Exercice 1

Soit une variable y expliquée dans un modèle (avec constante et 2 autres variables) soumis aux
hypothèses classiques du modèle linéaire multiple :

y t = a 1x 1t + a 2 x 2 t + a 3 x 3 t + ε t où x 1t = 1 ∀t

Les matrices d’observations sont X pour les variables explicatives et Y pour la variable endogène.

1 3 5  3
1 1 4  1
   
X = 1 5 6 Y = 8
   
1 2 4  3
 1 4 6  5

1- Calculer de deux façons différentes : en utilisant les variables brutes et les variables centrées.
a) les estimations des paramètres MCO.
b) le coefficient de détermination.
2- Tester H0 : a3 = 0
3- Tester : =0
4- Tester H0 : a2 + a3 = 0
5- Si pou la période h : x2 = 5 et x3 = 5 ; calculer la prévision ŷ h

Réponses :

1-
a–
• On utilisant les variables brutes :
ˆ = ( X ' X )−1 X ' Y
A
On calcule les matrices : (X’X) et son inverse ainsi que X’Y

 5 15 25   26.7 4.5 − 8.0   20 

  −1 
X ' X = 15 55 81  ; ( X ' X ) =  4.5 1 − 1.5  et X 'Y =  76 

25 81 129 − 8.0 − 1.5 2.5  109
D’où
 4 
 =  2.5 
− 1.5
• En utilisant les variables centrées, on inverse une matrice d’ordre (2x2)
seulement au lieu de (3x3). On peut calculer l’estimateur des MCO par la
formule
 ˆ = ( X ' BX )−1 X ' BY
A2 2 2 2

où Aˆ , B et X sont respectivement : le vecteur  privé de â , la matrice B = I − 1 ii ' qui

2 2 1
T
permet de centrer les vecteurs en les pré multipliant, et la matrice X privée de sa première
colonne On commence par centrer les variables :
0 0  − 1
− 2 − 1  − 3
   
BX 2 =  2 1 BY =  4 
   
 − 1 − 1  − 1
 1 1   1 
X 2' B' BX 2 = X 2' BX 2 X 2' B' BY = X 2' BY
10 6  16
X 2' BX 2 =   X 2' BY =  
 6 4 9
On obtient une matrice d’ordre (2x2) facile à inverser au lieu d’avoir une matrice (3x3) avec la
formule générale.
−1
ˆ = 10 6  16 =  1 − 1.5 16  2.5 
A 2  6 4   9  − 1.5 2.5   9  = − 1.5
         

Pour calculer â1 on utilisera la relation analogue à celle utilisée pour le calcul de b̂ dans le
modèle linéaire simple : bˆ = y − â x qui est : â 1 = y − ( aˆ 2 x 2 + aˆ 3 x 3 )
Qui donne : â1 = 4

b- Le coefficient de détermination est :

• Par les variables brutes :

SCE A ˆ ' X ' XAˆ − Ty 2 26.5
R = 2
= = = 0.9464
SCT Y ' Y − Ty 2 28
• Par les variables centrées
SCE A ˆ ' X ' BX A
ˆ 26.5
R2 = = 2 2 2 2 = = 0.9464
SCT Y ' BY 28
2. On utilise le test de Student qui consiste à comparer le tˆ de l’échantillon avec le tα critique.

â â − 1 .5
tˆ = = = = 1.2 = 1.1 < = 4.3
σˆ â s v 33 0.75 2.5
Où s 2 = εˆ' εˆ /( T − p ) = 1.5 / 2 = 0.75 et v 33 = 2.5 . on accepte donc . La variable
n’intervient pas significativement dans l’explication de
â â 2 .5
3. on refait la même démarche pour avoir : tˆ = 2 = 2 = = 2.88 < = 4.3
σ â s v 22
ˆ 0.75 1

On accepte également, dans ce cas, ∶ =0

 4. Soit : + =0
On applique la formule pour tester ∶ = , en utilisant la loi de
! !
− − $%
= ÷
" &−'
Il faut prendre : = 0 1 1 et = 0. Tout calcul fait conduit à = 2.66.
Or la valeur critique pour une loi de Ficher de respectivement 1 et 2 degrés de liberté est de 18.51
On accepte l’hypothèse : + =0

5. Pour x . = 5 et x . = 5 on peut calculer une prévision ponctuelle et une prévision par

intervalle de confiance de 95% de chances.

soit 0 = [1 5 5]

La prévision ponctuelle est de 30 = 0 = 4 + 2.5 5 − 1.5 5 = 9

La prévision par intervalle de confiance s’obtient en calculant 30 ± ∗ 7̂ 0
7̂ 0 = 93 :1 + 0 !
0 =1.9748
comme la valeur critique est de 4.303 donc l’intervalle ; .<= = [0.502 ; 17.49]

Résolution à l’aide du logiciel R

Le programme en script
library(car)
library(lmtest)
mabase=data.frame(y=c(3,1,8,3,5),x2=c(3,1,5,2,4),x3=c(5,4,6,4,6))
attach(mabase)
mod=lm(y~x2+x3)
summary(mod)
resultat=summary(mod)
#question 1: calcul de R2
r2=resultat$r.squared
r2
#question 2 et 3: on calcule les t de student et le t critique
resultat$coef[3,3]# le t de student pour H0 a3=0
resultat$coef[2,3]# le t de student pour H0 a2=0
qt(0.975,2)#le t critique à 5% et 2 ddl
#question 4: H0 RA=r il faut donner r et R
rhs <- c(0)# c'est r
hm <- rbind(c(0,1,1))# c'est la matrice R
linearHypothesis(mod,hm,rhs)# le test des contraintes linéaires #réponse de la question 4
predict(mod,data.frame(x2=c(5),x3=c(5)),interval="prediction")#question 5

l’application du programme
> library("car")
> library("lmtest")
> mabase=data.frame(y=c(3,1,8,3,5),x2=c(3,1,5,2,4),x3=c(5,4,6,4,6))
> attach(mabase)
The following objects are masked from mabase (pos = 3):
 x2, x3, y

> mod=lm(y~x2+x3)
> summary(mod)

Call:
lm(formula = y ~ x2 + x3)

Residuals:
1 2 3 4 5
-1.000e+00 5.000e-01 5.000e-01 1.110e-16 3.331e-16

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 4.000 4.475 0.894 0.466
x2 2.500 0.866 2.887 0.102
x3 -1.500 1.369 -1.095 0.388

Residual standard error: 0.866 on 2 degrees of freedom

Multiple R-squared: 0.9464, Adjusted R-squared: 0.8929
F-statistic: 17.67 on 2 and 2 DF, p-value: 0.05357

> resultat=summary(mod)
> #question 1: calcul de R2
> r2=resultat$r.squared
> r2
[1] 0.9464286
> #question 2 et 3: on calcule les t de student et le t critique
> resultat$coef[3,3]# le t de student pour H0 a3=0
[1] -1.095445
> resultat$coef[2,3]# le t de student pour H0 a2=0
[1] 2.886751
> qt(0.975,2)#le t critique à 5% et 2 ddl
[1] 4.302653
> #question 4: H0 RA=r il faut donner r et R
> rhs <- c(0)# c'est r
> hm <- rbind(c(0,1,1))# c'est la matrice R
> linearHypothesis(mod,hm,rhs)# le test des contraintes linéaires
Linear hypothesis test

Hypothesis:
x2 + x3 = 0

Model 1: restricted model

Model 2: y ~ x2 + x3

Res.Df RSS Df Sum of Sq F Pr(>F)

1 3 3.5
2 2 1.5 1 2 2.6667 0.2441
>predict(mod,data.frame(x2=c(5),x3=c(5)),interval="prediction")
fit lwr upr
1 9 0.5029417 17.49706