Introduction à l’économétrie S6-LEF sc. éco. & gestion Prof.

Mohamed El Merouani

IV.- Espérance mathématique de l’estimateur  :

Nous avons Aˆ = A + ( X ′X ) X ′ε
−1

()
alors l’espérance mathématique sera : E A = E ( A) + E ( X ′X ) X ′ε ,
ˆ −1
[ ]
ˆ ()
soit E A = A + ( X ′X ) X ′E [ε ] , car A est une quantité certaine (non-aléatoire).
−1

Par hypothèse fondamentale, on a E[ε ] = 0 ,

®E

()
d’où E A = A . L’estimateur  est non-biaisé.
ˆ
lM

V.- Matrice des variances-covariances de l’estimateur  :

La matrice Ω Â des variances-covariances de  est définie par :

ero

 Var (aˆ1 ) Cov(aˆ1 , aˆ 2 ) L Cov(aˆ1 , aˆ k ) 

 
 Cov(aˆ 2 , aˆ1 ) Var (aˆ1 ) L Cov(aˆ 2 , aˆ k )
Ω Aˆ =  
M O M
 
ua
 Cov(aˆ , aˆ ) Cov(aˆ , aˆ ) L Var (aˆ1 ) 
 k 1 k 2

[
En remarquant que : Var(aˆ i ) = E (aˆ i − E (aˆ i ) )
2
]
ni

[
= E (aˆ i − ai )
2
] car E (aˆ i ) = a i
FP

= E[(aˆ i − a i )(aˆ i − ai )]

[
et que Cov (aˆ i , aˆ j ) = E (aˆ i − E ( aˆ i ) ) (aˆ j − E ( aˆ j ) ) ]
Te

[
= E (aˆ i − a i ) (aˆ j − a j ) ]
tou

On peut mettre Ω Â sous forme :


( )( ′
Ω Aˆ = E  Aˆ − E ( Aˆ ) Aˆ − E ( Aˆ )  )
 
an


( )(
′
Ω Aˆ = E  Aˆ − A Aˆ − A  )
 

Aˆ − A = ( X ′X ) X ′ε
−1
[Aˆ − A]′ = [( X ′X ) −1
X ′ε ]′
Or et

6
www.elmerouani.jimdo.com
 Introduction à l’économétrie S6-LEF sc. éco. & gestion Prof. Mohamed El Merouani

[Aˆ − A]′ = ε ′( X ′)′ [( X ′X ) ]′ = ε ′X ( X ′X ) [( X ′X ) ]′ = ( X ′X )′ 

−1
= [X ′X ]
−1 −1 −1 −1

puisque

[( )(
Ω Aˆ = E ( X ′X ) −1 X ′ε ε ′X ( X ′X ) −1 )]
Alors, on aura :

Ω Aˆ = ( X ′X ) X ′E (εε ′)X ( X ′X )
−1 −1

soit
®E
E (εε ′) σ 2I
Remplaçons par sa valeur , on obtient:

Ω Aˆ = ( X ′X ) X ′σ 2 IX ( X ′X ) = σ 2 ( X ′X ) ( X ′X )( X ′X )−1
−1 −1 −1
lM

Ω Aˆ = σ 2 ( X ′X )
−1

Finalement :
ero

La matrice (X’X)-1 est une matrice symétrique de type (k,k).

Pour que l’estimateur  soit convergent, il est nécessaire que la matrice (X’X)-1 tend vers zéro
ua
lorsque le nombre d’observations n augmente indéfiniment. Habituellement, ceci se pose
comme une hypothèse technique de la régression multiple.
ni

VI.- Théorème de Gauss-Markov : L’estimateur  est « BLUE » :

[
Aˆ = ( X ′X ) X ′ Y
−1
]
FP
L’estimateur est un estimateur BLUE « Best Linear Unbiased Estimator »
de A, c'est-à-dire que la variance de  est la plus petite entre tous les estimateurs sans biais de
A.
Te

Démonstration :

Considérons un estimateur quelconque α de A.

tou

a) L’estimateur α doit être linéaire en Y :

α =MY
an

Α est de type (k,1). Y est de type (n,1). La matrice M est ainsi de type (k,n).
Remplaçons Y par sa valeur, on obtient : α=M(XA+ε)
α=MXA+Mε

b) Il faut montrer que M=(X’X)-1X’ :

Pour cela, on peut considérer l’expression : M=(X’X)-1X’ +N et montrer que la
matrice N, de type (k,n) est égale à zéro : N=0.

7
www.elmerouani.jimdo.com
 Introduction à l’économétrie S6-LEF sc. éco. & gestion Prof. Mohamed El Merouani

c) L’estimateur α doit être non-biaisé, c'est-à-dire qu’il doit vérifier E(α)=A :

E(MXA+Mε)=A => MXA+M E(ε)=A
=> MXA=A puisque E(ε)=0.
C'est-à-dire la condition MX=I.
Ou encore [(X’X) X’+N]X=I => (X’X)-1(X’X)+NX=I
-1

=> I+NX=I => NX=0

®E

d) L’estimateur α doit être de variance minimale :

La matrice Ωα des variances-covariances de α Ω = E (α − E (α ) )(α − E (α ) )′ 
α  
lM

est : α = MXA + Mε
Mais
= I A + Mε
ero
= A + Mε
= E (α ) + Mε
⇒ α − E (α ) = Mε
′
ua
Ω α = E (Mε )(Mε )  = E[Mεε ′M ′] = ME (εε ′)M ′ = Mσ 2 IM ′
 
⇒ Ω α = σ 2 MM ′
ni

Cette expression peut aussi s’écrire :

[ ][( X ′X ) ]′
FP
Ω α = σ 2 ( X ′X ) X ′ + N
−1 −1
X′+ N

[ ][
= σ 2 ( X ′X ) X ′ + N X ′( X ′X ) + N ′
−1 −1
]
[( X ′X ) ( X ′X )( X ′X )−1 + ( X ′X )−1 X ′N ′ + NX ( X ′X )−1 + NN ′]
Te
−1
=σ 2

= σ 2 ( X ′X ) + ( X ′X )
−1 −1
(NX )′ + NX ( X ′X )−1 + NN ′
tou

 

[
= σ 2 ( X ′X ) + N N ′
−1
] puisque NX=0
an

Les variances se trouvent sur la diagonale principale de Ωα. Il faut minimiser ces termes.
Mais, σ2 et (X’X)-1 étant des constantes, il faut donc minimiser les éléments de la diagonale de
NN’. Ces éléments qui sont des variances, sont obligatoirement positifs ou nuls.

8
www.elmerouani.jimdo.com
 Introduction à l’économétrie S6-LEF sc. éco. & gestion Prof. Mohamed El Merouani

 n 2 
 ∑ ω1 j 
 j =1 
 ω11 L ω k1   O 
 ω11 ω12 L ω1n  
  ω L ωk 2   n 
NN ' =  M O M  12
M  
= ∑ω ij 

ω  M O j =1
 k 1 ω k 2 L ω kn  ω L

ω kn   O 
 1n  n 
 ∑ ω kj 
 j =1 
®E
n
Ils sont minimums lorsqu’ils sont nuls, c'est-à-dire ∑ω
j =1
2
ij = 0; ∀i

Cette dernière relation est vérifiée si et seulement si ωij=0, pour tout i et pour tout j, en
lM

d’autres termes si N=0.

Conclusion : L’estimateur  est ainsi « BLUE » .

ero

VII.-Estimateur de σ2 :

σ2 est lui-même inconnu, alors on l’estime. On peut montrer que

ua

e′ ⋅ e
σˆ 2 =
n−k
ni
n
où e’.e est la somme des carrées des résidus, c'est-à-dire : e′ ⋅ e = ∑ ei
2
et (n-k) est le
i =1
degré de liberté.

[ ]
FP
σ̂ E σˆ 2 = σ 2
L’estimateur est sans biais, .

On peut montrer aussi que :

Te

Y ′ ΓY
Γ = I − X ( X ′X ) X ′
−1
σˆ 2 =
n−k avec
tou

Γ est une matrice carrée d’ordre n (c’est la différence de deux matrices), symétrique (Γ’=Γ) et
idempotente (Γ2=Γ). Bien sur, Y’ΓY=e’.e=Σei2.
an

9
www.elmerouani.jimdo.com
 Introduction à l’économétrie S6-LEF sc. éco. & gestion Prof. Mohamed El Merouani

VIII.-Formule de l’analyse de la variance, coefficient de détermination et coefficient de

corrélation linéaire multiple empirique :

1) Formule de l’analyse de la variance :

D’après les hypothèses de la régression et comme on a vu dans le chapitre précédent :

Variance   Variance   Variance 

  =   +  
 totale   exp liquée   résiduelle 
®E

Cette même relation, on peut l’exprimer par :

(Y ′ Y ) = (Aˆ ′X ′ Y ) + (Y ′ ΓY )
lM

2) Coefficient de détermination R2 :
ero

Par définition, on appelle coefficient de détermination, noté R2 le rapport :

Variance exp liquée Aˆ ′X ′ Y

R2 = =
Y ′Y
ua
Variance totale

R2 représente la proportion de la variance de Y expliquée par l’influence linéaire des variables

ni
exogènes X.

On rappelle aussi que : 0≤R2≤1.

FP

Il est autant proche de 1 que le « nuage de points » est plus alongé et étiré. Néanmoins, ce
coefficient dépend essentiellement de l’échantillon observé, d’où l’adjectif « empirique ». En
effet, R2 est une variable aléatoire puisqu’il dépend d’un échantillon aléatoire.
Te

Ainsi, l’information fournie par R2 n’est pas primordiale pour l’étude du modèle considéré.
tou

3) Coefficient de corrélation linéaire empirique multiple R :

La racine carrée du coefficient de détermination R2 est le coefficient de corrélation linéaire

an
multiple R.

Comme on a déjà vu -1≤R≤1.

Le coefficient R est lui-même empirique car il dépend de l’échantillon aléatoire choisi.

10
www.elmerouani.jimdo.com
 Introduction à l’économétrie S6-LEF sc. éco. & gestion Prof. Mohamed El Merouani

IX.- Utilisation des tests statistiques :

La théorie statistique classique des tests consiste en établir une hypothèse au paravent. Le
vecteur aléatoire ε suit une loi normale de moyenne nulle et de variance σ2I.

ε → N (0; σ 2 I )

Mais, nous avons vu que  dépend linéairement de ε. En effet,

®E
Aˆ = A + ( X ′X ) X ′ε
−1

Ω Aˆ = σ 2 ( X ′X )
−1
(
Aˆ → N A; σ 2 ( X ' X ) −1 )
lM
avec E(Â)=A et . Donc

Il est possible, alors, de construire par les méthodes usuelles de l’analyse de la variance un
test de signification des coefficients estimés précédemment.
ero

Les tests « classiques » sont les tests de t de Student et celui de F de Fisher-Snedecor.

1) Test de t de Student :
ua

Il consiste en tester si ai =0 (un seul parmi i=1,2,…,k)

ni
On calcul l’indicateur (ou la statistique) :

aˆ i − ai
t=
FP

σ aˆ i

où σâi est l’écart-type estimé, obtenu à partir de la matrice des variances-covariances

Te

Ω Aˆ = σ 2 ( X ′X )
−1
σ aˆ = σ vii
i
ainsi où vii est l’ième terme de la diagonale de la
e′ ⋅ e
tou

σˆ 2 =
matrice (X’X)-1 et σ est estimé par n−k

on compare t avec tα lue dans la table de la loi de Student, pour un seuil (ou niveau de
an

confiance) α, et n-k-1 degré de liberté.

Si |t|>tα alors ce ai est différent de zéro.

Si |t|<tα alors ce ai est égale à zéro.

11
www.elmerouani.jimdo.com
 Introduction à l’économétrie S6-LEF sc. éco. & gestion Prof. Mohamed El Merouani

2) Test de F de Fisher-Snedecor:

Il consiste en tester si a1=a2=…=ai=…=ak=0 (tous).

R2 k
F=
On calcul l’indicateur (ou la statistique) : (1 − R 2 ) (n − k − 1)

Où R2 est le coefficient de détermination.

®E

On compare la valeur de F avec une valeur Fα lue dans la table de Fisher à un seuil α et en
fonction des degrés de liberté k et (n-k-1).
lM

Si F>Fα alors au moins un des coefficients ai est différent de zéro.

On peut aussi utiliser le tableau de l’analyse de la variance (pour ce cas de régression linéaire
ero

multiple) :

Source de variation Somme des carrées Degré de liberté Moyenne des carrées
Régression ∑ Yˆi 2 k
MCR =  ∑ i
 Yˆ 2 
ua

k 
 
Résidus ∑e 2
i n-k-1
MCE =  ∑ i
 e2 

ni
(n − k − 1) 
 
Total ∑Y i
2
n-1
∑ Yˆ
FP
2
MCR k
F= =
i

On calcul MCE ∑e 2
i (n − k − 1)

Que l’on compare avec Fα lue dans la table de Fisher.

Te

Si F>Fα, alors cela veut dire qu’il existe au moins un des ai qui est différent de zéro.
tou
an

12
www.elmerouani.jimdo.com