Académique Documents
Professionnel Documents
Culture Documents
Résumé de cours :
Introduction à l’économétrie
Mohamed El Rhendor
mohamed.elrhendor@gmail.com
06 77 45 04 84
𝒀𝒊 = 𝜷𝟎 + 𝜷𝟏 𝑿𝒊 + 𝒖𝒊
Avec :
𝒀𝒊 : Une variable à expliquer, dépendante, endogène, non contrôlable, out put
𝑿𝒊 : Une variable explicative, indépendante, exogène, contrôlable, in put
𝜷𝟎 : L’ordonné à l’origine, la constante du modèle
𝜷𝟏 : La pente, le coefficient directeur
𝒖𝒊 : L’erreur de spécification, le terme aléatoire, perturbation stochastique
Remarque : Les valeurs de 𝜷𝟎 , 𝜷𝟏 et 𝒖𝒊 sont toujours inconnues, pour les estimer on prend un
échantillon de taille 𝒏 (en utilisant la méthode MCO = OLS)
MCO : Moindres carrés ordinaire, c’est une méthode d’estimation consiste à minimiser la somme des carrés des
̂ 𝒊 )² pour ajuster le nuage de points (𝑿𝒊 , 𝒀𝒊 ) selon une fonction linéaire
écarts ∑(𝒀𝒊 − 𝒀
perturbation stochastique
avec :
𝟏 ̅𝒀̅
𝑪𝑶𝑽(𝑿,𝒀) ̅ )(𝒀𝒊 −𝒀
∑(𝑿𝒊 −𝑿 ̅) ∑ 𝑿𝒊 𝒀𝒊 − 𝑿 ̅𝒀
∑ 𝑿𝒊 𝒀𝒊 −𝒏 𝑿 ̅
̂𝟏 =
𝜷 = = 𝒏
=
𝑽(𝑿) ∑(𝑿𝒊 −𝑿 ̅ )² 𝟏 ∑ 𝑿 ²−𝑿 ̅² ∑ 𝑿𝒊 ²−𝒏𝑿̅²
𝒏 𝒊
̂𝟎 = 𝒀
𝜷 ̂ 𝟏𝑿
̅−𝜷 ̅
𝒀 ̂𝟎 + 𝜷
̂𝒊 = 𝜷 ̂ 𝟏 𝑿𝒊 ̂𝒊 + 𝒖
⇒ 𝒀𝒊 = 𝒀 ̂𝒊
⇒ 𝒖 ̂𝒊
̂ 𝒊 = 𝒀𝒊 − 𝒀
∑𝒖
̂𝒊 = 𝟎
𝒀 ̅
̅=𝒀
̂
Interprétation :
̂ 𝟏 : Si le facteur 𝑿 varie d’une unité, le facteur 𝒀 varie de 𝜷
𝜷 ̂ 𝟏 , il s’agit de la mesure de la sensibilité de Y
suite à une modification de X d’une unité.
̂ 𝟎 ∶ Si la variable
𝜷 ̂𝟎 en moyenne.
𝑿 est nulle, la variable 𝒀 est égale à 𝛃
̂ 𝟏 𝒆𝒕 𝜷
̂𝒊 , 𝜷
3) Variance de : 𝒖 ̂𝟎
La variance biaisée :
̂ 𝒊 )²
∑( 𝒀𝒊 − 𝒀
𝒏
Variance de 𝐮 ̂ 𝐢 ) = 𝛔̂ 𝟐𝒖𝒊
̂ 𝐢 : 𝑽(𝐮
La variance non biaisée :
̂ 𝒊 )²
∑( 𝒀𝒊 − 𝒀
𝒏−𝟐
Remarque : Pour le calcul des autres paramètres on utilise la variance non biaisée
𝛔̂ 𝟐𝒖𝒊 𝛔̂ 𝟐𝒖𝒊
̂𝟏
Variance de 𝜷 ̂ 𝟏) =
: 𝑽(𝜷 ̅ )²
∑(𝑿𝒊 −𝑿
⇒ 𝜎𝜷̂𝟏 = √∑(𝑿 −𝑿̅)²
𝒊
𝛔̂ 𝟐𝒖𝒊 ×∑ 𝑿𝒊 ² ∑ 𝑿𝒊 ² 𝛔̂ 𝟐𝒖𝒊 ×∑ 𝑿𝒊 ²
̂𝟎
Variance de 𝜷 ̂ 𝟎) =
: 𝑽(𝜷 ̅ )²×𝒏
∑(𝑿𝒊 −𝑿
̂ 𝟏) ×
= 𝑽(𝜷
𝒏
⇒ 𝜎𝜷̂𝟎 = √∑(𝑿 −𝑿̅)²×𝒏
𝒊
Pour le paramètre 𝜷𝟏
𝐻 : 𝛽1 =0
{ 𝐻01 :
𝛽1 ≠0
̂1 − 𝛽1
𝛽 ̂1
𝛽
𝑡𝑐 = = Selon l’hypothèse nulle 𝛃𝟏 = 𝟎
𝜎𝛽
̂ 𝜎𝛽
̂
1 1
b) Intervalle de confiance :
c) Probabilité critique :
= 𝟐𝑷(𝒕𝒕 < 𝒕𝒄 )
Pour le paramètre 𝜷𝟎
Remarque : Pour tester la nullité de coefficient 𝜷𝟎 , il faut suivre les même étapes effectuées pour 𝜷𝟏
𝐻 : 𝛽0 =0
{ 𝐻01 :𝛽0 ≠0
On accepte 𝐇𝟎 au seuil de 𝛂 , 𝛽0 est statistiquement nul donc le modèle est parfait sans 𝛽0
On rejette 𝑯𝟎 au seuil de 𝜶 , 𝛽1 est statistiquement non nul donc le modèle est parfait avec 𝛽1
̅ )²
∑( 𝒀𝒊 − 𝒀 ̂𝒊 − 𝒀
∑( 𝒀 ̅ )² ̂ 𝒊 )²
∑( 𝒀𝒊 − 𝒀
𝑪𝑶𝑽(𝑿,𝒀)²
𝑹² =
𝑽(𝑿).𝑽(𝒀)
𝑺𝑪𝑬
𝑹𝟐 =
𝑺𝑪𝑻
0 ≤ 𝑅² ≤ 1
𝑺𝑪𝑹
𝑹² = 𝟏 − 𝑺𝑪𝑻
̅ )²
∑(𝑿𝒊 −𝑿
̂ 𝟏²
𝑹² = 𝜷 ̅ )²
∑(𝒀𝒊 −𝒀
̅ )²
̂ 𝟐𝟏 . ∑(𝑿𝒊 − 𝑿
𝑺𝑪𝑬 = 𝜷
Interprétation de 𝑹²:
Exemple 𝑹² = 𝟎. 𝟖𝟏 = 𝟖𝟏%
La variabilité totale de 𝒀 est expliquée de 𝟖𝟏% par le facteur 𝑿 et le reste 𝟏𝟗% est expliquée par d’autres
facteurs inconnus (inobservables)
Econométrie
Exercice A :
Le t-statistique calculé est négatif dans le cas :
pour 𝜷𝟎 : lorsque la valeur variable Y est négative quand X est nulle c-à-d ̂
𝜷𝟎 < 0
(sous l’acceptation de 𝑯𝟎 )
Exercice B :
1)
L’estimateur ̂
𝜷𝟏 :
1 ̅𝒀̅
∑ 𝑿𝒊 𝒀𝒊 − 𝑿
= 𝑛
1 ̅
∑
𝑛 𝑿𝒊 ² − 𝑿²
𝑪𝑶𝑽(𝑿,𝒀) ̅=𝒀
NB : 𝒀 ̂
̂
𝜷𝟏 = 𝑽(𝑿) ̅𝒀
∑ 𝑿𝒊 𝒀𝒊 − 𝒏𝑿 ̅
=
̅²
∑ 𝑿𝒊 ² − 𝒏𝑿
𝟐𝟓𝟖𝟕𝟗−𝟐𝟖×𝟐𝟑,𝟎𝟑𝟓𝟕×𝟑𝟑,𝟏𝟕𝟖𝟔
̂
𝜷𝟏 = = 𝟏. 𝟏𝟖𝟕
𝟏𝟖𝟔𝟑𝟏−𝟐𝟖×𝟐𝟑.𝟎𝟑𝟓𝟕²
̂ ̅− ̂
𝜷𝟎 = 𝒀 ̅
𝜷𝟏 𝑿 ̂
𝜷𝟎 = 𝟑𝟑. 𝟏𝟕𝟖𝟔 − 𝟏. 𝟏𝟖𝟕 × 𝟐𝟑. 𝟎𝟑𝟓𝟕 = 𝟓. 𝟖𝟑𝟓𝟐
𝒖𝒊 )
𝑽( ̂ ∑ (𝒀𝒊 − ̂
𝒀𝒊 )²
𝑽( ̂
𝜷𝟏 ) = ∑ avec 𝑽( ̂
𝒖𝒊 ) = ̅ )² = ∑ 𝑿𝒊 ² − 𝒏𝑿
et ∑ ( 𝑿𝒊 − 𝑿 ̅²
̅ )²
(𝑿 −𝑿
𝒊 𝒏−𝟐
𝟑𝟔𝟎𝟕.𝟑𝟕𝟓
𝑽( ̂
𝒖𝒊 ) = = 𝟏𝟑𝟖. 𝟕𝟒𝟓𝟏
𝟐𝟖−𝟐
𝟏𝟑𝟖. 𝟕𝟒𝟓𝟏
𝑽( ̂
𝜷𝟏 ) = = 𝟎. 𝟎𝟑𝟔𝟕
𝟑𝟕𝟕𝟐. 𝟗𝟖𝟐𝟕
La variance de ̂
𝜷𝟎 :
∑𝑿²
𝑽( ̂
𝜷𝟎 ) = 𝑽( ̂
𝜷𝟏 ) × 𝒊
𝒏
𝟏𝟖𝟔𝟑𝟎
= 𝟎. 𝟎𝟑𝟔𝟕 × = 24.4186
𝟐𝟖
3)
Soient les deux hypothèses suivantes
𝑯 : 𝜷𝟏 =𝟎
{ 𝑯𝟎𝟏 :
𝜷𝟏 ≠𝟎
Calculons 𝐭 𝐜 :
|̂
𝜷𝟏 − 𝜷𝟏 | |𝟏.𝟏𝟖𝟕− 𝟎 |
𝒕𝒄 = = = 𝟔. 𝟏𝟗𝟖𝟒
𝝈̂
𝜷𝟏 𝟎.𝟏𝟗𝟏𝟓
et 𝒕𝒕 = 𝟐. 𝟕𝟕𝟖 , alors :
𝒕𝒄 > 𝒕𝒕 on rejette 𝐇𝟎 au seuil de risque 1% c’est à dire 𝛃𝟏 est
statistiquement non nul.
𝑺𝑪𝑹 = ∑ ( 𝒀𝒊 − ̂
𝒀𝒊 )² = 𝟑𝟔𝟎𝟕. 𝟑𝟕𝟓
𝟓𝟑𝟏𝟔.𝟎𝟏𝟓𝟔
𝑹² = 𝟖𝟗𝟐𝟑.𝟑𝟗𝟎𝟔 = 𝟓𝟗. 𝟓𝟕%
Econométrie
̂ 𝟏 et 𝛃
1) calculer les estimateurs 𝛃 ̂ 𝟎 par la méthode M.C.O :
𝐏𝐚𝐲𝐬 𝒀𝒊 𝑿𝒊 𝒀𝒊 𝑿𝒊 𝑿𝒊 ² ̂𝒊
𝒀 𝑿𝒊 ²
𝟏 𝟐 𝟖 𝟏𝟔 𝟔𝟒 𝟐. 𝟖 𝟔𝟒
𝟐 𝟒 𝟔 𝟐𝟒 𝟑𝟔 𝟑. 𝟔 𝟑𝟔
𝟑 𝟔 𝟒 𝟐𝟒 𝟏𝟔 𝟒. 𝟒 𝟏𝟔
𝟒 𝟒 𝟐 𝟖 𝟒 𝟓. 𝟐 𝟒
𝑻𝒐𝒕𝒂𝒍 𝟏𝟔 𝟐𝟎 𝟕𝟐 𝟏𝟐𝟎 𝟏𝟔 𝟏𝟐𝟎
Avec : ̅ = ∑ 𝑿𝒊 = 𝟐𝟎 = 𝟓
𝑿 ̅ = ∑ 𝒀𝒊 = 𝟏𝟔 = 𝟒
𝒀
𝒏 𝟒 𝒏 𝟒
𝟏 ̅𝒀̅
𝑪𝑶𝑽(𝑿,𝒀) ̅ )(𝒀𝒊 −𝒀
∑(𝑿𝒊 −𝑿 ̅) ∑ 𝑿𝒊 𝒀𝒊 − 𝑿 ̅𝒀
∑ 𝑿𝒊 𝒀𝒊 −𝒏 𝑿 ̅
̂𝟏 =
𝜷 = = 𝒏
=
𝑽(𝑿) ∑(𝑿𝒊 −𝑿 ̅ )² 𝟏 ∑ 𝑿 ²−𝑿 ̅² ∑ 𝑿𝒊 ²−𝒏𝑿̅²
𝒏 𝒊
𝟕𝟐−𝟒×𝟓×𝟒
= = −𝟎. 𝟒 La formule utilisée
𝟏𝟐𝟎−𝟒×𝟓²
̂𝟎 = 𝒀
𝜷 ̂ 𝟏𝑿
̅−𝜷 ̅ = 𝟒 − (−𝟎. 𝟒) × 𝟓 = 𝟔
̂𝟏 :
2) La signification économique de 𝛃
̂
A partir du tableau on a : ̅ = ∑ 𝒀𝒊 = 𝟏𝟔 = 𝟒
𝒀 et ̂ = ∑ 𝒀𝒊 = 𝟏𝟔 = 𝟒
̅
𝒀
𝒏 𝟒 𝒏 𝟒
Donc : 𝒀 ̅
̅=𝒀
̂
𝐻 : 𝛽1 =0
{ 𝐻01: 𝛽1 ≠0
1ère Méthode :
̂ 𝟏 − 𝜷𝟏
𝜷 ̂𝟏
𝜷
𝒕𝒄 = = Selon l’hypothèse nulle 𝜷𝟏 = 𝟎
𝝈𝜷
̂ 𝝈𝜷
̂
𝟏 𝟏
𝛔̂ 𝟐𝒖𝒊 𝛔̂ 𝟐𝒖𝒊
̂ 𝟏 ) ⇒ 𝑽(𝜷
Calculons d’abord 𝑽(𝜷 ̂ 𝟏) = ⇒
̅ )²
∑(𝑿𝒊 −𝑿 ̅²
∑ 𝑿𝒊 ²−𝒏𝑿
∑𝒖
̂𝒊² 𝟒.𝟖
La variance résiduelle : 𝛔̂ 𝟐𝒖𝒊 = = = 𝟐. 𝟒
𝒏−𝟐 𝟒−𝟐
𝛔̂ 𝟐𝒖𝒊 𝟐.𝟒
̂𝟏 :
La variance de 𝜷 ̂ 𝟏) =
𝑽(𝜷 = = 𝟎. 𝟏𝟐
̅ ² 𝟏𝟐𝟎−𝟒×𝟓²
∑ 𝑿𝒊 ²−𝒏𝑿
̂𝟏 :
L’écart type de 𝜷 𝜎𝜷̂𝟏 = √𝟎. 𝟏𝟐 = 𝟎. 𝟑𝟒𝟔𝟒
̂𝟏
𝜷 −𝟎.𝟒
𝒕𝒄 = = = −𝟏. 𝟏𝟓𝟒𝟕 Et 𝒕𝒕 = 𝟐. 𝟗𝟐
𝝈𝜷
̂ 𝟎.𝟑𝟒𝟔𝟒
𝟏
2ème Méthode :
L’intervalle de confiance pour 𝜷𝟏 s’écrit avec un niveau de risque 𝜶 = 𝟏𝟎% :
𝑺𝑪𝑬 𝑺𝑪𝑬
𝑹² = =
𝑺𝑪𝑻 𝑺𝑪𝑬 + 𝑺𝑪𝑹
𝑺𝑪𝑹 = ∑ 𝒖
̂𝒊 ² = 𝟒. 𝟖
𝑺𝑪𝑬 𝑺𝑪𝑬 𝟑. 𝟐
𝑹² = = = = 𝟎. 𝟒 = 𝟒𝟎%
𝑺𝑪𝑻 𝑺𝑪𝑬 + 𝑺𝑪𝑹 𝟖
Econométrie
Exercice 1 :
Dans le modèle de régression linéaire simple, l’hypothèse de la
normalité des résidus permet de fonder les tests statistiques et les
intervalles de confiance, alors si les résidus ne suivent pas une loi
normale on peut pas élaborer les intervalles de confiance relatifs aux
̂
𝜷
coefficients, car la statistique 𝒕 = 𝝈 suit une loi student qui est
̂
𝜷
exprimé par un rapport entre une loi normale et une loi de Khi-2
Exercice 2 :
̂
𝒀𝒊 = 𝟐. 𝟓𝟑𝟔 + 𝟎. 𝟏𝟑𝟕𝑿𝒊
̂
𝜷𝟎 ̂
𝜷𝟏
𝟏𝟐 𝟏𝟐
𝑺𝑪𝑬 = ∑( ̂ ̅ )² = 𝟐. 𝟏𝟒𝟔
𝒀𝒊 − 𝒀 𝒆𝒕 𝑺𝑪𝑹 = ∑( 𝒀𝒊 − ̂
𝒀𝒊 )² = 𝟐. 𝟖𝟎𝟔
𝒊=𝟎 𝒊=𝟎
Si le facteur X varie d’une unité, le facteur Y varie de 0.137 dans le même sens (
car ̂ 𝜷𝟏 >0 ) , il s’agit de la mesure de la sensibilité de Y suite à une modification
de X d’une unité
∑𝒏𝒊=𝟎( 𝒀𝒊 − ̂
𝒀𝒊 )²
𝒖𝒊 ) =
𝑽( ̂
𝒏−𝟐
Calculons la variance de ̂
𝜷𝟏 : La variance de ̂
𝛃𝟏 :
𝒖𝒊 )
𝑽( ̂ 𝑽( ̂
𝒖𝒊 )
𝑽( ̂
𝑽( ̂
𝜷𝟏 ) = 𝜷𝟏 ) =
∑𝒏𝒊=𝟎( 𝑿𝒊−𝑿 ̅ )²
∑𝟏𝟐 ̅
𝒊=𝟎( 𝑿𝒊 − 𝑿 )²
La variance de ̂
𝛃𝟎 :
On détermine ∑𝟏𝟐
𝒊=𝟎( 𝑿𝒊
̅ )² =?
−𝑿
∑𝒏𝒊=𝟎 𝑿𝒊 ² × 𝑽( ̂
𝒖𝒊 )
𝑽( ̂
𝜷𝟎 ) =
On sait que 𝑺𝑪𝑬 = ̂
𝜷𝟏 ² × ∑𝟏𝟐 ̅
𝒊=𝟎( 𝑿𝒊 − 𝑿 )²
𝒏
𝒏 × ∑𝒊=𝟎( 𝑿𝒊 − 𝑿 ̅ )²
𝑺𝑪𝑬
⇒ ∑𝟏𝟐 ̅
𝒊=𝟎( 𝑿𝒊 − 𝑿 )² = ̂𝜷 ² 𝟏
𝟐.𝟏𝟒𝟔
⇒ ∑𝟏𝟐 ̅
𝒊=𝟎( 𝑿𝒊 − 𝑿 )² = 𝟎.𝟏𝟑𝟕𝟐 = 𝟏𝟏𝟒. 𝟑𝟑
𝟎. 𝟐𝟖𝟎𝟔
𝑽( ̂
𝜷𝟏 ) = = 𝟎. 𝟎𝟎𝟒𝟓
𝟏𝟏𝟒. 𝟑𝟑
𝑰𝑪𝜷𝟏 = [ ̂
𝜷𝟏 − 𝑡𝛼⁄2 × 𝜎 ̂ ̂
𝜷𝟏 ; 𝜷𝟏 + 𝑡𝛼⁄2 × 𝜎 ̂
𝜷𝟏 ]