Académique Documents
Professionnel Documents
Culture Documents
Mohamed El Merouani
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
()
d’où E A = A . L’estimateur  est non-biaisé.
ˆ
lM
[
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
( )( ′
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
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
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
[
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 :
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
7
www.elmerouani.jimdo.com
Introduction à l’économétrie S6-LEF sc. éco. & gestion Prof. Mohamed El Merouani
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
[ ][( 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
VII.-Estimateur de σ2 :
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, .
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
(Y ′ Y ) = (Aˆ ′X ′ Y ) + (Y ′ ΓY )
lM
2) Coefficient de détermination R2 :
ero
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
10
www.elmerouani.jimdo.com
Introduction à l’économétrie S6-LEF sc. éco. & gestion Prof. Mohamed El Merouani
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 )
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
1) Test de t de Student :
ua
aˆ i − ai
t=
FP
σ aˆ i
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
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:
R2 k
F=
On calcul l’indicateur (ou la statistique) : (1 − R 2 ) (n − k − 1)
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
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)
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