera, dornavant, que la par le rapport
fonction de la V.A. X est linaire
(Rgression Linaire) et on traitera alors
2
=
( ( X )) = V ariance exp lique = Cos
V E Y
2
( )
Y
X V (Y ) V arianceTotale
cette rgression sous deux volets; le
volet thorique ensuite le volet o on ne La fonction qui x E (Y / X = x ) est appel
travaillera quavec les ralisations de X fonction de rgression, dont la reprsentation
et Y sur un chantillon. graphique sappelle courbe de rgression de Y
en X : on crit Y = E (Y / X ) +W . Or puisque
E (Y ) = E E (Y / X ) + E (W ) E (W ) = 0

TOUIJAR 73 = E (Y ) TOUIJAR 74
et daprs le graphique ci-dessus W est non Cas o la rgression est Linaire

corrle ni avec X ni avec E(Y/X) (car ) do Cest le cas o E(Y/X)=0+1X ; on a alors
Y = 0 + 1X +W
V (Y ) =V E (Y / X ) +V (W ) E Y( X )= 0 + 1X
E (Y ) = 0 + 1E ( X )
V (Y ) V (W ) V (W )
Y =
2
= 1 Y E (Y ) = 1 ( X E ( X ) ) +W
X V (Y ) V (Y )
E (Y E (Y )) ( X E (X ) ) = 1E ( X E (X ))
2
V (W ) = (W ) = 1 Y V (Y )
2
2
X + E W ( X E ( X ) )

=0
Cov ( X ,Y ) = Y
Cov ( X ,Y ) = 1V ( X )TOUIJAR
1 =
TOUIJAR 75
V (X ) X76
Cas o la rgression est Linaire et simple Modle de la rgression linaire avec

Lquation de la droite scrit alors donnes Exprimentales
Cov ( X ,Y ) Il y a trois types diffrents de donnes :
(
E Y
X ) E (Y )= V (X )
(X E (X ))
Donnes en coupes instantanes ( ou transversales :

Y = E (Y ) + Y ( X E ( X ) ) +W
Cross-sections)
X
Y 2 Exemple : Si on prend le modle keynsien classique:
V (Y ) = 2 V ( X ) +V (W )
X 2 C i = 0 + 1Ri +W i i = 1, , n
= 2V (Y ) +V (W )
2 = Y
2 Ci et Ri observs pour i = 1, ...,n
X i =individu, mnage, entreprise,... et n = nombre total
dobservations
13
Modle de la rgression linaire avec Modle de la rgression linaire avec

donnes Exprimentales donnes Exprimentales
Sries chronologiques (ou sries temporelles :Time

series) Donnes de panel : Panel data (ou donnes individuelles-
temporelles)
Exemple : Exemple :
Ct = 0 + 1Rt +W t t = 1, ,T Ci t = 0 + 1Ri t +Wi t t = 1,,T i = 1,, n

Ct et Rt observs pour t = 1, ...,T
Cit et Rit observs pour i = 1, ...,n ; t = 1, ...,T
T = anne, trimestre, mois,... et T = nombre total
dobservations TOUIJAR 79 TOUIJAR 80
Modle de la rgression linaire avec

donnes Exprimentales : 1er type
Soient les donnes (xi , yi) un chantillon de
taille n , relatif (X ,Y).
Rgression linaire E Y ( )
= 0 + 1X
X
Le modle scrit alors :
y i = 0 + 1x i +w i i = 1,, n
O wi sont des ralisations indpendantes de W

desprance nulle et de variance 2 constante x i
On lappelle modle linaire
Exemples de Modles linaires et non

Linaires:
1)- Soit la fonction keynsienne :
Les coefficients(paramtres) 0 et 1 du
Ct = 0 + 1Rt +W t t = 1, , n
modle, ainsi que 2 (W ) seront estims
O C : consommation
R : le revenu
puis tests partir des donnes (xi ,yi ) de 1: propension marginale consommer
0: consommation incompressible.
lchantillon. w : lerreur (bruit)
Cest un modle linaire :MRLS

14
Exemples de Modles linaires et non Exemples de Modles linaires et non

Linaires: Linaires:
2)- y = x un modle non-linaire mais 3)- y = exp ( x )

un modle non-linaire
quon peut rendre linaire en composant par le mais quon peut linariser en posant :
logarithme :
y = Ln ( y ) y = + x
Ln ( y ) = Ln ( ) + Ln ( x )
Modle croissance exponentielle
Modle trs utilis en conomtrie (lasticit
constante de y/x ; o est le coefficient
dlasticit
Exemples de Modles linaires et non Exemples de Modles linaires et non

Linaires: Linaires:
exp ( + x )
4)- y = un modle non-linaire 5)- y = + exp ( x )
1 + exp ( + x )
est un modle non-linarisable
mais quon peut rendre linaire en posant :
y
y = Ln y = + x
1 y 6)- y = + x + x est un modle linaire
2
Modle logistique qui tudie les variations dun mais pas simple : 2 variables explicatives.
taux de rponse y en fonction dune excitation
x
Estimations des paramtres , et 2: Anne PNB: X La Demande : Y

1969 50 6
Exemple Introductif 1970 52 8
1971 55 9
1972 60 12
Le tableau ci-dessous reprsente le produit
1973 57 8
national brute ( PNB) et la demande des biens de
1974 58 10
premire ncessit obtenus pour la priode
1975 62 12
1969-1980 dans un certain pays.
1976 65 9
Nous cherchons estimer la demande des biens 1977 68 11
de premire ncessit en fonction du PNB suivant le
1978 69 10
modle linaire simple: TOUIJAR
1979 70 11
yi = 0 + 1x i +w i ;
TOUIJAR i = 1,, n 89
1980 78 14 90
15
Estimations des paramtres , et 2: Hypothses

Exemple Introductif H1: Le modle est linaire en X
H2: Exognit de la Variable indpendante:

Pour effectuer une telle tude, on doit
prciser certaines conditions dapplication E(Wi /X)=0
(hypothses fondamentales)
H3: Homoscdasticit et absence dautocorrlation:
- 2 = V(W i ) est constante quelque soit i
- Cov(Wi , Wj)=0 pour ij
H4: Les Wi sont de mme loi normale :

TOUIJAR 91
Wi N (0,TOUIJAR
2) 92
f (Y/X)
Remarques

Y
1)- La normalit des erreurs W i entrane celle x1
des Yi ; en effet
x2

Wi N (0,2) Y
i
X i = xi N (0 +1xi ; 2 ) x3
X
Graphiquement : E (Y / X = x ) = 0 + 1x
Remarques I- Estimation des paramtres du MRLS
2)- E(Wi /X)=0 E(Wi)=0 et cov(Wi ,X)=0

1- La mthode des MCO
3)- La normalit des erreurs W i nest pas On dtermine la droite passant, le plus
ncessaire pour lestimation des paramtres 0 proche, de tous les points du nuage (xi,y i)
et 1 par la mthode des moindres carrs. E(Y /X=x) = 0+ 1 x
Y
4)- Il suffit davoir la non corrlation des erreurs yi
y ei y = 0+ 1 x
et leur normalit pour avoir leur indpendance y (xi )
yi
5)- On pourra ajouter une autre hypothse : Les
Xi sont certaines (non alatoires); ceci nous
vitera dutiliser les esprances
TOUIJAR conditionnelles
95 xi
TOUIJAR
x X 96
16
F (0 , 1 ) n
Notons par lquation de la = 0 2 ( y i 0 1x i ) = 0 (1)
droite de rgression recherche
0 i =1
y = 0 + 1x
Et la valeur rsiduelle. Donc la droite passe par le point moyen G ( x ; y )
F (0 , 1 ) n
= 0 2 x i ( y i 0 1x i ) = 0 ( 2)
On dsire calculer les valeurs qui 1 i =1
n n n
minimisent la somme des carrs des rsidus :
n n
x i y i 0 x i 1 x i2 = 0
e = ( y 0 1x i ) = F (0 , 1 )
2 2 i =1 i =1 i =1
i i
i =1 i =1 xy 0 x 1 x = 0 2
On notera dsormais 0 et 1 la place de0 et 1

xy x y Cov ( x , y )
TOUIJAR par rapport et 97
1: 1 =TOUIJAR =
En annulant les drives 0 x2 x2 V (x ) 98
(1) et (2) nous donnent les quations :

n n Les Donnes centres
ei = 0 et
i =1
x i ei = 0
i =1 En utilisant les donnes centres:
Et dautre part : 0 = 0 =
(xi )( y i y )
1 =
x
et 0 = y 1x do A1 scrit
(xi x )
2
=1 0 0
1 =
1 scrit aussi =1 0
2
n (x y ) x
1 = i i 2 i 2 i
y
TOUIJAR
n (xi ) ( xi ) 99 TOUIJAR 100
X Y X0 X02 Y0 X0 Y0 Y^ ei ei xi ei2
50 6 -12 144 -4 48 7,511 -1,511 -75,532 2,282

52 8 -10 100 -2 20 7,926 0,074 3,872 0,006
55 9 -7 49 -1 7 8,548 0,452 24,867 0,204
60 12 -2 4 2 -4 9,585 2,415 144,894 5,832

57 8 -5 25 -2 10 8,963 -0,963 -54,878 0,927
58 10 -4 16 0 0 9,170 0,830 48,128 0,689
62 12 0 0 2 0 10,000 2,000 124,000 4,000
65 9 3 9 -1 -3 10,622 -1,622 -105,452 2,632
68 11 6 36 1 6 11,245 -0,245 -16,638 0,060
69 10 7 49 0 0 11,452 -1,452 -100,197 2,109
70 11 8 64 1 8 11,660 -0,660 -46,170 0,435
78 14 16 256 4 64 13,319 0,681 53,106 0,464
744 120 0 752 0 156 120,000 0,000 0,000 19,638
^1 = ^0 =
62 10 0 0 10 0,2074 -2,862
17
Exemple: la droite de rgression empirique Thorme 1:

sont des estimateurs sans Biais de , et de E x (Y
A0 , A1 et Y )
dans notre cas, a pour quation : 0 1
Elle permet dobtenir une estimation de la

A1 =
( X X )(Y Y )
i i
(X X )
2
demande moyenne des biens de 1re ncessit
i
pour un PNB x.
Rem : 1)- si x (PNB)=0 alors valeur O E x (Y ) dsignera E (Y X =x)
qui na aucune signification concrte.
2) si x=x+1, alors ; une aug de 1 Remarque :
du PNB entraine une aug de la demande

0 , 1 et y sont des ralisations de A0 , A1 et Y

moyenne de 0,21. TOUIJAR 103 TOUIJAR 104
Dem : on doit montrer que E ( A1 ) = 1 De mme puisque :

Pour ce on doit montrer E xi
(A ) =
1 1
0 = y 1x , 0 tant une ralisation de A0 ;on a :
En effet E E ( ( A )) = E ( A ) =
xi
1 1 1
E x i ( A0 ) = E x i ( Y ) x 1 E x i ( A1 )
E x i ( A1 ) =
(x i x )E xi
((Y i Y) )
1
(x x ) = 0 + 1x x 11 = 0
2
i
Or E x i (Y i ) = 0 + 1x i
(
E E x i ( A0 ) = E ( A0 ) = 0)
do
E x i ( Y ) = 0 + 1x E x i (Y i Y ) = 1 ( x i x )
E x i ( A1 ) = 1 TOUIJAR 105 TOUIJAR 106
Pour la troisime estimation : En utilisant les donnes centres:

E (Y
x
) = 0 + 1x 0 + 1x = y
x 0i = x i x et Y 0 i =Y i Y do A1 scrit
est une estimation sans Biais de 0 + 1x = E (Y x
) x Y = x Y = Y x 0i
A1 = 0i 0i 0i i
o i =
(x ) (x ) (x )
i i
= A + A X est un estimateur sans
Y 0i
2
0i
2
0i
2
0 1
Biais de E x (Y ) Do Cov ( A , Y ) = Cov ( Y

xi
1
xi
i i , Y)
1
= i Cov x i (Y i , Y ) = i Cov x i Y i , Y j
On montre de plus que A1 et Y sont non
corrls; pour ce, on commence par n
2
montrer quelles le sont = i
n
=0
=0
conditionnellementTOUIJAR
xi : 107 Par consquent elles sont non corrles marginalement
TOUIJAR 108
18
Pour la linarit, on a dj vu que :

Proprits et Distributions des
x 0i
Estimateurs A1 et A0 A1 = iY i o i =
(x )
2
0i
Thorme 2 (GAUSS-MARKOV) :
Reste montrer que la variance est minimale;
A0 et A1 sont des estimateurs BLUE de 0 et 1 pour ce supposons quil existe un autre
estimateur A linaire et sans Biais (o on
notera E la place de Exi et V au lieu de Vxi ) :
Dm : on a dj montr qu ils sont sans biais. A = k iY i et E ( A ) = 1 k i E (Y i ) = 1
De plus
k i (0 + 1x i ) = 1
2
V xi
( A ) = V (Y ) = 2 xi 2 2
=
(x )
1 i i i 2
0i 0 k i + 1 k i x i = 1
car
k i = 0 et k x =1
V xi
(Y i ) =V (0 + 1X i W i X i = x i ) =V (W i ) =
+TOUIJAR 109
2 i i
TOUIJAR 110
Or De mme pour A0; on a vu que :

V ( A ) = k i2V (Y i ) = 2 k i2 1 X (Y Y)
A0 = Y XA1 = Y X
0i i
= ( k + ) = ( k ) + ( )
i
X
2 2 2 2 2 2 2
i i i i i i N 0i
+ 2 ( k )
2
i i i X 0iY i YX 0i

= ( k ) + ( ) 2 ( ) 1 1
Y i X = X i Y i
2 2 2
= =0
2 2 2
X 0i 2
i i i i
+ 2 k 2 N N
i i
une ralisation de A0 est :
2 2 2 2
= 2 ( k i i ) 2 (i ) + 2 i i
x 02i
2 2
x k x k
x 0i i 1
V ( A1 ) =1 =0 0 = x i yi
2V ( A1 ) N
= 2 ( k i i ) + 2V ( A1 ) V ( A1 )
2
On vient de voir que A0; est une
combinaison linaire des Yi et quil est sans
= ( k i i ) +V ( A1 ) V ( A1 )
2 2
TOUIJAR 111

Biais de 0 reste montrer
TOUIJAR
quil est de variance
112
0
minimale :
On calcule maintenant la variance de A0: Considrons un autre estimateur linaire sans biais
(dsormais, on travaille avec les xi fixes et V au lieu de Vxi) A de 0, do
2 2
1 1
V ( A 0 ) = x i V (Y i ) = 2 x i
N N A = k iY i et E ( A ) = 0 k i E (Y i ) = 0

2
k i (0 + 1x i ) = 0
= 2 2 + x 2
1 x 0i x
2
N N
2
2
N
i
0 k i + 1 k i x i = 0

xoi

i =1 k i = 1 et k x i i =0

x0i

2 1 1 x = +1 x 2

= +x 2
2 =0 2
N N
2 N N
2 N N
2
x 0i x 0i x 0i
i =1 i =1
TOUIJAR i =1 113 TOUIJAR 114
19
1
Or posons f i = x i Thorme 3 :
N n
V ( A ) = k i V (Y i ) = 2 k i2 ( y yi )
2 2
i
=
2 i =1 est une estimation sans Biais de 2
= 2 (ki f i + f i ) = 2 (ki f i ) + 2 (f i )
2 2 2
n 2
+ 2 2 f i ( k i f i )
= 2 ( k i f i ) V ( A0 ) + 2 2 f i k i
2
Dm : en injectant Y dans la diffrence, on a :
2 2 2 2
= (k fi ) V ( A0 ) + x xi ki
2
ki
(Y ) = (Y )
2 n n
2 2
N x 02i Y
Y+YY
;
i
i i i i
=1 =0 i =1 i =1
2 2 x 2
= 2 ( k i f i ) V ( A0 ) + 2V ( A0 ) et puisque Y = Y
d'o :
2
+
0i
x 2
( ) ( )
n n n
= (Y i Y ) + Y 2 (Y Y ) Y
2
2
Y Y

= 2 ( k i f i ) +V ( A0 ) V ( A0 )
2 i i i
i =1 i =1
i =1
(1)
0
TOUIJAR 115 ( 2) TOUIJAR (3) 116
Dm : (suite) Dm : (suite)
( ) ( )
n 2 n 2
Y i Yi = Y i Y + Y Yi
i =1 i =1
Do :
n n n
(Y Y ) = (W i W ) + 12 ( x i x )
2 2
) )
2
( (
n n n
= (Y i Y ) + Y 2 (Y Y ) Y
2
2 i
Y Y
i =1 i =1 i =1
i i i
i =1 i =1
i =1
+2 (W i W ) ( x i x
n
() ( 2) (3)
)
1
i =1
Dautre part : pour calculer (1), on a :
E (Y i Y ) = E (W i W ) + 12 ( x 0 i
n n n
)
2 2 2
i =1
i =1 i =1
y i = 0 + 1x i +w i n
+2 ( x i x ) E (W i W )
y i y = (w i w ) + 1 ( x i x )
y = 0 + 1x +w i =1
=0
n n n
= E W i 2 + n E W 2 2 E W i W + 12 ( x 0 i )
2
TOUIJAR 117 i =1 TOUIJAR 118 i =1 i =1
Dm : (suite) Dm : (suite) Pour ce qui est de (2) :
(Y Y ) = (Y Y )
2 n 1 n n n n
2 E W i W i + W j + 12 ( x 0i ) = A12 ( xi x )
2 2
= n 2 + n
2 2
i i
n i =1 n j i i =1 i =1 i =1 i =1
2 n

n
i =1
2 n
i =1
(2
E Yi Y = (xi x ) E A12

) ( )
= n 2 + 2 E W i 2 + E W iW j
n i =1

= 2

j i

n 2
= (x0i ) V A1 + 12 (( ) )
=0 i =1
n
+12 ( x 0i )
2

n 2 2 n 2
i =1
n n
( )
= x0i n

+ 1 = 2 + 12 ( x0i )
2

( x0 i )
= n 2 + 2 2 2 + 12 ( x 0i ) = ( n 1) 2 + 12 ( x 0i )
2 2 i =1 2 i =1

i =1 TOUIJAR i =1 119 i =1 TOUIJAR 120
20
Dm : (suite) Pour ce qui est de (3) : Dm : (suite)

Pour ce qui est de (1)+(2)-2*(3) :
(Y Y )(Y Y ) = Y (Y Y ) Y (Y Y )
n n n
( )
n 2
E Yi Yi = ( n 2) 2
i i i i i
i =1 i =1 i =1

n n
i =1
= A1 Yi ( xi x ) A1 Y ( xi x )
i =1

= ( x0 i ) i Yi
n 2
i =1

=0
1 n
n2 i
E Y Yi( )2 = 2
i =1
i =1
n
i =1

( n
i =1
)2
E (Yi Y ) Yi Y = E A1 ( x0i ) A1

CQFD
On pose donc :
n 2
(( ) n 2
= (x0i ) V A1 + 12 = 2 + 12 ( x0i ) ) 1
i =1 TOUIJAR
i =1 121
S2 =
n2
ei2 ESB de 2
TOUIJAR 122
Distributions des estimateurs

A0 , A1 et Y Remarques :
Puisque Wi est normale, on a 1- Les lois des estimateurs vont nous servir
Yi/Xi=xi N ( 1 xi + 0 , 2) pour la construction des intervalles de

suivent aussi, pour des x confiance et pour les Tests.
Par consquent A0 , A1 et Y i
fixes, des lois Normales : 2- On dmontre que :
A1 N ( 1 , 2
(x ) 0i
2
)
( n 2 ) S 2 = e i2 2 ( n 2)
1 2 2
A0 N ( 0 ,
2
+
x2
)
N ( x 0i )
2
est indpendante de A 0 , A1 et Y
1
Y i N (
1 xi + 0 ,TOUIJAR
2 +
x 02i
N ( x )2
)
123 TOUIJAR 124
0i
II- Tests sur les coefficients du MRLS i)- Formulation des Hypothses :
H 0 : 1 = 0

1- Test sur la rgression #
H : 1 0
On veut tester si la rgression de Y sur X est
1
significative ?
ii)- Statistique utilise et sa loi :

Sous lhypothse 1 = 0 le modle scrit :
Yi = 0 + Wi i = 1,, n On Propose alors A1 estimateur sans biais de 1

et Y ne dpend plus alors de X.
21
A1
N (0 , 1 ) sous H0 2 =
1
( yi 0 1 xi )2 = 1 ei2
n2 n2
x 0i
2
Le n-2 vient du nombre de paramtres estims
Do, la statistique du test sera, sous H0
Or est inconnu, on doit lestimer;
Si 0 et 1taient connus, la meilleure
TA1 =
A1
; o sA1 =

=
e
i
2
estimation de 2 est : S A1
(x ) n 2 (x )
2 2
0i 0i
1 1
w i2 = ( y i 0 1 x i )
2
qui suit une loi de student n-2 d.d.l.
n n Sous H0, T devient :
A1
Sinon, En remplaant 0 et 1 par A 0 et A1, on T A1 = tn 2
obtient une bonne estimation
TOUIJAR de 2 : 127 TOUIJAR
S A1 128
iii)- R.D. Solution :

: = 0
Si t A > t n 2 ; /2 on rejette H0 F.H. H 0 1
1
#
H
: 0
Si t A1 t n 2 ; /2 on ne rejette pas H0
1 1
A1
Estimateur et sa loi TA1 = t(10)
S A1
Exercice : R.D.
Si t > t10 ;0,025 on rejette H0
Pour lexemple du PNB, 1

Si t1 t10 ; 0,025 on ne rejette pas H0
Tester si la rgression est significative 5% ?
A.N. 2- Intervalle de confiance de 1

1 n 2 (x )
2
1 Daprs ce qui prcde, on a :
t1 = =
0i
e I C (1 ) = [1 t n 2; / 2 s1 ; 1 + t n 2; / 2 s1 ]
s1 i
2
0, 2074 10 752
= 4, 06 et t10;0,025 = 2, 23
19, 638 A.N. 19, 638
t10;0,025 = 2, 23 1 = 0, 2074 s1 = 10 = 0, 05
752
On a t calcul suprieur au t tabul donc
I C (1 ) = [ 0, 2074 2, 23 0, 05 ; 0, 2074 + 2, 23 0, 05]
on RH0 la rgression est donc significative
= [ 0,096 ; 0,319]
22
Remarque : III- Tests et Tableau dAnalyse de la

1 = 0 I C (1 ) = [ 0, 096; 0,319] Variance (ANOVA) dun MRLS
RH 0
1- quation fondamentale de l ANOVA:
Interprtation: 95% de confiance, La notion de liaison entre Y et X, signifie
laugmentation de la demande moyenne se
qune variation de x implique celle de Y.
situe entre 0,1 et 0,32 pour une augmentation
de 1 du PNB La formule de dcomposition de la
Pour 0 on a : variance permet de connatre la part de
variation de Y explique par celle de X :
I C ( 0 ) = 0 t n 2; / 2 s 0 ; 0 + t n 2; / 2 s 0
1 x2

i (YY) +
(Y Y ) = 2
(Y Y )
i
2
i i
2
= [ 9, 979 ; 4, 255 ] o s 2 0 = S 2 + = 3,194 ^ 2

TOUIJAR n
x 02i 133
SCT SCE
TOUIJAR SCR = 2
e134
i
en effet : La variabilit totale(SCT)est gale la

(Y Y) = Y Y( )
2 2
+Y
Y
i i i
variabilit explique(SCE) augmente de la
( ) + ( Y Y ) + 2 (Y Y )( Y Y )
2 2
= Y Y

i i i i
variabilit rsiduelle(SCR).
Cette dcomposition va nous permettre de
= (Y ) + (Y
Y ) + 2 e ( Y Y )
2 2
Y i i i i dcider de la qualit de lajustement du modle.
= (Y ) + (Y
Y i
2
i ( Y )
Y ) + 2 e Y
2
i i
Remarque : si la variance explique tend
vers la variance totale (SCR faible), la
= (Y ) + (Y Y ) + 2A e ( x x )
2 2
Y i i 1 i i qualit de lajustement tend tre
meilleure.
( ) + ( Y Y ) + 2A
2 2
= Y Y

i i e x x e
1 i i i Ceci nous donne une ide de tester,

=0 =0
dune autre faon, la signification de la
=0
rgression: un test quivalent au T-test
= (Y Y

i ) + (
2
Y
TOUIJAR
Yi )
2
135
sur 1 TOUIJAR 136
La variabilit explique SCE nest autre quun Do

H : 1 = 0
estimateur de E(SCE/1) et SCR estimateur de
0
#
E(SCR/n-2); on a : H
1 : 1 0
SCE
E
1

( 2
)
= E A1 x 0 i = + 1 x 0i
2 2 2 2
H
0 : E (S C E 1 ) = E ( S C R n 2 ) ( r g n o n s ig n .)

SCR e i2 #

E = E =
2
n 2 n 2
H
1 : E (S C E 1 ) > E (S C R n 2 ) ( r g s ig n .)
De l, on peut affirmer que si la rgression est La statistique utilise est SCE

SCR
significative( 1 0 ) alors:E(SCE /1) > E(SCR/n-2) Sa loi sous H0?
Par contre, si la rgression nest pas significative On montre que
( 1 = 0) alors: E(SCE/1) = E(SCR/n-2) 2

SCE/ 2(1)
TOUIJAR 137
2
SCR/ TOUIJAR
2(n-2) 138
23
Do sous H0 Tableau de l ANOVA

SCE Source Somme Carrs
d.d.l Fisher
F=
1
Y (1 ; n 2) de var des carrs moyens
SCR
n2 x SCE= Yi Y ( )2
1 SCE/1F=
SCE/
R.D.
Si F > Y (1N n 2 ) on rejette H 0 Rsidu SCR= e 2
i n-2 SCR/(n-2) (SCR/(n-2))

Si F Y (1N n 2 ) on ne rejette pas H 0
SCT= (Yi Y )
2
Totale n-1
Remarque :on a vu Y (1;n-2) = [t(n-2)]2
En effet : A
2
(T ) Exercice: on reprend lexo. Prcdent. A laide

2
= 1 = SCE =F
A1
SA SCR n 2 de lANOVA, tester si la rgression est significative
1
Solution : sous H0 Une troisime faon de tester la

rgression est de tester le coefficient de
F=
SCE
SCR
Y (1 N n 2) corrlation thorique :
R.D. n2
Si F > F0, 05 (1;10 ) on rejette H 0 F.H. H 0 : = 0

#
Si F F0, 05 (1;10 ) on ne rejette pas H 0 H : 0
1
OrF = SCE 10 = 1 x 0i 10 = 0, 2074 752 = 16, 472

2 2 2
Soit R le coefficient de corrlation simple
SCR 2
ei 1,9638
entre X et Y estimateur de ; R 2 est
Y0,05(1;10) = 4,96 do F > Y0,05(1;10) donc on RH0 appel le coefficient de dtermination
la rgression est donc significative SCE SCR
R2 = =1
Remarque :F = [T]2=(4,06)2=16,484
141 TOUIJAR 142
SCT SCT
En effet, cov( x, Y ) x Y Or on a vu que :

R= =
0i 0i
SCE
X Y
x Y 2
0i
2
0i F=
SCR
1 =
R 2 SCT
SCR
=
SCR
R2
=
R2
1 R2 ( )
R2 =
( x Y ) 0i 0i
2
= 12
x 2
0i
n2 n2 SCT
n2
n2
x Y 2
0i
2
0i Y 2
0i Et sous H0
R n2
12 x02i SCE F = T21 T 1 = t / 2 (n 2 )
=
SCT
=
SCT R.D. (1 R ) 2
Car
( )
Si r > r / 2;n 2 on rejette H 0
( )
2
SCE = = Yi Y
2
Yi Y
Si r r / 2;n 2 on ne rejette pas H 0
= (1 ( xi x )) = 12 x02i
2
TOUIJAR 143 r /
/22; n-2 se trouve sur la tableTOUIJAR
du coefficient de corrlation144
24
A.N. : SCE 32, 347

r2 = = = 0, 622 r = 0, 789 IV- PREVISION Sur Un MRLS
SCT 52
Or r = 0,789 > r0,025;10 0,576 on rejette H 0 On sait que Yi est un estimateur de la
moyenne des (Yi) donc de E(Y):
Remarques: Yt = Yt + et = 0 + 1 xt + et t = 1, , n
- On peut tester H0 en utilisant le rapport
R n 2 linstant k=n+1, on a :
critique T = , on lit alors t dans la
(1 )
Yk = 0 + 1 x k = Y + 1 ( x k x )
2
R
table de student n-2 ddl
le r-test sur le coefficient de corrlation est
quivalent au T-test sur la pente( 1 ) quivalent Intervalle de confiance autour de E(Y)
au F-test sur les variances.
Proprits de Yk : la loi de Yk est normale on a alors :

car combinaison des Yi Yk E (Y k )
TY = t /2 ( n 2 )
( )
E Yk = E (Y ) + (x k x ) E (1 )
k
1
+
( xk x )
2

n ( x x )2
= ( 0 + 1 x ) + (x k x ) 1 = E (Yk ) i
( )
V Yk = V(Y ) + (xk x ) V(1 ) =
2 Do

+ (x k x )
1 2
2
2 1 ( x x )2 I C (E (Yk )) = Yk t / 2 (n 2 ) ;
+ ( xk x ) 2
= 2 + k 2
n
n ( x x )2

x x0i
2 i
n 0i
1 (x k x )2
Or 2est inconnue, on lestime par
2
=
e 2
i Yk + t / 2 (n 2 ) +
(xi x )2
n TOUIJAR

TOUIJAR
n2
147
148
Si n : Intervalle de confiance pour E(Yk)

+ (xk x )
1 2
I C (E (Yk )) = Yk z / 2 ;
n ( x x )2 y
i
b.sup =A +AX
Y

+ (xk x )
0 1
1 2
Yk + z / 2
n ( x x )2
i
b.inf
TOUIJAR 149
x
TOUIJAR
X
150
25
Exercice: on reprend toujours le mme exo.

Estimer laide dun intervalle de confiance la
moyenne des Y pour un x = 78.
Solution : on a dabord Y78 = 2,862 + 0, 2074 78 = 13,319
1 ( 78 62 )2
I C ( E (Y 78 ) ) = 13,319 2, 23 1,964 + ;
10 752

1 ( 78 62 )2
13,319 + 2, 23 1,964 +
10 752

= [11, 287 ;15,352] TOUIJAR 152
Rgression de Y par X (R=0,622)

18
V- PREVISION Sur Un MRLS

16
Intervalle de prvision autour de Y k

14
12
Soit xk une valeur non observe de X (exple k=n+1)
10
alors la prvision naturelle de Yk est
Y
8
Yk = A0 + A1 xk
6
Or Yk =(Y/X=xk ) N (1 xk + 0 , 2)
Vu que les 2 V.A. Yk(ne dpend que de k) et Yk
4
(ne dpend que des valeurs prcdentes(1,, n)

2
50 55 60 65 70 75 80
TOUIJAR
X
153 TOUIJAR 154
Actives Modle Int. de conf. (Moyenne 95%) Int. de conf. (Obs. 95%) on a :
IV- PREVISION Sur Un MRLS IV- PREVISION Sur Un MRLS

Intervalle de prvision autour de Y k (p )
Intervalle de prvision autour de Y k (p )
Yk ( p ) = Yk + e k e k = Yk ( p ) Y

1 + + ( xk x ) ;
1 2

V (e k ) = V (Yk ( p ) ) + V Y = 2 1 + +
1
() (x k x ) 2
( )
I p Yk ( p ) = Yk t / 2 (n 2)

n (xi x )2

n
(xi x )2
(e k ) = S

1 + 1 + (x k x )2 1
Yk + t / 2 (n 2 ) 1 + +
(xk x )2

(xi x )
2
(xi x )2
n n

Y
I p (Y 78 ) = [9,568 ;17, 07 ]
Yk ( p )
t / 2 (n 2 ) )
S

1 + 1 + (x k x )2

n (xi x )2 TOUIJAR 155 TOUIJAR 156
26
IV- PREVISION Sur Un MRLS

Chapitre 2
Remarque :
Cet intervalle de prvision permet de
dtecter les points aberrants( ou
extrmes) afin de les carter pour refaire
une nouvelle rgression sans leurs Rgression Multiple
influence.
Introduction : Le modle :
Le but premier de ce deuxime chapitre est la

modlisation (lexplication) dans un but Le modle de rgression linaire multiple
prdictif, dune variable quantitative Y par est une gnralisation de la rgression
plusieurs variables quantitatives X1, X2, , Xp . simple.
Ces dernires sont lies linairement avec Y.
Il sagit l de ce quon appelle : Cest un outil statistique mis en uvre
la rgression linaire multiple. pour ltude de donnes
multidimensionnelles.
Le modle : Objectifs Le modle : (aspect empirique)

Une variable quantitative Y (V. expliquer ou
Estimer les paramtres du modle 0 ;1 ; 2 ; ; p endogne) est mise en relation avec p variables
Avec des estimateurs de meilleur qualit. quantitatives X1, X2, , Xp (V. explicatives , exognes
ou rgresseurs).
Mesurer le pouvoir explicatif global du modle.
On mesure sur n individus ces p+1 variables
Faire de la prvision en construisant des intervalles de
reprsentes par des vecteurs de Rn: y, x1, x2, , xp
prvision.
(o n > p+1).
Ce dernier point nous permettra de reprer les points
aberrants et de les supprimer.
Lcriture du modle linaire est alors comme suit :
y i = 0 + 1x i 1 + 2 x i 2 + + p x ip + w i 1 i n
27
Le modle : Ecriture matricielle Le modle : Les Hypothses

y 1 1 x 11 x 12 x 1 p 0 w 1
On supposera vrai les hypothses suivantes :

x 2 p 1 w 2 H1- Linarit : y i = 0 + 1x i 1 + 2 x i 2 + + p x ip + w i 1 i n
y 2 1 x 21 x 22
La relation entre y et x1, . . . ,xp est linaire.
= +
y i 1 x i 1 x i 2 x ip i w i
H2: Plein rang : La matrice XX est inversible; autrement
det(XX) 0. On peut lexprimer par le fait que les Xi
sont indpendantes linairement (pas statistiquement).

y n 1 x n 1 x n 2 x np p w n

Cette hyp. est ncessaire pour lestimation des paramtres.

Y ( n ,1) X ( n , p +1) ( p +1,1) W ( n ,1) H3: Exognit des variables indpendantes : Les W i
sont des termes derreur desprance conditionnelle
aux ralisations des xi est nulle : E(W i | x1, . . . ,xp) =0.
+W
Y = XTOUIJAR 163 Les xi ninterviennent pas dans la prdiction de W i
TOUIJAR 164
Le modle : Les Hypothses (suite)
H4: Homoscdasticit et absence dautocorrlation:

V(W i) = 2; o 2 est cste et wi nest pas corrl avec
wj pour i j : cov(wi ,wj)=0
H5: Gnration des donnes: Les Xi quelle soient

alatoires ou dterministes (facteurs contrls) ne
changent en rien les rsultats.
H6: Distribution Normale : Les W sont distribus selon la

loi Normale.
TOUIJAR 165 166
Le modle : Mthode des Le modle : Mthode des

Moindres Carrs Moindres Carrs
Comme on a vu dans le chapitre 1, il sagit , afin Autrement :
n
destimer , de minimiser la somme des carres des F ( ) =
rsidus (ei) (voir graphique du chapitre 1) :
e
i =1
i
2
= e e
(y )
2
n
= i 0 1 x i 1 2 x i 2 + p x ip
min e i2 = (Y X ) (Y X ) = Y Y 2' X Y + ' X X

i =1
= Y X
o e = Y Y F
= 0 2 X Y + 2 X X = 0

= ( X X ) X Y
TOUIJAR 167 1 168
28
Le modle : Mthode des Le modle : Mthode des Moindres Carrs

Moindres Carrs Exemple : (Modle avec constante)
O:
n x i1 x i 2 x ip 1
X =
1 1.5
Y = 2observations :(1,1.5) et ( 2,2)
x i1 x i 1 x i 1 x i 2 x i 1 x ip 1
2 2 2
X X = 3.5 2 3 5 3
( XX ) =
1
XY = XX =
x ip x ip x i 1 x ip
2 5.5 3 5 3 2
1
= ( XX ) XY =
1
= X = 1.5
Y
( p + 1, p + 1 )
0.5
2
yi =1+0.5x i
yi
1.5 1.5 0
X Y =
x i1y i e = =
2 2 0

e=0R2 : signifie que la droite estime passe par les
ip y i
x TOUIJAR 169 TOUIJAR
deux points (1 , 1.5) et (2 , 2).
170
Le modle : Mthode des Moindres Carrs PROPRIETES ET DISTRIBUTION DE

Exemple : (Modle sans constante)
LESTIMATEUR
1 1.5 Thorme (GAUSS-MARKOV) :
X = Y = 2observations :(1,1.5) et ( 2,2)
2 2
est BLUE de
1
XY = 5.5 XX = 5 ( XX ) =
1
5 Remarque :
5.5
= ( XX ) XY = = 1.1 Y
1
= X = 1.1 ; ; ; ; sont des fonctions linaires des Y

2.2 0 1 2 p i
5 yi =1.1x i
La matrice Var-Cov (variance-covariance) de ,
1.5 1.1 0.4
e = =
note , s'crit : = 2 ( XX )
1
2 2.2 0.2
n
On remarque que e i 0 car le modle est sans cste.

i =1
Quelques lments de dmonstration :

PROPRIETES ET DISTRIBUTION DE
LESTIMATEUR
Puisque, = ( XX ) XY et en posant k = ( XX ) X ;
1 1
Matrice de Var-Cov de W et son estimateur

on obtient lcriture : = k Y combinaison des Yi
E (W12 ) E (WW 1 2 ) E (WW 1 n)

E ( ) = kE (Y ) = k ( X ) = (
XX ) XX =
1
E (W2 )
E (WW2 1)
2

W == E WW =
= kV (Y ) k = k ( 2 I n ) k = 2 kk
I

= 2 ( XX )
1
X X ( XX )
1
E (WnW1 )
E (Wn )
2

E (W12 ) 0
= 2 ( XX ) [ XX ] ( XX ) = 2 ( XX )
1 1 1 0

0 E (W2 )
2
Rem : on peut utiliser la dfinition : = = 2I n

= E ( )( )
0

E (Wn )
2
173

TOUIJAR 174
29
PROPRIETES ET DISTRIBUTION DE PROPRIETES ET DISTRIBUTION DE

LESTIMATEUR LESTIMATEUR
Matrice de Var-Cov de W et son estimateur
e = Y Y = ( X + W ) ( X ) Estimation de la Matrice de Var-Cov de :
= X +W X ( + ( X X )1 X W )
On a dj vu que :
= I X (X X ) X W ( o est symtrique et idempotente )
1

e i2 = e ' e = W ' W E (e ' e ) = 2T r ( ) ( dvelopper )
= 2 ( XX ) = 2 ( XX )
1 1
E (e ' e ) e 2
= 2 ( n ( p + 1) ) 2 = 2 = i
n p 1 n p 1
S CR
= est donc un estimateur san s Biais de 2
n p 1 TOUIJAR 175 TOUIJAR 176
Tableau dAnalyse de la Variance Tableau de l ANOVA

(ANOVA) dun MRLM Source Somme
d.d.l
Carrs
Fisher
de var des carrs moyens
quation fondamentale de l ANOVA: x (
SCE= Yi Y )
2
p SCE/p F=
(SCE/ p)/
La formule de dcomposition de la variance Rsidu SCR= e 2
i n-p-1 SCR/(n-p-1) (SCR/(n-p-1))
permet de connatre la part de variation de Y
Totale SCT= (Yi Y )
explique par celle des Xi : 2
n-1
(Y Y ) = (Y Y ) + (Y Y )
2 2 2
i i i i

SCT SCE
TOUIJAR SCR = ei2
177 TOUIJAR 178
Mesure de la Qualit de lajustement Tests et Intervalles de Confiance des

Coefficients du Modle
Lvaluation globale de la rgression est
donne parR 2 le coefficient de Test de Significativit Globale de la
dtermination, qui exprime la part de variabilit Rgression
totale explique par le modle: On vient dvaluer la qualit dun ajustement
SCE SCR par le calcul de R2 (o R est appel coefficient
R2 = =1
SCT SCT de corrlation multiple), mais sur un
Remarque:
R2 doit tre utilis avec prcaution.
chantillon; pour que a soit sur toute la
population; on doit procder une infrence
On ne peut utiliser R2 dans un modle sans constante.
statistique sur le 2 paramtre thorique:
Si p augmente, R2 augmente aussi, mme sil y a des
variables qui nont rien voir avec le phnomne; pour H 0 : 2
= 0
ce on corrige R2 : SCR Cest un F-Test :
( n 1) 1 R 2 = 1 n p 1 #
R 2 =1
( n p 1)
( ) <R2 TOUIJAR
H 1 : 0
TOUIJAR SCT 179 2 180
n 1
30
1- Test de Significativit Globale de la 1- Test de Significativit Globale de la

Rgression Rgression
Dune faon analogue au MRLS, a statistique du
test est , sous H0 Le F-Test prcdent est quivalent au F-Test
SCE R2 sur le vecteur coefficient :
p p
F=
SCR
=
1 R 2 Y ( p ; n p 1)
n p 1 n p 1
F.H.
H 0 : 1 = 2 = = p = 0
R.D. si F>F(p;n-p-1), On Rejette H0
# 0
H : j tq 0
1 j
2- Test de Significativit individuel des Calcul de : i
coefficients On a vu que

2
Est-ce que la Variable Xi joue significativement 0

2

= ( X X )
1 1
dans lexplication de Y ? On effectue alors un = 2
T-test
F.H. H 0 : i = 0 2
p

#
=
e i
2
( X X )
1
H : 0 n p 1
1 i
( X X )
1
S.U. si o n p o se d ii le s l m e n t d ia g o n a u x d e
i
Ti = t(n-p-1) a lo rs : 2 i =
e i
2
d ii

i
TOUIJAR 183 n p 1 TOUIJAR 184
Tests et Intervalles de Confiance des PREVISION ET INTERVALLE DE

Coefficients du Modle PREVISION
Si on ajoute une observation k =n+1 pour
chacune des variables explicatives, on obtient
Test Modle rduit VS Modle Complet une prvision ponctuelle :
y k = 0 + 1x k 1 + 2 x k 2 + + p x kp
= X k ; o X k = (1 x k 1 x kp )
Et on montre que :
VOIR TD e2 = 2 1 + X k ( XX )
1
X k
k
ek y y k
= k t(n-p-1)
TOUIJAR 185
ek e k TOUIJAR 186
31
INTERVALLE DE PREVISION de yk
I p ( y k ) = yk tnp1;/2ek ; yk +tnp1;/2ek
TOUIJAR 187
32

S6 Econometrie ECO GEST 2016

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

S6 Econometrie ECO GEST 2016

Încărcat de

Drepturi de autor:

Formate disponibile

D.

La naissance de l'conomtrie moderne

L'conomtrie moderne est ne la fin des annes 30 et

Introduction gnrale Introduction gnrale

PROGRAMME DE CE SEMESTRE BIBLIOGRAPHIE

Titre Auteurs Code

Cette dernire exprime une

H0 : sappelle lhypothse nulle.

Si 0 se rduit au seul point 0: 0 = { 0 }

Soit lhypothse simple H0 : = 0 Si H1 est telle que H1: < 0 ;

Si H1 est telle que H1: 0 ; Dfinition: Un test dhypothse, est

H0 :" = 0" deux sous ensemble se trouve ?

On rejette H0 alors que H0 est vraie: 1)-

Voici un tableau rsumant toutes les situations Procdure suivre

I- Tests Relatifs Une Proportion

I- Tests Relatifs Une Proportion Courbe de densit o

Remarque : Les logiciels utilisent souvent

0,01 0 < 0,05 moderate evidence against H0

= P0 (Z < 2,309) = 1% 0,10 0 little or no real evidence against H0

2- Test Unilatral droite pour la En effet :

Remarque : La p-value ici vaut : 3- Test Bilatral pour la proportion

0 = P0 (F > f ) H0 :" p = p0"

Remarque Si on teste p = 0,75 # p 0,75 II- Tests Relatifs Une

b)Si est inconnu et X est normale; on a

II- Tests Relatifs Une ii)-On adopte ensuite une Rgle de

a)Si est connu et (X est normale ou n 30) c)Si est inconnu et n 50 ; on a la

ii)-On adopte la Rgle de dcision

b)Si est inconnu et X est normale

1- Test Unilatral droite pour la

2- Test Unilatral gauche pour la

3- Test Bilatral pour la Si est inconnue

Cas o est inconnue

2- Test Bilatral de comparaison de 2

R.D. b)Si 1 et 2 inconnus mais gales et X1 et

Rappels LEsprance conditionnelle :

Dfinition : La Variance conditionnelle :

Approche gomtrique : Approche gomtrique :

E(X) est la projection orthogonale de X sur O D

Nous allons nous intress laspect Modle thorique de la rgression simple

et daprs le graphique ci-dessus W est non Cas o la rgression est Linaire

Cas o la rgression est Linaire et simple Modle de la rgression linaire avec

Modle de la rgression linaire avec Modle de la rgression linaire avec

Sries chronologiques (ou sries temporelles :Time

Ct = 0 + 1Rt +W t t = 1, ,T Ci t = 0 + 1Ri t +Wi t t = 1,,T i = 1,, n

Modle de la rgression linaire avec

O wi sont des ralisations indpendantes de W

Exemples de Modles linaires et non

Cest un modle linaire :MRLS

Exemples de Modles linaires et non Exemples de Modles linaires et non

2)- y = x un modle non-linaire mais 3)- y = exp ( x )

Exemples de Modles linaires et non Exemples de Modles linaires et non

Estimations des paramtres , et 2: Anne PNB: X La Demande : Y

Estimations des paramtres , et 2: Hypothses

H2: Exognit de la Variable indpendante:

H4: Les Wi sont de mme loi normale :

Remarques I- Estimation des paramtres du MRLS

2)- E(Wi /X)=0 E(Wi)=0 et cov(Wi ,X)=0

On notera dsormais 0 et 1 la place de0 et 1

(1) et (2) nous donnent les quations :

50 6 -12 144 -4 48 7,511 -1,511 -75,532 2,282

60 12 -2 4 2 -4 9,585 2,415 144,894 5,832

Exemple: la droite de rgression empirique Thorme 1:

Elle permet dobtenir une estimation de la

du PNB entraine une aug de la demande

TOUIJAR 111