Académique Documents
Professionnel Documents
Culture Documents
Introduction :
La nature des traitements dépend de plusieurs facteurs ; on retiendra ici la distinction entre données
chronologiques et données en coupe instantanée (données d’enquêtes).
Sur les données en coupe, il faudra par exemple de définir les rations en liaison avec la spécification
retenue.
Lorsque l’on « déflate » par un indice approprié, une série en valeur, on obtient une série en
volume. On parlera aussi de série exprimée en dirhams constants ≠ dirhams courants ou encore
variation en terme nominal ≠ variation en terme réel.
DH constant DH courant
Valeur Volume
Réel Nominal
Ce travail consiste à exclure l’effet prix dans l’appréciation des variations d’une grandeur. En effet,
l’inflation fausse les conclusions que nous pouvons faire à propos de l’évaluation d’une grandeur :
par exemple les dépenses ; le chiffre d’affaire…
Pour observer l’évolution réelle d’une grandeur (chiffre d’affaire, dépenses, exportations…) il faut
exclure l’effet prix.
En terme nominal, le chiffre d’affaire a augmenté de 16%, par contre les quantités vendues (volume
de vente) ont baissé de 3.3% entre t et t+1.
Nous pouvons mesurer les variations du CA en terme réel en écartant l’effet de l’inflation, nous
allons alors déflater, c’est-à-dire corriger le CA en DH par « l’indice des prix ».
Prenons comme année de base T :
𝑃𝑡
On rappelle que 𝐼𝑃 𝑡 = ∗ 100
0 𝑃0
Pour l’année T :
Le chiffre d’affaire T va rester le même puisque l’indice des prix est égal à 100.
CA en DH CA en DH CA en DH Δ du CA Δ du CA en Δ de quantités
Crt (T) Crt (T+1) Cst (T+1) en DH Crt DH Cst produites
Bien A 3000 3480 2900 16% -3.33% -3.33%
Pour l’année T :
12
𝐼𝑃𝑡+1 =∗ 100 = 83.33%
𝑡 10
3000
𝐶𝐴 𝑒𝑛 𝐷𝐻 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡 = ∗ 100 = 3600
83.33
Pour l’année T+1 :
Le CA de l’année t+1 va rester le même puisque l’indice des prix est égale à 100, pour cette année
(quand elle est prise comme année de référence ou base).
Lorsque nous travaillons sur une seule grandeur (le CA par exemple), raisonner sur les
quantités ou sur ma série en DH constant revient au même.
Quand il s’agit de plusieurs grandeurs à la fois (CA réalisé par la vente de plusieurs biens), la
passage par les indices s’impose, on ne peut en effet pas ajouter des Kg de tomates avec des
litres d’huile, ou encore des souliers avec des chemises…
Exercice :
Dans l’exemple suivant, X représente le CA obtenu grâce à la vente des GSM et leurs accessoires.
Années Prix carcasse Quantité des Prix GSM Quantité Prix Kit man Quantité
en DH carcasses en DH GSM en DH kit man
𝐴0 5 21 50 12 1.3 7
𝐴1 5.7 29 57 17 1.8 6
𝐴2 6 33 49 8 2.4 3
3- Calculer les variations des quantités vendues des carcasses. Comparer les résultats.
4- Expliquer le biais et faire les calculs nécessaires pour l’écarter. Commenter.
35
30
25
20
15
10
0
A0 A1 A2
On constate que seules les ventes des carcasses qui ont augmenté entre𝐴0 , 𝐴1 et𝐴2 , malgré que
les prix ont subi une augmentation pendant 𝐴1 et𝐴2 . Les autres articles ont connu une diminution
au cours de 𝐴1 et𝐴2 .
❷
𝑨𝟎 𝑨𝟏 𝑨𝟐
CA carcasse 105 165.3 198
CA GSM 600 969 392
CA Kit Man 9.1 10.8 7.2
CA ANNUEL 714.1 1145.1 597.2
Les ventes des carcasses ont connu un accroissement très important par rapport à𝑨𝟎 .
Elles sont passées d’une élévation de 38% en 𝑨𝟏 à 57% en𝑨𝟐 .
❹ Selon la dernière question, les quantités de carcasses ont connu respectivement une
augmentation de 38% et 57% en 𝑨𝟏 et 𝑨𝟐 . Par ailleurs, on peut affirmer selon le 2ème question que les
chiffres d’affaires en DH courant réalisés par l’entreprise pour cet article ont connu une élévation
respectivement de 57% et 88% en𝑨𝟏 et 𝑨𝟐 .
La différence d’accroissement constatée entre les variations des CA et des quantités ne peut être
engendrée qua par la présence de l’effet des prix et donc l’inflation.
Nous pouvons mesurer les variations du CA en terme réel en écartant l’effet de l’inflation ; nous
allons alors déflater, c’est-à-dire « corriger » le CA en DH courant par l’indice des prix.
On rappelle que :
𝑃𝑡
𝐼𝑃 𝑡 = ∗ 100
0 𝑃0
Années Prix carcasse Quantités 𝑰𝑷 𝒕
en DH des carcasses 𝟎 CA courant CA constant Δ CA constant
L’égalité entre la variation du CA en DH constant et la variation des quantités vendues tient au fait
𝑨
que nous avons éliminé l’effet des prix, entre 𝑨𝟎 𝑒𝑡 𝑒𝑛𝑡𝑟𝑒 𝑨𝑨𝟎.
𝟏 𝟐
Chapitre introductif : Typologie des modèles
MARCO MICRO
Ces variables sont appelé variables décisifs. Ces variables sont appelées variables objectifs.
En effet, l’augmentation du PIB entraine une augmentation des dépenses publiques ce qui favorise
l’emploi à travers l’investissement ce qui engendre l’augmentation de la production.
On peut conclure donc que la dépense publique est une variable endogène alors que l’emploi,
l’investissement et la production sont des variables intermédiaires.
Exemple :
C = f(R)
C=aR+b
Année Consommation Revenu
2011 10 13
2012 12 15
2013 11 16
2014 10 13
diagramme de dispertion
12.5
12
11.5
11
10.5
10
9.5
0 2 4 6 8 10 12 14 16 18
A travers ces points on ne peut pas faire une prévision, donc on utilise la méthode moindre carrée
ordinaire ou on cherche une droite : ĉ=â r+ b^
La première variable qui permet d’exprimer la consommation c’est le revenu puis les prix.
C = Ar+b+e :
« e » est un terme aléatoire qui permet d’expliquer les fonctions ainsi que d’écarter les erreurs,
l’indiction et la stimulation ainsi que de collecter l’information.
EXEMPLE INTRODUCTIF :
- C = consommation ;
- Y = Revenu ;
- 𝑎0 : proportion marginal à consommer ;
- 𝑎1 : Consommation autonome ou incompressible.
∑(𝑒𝑖)²
𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 (𝑒𝑖) = 𝑛
= 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑜𝑛𝑐 𝑙 ′ é𝑐𝑎𝑟𝑡 𝑡𝑦𝑝𝑒 𝑒𝑠𝑡 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡
E(â)=a et V(â)=a, E (b^)=b et V (b^)=b ; on dit que le modèle est BLEU (Best Linear Unbested
Estimateur).
Révision :
Définir les concepts suivants ainsi que leurs fonctions.
Pourquoi ne pas prendre simplement des écarts sous les postes au carré ?
Pendant 10 ans de 1996 à 2005, une femme a expérimenté le rendement du maïs (Y en kg/ha)
associé à l’emploi de quantité croissantes d’un fertilisant (X en g). Le tableau suivant rassemble ces
données.
1 2
Année n Yi Xi Yi-Ῡ Xi- 1*2 2²
1996 1 40 6 -17 -12 20 144
1997 2 44 10 -13 -8 104 64
1998 3 46 12 -11 -6 66 36
1999 4 48 14 -9 -4 36 16
2000 5 52 16 -5 -2 10 4
2001 6 58 18 1 0 0 0
2002 7 60 22 3 4 12 16
2003 8 68 24 11 6 66 36
2004 9 74 26 17 8 136 64
2005 10 80 32 23 14 322 196
£=TOTAL 570 0 0 956 576
MOYENNE 57 18
Diagramme de dispersion
90
80
70
60
50
40
30
20
10
0
0 5 10 15 20 25 30 35
Et b^=57-(1.66*18)=27.12
Ŷ = 57=moyenne de Y.
Yi Ŷi ei
1 40 37.08 2.92
2 44 43.72 0.28
3 46 47.04 -1.04
4 48 50.36 -2 :36
5 52 53.36 -1.68
6 58 57 1
7 60 63.64 -3.64
8 68 66.96 1.04
9 74 70.28 3.72
10 80 80.24 -0.24
Total 570
Exemple 2 :
1- Construire un diagramme de dispersion pour les données en Milliards de Dhs.
Dépense de consommation Y et le revenu disponible X pendant 12 année de 1994 à 2005.
Correction de l’exercice :
❶
1 2
année n Yi Xi Yi-Ῡ Xi- 1*2 2²
1994 1 102 114 -31 -25 775 961
1995 2 106 118 -27 -21 567 729
1996 3 108 126 -19 -19 361 361
1997 4 110 130 -15 -17 255 225
1998 5 122 136 -9 -5 45 81
1999 6 124 140 -5 -3 15 25
2000 7 128 148 3 1 3 9
2001 8 130 156 11 3 33 121
2001 9 142 160 15 15 225 225
2003 10 148 164 19 21 399 361
2004 11 150 170 25 23 575 625
2005 12 154 178 33 27 891 1089
Total 1524 1740 4144 4812
Moyenne 127 145
Diagramme de Dispersion
200
180
160
140
120
100
80
60
40
20
0
100 110 120 130 140 150 160
Ŷ = 127=moyenne de Y.
Ŷi ei ei²
100.34 1.66 2.7556
103.78 2.22 4.9284
110.66 -2.66 7.0756
114.1 -4.1 16.81
119.29 2.74 7.5076
122.7 1.3 1.69
129.58 -1.58 2.4964
136.46 -6.46 41.7316
139.9 2.1 4.41
143.34 4.66 21.7156
148.5 1.5 2.25
155.38 -1.38 1.9044
Total 115.28
∑(𝑒𝑖)2 115.28
𝑆2 = = = 11.53
n−2 12 − 2
𝑆2 11.53
𝑆2â = 2 = = 0.0024
4812
∑ (𝑋𝑖 − )
1 1 (145)2
S²bˆ= S²[ + ] = 11.53 ∗ ( + ) = 51.34
𝑛 12 4812
∑(𝑋𝑖− )²
Donc :
Ȃ= 0.86
0.86
Tâ= 0.05 = 17.2
Pour savoir si ka variable exogène choisi est pertinente on passe au test de student.
- Test de student de â = tâ = â/Sâ avec ddl = n-k = n-2 (avec k nombre de paramètre).
- Soit on compare le tâ par rapport à t tabler. Si tâ>â t tabler on rejette Ho (Go : a = 0) la
variable exogène est pertinente. Sinon la variable exogène n’est pas pertinente.
Exemple 3 :
Considérons la série des indices de la livraison trimestrielle d’essence au Maroc pour années
consécutives :
Travail à faire :
160
140
120
100
80
60
40
20
0
0 2 4 6 8 10 12 14 16 18
Commentaire :
T=58, alors :
Exemple 4 :
On reprend les observations consignées dans le tableau « exemple 3 » à propos de la relation entre la
consommation globale et le revenu disponible.
Où :
Où :
- N : le nombre d’observation ;
- N-2 : le nombre de degré de liberté ;
- 2 : n des paramètres (a et b).
Cela signifie que :
𝑆²
𝑆²â =
∑(𝑋𝑖 − )²
De même :
1
S²bˆ= S²[ + ]
𝑛
∑(𝑋𝑖− )²
Application :
- Tâ â/Sâ = 17.5
- Avec ddl = n-k (avec k nombre de paramètre 12-2=10).
- T tabler à 5% = 2.228
- Alors tâ > â t tabler 17.5 >2.228 on rejette Ho (Ho : a=o)
- La variable exogène est pertinente.
Ni Xi Yi
1 2 23
2 3 27
3 5 28
4 9 39
5 10 39
6 12 45
7 15 51
Question ❶ :
0.05
1000 DH
0.04
0.03
0.02
0.01
0
0 2 4 6 8 10 12 14 16
On sait :
∑ (𝑋𝑖 − ) (Yi − Ῡ) 𝐶𝑂𝑉(𝑋, 𝑌) Ϭ𝑥𝑦
â= = = 2
∑(𝑋𝑖 − 𝑋) 𝑉𝑎𝑟(𝑋) Ϭ 𝑥
Alors
42.4
â= = 2.12 Et bˆ=19
20
Alors Y=2.12X+19
1 2
Ville I Nombre de Commande Xi- 𝐘𝐢 − Ῡ (1*2) (1)²
visite Xi Yi
1 2 23 -6 -13 78 36
2 3 27 -5 -9 45 25
3 5 28 -3 -8 24 9
4 9 39 1 3 3 1
5 10 39 2 3 6 4
6 12 45 4 9 36 16
7 15 51 7 15 105 49
Total 56 252 297 140
Moyenne 8 36
La loi des écarts permet de relier l’erreur associé à l’hypothèse nulle et l’erreur associée à
l’hypothèse « Y » dépend de « X ».
L’erreur attachée à l’hypothèse nulle est mesurée par la dispersion totale des Yi, c’est-à-dire par la
somme des carrées des écarts des Yi par rapport à la moyenneῩ.
- ∑(Yi − Ŷ)² ∑ 𝐶𝑅
- - ∑(Ŷ − Ῡ)² ∑ 𝐶𝐸
L’erreur attachée à la seconde hypothèse, ou encore dispersion résiduelle est donné par ê somme
des carrées des écarts entre les observations Yi et les valeurs estimées (Ŷi) par le modèle.
Dans le tableau précèdent, il apparait que l’erreur associé au modèle est très faible avec e²=7.9
Dans ce cas l’erreur de l’hypothèse nulle s’élève à 638
Ni Xi Yi Ŷi Yi − Ῡ (Yi − Ŷ)² Ŷi − Ῡ (Ŷi − Ῡ)² Ŷi − Yi (Ŷi − Yi)²
1 2 23 23.27 -13 196 -12.73 162.0529 0.27 0.0729
2 3 27 25.39 -9 81 -10.61 112.5721 -1.61 2.5921
3 5 28 29.64 -8 64 -6.36 40.4496 1.64 2.6896
4 9 39 38.12 3 9 2.12 4.4944 -0.88 0.7744
5 10 39 40.24 3 9 4.24 17.9776 1.24 1.5376
6 12 45 44.49 9 81 8.49 72.0801 -0.51 0.2601
7 15 51 50.85 15 225 14.85 220.5225 -0.15 0.2225
Ʃ 56 252 0 638 630.1492 7.9492
M 8 36
Relation connue sous le nom de loi des écarts, nous pouvons écrire :
2
Dispersion expliquée : Ʃ(Ŷi − Ῡ)
Donc on a :
Question ❸ :
** 𝑟 = √𝑅 2 = √0.987 = 0.994
Question 4 :
𝐹0.01 = 16.26
Question 6 :
Ainsi, X=20 visites devraient amener selon le modèle 61400 Dhs de commandes en moyennes
puisque 61.4 = 2.12 (20) +19
Exercice 2 :
On s’intéresse dans un secteur de production à la relation entre les bénéfices réalisés par les
entreprises et le budget annuel qu’elles consacrent à la publicité. 15 observations ont été réalisées.
Budget 15 8 36 41 16 8 21 21 53 10 32 17 58 6 20
Bénéfice 48 43 77 89 50 40 56 62 100 47 71 58 102 35 60
1- On veut établir une régression linéaire entre les deux variables, qu’elle doit être la variable
endogène ?
2- On admet l’existence d’une relation linéaire de la forme𝑦𝑖 = 𝑎𝑥𝑖 + 𝑏 + Ɛ. Calculer les
estimateurs des coefficients a et b.
3- Précisez l’équation d’analyse de la variance, calculer ses valeurs et en déduire le coefficient
de détermination et de corrélation.
CHAPITRE 2 : Modèle linéaire de régression multiple (M.R.M)
Les M.R.M sont du type :
𝑋1𝑡 … 𝑋𝑝𝑡 : Sont les observations à chaque période t des variables exogènes 𝑋1 … 𝑋𝑝 .
Hypothèse 2 : les 𝑌𝑡 et les 𝑋𝑖𝑡 sont des grandeurs numériques observés sans erreur.
Hypothèse 5 : la loi de distribution de l’aléa est une loi gaussienne de moyenne nulle et l’écart-type
fini.
Hypothèse 7 : on n’introduit pas de restriction sur les estimateurs. Ils peuvent être positifs, négatifs
ou nuls.
Problèmes particuliers :
La violation des hypothèses :
Deux formes classiques :
Dans les modèles en série temporelle où l’influence d’une période sur l’autre est plausible.
Dans le cas de modèle spécifie en coup instantané si les observations ont été préalablement
tirées (en fonction croissantes ou décroissante) de la variable à expliquer. (RARE)
Détection ne peut s’effectuer qu’à partir de l’analyse des résidus :
Lorsque les observations représentent des moyennes calculées sur des échantillons de taille
différente ;
La répétition d’une même valeur de la variable à expliquer pour des valeurs différentes d’une
variable explicative ;
Lorsque les erreurs sont liées aux valeurs prises par une variable explicative dans un modèle
en coupe instantanée la variance de la consommation croit par exemple avec le revenu
disponible etc.
CONCEPTS :
On sait que :
Ʃ(Ŷ − Ῡ)² 𝑅²
𝐹= 𝐾 = 𝐾
Ʃ𝑒² (1 − 𝑅 2 )
𝑁−𝐾−1 𝑁−𝐾−1
Application :
On a :
R² = 0.702
N= 14
Avec : la matrice de dimension (n,p) des variables exogènes qui expliquent la variable endogène
𝑋(𝑛, 𝑝) = (𝑋1𝑡 , 𝑋2𝑡 , … , 𝑋𝑝−𝑢 , E) pour t variant de 1 à n.
â = (𝑋 ′ 𝑋)⁻¹.X’Y
*H0 a=0
*H1 a≠0
𝑅²
ŷ′ŷ 𝑛 − 𝑝 𝐾
𝐹= 𝑥 =
𝑝 û′û (1 − 𝑅 2 )
𝑁−𝑝
Lorsque le F calculé est supérieur au F théorique obtenu à partir de la table par l’intersection entre
(n-p) et (p-1), l’hypothèse HO est rejeté.
Interprétation :
Fc>Ft : au moins une variable est pertinente pour expliquer la variable endogène.
Le test de student : T
*H0 a=0
*H1 a≠0
Méthode d’approximation :
â
𝑇= | |
𝛿
Méthode de l’intervalle :
Interprétation :
Si â n’appartient pas l’intervalle, HO est rejetée puisqu’elle accorde 95% des chances que â soit
compris entre[−𝑡𝑎. 𝛿; +𝑡𝑎. 𝛿].
Le coefficient est donc statistiquement différent de zéro et selon l’échantillon pertinent pour
expliquer la variation de la variable endogène.
Décision :
Les écarts = types estimés des estimateurs sont respectivement 5.19 ; 0.15 et 6.87.
R²=0.96
La variation des variables exogènes explique 96% de la variabilité de la variable endogène, soit 2% de
plus après l’introduction d’une 2ème variable explicative dans le modèle. En d’autre terme, la variation
de la quantité d’engrais utilisée par an et l’indice de pluviométrie explique 96% de la variabilité du
niveau de production de blé, soit 2% de plus suite à la prise en considération de la variation de
l’indice de pluviométrie.
H1 : â≠0
𝑅²
𝐹= 𝐾 = 444 > 𝐹 𝑡ℎé𝑜𝑟𝑖𝑞𝑢𝑒
(1 − 𝑅 2 )
𝑁−𝑝
(37,2) rejet de Ho : le modèle est globalement significatif
Rejet de Ho, â1 est donc différent de 0 et la quantité d’engrais utilisée annuellement est explicative
du niveau de production de blé.
Rejet de Ho, â2 est donc différent de 0, par conséquent ; l’indice de pluviométrie est pertinent pour
expliquer la variabilité du niveau de production de blé.
𝑦𝑖 = 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + 𝑈𝑖
(Ʃ𝑥1 𝑦)(Ʃ𝑥22 ) − (Ʃ𝑥1 𝑦)(Ʃ𝑥1 , 𝑥2 )
𝑏1 ^ =
(Ʃ𝑥12 )(Ʃ𝑥22 ) − (Ʃ𝑥1 , 𝑥2 )²
D’où :
L’estimateur b^1 mesure la variation unitaire de 𝑥1 lorsque il reste constant. L’estimateur b^2 se
définit de manière analogue. Les estimateurs b^1 et b^2 peuvent donc être appelés coefficients
partiels de régression𝑏0 ,𝑏1 𝑏2 sont des estimateurs BLEU.
Exercice 1 :
Il concerne 15 pays développés en 1981 et donne pour chacun le revenu réel par tête, Y en milieu de
dollars US avec le pourcentage X1 de la force de travail employé dans l’agriculture et la durée
moyenne de la scolarité X2 (en années) pour la population au-dessus de 25 ans.
Tableau : revenu par tête, population active dans l’agriculture durée de scolarité.
n Y 𝑥1 𝑥2 Y-Ῡ 𝑥1 𝑦 𝑥2 y 𝑥1 𝑥2 𝑥1 ² 𝑥2 ²
1 6 9 8 -3 2 -4 -6 12 -8 4 16
2 8 10 3 -1 3 1 -3 -1 3 9 1
3 8 8 11 -1 1 -1 -1 1 -1 1 1
4 7 7 10 -2 0 -2 0 4 0 0 4
5 7 10 12 -2 3 0 -6 0 0 9 0
6 12 4 16 3 -3 4 -9 12 -12 9 16
7 9 5 10 0 -2 -2 0 0 0 4 4
8 8 5 10 -1 -2 -2 2 2 2 4 4
9 9 6 12 0 -1 0 0 0 0 1 0
10 10 8 14 1 1 2 1 2 2 1 4
11 10 7 12 1 0 0 0 0 0 0 0
12 11 4 16 2 -3 4 -6 8 8 9 16
13 9 9 14 0 2 2 0 0 4 4 4
14 10 5 10 1 -2 -2 -2 -2 4 4 4
15 11 8 12 2 1 0 2 0 0 1 0
total 0 105 180 0 0 0 -28 38 -12 60 74
Il vient donc :
(Ʃ𝑥1 𝑦)(Ʃ𝑥22 ) − (Ʃ𝑥1 𝑦)(Ʃ𝑥1 , 𝑥2 ) (−28 ∗ 74) − (38 ∗ −12) −2072 + 456
𝑏1 ^ = = = = 0.38
(Ʃ𝑥12 )(Ʃ𝑥22 ) − (Ʃ𝑥1 , 𝑥2 )² (60 ∗ 74) − (−12)² 4440 − 144
(Ʃ𝑥2 𝑦)(Ʃ𝑥12 ) − (Ʃ𝑥1 𝑦)(Ʃ𝑥1 , 𝑥2 ) (38 ∗ 60) − (−28 ∗ −12) 2280 − 336
𝑏2 ^ = = = = 0.45
(Ʃ𝑥12 )(Ʃ𝑥22 ) − (Ʃ𝑥1 , 𝑥2 )² (60 ∗ 74) − (−12)² 4440 − 144
R² = 0.42
R² = 0.22
Solution :
1- Pour répondre à la première question, nous pouvons analyser soit les rations de student, soit le
coefficient de détermination.
Comme le test de student respectivement pour les hommes et pour les femmes est largement
supérieur à 2, on peut conclure que la durée des études influence significativement la rémunération.
Par conséquent xf est une variable pertinente.
2- Pour les hommes, on remarque qu’une augmentation d’une année de scolarité permet selon
l’équation une augmentation des revenus de 1,8. Par ailleurs, pour les femmes une
augmentation d’une année de scolarité permet seulement une augmentation de revenu de
même nombre d’année d’étude permet à ce que le revenu des hommes augmente 2 fois plus à
celui que des femmes.
Exercice 3 :
Nous reprenons le modèle de consommations revenu :
𝑌𝑡 = 1176.08 + 0.78𝑋1 + 𝑒𝑡
(0.21) (14.7)
N= 10
Question 1 :
𝑅² 𝑟²
𝐹= 2 = = (𝑡 ∗)2 = 14.7²
(1 − 𝑅 ) 1 − 𝑟²
𝑁−2 𝑛−2
Soit r²=0.96, nous pouvons alors calculer le Fisher empirique :
𝐹 = 𝑡 2 = 216.1 = (14.7)2
𝑅²(𝑛 − 2)
= 216.1
1 − 𝑅²
216.1
8𝑅2 = 216.1 − 216.1𝑅2 → 𝑅 2 (8 + 216.1) = 216.1 → 𝑅 2 = = 0.96 = 96%
224.1
Question 2 :
Augmentation de 8% du revenu.
Nous avons :