Vous êtes sur la page 1sur 3

Université Mohammed V de Rabat Année Universitaire : 2014-2015

FSJES-Souissi Groupe : S5-A


Département : Economie et Gestion

Examen d’Econométrie - Corrigé -


(16 Janvier 2015, Durée. 1 h 30 mn )

N.B : Les questions proposées dans cette épreuve portent uniquement sur les points traités en CM/TD, et
leurs réponses ne requièrent aucune donnée supplémentaire.

Exrecice 1 :
On désire estimer le modèle mathématique suivant sur un échantillon d’observations : y = axb
1. Montrer comment peut-on rendre linéaire ce modèle.
I En introduisant la fonction ln, on obtient ln(y) = ln(a) + b ln(x). Ainsi, si on définit Y = ln(y) et
X = ln(x), on peut associer le modèle en question au modèle linéaire simple : Y = β0 + β1 X +  tel
que β0 = ln(a) et β1 = b.
2. Expliquer brièvement comment peut-on obtenir les coefficients estimés de a et b après estimation du
modèle linéarisé.
I Par la méthode des moindres carrés ordinaires, on obtient βb0 et βb1 . Par la suite, on en déduit les
a = exp(βb0 ) et bb = βb1 .
coefficients estimés : b

Exercice 2 :
On cherche à expliquer la variation du coût annuel (Ci : en centaines de DH) de maintenance d’un véhicule
en fonction de son âge (Ai : en mois), pour i = 1, 2, . . . , n. On considère le modèle de régression linéaire :
Ci = β0 + β1 Ai + i (1)
où les variables aléatoires (i ) sont supposées i.i.d (indépendantes et identiquement distribuées) suivant la
même loi Normale centrée de variance σ 2 .
En se basant sur un échantillon de taille n = 15 de véhicules, on obtient les résultats suivants :

15
X 15
X 15
X 15
X
2
Ai = 362 ; (Ai − A) = 3753.7 ; Ci = 938 ; (Ci − C)2 = 6269.7 ;
i=1 i=1 i=1 i=1
15
X
(Ai − A)(Ci − C) = 4799.9.
i=1

Dans cet exercice, on utilise un risque de première espèce α = 5% et on donne Tcritique = 2.16.

1. Estimer les paramètres β0 et β1 par la méthode des moindres carrés.


I L’estimation
P15
par la méthode des moindres carrés ordinaires de β0 et β1 , nous donne :
(Ai −A)(Ci −C) 4799.9
β1 = P15 (A −A)2 = 3753.7
b i=1
' 1.28, et βb0 = C − βb1 A ' 938
15
− 1.279 × 362
15
' 31.64.
i=1 i

i
2. Calculer la somme des carrés
P expliquée SCE et la somme des carrés résiduelle SCR.
I Par définition, SCE = 15 i=1 (Cbi − C)2 . Or, Cbi = βb0 + βb1 Ai et C = βb0 + βb1 A
P15 b
Donc, SCE = i=1 (β0 + β1 Ai − βP
b b0 − βb1 A)2 = βb1 2 P15 (Ai − A)2 ' (1.28)2 × 3753.7 ' 6150.06.
i=1
D’autre part, on sait que SCT = 15 2
i=1 (Ci − C) = SCE + SCR.
Par conséquent, SCR = SCT − SCE ' 6269.7 − 6150.06 ' 119.64.

3. Déterminer l’estimation de la variance σ b2 .


I L’estimation de la variance σ b2 se déduit de la somme des carrés résiduelle : σb2 = SCRn−2
. Il en résulte
donc que σ b2 ' 9.20.
En déduire l’estimation de la variance de l’estimateur de β1 , que l’on notera σ b2 (βb1 ).
I L’estimation de la variance de l’estimateur de β1 se déduit elle lui aussi de la formule suivante :
b2
σ
b2 (βb1 ) = P15 (A
σ −A)2
b2 (βb1 ) ' 0.002 et σ
. D’après ce qui précède, on trouve que σ b(βb1 ) ' 0.05.
i=1 i

4. Construire un intervalle de confiance de β1 de niveau 95%.


I Sous l’hypothèse relative aux termes d’erreur (i ) indiquée ci-dessus, on sait qu’un intervalle de
confiance au niveau 1 − α = 0.95 pour la vraie valeur inconnue du coefficient β1 s’écrit sous la forme :
I = [βb1 − τn−p−1,α σ
b(βb1 ) ; βb1 + τn−p−1,α σ
b(βb1 )] , où τn−p−1,α = Tcritique = 2.16 (pour α = 5% et avec
le nombre de degrés de librté dl = n − p − 1 = 13).
Par conséquent, I ' [1.17 ; 1.39].

5. Tester si la régression est significative (c’est-à-dire tester H0 : β1 = 0 contre H1 : β1 6= 0).


Commenter.
I La régle de décision portant sur la significativité du modèle (1) est basée sur la statistique T :

βb1
T = ' 26.
σ
b(βb1 )

En effet, l’hypothèse H0 est rejettée si et seulement si : | T |> Tcritique . Puisque σb(ββc1


' 26 et
c
1)
Tcritique = 2.16, on déduit donc le rejet de H0 au profit de H1 . Ainsi, le paramètre β1 est différent
de 0 avec un risque d’erreur α = 5%, et donc le modèle (1) est significatif. Par conséquent, on peut
décider au vu des données que la variable explicative Ai est contributive à l’explication de la variable
Ci .

6. Déterminer et interpréter le coefficient de détermination.


I Par définition, le coefficient de détermination s’écrit :
SCE
R2 = .
SCT
De la question (2), il découle donc que R2 ' 0.98. Ce coefficient mesure la qualité d’ajustement de
notre modèle défini par la représentation (1). Autrement dit, 98% de la variance des données est
expliquée par ce modèle de régression.

7. Déterminer une prévision du coût de maintenance pour un véhicule de 5 ans.


I Soient Am = 5 ans = 60 mois l’âge du véhicule, et C
bm la valeur prédite du coût de sa maintenance.
On a donc : Cm = β0 + β1 Am , ce qui donne numériquement en tenant compte de l’unité des (Ci ) ,
b b b
bm ' 10 844 DH, le coût prévisionnel de maintenance pour un véhicule de 5 ans.
C

ii
Exercice 3 :
On utilise le modèle de régression linéaire multiple :

Y = β0 + β1 X1 + β2 X2 + , (2)
sous les hypothèses classiques.

En se basant sur un échatillon de taille n, on obtient les résultats indiqués dans la tableau présenté
ci-dessous. Dans la suite, on considère un risque de première espèce α = 5% et on donne Fcritique = 4.256.
1. Compléter le tableau d’analyse de variance suivant :
I En utilisant le fait que p est le nombre de variables explicatives, SCT = SCE + SCR, M CR =
SCR
n−p−1
, M CE = SCEp
; on peut compléter facilement le tableau de variance indiqué ci-dessous :

Source de variation (SC) Degré de liberté (dl) Sommes des carrés (SC) Moy. des carrés (MC)
Régression p=2 SCE = 1504.4 M CE = 752.2
Résiduelle n−p−1=9 SCR = 176.4 M CR = 19.6
Total n − 1 = 11 SCT = 1680.8
2. Quel est le coefficient de détermination R2 du modèle (2) ? Commenter.
I Le coefficient de détermination du modèle (2) est donné par
SCE 1504.4
R2 = = ' 0.89.
SCT 1680.8
Cela signifie que 89% de la variance des données est expliquée par ledit modèle.
3. Donner une estimation de la variance de .
I La valeur d’un estimateur non biaisé de la variance de , basée sur notre échantillon, est donnée
par :
SCR 176.4
b2 =
σ = = 19.60.
n−p−1 9

4. Déterminer la statistique observée de Fisher Fobs .


I La statistique observée de Fisher s’écrit :
n − p − 1 SCE M CE 9 1504.4
Fobs = = = × ' 38.38.
p SCR M CR 2 176.4

5. Tester l’hypothèse H0 : β1 = β2 = 0 , contre H1 : β1 6= 0 ou β2 6= 0.


Conclure.
I D’après la régle de décision, puisque Fobs > Fcritique , on déduit donc le rejet de H0 au profit de
H1 avec un risque d’erreur α = 5%. Par conséquent, on conclut que le modèle de régression (2) est
globalement significatif.

Bon courage.

iii