Econometrie de L Entreprise

LES MODELES DAIDE A LA DECISION
ECONOMETRIE DE LENTREPRISE
13/09/2016
ECO. DE L'ENTREPRISE
A. ELABJANI
PRESENTATION
Prsentation des intrts de la matire;

Prsentation du programme du cours;
Mthodologie suivre;
Bibliographie.
13/09/2016
A. ELABJANI
1. LES INTERETS DE LA MATIERE

1. Lintrt particulier des modles daide la dcision dans
le domaine de la recherche scientifique ainsi que dans le
monde des affaires (Economie & Entreprise);
2. Permettre aux tudiants de comprendre et de matriser les
outils et les techniques conomtriques dans la gestion
des entreprises;
3. Leur permettre galement danalyser les principes de
base en passant par des tudes de cas empiriques;
4. Lapplication sur un logiciel informatique RATS.
13/09/2016
A. ELABJANI
2. PROGRAMME
Prliminaire
1. INTRODUCTION
2. LES MODELES DE REGRESSION
SIMPLE
3. LES MODELES DE REGRESSION
MULITPLE
4. LES MODELES DE PREVISION
4
13/09/2016
A. ELABJANI
3. PRESENTATION DE LA METHODOLOGIE
1. Cours magistral portant sur les notions de base;
Attention : A complter par des lectures parallles;
2. Les sances de TD (TP) portant sur les
applications pratiques sur machines ;
3. Lvaluation portera sur:
* les contrles de TD.
* la participation des tudiants.
* Lexamen de la matire.
5
13/09/2016
A. ELABJANI
4. REFERENCES BIBLIOGRAPHIQUES
1. A. RYS et N. VANEELOO(1998)conomtrie: thorie et
applications d. Nathan;
2. B. HAUDEVILLE(1996)conomtrie applique d. Estem;
3.C. GOURIEROUX et C. MONTMAROUETTE(1997)
conomtrie applique d. Economica;
4.J. JOHNSTON(1992)
Economica;
Mthodes
5. E. MALINVAUD (1978)
lconomtrie d. Dunod;
conomtriques
Mthodes
statistiques
d.
de
6. C. GOURIEROUX et A. MONFORT(1990) Sries

temporelles
et modles dynamiques d. Economica;
6
13/09/2016
A. ELABJANI
RAPPELS
1.1. LES CONCEPTS DE LA STATISTIQUE
* Descriptive (les caractristiques),
* Probabilits (les VA, la fonction de densit,les
lois,)
* Infrentielle (estimation, Echantillonnage).
1.2. LA DECOMPOSITION DE LA MATIERE EN 2

PARTIES:
* Partie thorique;
* Partie Empirique.
1.3. UN TRAVAIL DE FIN DANNEE SERA DEMANDE

7
* Une tude de fonction

13/09/2016
A. ELABJANI
1. INTRODUCTION
1.1. DEFINTION DE LECONOMETRIE

1.2. LA METHODOLOGIE DE LECONOMETRIE
1.3. LA REGRESSION
1.4. LES VARIABLES DU MODELE
ECONOMETRIQUE
13/09/2016
A. ELABJANI
1. INTRODUCTION
1.1. DEFINTION DE LECONOMETRIE
cest la mesure de lconomie
Cd le fait de donner un cadre quantitatif de
lconomie et des modles conomiques.
Toutefois, lconomtrie peut tre applique
diffrentes disciplines notamment:
- la psychomtrie (mesure applique la
psychologie;
- la sociomtrie;
- les autres disciplines comme les sciences
naturelles.
9
13/09/2016
A. ELABJANI
1. INTRODUCTION
Ce quon mesure ce sont les variables
agrges aussi bien en micro-conomie
quen macro-conomie .
Exemples:
- Le modle Keynsien : C = f(Y)
C 0
avec: Y
- Le modle de Friedman : C = f(Y,p,g,pr,)
10
13/09/2016
A. ELABJANI
1. INTRODUCTION
Note:
* La thorie conomique nous renseigne
seulement sur la relation entre les variables;
* Lconomtrie nous donne par contre la
manitude de cette relation cd de combien
variera une variable suite la variation de la 1re.
11
13/09/2016
A. ELABJANI
1. INTRODUCTION
1.2. LA METHODOLOGIE DE LECONOMETRIE
Thorie conomique
Modles
conomtriques
Collecte
des donnes
Estimation
des modles
Tests des
estimations
acceptation
12prvision
13/09/2016
Linfrence
rejet
reconstruction
A. ELABJANI
1. INTRODUCTION
1.3. LA REGRESSION
Elle signifie lanalyse de la dpendance
susceptible dexister entre deux ou plusieurs
variables.
On parle gnralement de:
dpendance dterministique (mathmatique)
y f'(x) log x; e x;....

13
13/09/2016
A. ELABJANI
1. INTRODUCTION
dpendance stockastique :
cest une dpendance alatoire avec cette fois des
variables alatoires
yt f'(xt) t
t : Reprsente llment de perturbation (derreur
ou alatoire).
Exemple:
Dans une fonction de production, il dsigne
lhumeur, comportement, motivation, etc.
14
13/09/2016
A. ELABJANI
1. INTRODUCTION
1.4. LES VARIABLES DU MODELE ECONOMETRIQUE
Deux types de variables conomtriques sont

gnralement distingues:
les variables endognes:
Ce sont les variables expliquer Yt;

Elles deviennent alatoires par ladjonction de
t ;
Leur probabilit dpendera de celle suppose

pour t .
15
13/09/2016
A. ELABJANI
1. INTRODUCTION
1.4. LES VARIABLES DU MODELE ECONOMETRIQUE
Les variables exognes:

Ce sont les variables explicatives de la variable
tudie;
Elles sont considres comme des Variables
autonomes;
Elles
sont
parfois
considres
comme
prdetermines.
16
13/09/2016
A. ELABJANI
2. Les modles de Regression Simple

En analyse conomtrique, le modle de
Regression Simple scrit en considrant
une seule variable endogne et une seule
variable exogne:
Yt X t t
La mthode des Moindres Carrs
Ordinaires (OLS) demeure la mthode la plus
utilise spcifiquement dans ce cadre.
17
13/09/2016
A. ELABJANI

2.1. Les hypothses des MCO
Elles sont au nombre de 5, supposes
par GAUSS:
Le modle est linaire :
H1:
Yt X t t
* Yt et Xt doivent reprsenter des valeurs

numriques observes sans erreur;
* et sont des paramtres estimer;
* t est llment non observ.
18
13/09/2016
A. ELABJANI

La loi de Probabilit de t :
H2 : t suit une loi Normale desprance
math. 0 et da variance .
Implications:
Si E(t ) = 0 alors
E(Yt) = + Xt.
Si Var(t )= alors Var(Yt) = .
Cest ce quon appelle lhypoyhse
dHomoscdasticit.
19
13/09/2016
A. ELABJANI

La covariance de t :
H3 : la covariance des lments derreur
est nulle .
Implications sur Yt:
Si
cov(t , t-1)= 0
alors
cov (Yt ,Yt-1)=0.
Ce qui implique une absence de

corrlation (ou indpendance) entre les
observations.
20
13/09/2016
A. ELABJANI

La covariance de Xt et t :
H4 : Gauss suppose que la covariance des
lments derreur
et la variable exogne
est nulle .
cov(Xt , t)= 0
Ceci
implique
une
absence
de
corrlation (ou indpendance) entre la
variable
exogne
et
les
lments
alatoires.
21
13/09/2016
A. ELABJANI

Les variables Xt :
H5 : Gauss suppose enfin que la variable
exogne Xt est non stochastique .
Les
variables
exognes
sont
dterministes et non colinaires entre
elles.
Cest lhypothse de colinarit des
variables exognes.
22
13/09/2016
A. ELABJANI

2.2. Les Elements de lEstimation
Tout le problme consiste dterminer
les stimateurs des lments de la
population
dfinis
dans
le
modle
conomtrique.
Nous supposons que :
, , et t
sont les estimateurs respectivement
des valeurs de , , , et t.
23
13/09/2016
A. ELABJANI

2.2. Les Elements de lEstimation
on aura :
Yt X t t
et
Yt X
Ce qui donne :
t Yt Yt
Objectif:
La mthode OLS suppose de minimiser tous les
24
t (Yt Yt)
13/09/2016
A. ELABJANI

Aprs dmonstration et simplification
des critures des deux estimateurs, on
trouve:
xt yt
et
Y X
xt
avec :
xt Xt X
25
13/09/2016
et
yt Yt Y
A. ELABJANI

2.3. Les proprits des estimateurs
Thoreme de GAUSS:
les estimateurs OLS sont des estimateurs
BLUE
Signification:
P3 : Best le meilleur estimateur existant
et celui qui possde le minimum de
variance.
P1 : Linear estimateur linaire.
P2 : Unbiaisure estimateur non biais tq.
E()= et E()= .
26
13/09/2016
A. ELABJANI

2.4. Le coefficient de dtermination R
Daprs lcriture de la variance totale de la
variable endogne, on trouve :
Yt Y
X i X i2
i
Ou bien :
yi2 xi2 i2
i
cd
27
TSS ESS RSS

13/09/2016
A. ELABJANI

Afin de dduire la valeur du coefficient de
dtermination R on divise la dernire
quation par la variance totale de la
variable endogne, on trouve :
1
xi2
i
yi2
0 R
28
yi2
donc :
i2
i
xi2
i
yi2
13/09/2016
i L'ENTREPRISE
ECO. DE
A. ELABJANI

Interprtation:
Le coefficient de dtermination R traduit
gnralement le pourcentage de la variable
exogne Xi dans lexplication de la V.
endogne Yi.
traditionnellement, on dtermine
galement le coefficient de corrlation R
qui mesure lintensit de variation de Y
suite la variation de X.
29
13/09/2016
A. ELABJANI

2.5. Les Tests dHypothses
Plusieurs tests dhypotses peuvent tre
utiliss ce stade.
Les plus important dentre eux sont :
* Le test Global de Fischer F;
* Les tests Particuliers de Student t;
* Le test de Darbin Watson DW;
* Les test de Haitovsky;
* etc.
30
13/09/2016
A. ELABJANI

2.5.1. Le test Global de Fischer F
Cest le test de validit de tout le modle.
Les hypotses appliques sont:
H0 : tous les i = 0
H1 : tous les i 0
On raisonne sur la valeur de la statistique F
de Fischer, avec :
Fk 1; N k ESS / k 1
RSS / N k
xi2 / k 1
i
i2 / N k
i
31
13/09/2016
A. ELABJANI

Dans le cas du Modle Linaire Simple, on
aura :
H0 : = = 0
H1 : 0 et 0
Et la statistique F de Fischer est dfinit par:
F1; N 2
ESSN 2
RSS
xi2N 2
i
i2
i
32
13/09/2016
A. ELABJANI

La mme quation peut tre crite :
F1; N 2
ESS
N 2
R
TSS
ESS
1 R / N 2
1
TSS
Le raisonnement est le suivant:

Si Fcal > Flue alors le modle est accept
dans sa globalit et on dcide H1.
Il est prfrable dans ce cas que le R soit
meilleur et proche de 1.
33
13/09/2016
A. ELABJANI

2.5.2. Les tests Particuliers
Ce sont les tests de signification des
coefficients estims.
Les
hypotses
appliques
sont
de
plusieurs natures:
Test Bilatral:
H0 : = 0
H1 : 0
Test Unilatral:
H0 : = 0=0,5
H1 : < 0=0,5 ou bien > 0=0,5
34
13/09/2016
A. ELABJANI

La statistique applique dans ce cadre est
celle de Student, avec :

sd
Le mme raisonnement que prcdemment:
Si tcal > tlue alors on dcide H1.

d que le poids de la variable exogne
correspondante est significatif dans le
modle.
Dans le cas contraire H0 est vraie et la V.
exogne sera non significative dans le
35
modle.
13/09/2016
A. ELABJANI
3. Le modle de Regression Multiple

Un
parmi
Les
modles
de
Regression Multiple peut scrire en
considrant 3 regresseurs et 2
variables exognes:
Yt X 1t X 2t t
(1)
Dans le cadre duquel la mthode

des MCO (OLS) demeure la mthode la
plus frquemment utilise.
36
13/09/2016
A. ELABJANI

3.1. Les hypothses des MCO
Ce sont les mmes hypotheses

supposes par GAUSS dans le cas du
modle linaire simple.
On considre :
H1: Le modle est linaire : Cf. lquation (1)
* Yt ; X1t et X2t reprsentent des valeurs

numriques observes sans erreur;
* ; et sont des paramtres estimer;
* t est llment non observ
37
13/09/2016
A. ELABJANI

H2 : La loi de Probabilit de t :
t N(0, )
Implications:
Si E(t )=0 alors E(Yt) = + X1t+ X2t.
Si Var(t )= alors Var(Yt) = .
Hypoyhse dHomoscdasticit.
38
13/09/2016
A. ELABJANI

H3 : La covariance de t :
cov(t , t-1)= 0
Implications sur Yt:

Si E (i , J )=0 alors
cov (Yt ,Yt-1)=0.
Cest lhypothse de non-corrlation

des observations.
39
13/09/2016
A. ELABJANI

H4 : La covariance des Xt et t :
cov(X1t , t)= 0
cov(X2t , t)= 0
Ce qui implique la non-corrlation
entre les variables exognes et les
lments alatoires.
40
13/09/2016
A. ELABJANI

H5 : Les variables Xit :
Les variables exognes X1t et X2t sont
linairement indpendantes.
Elles sont :
* non stochastiques d dterministiques.
* non-colinaires entre elles.
41
13/09/2016
A. ELABJANI

3.2. Estimation OLS
Tout le problme consiste

dterminer
les
stimateurs
des
lments de la population dfinis
dans le modle conomtrique.
Nous proposons de dterminer les
valeurs des estimateurs suivants:
, , , et t
42
13/09/2016
A. ELABJANI

On estime le modle (1) pour avoir :
Yt X 1t X 2t t
Ce qui donne :
Ou bien
Yt X 1t X
2t
t Yt Yt
Objectif:
La mthode OLS suppose de minimiser tous
les t
43
t2 (Yt Yt)
13/09/2016
A. ELABJANI

Les Rsultats des estimations donnent :
Y X 1 X 2

et
x 1t yt x 2t x 2t yt x 1t x 2t
x 2t x 1t x 1t x 2t
x 2t yt x 1t x 1t yt x 1t x 2t
avec :
x X1t X1
44 1t
13/09/2016
x 2t x 1t x 1t x 2t
x 2t X 2t X 2
et
yt Yt Y
A. ELABJANI

3.3. Interprtation des estimateurs
?:
mesure seulement leffet marginal de X1

sur la variable endogne Y tel que :
i Sachant que X est constante
2
X1i
?:
mesure seulement leffet marginal de X2

sur la variable endogne Y tel que :
i
X 2i Sachant que X1 est constante
45
13/09/2016
A. ELABJANI

3.4. Le coefficient de dtermination Ajust
Rbar
Deux niveaux sont distingus cet
gard:
Nous dterminons Dabord, selon son
criture, le coefficient de dtermination R,
on trouve :
x
1
t
y
t
x2t yt
ESS
R
2
TSS
46
13/09/2016
t
A. ELABJANI

Le problme pos ce niveau rside dans
le fait que le coefficient de dtermination
R calcul de cette manire parat comme
une fonction croissante du nombre de
regresseurs k, tel que :
R 0
k
Ce qui signifie que quant le nombre de
regresseurs
k
augmente,
le
R
augmente aussi mme si les variables
exognes
ajoutes
dans
le
modle
nexpliquent
pas
vraiment
Y.
47
13/09/2016
A. ELABJANI

En effet, mme si la Variance totale
de la V. endogne Yi est indpendante
de k, le R peut automatiquement
augmenter par le biais de la variance
rsiduelle qui en est dpendante.
Au lieu de raisonner sur la base de R,
on
dtermine
le
coefficient
de
dtermination ajust (normalis) Rbar
tel que :
2
t / N k
R 1
48
13/09/2016
y t / N 1
2
A. ELABJANI

Quon peut crire aussi comme :
R 1
N 1
1 R
N k
Remarques :
1. Gnralement Rbar est infrieur au R
2. Parfois le Rbar est ngatif
Exemple: N=22 ; k=2 et R=0,01

Rbar= -0,0395
49
13/09/2016
A. ELABJANI

3.5. Les Tests dHypothses
Par rapport
aux
tests
dhypotses
analyss dans la cadre de la MLS, dautres
tests plus intrssants sont vrifier ce
stade.
Nous les classons comme suit :
* Le test Global de Fischer F;
* Les tests Particuliers de Student t;
* Le test de Darbin Watson DW;
* Les test de Haitovsky;
* etc.
50
13/09/2016
A. ELABJANI

Idem que prcdemment.
Les hypotses appliques sont:
H0 : tous les i = 0
H1 : au moins un i 0
On raisonne sur la valeur de la statistique F
de Fischer, avec :
x y x y
1t t
2t t
i
i
Fk 1; N k ESS / k 1
RSS / N k
i2 / N k
/ k 1
51
13/09/2016
A. ELABJANI

Dans le cas du MRM, on aura :
H0 : == = 0
H1 : 0 ou 0 ou 0
Et la statistique F de Fischer est dfinit par:
x y x y /31
1t t
2t t
i
i
F31; N 3
i2 / N 3
i
52
13/09/2016
A. ELABJANI

La mme quation peut tre crite :
F 2; N 3
ESS
N 3
R N 3
TSS
ESS
1 R 2
TSS
Le mme raisonnement est appliquer:

Si Fcal > Flue
alors on rejette H0 et on dcide H1 d que
au moins un coefficient sera non nul.
Dans ce cas, le modle sera accept
dabord13/09/2016
dans sa globalit.
53
A. ELABJANI

Ce sont les tests de signification des
coefficients estims.
Les hypotses appliques sont de plusieurs
natures:
Test Bilatral:
H0 : = 0
H1 : 0
Caractristiques:
* deux bornes calculer b1 et b2;
* deux rgions critiques;
* une rgion daccpatation.
54
13/09/2016
A. ELABJANI

Test Unilatral:
H0 : = 0=0,5
H1 : < 0=0,5
Caractristiques:
* Une borne calculer b;
* Une rgion critique gauche de t;
*une rgion daccpatation droite de t.
55
13/09/2016
A. ELABJANI

Test Unilatral:
H0 : = 0=0,5
H1 : > 0=0,5
Caractristiques:
* Une borne calculer b;
* Une rgion critique droite de t;
* une rgion daccpatation gauche de
t.
56
13/09/2016
A. ELABJANI

Rgle de dcision:
La statistique applique dans ce cadre
est celle de Student, avec :

t
sd
Et on raisonne, selon la valeur de t, comme suit:

Si tcal > tlue alors on dcide H1.
d que le poids de la variable exogne
correspondante est significatif dans le modle.
Dans le cas contraire H0 est vraie et la V.
exogne
sera non significative dans le modle.
57
13/09/2016
A. ELABJANI

3.5.3. Le test de Durbin Watson (1950)
Appel aussi le test dindpendance

des erreurs, le test de DW permet de
dtecter lexistence dautocorrlation
des erreurs et donc des observations
elles mmes du modle.
si on a :
Y X 1t X 2t
t
Tel que :
cov(t+1 ,t)0 (H3 nest plus vrifie)
58
13/09/2016
A. ELABJANI

Lautocorrlation des erreurs du modle
signifie ici que lon aura:
t+1 = t + vi
t+1 = t + ni
d que :
(estims)
pour ce faire, on calcule la statistique DW:
2
t 1 t t 1 t2 2 t 1 t
d
t
t
1 t 1 t
d
t
d 21
59
13/09/2016
A. ELABJANI

Gnralement, d est comprise entre 0 et
4 et centre sur la valeur de 2.
Tout dpend de la valeur de estim qui
peut tre soit positive soit ngative.
t 1 t

t
1 1
hat=1 AP parfaite d=0 Evidence dAP

hat=-1 AN parfaite d=4 Evidence dAN
60hat=0 Absence dAd=2 Evidence dAA

13/09/2016
A. ELABJANI

Le test de DW mne au calcul de deux
valeurs de d savoir d1 et d2 (ou bien dL
et dU) lues sur la table statistique de DW
et qui sont fonctions de 3 critres :
- N : le Nbre dobservation
- k : le Nbre de regresseurs (exclu la
constante)
- : le niveau de signification
61
13/09/2016
A. ELABJANI

Reprsentation graphique:
H0
H1
A
U
T
O
P
O
S
I
T
I
V
E
62
D
E
P
E
N
D
A
N
C
E
13/09/2016
D
O
U
T
E
H0
A
B
S
E
N
C
E
A
B
S
E
N
C
E
A
U
T
O
A
U
T
O
H1
A
U
T
O
D
O
U
T
E
N
E
G
A
T
I
V
E
D
E
P
E
N
D
A
N
C
E
A. ELABJANI

Formulation des tests:
Les hypotses appliques sont du genre de
celles de Fischer:
Test de nullet:
H0 : cov(t+1 ,t) = 0
H1 : cov(t+1 ,t)0
Test positif:
H0 : = 0
H1 : > 0
63
13/09/2016
A. ELABJANI

Test ngatif :
H0 : = 0
H1 : < 0
Remarques :
1. Le test de DW suggre lintercepte
dans la regression.
2. Pas de retard pour la variable endogne
Yt sinon d sera biais vers 2.
64
13/09/2016
A. ELABJANI

Remarques (suite):
3. Une des faibleses de DW aussi cest
quon travaille sur des rsidus qui ne
sont pas observs, ce qui entraine
toute possibilit danomalies.
4. Sa validit reste faible dans le cas
de petits chantillons.
65
13/09/2016
A. ELABJANI

3.5.4. Le test de COLINEARITE (Haitovsky)
La colinarit ou multicolinarit se
traduit
par
lexistence
dautocorrlations multiples entre les
variables exognes.
Dans un modle de regression
multiple
comportant
plusieurs
variables explicatives, la colinarit
est parfois fort probable dexister.
66
13/09/2016
A. ELABJANI

Son existence
chaque fois que :
est
soupsonne
* la statistique F est petite;

* le coeficient de corrlation R est
aussi maigre;
* alors que le nombre de variables

explicatives est important.
67
13/09/2016
A. ELABJANI

On applique pour dtecter son
existence le test de Haitovsky qui
permet de calculer la valeur Chi-deux:
nk 1
log(1det( X' X))

6(2k 5)
Avec:
68
* n : le Nbre dobservations
* k : le Nbre de regresseurs (exclu la
constante)
* : le niveau de signification donn.
13/09/2016
A. ELABJANI

Principe du test:
H0 : det (XX) = 0
H1 : det (XX) 0
Rgle de dcision:
Si cal < lue on accpte H1
prsence de colinarit
Si cal > lue on accpte H0
absence de colinarit
Remarque:
La valeur de est lue sur la table de Chi-deux
au
69 degr de libert de 0.5(k (k-1)).
13/09/2016
A. ELABJANI

Afin
den
vrifier
lexistence,
des
regressions diverses entre toutes les
variables explicatives seront souhaitables.
Si les regressions sont significatives
entre ces dernires, il serait alors
ncessaire de corriger ce fait en liminant
certaines dentre elles.
Seules les variables exognes qui
contiennent le plus dinformation dans la
variable endogne seront gardes dans le
modle.
70
13/09/2016
A. ELABJANI

A la fin de ce travail, le modle sera
simplifi en un modle restreint.
celui-ci
ne
va
contenir,
par
consquent,
quun
minimum
de
variables mais avec plus de poids de
signification
par
rapport
au
comportement
de
la
variable
endogne.
Cest ainsi que le R et le F pourront
automatiquement samliorer.
71
13/09/2016
A. ELABJANI

3.6. LA PHASE DE PREVISION
Si ltape de la prvision correspond
lun des ultimes objectifs cibls
dans la modlisation conomtrique,
son application restera, cependant,
totalement lie aux rsultats des
tests effectus.
Si on admet que le modle estim

est parfaitement significatif, ceci se
traduit par:
72
13/09/2016
A. ELABJANI

Un
test global bon

daccpter le modle;
permetant
Des tests marginaux significatifs;

Absence
erreurs;
dautocorrlation
des
Absence de multicolinarit entre
les variables.
73
13/09/2016
A. ELABJANI

La prvision nous servira pour
calculer des valeurs approches de
la variable explique (endogne) en
considrant
avoir
les
mmes
conditions et le mme environnement
dans le futur.
Lquation de la prvision sera
dtermine comme suit:
Yi 0 1X1i 2 X 2i 3 X 3i ....k X ki
74
Yi 12030,6X1i 1,78X 2i 0,46X 3i ....0,26X ki

13/09/2016
A. ELABJANI

A titre de vrification, on peut laide
du logiciel calculer les carts (les
rsidus) entre :
* les valeurs observes de Yi;
* les valeurs calcules de Yi hat.
Afin damliorer cet argument, un
test de validit pourra tre fait sur les
valeurs calcules de la variable
endogne grce lintervalle de
prvision de Yi.
75
13/09/2016
A. ELABJANI

Celui-ci est donn par la formule suivante:
P Yi t /2 (nk 1) Y Yi Yi t /2 (nk 1) Y 0,95

PLowerYi Yi UpperY 0,95
Avec:
* t= la valeur lue dans la table de la LNCR
% de risque;
* = le niveau de risque;
76
SEE
Y
13/09/2016
RSS
NECO.
kDE L'ENTREPRISE
N k
A. ELABJANI

Sur RATS :
**********Etape de la prvision**********
Prj Yhat
Print(dates) / Y Yhat Residus
graph(header=PREVISION DE Y) 2
#Y
# Yhat
77
13/09/2016
A. ELABJANI

Sur RATS :
*************Intervalle de Prvision*******
set upper = (Yhat(t) + t/2(SEE))
set lower = (Yhat(t) - t/2(SEE))
graph(key=upleft,header=Intervalle de prvision) 3
# upper
# lower
# Yhat
78
13/09/2016
A. ELABJANI
4. Les Applications Empiriques

4.1. les tapes de lapplication
Les applications empiriques doivent
tre excutes sur le programme de Rats
en passant par 3 tapes essentielles:
1re tape: constitution du fichier data
* crer et nommer le fichier data;
* crer et nommer les sries
temporelles.
79
13/09/2016
A. ELABJANI

2me
tape:
constitution
du
fichier
programme
* crer et nommer le fichier programme;
* taper votre programme de rgression
linaire;
* Excuter le programme.
3me tape: traitement et analyse des
donnes
* retrouver les statistiques essentielles;
* utiliser
les
tests
ncessaires;
80
13/09/2016
A. ELABJANI
* tirer votre conclusion.

4.2. Etude de cas n 1:
CHIFFRE DAFFAIRES ET FRAIS DE PUBLICITE
81
ANNEES
FRAIS DE
PUBLICITE
CHIFFRE
DAFFAIRES
Janvier
Fv
Mars
Avril
Mai
Juin
Jui
Aout
Sept
Oct
Nov
Dc
25 000
17 000
18 000
28 000
22 000
20 000
19 000
22 000
30 000
30 000
27 000
24 000
280 000
250 000
255 000
292 000
265 000
260 000
262 000
280 000
285 000
296 000
285 000
270 000
13/09/2016
A. ELABJANI

TAF :
1.Saisir les donnes sur le fichier data ?
2.rgresser le CA sur les FP ?
3.estimer les paramtres ?
4.excuter les tests ncessaires ?
5.donner
lquation
du
modle
conomtrique utiliser dans les
prvisions ?
82
13/09/2016
A. ELABJANI

Etude de cas n 3:
Cas de : La production et lemploi
83
13/09/2016
A. ELABJANI
5. LA REGRESSION PAS A PAS

5.1. Prsentation:
Lorsque
le
nombre
des
variables
explicatives est important, il devient
ncessaire de disposer de mthode de
slection automatique des variables.
Les mthodes les plus utilises dans ce
cadre sont:
* La Regression pas pas ascendante
(Forward Stepwise Regression);
* La Regression pas pas descendante
84
(Backward
Stepwise
13/09/2016
ECO. DERegression).
L'ENTREPRISE
A. ELABJANI

5.2. Les caractristiques
Il sagit dune mthode itrative consistant

de :
* slectionner chaque tape la variable
explicative dont lapport marginal est
important et significatif;
* maximiser le R de la variable endogne

avec toutes les variables slectionnes
aupravant.
85
13/09/2016
A. ELABJANI

La mthode de la Regression pas pas
ascendante se rsume dans les tapes suivantes:
1. Regresser La variable endogne sur

toutes les variables du modle prises
isolment;
2. Slectionner la 1re meilleure
variable
contenant
linformation
significative de la VE;
3. Regresser nouveau La VE sur les
86
variables restantes du modle;
13/09/2016
A. ELABJANI

4. Reslectionner la 2me meilleure
variable qui amliore le R de la VE;
5. On le fait autant de fois jusquau
moment o lamlioration du R nest plus
avantageuse avec lajout de nouvelle
variable.
87
13/09/2016
A. ELABJANI

Dans
le
descendante,
contraire.
d :
cas
de
la
regression
il faut passer par le
1. Regresser La variable endogne sur

toutes les variables du modle (le modle
complet);
2. Supprimer la 1re variable contenant
linformation la moins significative dans la
VE;
88
13/09/2016
A. ELABJANI

3. Regresser nouveau La VE sur les
variables restantes du modle;
4. Reslectionner la 2me mauvaise
variable supprimer sans affaiblir le R
de la VE;
5. On le fait autant de fois jusquau
moment o la suppression dune autre
variable causera une grande perte sur le
R.
89
13/09/2016
A. ELABJANI

Application n 4:
Cas du chiffre daffaires multicritre.
Les tapes suivre:
1.Commencer par analyser les rsulltats
de la regression du modle complet;
2.Faites les tests ncessaires;
3.Possibilit de rduire le modle;
4.Excuter une regression pas pas.
90
13/09/2016
A. ELABJANI

Rsultats n 1:
n
1
2
3
4
5
6
7
8
9
91
variables
Constant
MT
RG*
PX *
BR*
INV
PU
FV *
TPUB *
13/09/2016
R= 0.80
Coeff.
3179.128
4.72
1.43
-14.24
-3.52
1.96
8.37
1.17
-0.18
t
4.79
4.29
0.43
-1.63
-0.55
2.58
4.71
0.59
-0.45
A. ELABJANI

LA MULTICOLINEARITE
Variables MT
RG
0.72 -0.08
Ventes
1
-0.07
MT
1
RG
Px
BR
INV
PUB
FV
Tpub
92
Px
BR
INV
PUB FV
Tpub
0.29 0.08
0.45
0.57
0.57
-0.1
0.55 0.16
0.14
0.2
0.82
-0.02
0.03 0.02
0.09
-0.12
0.03
-0.15
0.44 -0.06
0.25
0.7
-0.16
0.17
0.1
0.4
-0.13
0.24
0.16
-0.12
0.17
-0.2
-0.06
1
13/09/2016
A. ELABJANI

5.3. Exemple de la RPP ascendante
1re tape : rgressions partielles par rapport
aux diffrentes variables exognes
Tableau n 1 : rgressions partielles
93
Variables
MT
Rg
Px
BR
Inv
Pub
FV
Tpub
13/09/2016
R2 (CA ; Xi)
0.52
0.007
0.08
0.006
0.2
0.32
0.32
0.009
ti
6.23
-0.5
1.8
0.49
3.05
4.12
4.18
-0.58
A. ELABJANI

2ieme tape : On tudie maintenant les
R2(CA;MT;Xj) cd en rgressant CA sur le MT
et une autre variable des 7 restantes :
tableau n2 : rgressions partielles
Variables
Rg
Px
Br
INV
Pu
FV
Tpub
94
13/09/2016
R2(CA;MT;Xj )
tj
0.5206
-0.287
0.5374
-1.1628
0.5267
-0.289
0.6438
3.495
0.7053
4.7
0.5199
-0.1815
0.5262
-0.7035
A. ELABJANI

3ieme tape : De la mme faon on reconstruit le
tableau (3) donnant les R2 ( CA ; MT ; Pub ; Xj ) :
Variables R2 ( CA ; MT ; Pub; Xj )
0.7055
Rg
0.7502
Px
0.71
Br
INV
0.77
0.7062
FV
0.7053
Tpub
95
13/09/2016
tj
0.136
-0.47
-0.71
3.25
-0.315
0.33
A. ELABJANI

4ieme tape :
Variables R2 (CA;MT;Pub;INV;Xj)
tj
Rg
0.7763
0.36
Px
0.8001
-2.018
Br
0.786
-1.27
FV
0.777
-1.61
Tpub
0.7761
0.307
96
13/09/2016
A. ELABJANI

5ieme tape :
2
Variables R (CA;MT;Pub;INV;Px;Xj)
Rg
0.802
Br
0.8012
FV
0.8019
Tpub
0.8001
97
13/09/2016
tj
0.554
-0.42
0.54
-0.84
A. ELABJANI

Econometrie de L Entreprise

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Econometrie de L Entreprise

Transféré par

Droits d'auteur :

Formats disponibles

LES MODELES DAIDE A LA DECISION

Prsentation des intrts de la matire;

1. LES INTERETS DE LA MATIERE

6. C. GOURIEROUX et A. MONFORT(1990) Sries

1.2. LA DECOMPOSITION DE LA MATIERE EN 2

1.3. UN TRAVAIL DE FIN DANNEE SERA DEMANDE

* Une tude de fonction

1.1. DEFINTION DE LECONOMETRIE

y f'(x) log x; e x;....

Deux types de variables conomtriques sont

les variables endognes:

Ce sont les variables expliquer Yt;

Leur probabilit dpendera de celle suppose

Les variables exognes:

2. Les modles de Regression Simple

2. Les modles de Regression Simple

* Yt et Xt doivent reprsenter des valeurs

2. Les modles de Regression Simple

2. Les modles de Regression Simple

cov (Yt ,Yt-1)=0.

Ce qui implique une absence de

2. Les modles de Regression Simple

2. Les modles de Regression Simple

2. Les modles de Regression Simple

2. Les modles de Regression Simple

2. Les modles de Regression Simple

2. Les modles de Regression Simple

2. Les modles de Regression Simple

TSS ESS RSS

2. Les modles de Regression Simple

2. Les modles de Regression Simple

2. Les modles de Regression Simple

2. Les modles de Regression Simple

2. Les modles de Regression Simple

2. Les modles de Regression Simple

Le raisonnement est le suivant:

2. Les modles de Regression Simple

2. Les modles de Regression Simple

Le mme raisonnement que prcdemment:

Si tcal > tlue alors on dcide H1.

3. Le modle de Regression Multiple

Dans le cadre duquel la mthode

3. Le modle de Regression Multiple

Ce sont les mmes hypotheses

* Yt ; X1t et X2t reprsentent des valeurs

3. Le modle de Regression Multiple

3. Le modle de Regression Multiple

Implications sur Yt:

cov (Yt ,Yt-1)=0.

Cest lhypothse de non-corrlation

3. Le modle de Regression Multiple

3. Le modle de Regression Multiple

3. Le modle de Regression Multiple

Tout le problme consiste

3. Le modle de Regression Multiple

3. Le modle de Regression Multiple

3. Le modle de Regression Multiple

mesure seulement leffet marginal de X1

mesure seulement leffet marginal de X2

X 2i Sachant que X1 est constante

3. Le modle de Regression Multiple

3. Le modle de Regression Multiple

3. Le modle de Regression Multiple