Documente Academic
Documente Profesional
Documente Cultură
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
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
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
soit 0 = [1 5 5]
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$coef[2,3]# le t de student pour H0 a2=0
qt(0.975,2)#le t critique à 5% et 2 ddl
#question 4: H0 RA=r il faut donner r et R
rhs <- c(0)# c'est r
hm <- rbind(c(0,1,1))# c'est la matrice R
linearHypothesis(mod,hm,rhs)# le test des contraintes linéaires #réponse de la question 4
predict(mod,data.frame(x2=c(5),x3=c(5)),interval="prediction")#question 5
l’application du programme
> library("car")
> library("lmtest")
> mabase=data.frame(y=c(3,1,8,3,5),x2=c(3,1,5,2,4),x3=c(5,4,6,4,6))
> attach(mabase)
The following objects are masked from mabase (pos = 3):
x2, x3, y
> mod=lm(y~x2+x3)
> summary(mod)
Call:
lm(formula = y ~ x2 + x3)
Residuals:
1 2 3 4 5
-1.000e+00 5.000e-01 5.000e-01 1.110e-16 3.331e-16
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 4.000 4.475 0.894 0.466
x2 2.500 0.866 2.887 0.102
x3 -1.500 1.369 -1.095 0.388
> resultat=summary(mod)
> #question 1: calcul de R2
> r2=resultat$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