Modèle linéaire

Le modèle de régression linéaire
1 / 43
Rappels
Echantillon/Population
2 / 43
Rappels
Estimateur/Estimation
2 / 43
Rappels
Estimateur/Estimation
Tests (lire une table statistique)
2 / 43
Modèle linéaire
Le modèle de régression linéaire étudie la relation entre une variable

dépendante et une ou plusieurs variables indépendantes. Sa forme
générique
y = f (x0 , ..., xK ) + ε
3 / 43
Modèle linéaire

générique
y = f (x0 , ..., xK ) + ε
La théorie économique permet de déterminer les variables

dépendantes et indépendantes du modèle.
3 / 43
Modèle linéaire

générique
y = f (x0 , ..., xK ) + ε

Cela n’est pas toujours facile.
3 / 43
Modèle linéaire

générique
y = f (x0 , ..., xK ) + ε

quantit é = β 1 + β 2 × prix + β 3 × revenu + ε et
prix = α1 + α2 × quantit é + α3 × revenu + u sont des représentations
identiques d’un système de marché
3 / 43
Modèle linéaire

générique
y = f (x0 , ..., xK ) + ε

quantit é = β 1 + β 2 × prix + β 3 × revenu + ε et
prix = α1 + α2 × quantit é + α3 × revenu + u sont des représentations
identiques d’un système de marché
Attention y est une variable continue!!! Une autre modélisation (pas
dans mon cours) si ce n’est pas le cas.
3 / 43
Modèle linéaire
Le terme ε est une perturbation aléatoire.
4 / 43
Modèle linéaire
facteurs omis et pris en compte par la perturbation
4 / 43
Modèle linéaire
erreurs de mesure (e.g., difficile d’obtenir des mesures correctes de

profits, de taux d’intérêt, de stock de capitaux...)
4 / 43
Modèle linéaire
erreurs de mesure (e.g., difficile d’obtenir des mesures correctes de

profits, de taux d’intérêt, de stock de capitaux...)
variables non observables pour le statisticien
4 / 43
Modèle linéaire
Il existe une relation linéaire entre la variable à expliquer et les

variables explicatives
5 / 43
Modèle linéaire

Un modèle linéaire avec K + 1 variables explicatives (il y a une
constante) et n observations est de la forme suivante
5 / 43
Modèle linéaire

y = X β + ε avec X est une matrice n × (K + 1) et β un vecteur
(K + 1) × 1.
5 / 43
Modèle linéaire

(K + 1) × 1.
y = x0 β 0 + ... + xK β K + ε avec xk est un vecteur n × 1 et β k est un
réel.
5 / 43
Modèle linéaire

(K + 1) × 1.
y = x0 β 0 + ... + xK β K + ε avec xk est un vecteur n × 1 et β k est un
réel.
Pour qu’une régression soit linéaire, elle doit être de la forme
y = X β + ε, soit par rapport aux variables telles quelles, soit après
transformation appropriée. Par exemple, le modèle y = Ax β e ε est
linéaire après transformation logarithmique.
5 / 43
Plan
1. Estimateur des Moindres Carrés Ordinaires (MCO)
2. Propriétés statistiques de l’estimateur des MCO
3. Estimateur des MCO sous l’hypothèse de normalité des perturbations
4. Estimation sous contraintes linéaires
5. Propriétés asymptotiques de l’estimateur des MCO
6. Interprétation des paramètres
6 / 43
Plan
7 / 43
Estimateur des MCO
Définition
On cherche à estimer les paramètres inconnus de la relation

stochastique y = X β + ε
8 / 43
Estimateur des MCO
Définition

β et ε i
8 / 43
Estimateur des MCO
Définition

β et ε i
Estimateurs fondés sur un échantillon de données seront notés β̂ et ε̂
8 / 43
Estimateur des MCO
Définition

β et ε i
Estimateurs fondés sur un échantillon de données seront notés β̂ et ε̂
L’estimateur MCO, β̂, est défini comme le vecteur minimisant la
somme des carrés des résidus:
0
min (y − X β) (y − X β)
8 / 43
Estimateur des MCO
Définition
9 / 43
Estimateur des MCO
Condition d’existence
H1: les vecteurs x0 , ..., xK ne sont pas linéairement dépendants
10 / 43
Estimateur des MCO

∀i 6= j ∈ {0, ..., K }, on ne peut pas écrire xj = b × xi
10 / 43
Estimateur des MCO

Si H1 est vérifiée alors l’estimateur des MCO existe, est unique et a
pour expression −1 0
β̂ = X 0 X X y
10 / 43
Estimateur des MCO

β̂ = X 0 X X y
Condition d’identification
10 / 43
Estimateur des MCO

β̂ = X 0 X X y
Condition d’identification
Condition nécessaire : n ≥ K + 1
10 / 43
Plan
4. Estimation sous contraintes linéaire
11 / 43
Propriétés statistiques de l’estimateur des MCO
Quand l’estimateur des MCO est-il sans biais?
Definition: on dit qu’un estimateur â est sans biais lorsque E [â] = a.
12 / 43

H2: la structure du terme d’erreur est telle que
E [ε i /X ] = 0. (1)
12 / 43

H2: la structure du terme d’erreur est telle que
E [ε i /X ] = 0. (1)
Les observations sur Xi ne fournissent aucune information sur la

valeur de la perturbation ε i
12 / 43
Biais dû à l’omission de variables
Supposons que le ”bon” modèle soit
y = X1 β 1 + X2 β 2 + ε
où les composantes de X1 et X2 sont respectivement de K1 et K2

colonnes.
13 / 43
y = X1 β 1 + X2 β 2 + ε

colonnes.
Si on analyse le modèle suivant y = X1 β 1 + ε
13 / 43
y = X1 β 1 + X2 β 2 + ε

colonnes.
L’estimateur des MCO sera
−1 −1
β̂ 1 = (X10 X1 ) X10 y = (X10 X1 ) X10 (X1 β 1 + X2 β 2 + ε)
13 / 43
y = X1 β 1 + X2 β 2 + ε

colonnes.
L’estimateur des MCO sera
−1 −1
β̂ 1 = (X10 X1 ) X10 y = (X10 X1 ) X10 (X1 β 1 + X2 β 2 + ε)
On a
−1 0 −1 0
= β 1 + X10 X1 X1 X2 β 2 + X10 X1

E β̂ 1 /X X1 E [ε/X ]
| {z }
=0 sous H2
−1 0
= β1 + X10 X1 X1 X2 β 2
13 / 43
β̂ 1 est biaisé à moins que X10 X2 = 0 ou β 2 = 0.
14 / 43
si X1 et X2 sont correlés positivement alors le terme d’erreur des

individus avec une grande valeur de X1 sera en moyenne positif. Les
observations sur X1i fournissent des informations sur la valeur de la
perturbation ε i
14 / 43
si X1 et X2 sont correlés positivement alors le terme d’erreur des

individus avec une grande valeur de X1 sera en moyenne positif. Les
observations sur X1i fournissent des informations sur la valeur de la
perturbation ε i
toutes choses égales par ailleurs = conditionnellement aux valeurs

prises par l’ensemble des variables que j’observe en tant que
statisticien!
14 / 43
On peut montrer que

h −1 0 i
= E β + X 0X

E β̂/X X ε/X
h −1 0 i
= β + E X 0X X ε/X
−1 0
= β + X 0X X E [ε/X ]
| {z }
=0 sous H2
= β
15 / 43
On peut montrer que

h −1 0 i
= E β + X 0X

E β̂/X X ε/X
h −1 0 i
= β + E X 0X X ε/X
−1 0
= β + X 0X X E [ε/X ]
| {z }
=0 sous H2
= β
Si H2 est vérifiée l’estimateur MCO est sans biais.
15 / 43
On peut montrer que

h −1 0 i
= E β + X 0X

E β̂/X X ε/X
h −1 0 i
= β + E X 0X X ε/X
−1 0
= β + X 0X X E [ε/X ]
| {z }
=0 sous H2
= β
Si H2 est vérifiée l’estimateur MCO est sans biais.

Que faire si H2 n’est pas vérifiée? Cf prochain chapitre!
15 / 43
Quelle est la précision de l’estimateur des MCO?
On souhaite savoir si la vraie valeur peut se trouver loin de

l’estimateur. Cette information est donnée par la précision de
l’estimateur et on l’étudie en considérant la variance.
16 / 43

H3: homocédasticité des résidus
V (ε i /X ) = σ2 pour tout i = 1, ..., n (2)
16 / 43

H3: homocédasticité des résidus
V (ε i /X ) = σ2 pour tout i = 1, ..., n (2)
H4: non corrélation des résidus
Cov [ε i , ε j /X ] = 0 pour tout i 6= j (3)
16 / 43
Sous forme matricielle, expressions (2) et (3)

 
E [ε 1 ε 1 /X ] E [ε 1 ε 2 /X ] ... E [ε 1 ε n /X ]
 E [ε 2 ε 1 /X ] E [ε 2 ε 2 /X ] ... E [ε 2 ε n /X ]
 
E εε0 /X

= 

.. .. .. 
 . . ... . 
E [ε n ε 1 /X ] E [ε n ε 2 /X ] ... E [ε n ε n /X ]
 2 
σ 0 ... 0
 0 σ2 ... 0 
2
=  .. ..  = σ I .
 
..
 . . ... . 
0 0 0 σ2
17 / 43
Souvent l’hypothèse d’homocédasticité n’est pas vérifiée.

E.g., modèle expliquant les profits d’une entreprise en fonction de sa
taille
Même en tenant compte de la taille, les profits des grandes entreprises
seront sujets à des variations plus importantes que ceux des petites
Séries temporelles - souvent H4 n’est pas vérifiée
18 / 43
Sous les hypothèses H2 à H4, la variance de l’estimateur des MCO est

donnée par
h 0 i
Var β̂/X = E β̂ − E β̂/X β̂ − E β̂/X /X

0
−1 0 0 −1 0 0
= E X X X ε X X X ε /X
−1 −1
X 0X X 0 E εε0 /X X X 0 X

=
−1 0 2 −1 −1
= X 0X X σ I X X 0X = σ2 X 0 X
19 / 43
L’estimateur des MCO est-il le plus précis ? - Le théorème de Gauss-Markov
Définition: un estimateur b̂1 est optimal (au sens de la précision)

dans une classe d’estimateur b̂ si toute estimation d’une combinaison
linéaire du paramètre est estimée plus précisément avec b̂1 qu’avec
n’importe quel estimateur de la classe considérée
∀λ, V λ0 b̂1 ≤ V λ0 b̂

20 / 43
L’estimateur des MCO est-il le plus précis ? - Le théorème de Gauss-Markov
Définition: un estimateur b̂1 est optimal (au sens de la précision)

dans une classe d’estimateur b̂ si toute estimation d’une combinaison
linéaire du paramètre est estimée plus précisément avec b̂1 qu’avec
n’importe quel estimateur de la classe considérée
∀λ, V λ0 b̂1 ≤ V λ0 b̂

Thoérème de Gauss-Markov. Sous les hypothèse H1 à H4 l’estimateur

des MCO est optimal dans la classe des estimateurs linéaires sans
biais.
20 / 43
Estimation des paramètres du second ordre
La variance des résidus, σ2 , intervenant dans l’hypothèse H3, est un

paramètre dit du second ordre. Il correspond aux moments d’ordre 2
de la variable y conditionnellement aux variables explicatives.
21 / 43

Un paramètre important
21 / 43

intervient dans la matricee de variance-covariance des estimateurs et
est à l’origine de nombreux tests d’hypothèses.
21 / 43

intervient dans la matricee de variance-covariance des estimateurs et
est à l’origine de nombreux tests d’hypothèses.
Sous les hypothèses H1-H4, l’estimateur
ε̂0 ε̂ ∑ni=1 ε̂2i

σ̂2 = =
n − (K + 1) n − (K + 1)
est un estimateur sans biais du paramètre du second ordre σ2 .
21 / 43
Plan
3. Estimateur des MCO sous l’hypothèse de normalité des

perturbations
22 / 43
Estimateur des MCO sous l’hypothèse de normalité des
perturbations
Dans cette partie on examine les propriétés de l’estimateur des MCO

lorsque l’on fait l’hypothèse de normalité des perturbations
23 / 43
perturbations

Hn : la loi ε conditionnellement aux variables explicatives X est une
loi normale de moyenne nulle et de matrice de variance σ2 I
N 0, σ2 I .

ε/X
23 / 43
perturbations

Hn : la loi ε conditionnellement aux variables explicatives X est une
loi normale de moyenne nulle et de matrice de variance σ2 I
N 0, σ2 I .

ε/X
Cette hypothèse permet d’obtenir des résultats statistiques exacts et

de construire des intervalles de confiance et des statistiques de test
23 / 43
perturbations*
On s’intéresse à l’obtention d’intervalles de confiance et à des tests

d’hypothèse simple
24 / 43
perturbations*

e.g., β k ∈ [a, ā] avec une probabilité de 95%
¯
24 / 43
perturbations*

e.g., β k = 0¯
24 / 43
perturbations*

e.g., β k = 0¯
Pour cela on a besoin d’obtenir une fonction des estimateurs
indépendante des paramètres.
24 / 43
perturbations*

e.g., β k = 0¯
Sous l’hypothèse Hn, pour une composante donnée k du paramètre
on a
β̂ k − β k
Student (N − (K + 1)) (4)
σ̂β̂k
24 / 43
perturbations*

e.g., β k = 0¯
Sous l’hypothèse Hn, pour une composante donnée k du paramètre
on a
β̂ k − β k
Student (N − (K + 1)) (4)
σ̂β̂k
Le résultat (4) permet d’établir des intervalles de confiance et des
tests d’hypothèse.
24 / 43
perturbations
Test d’une contrainte simple
On considère le test
H0 : β k = c contre H1 : β k 6= c
25 / 43
perturbations
β̂ k −c H0
Considérant la statistique Ŝ = σ̂ β̂ avec Ŝ St (N − (K + 1))
k
La zone de rejet de H0 est donnée par
n o n o
W = Ŝ /Ŝ < −tN1−−(α/2
K +1)
∪ Ŝ / Ŝ > t 1−α/2
N −(K +1)
25 / 43
perturbations
β̂ k −c H0
k
n o n o
W = Ŝ /Ŝ < −tN1−−(α/2
K +1)
∪ Ŝ / Ŝ > t 1−α/2
N −(K +1)
Mise en oeuvre du test :
25 / 43
perturbations
β̂ k −c H0
k
n o n o
W = Ŝ /Ŝ < −tN1−−(α/2
K +1)
∪ Ŝ / Ŝ > t 1−α/2
N −(K +1)

on calcule la statistique de Student Ŝ
25 / 43
perturbations
β̂ k −c H0
k
n o n o
W = Ŝ /Ŝ < −tN1−−(α/2
K +1)
∪ Ŝ / Ŝ > t 1−α/2
N −(K +1)

on rejette l’hyopthèse H0 si Ŝ ∈ W
25 / 43
perturbations
β̂ k −c H0
k
n o n o
W = Ŝ /Ŝ < −tN1−−(α/2
K +1)
∪ Ŝ / Ŝ > t 1−α/2
N −(K +1)

on rejette l’hyopthèse H0 si Ŝ ∈ W
Un test systématiquement mis en oeuvre est le test dit de
significativité des paramètres - H0 : β k = 0 contre H1 : β k 6= 0
25 / 43
perturbations
Intervalle de confiance
Un intervalle de confiance pour le paramètre β k au niveau α est un

intervalle [a, ā] tq P ( β k ∈ [a, ā]) = 1 − α.
¯ ¯
26 / 43
perturbations
Intervalle de confiance
Un intervalle de confiance pour le paramètre β k au niveau α est un

intervalle [a, ā] tq P ( β k ∈ [a, ā]) = 1 − α.
¯ ¯
Un intervalle de confiance du paramètre β k est
h i
β̂ k − tN1−−(α/2 σ̂
K +1) β̂ k
, β̂ k + t 1−α/2
σ̂
N −(K +1) β̂ k
où tN1−−(α/2
K +1)
est le quantile d’ordre 1 − α/2 d’une loi de student à
N − (K + 1) degrés de liberté.
26 / 43
Plan
27 / 43
Estimation sous contraintes linéaires
On peut souhaiter estimer un modèle économétrique linéaire en

incorporant une information a priori sur les paramètres prenant la
forme de contraintes linéaires.
28 / 43

On peut aussi vouloir tester si certaines relations entre les paramètres
sont bien acceptées par les données.
28 / 43

contraintes que l’on veut imposer font intervenir une ou plusieurs
combinaisons linéaires des paramètres.
28 / 43

contraintes que l’on veut imposer font intervenir une ou plusieurs
combinaisons linéaires des paramètres.
Pour cela on introduit un nouvel estimateur - l’estimateur moindres
carrés contraints (MCC)
28 / 43
Estimateur moindres carrés contraints
L’estimateur MCO, β̂ mcc , est défini comme le vecteur minimisant la

somme des carrés des résidus et satisfaisant les contraintes R β = r .
0
min (y − X β) (y − X β)
Sc : Rβ = r
29 / 43

0
min (y − X β) (y − X β)
Sc : Rβ = r
avec R une matrice donnée p × (K + 1) et r un vecteur p × 1
29 / 43

0
min (y − X β) (y − X β)
Sc : Rβ = r

il ne doit pas y avoir de contraintes redondantes
29 / 43

0
min (y − X β) (y − X β)
Sc : Rβ = r

On a
−1 h −1 0 i −1
β̂ mcc = β̂ mco − X 0 X R 0 R X 0X

R R β̂ mco − r
29 / 43

0
min (y − X β) (y − X β)
Sc : Rβ = r

On a
−1 h −1 0 i −1
β̂ mcc = β̂ mco − X 0 X R 0 R X 0X

R R β̂ mco − r
On voit que l’estimateur des MCC apporte une correction à

l’estimateur des MCO et que cette correction est d’autant plus
importante que R β̂ mco − r 6= 0.
29 / 43
MCC vs MCO
β̂ mcc est sans biais si et seulement si R β = r (i.e., si la contrainte est

valide)
30 / 43
MCC vs MCO

valide)

On a V β̂ mcc /X V β̂ mco /X
30 / 43
MCC vs MCO

valide)

On a V β̂ mcc /X V β̂ mco /X
Il y a donc un arbitrage entre robustesse et efficacité. Introduire plus

de contraintes améliore la précision des estimations mais risque de
conduire à des estimateurs biaisés. A l’inverse, diminuer le nombre de
contraintes produit des estimateurs plus robustes mais moins précis.
30 / 43
Tester les contraintes : le test de Fisher
H0 : R β − r = 0 contre H1 : R β − r 6= 0
31 / 43
H0 : R β − r = 0 contre H1 : R β − r 6= 0
Une façon simple de tester l’hypothèse consiste à comparer les SCR

obtenus dans le modèle avec et sans les contraintes. On peut utiliser
C −SCR
la statistique de test F̂ = SCRSCR × N −(pK +1) avec
31 / 43
H0 : R β − r = 0 contre H1 : R β − r 6= 0

C −SCR
SCR = ε̂0 ε̂ = ∑ni=1 ε̂2i
31 / 43
H0 : R β − r = 0 contre H1 : R β − r 6= 0

C −SCR
SCR = ε̂0 ε̂ = ∑ni=1 ε̂2i
SCRC = ε̂0C ε̂ C = ∑ni=1 ε̂2Ci
31 / 43
Lorsque les hypothèses H1-H4 ainsi que Hn sont vérifiées, on a

H0
F̂ F (p, N − (K + 1))
32 / 43
Lorsque les hypothèses H1-H4 ainsi que Hn sont vérifiées, on a

H0
F̂ F (p, N − (K + 1))

W = F̂ /F̂ > q1−α (F (p, N − (K + 1)))
où q1−α (F (p, N − (K + 1))) est le quantile d’ordre 1 − α de la loi

de Fisher à p et N − (K + 1) degrés de liberté.
32 / 43
La mise en oeuvre du test de Fisher se fait en deux étapes
33 / 43

on estime le modèle avec et sans les contraintes. Dans chacun des cas
on récupère les résidus estimés ou directement la somme des carrés des
résidus
33 / 43

résidus
On calcule la statistique F̂ et on la compare au fractile d’ordre (1 − α)
de la loi F (p, N − (K + 1)), noté F (1 − α)
33 / 43

résidus
Si F̂ > F (1 − α) alors on rejette H0 : la somme des carrés des résidus
sous contraintes diffère trop de celle des carrès des résidus estimés sans
contrainte pour accepter que H0 est vraie.
33 / 43

résidus
Si F̂ > F (1 − α) alors on rejette H0 : la somme des carrés des résidus
sous contraintes diffère trop de celle des carrès des résidus estimés sans
contrainte pour accepter que H0 est vraie.
Si F̂ ≤ F (1 − α), on ne rejette pas H0
33 / 43
Plan
34 / 43
Propriétés asymptotiques de l’estimateur des MCO
Précédemment on a établi les propriétés de l’estimateur des MCO.

Nous avons vu que l’hypothèse de normalité des résidus est centrale
pour obtenir la loi des estimateurs et, par conséquent, pour dériver un
certain nombre de statistiques de test.
Offrir des tests exacts au modèle de regression linéaire est le principal
avantage de cette hypothèse de normalité. Le prix a payer est
cependant que ces résultats ne sont valides qu’à condition que
l’hypothèse soit vérifiée par les données.
L’objectif de cette partie est d’évaluer la mesure dans laquelle les
propriétés obtenues sous hypothèse de normalité des résidus peuvent
être généralisées à un modèle qui ne la respecte
35 / 43
Le théorème central limite
Soit X1 , X2 ,... une suite de variables aléatoires réelles définies sur le

même espace suivant la même loi et indépendantes, d’espérance
m et d’écart type σ
On pose Sn = X1 + X2 + ... + Xn et X̄n = Sn /n. On a E [X̄n ] = m et

σ (X̄n ) = √σn
Le
TCLétablit que la loi asymptotique de la variable aléatoire
X̄n −m
√σ est une loi normale centrée réduite
n
36 / 43
Le théorème central limite : exemple
Population
Imaginons que l’on dispose d’une population (que l’on crée) d’un
million de valeurs qui suivent une loi uniforme entre 0 et 3.
moyenne = 1.5 , écart type=√3
12
cf distribution dans la population
Observations
On extrait de cette population 500 échantillons de 50 valeurs (ici
n = 50).
Pour chaque chantillon, on calcule X̄n . On a donc X̄n,1 , X̄n,2 ... ,

X̄n,500
cf distribution empirique de X̄n (ressemble à une distribution normale)

Moyenne de la distribution empirique de X̄n = 1.5090 : proche de 1.5
Écart type de la distribution empirique de X̄n =0.12227 : proche de
√3
√12 .
50
37 / 43
38 / 43
39 / 43
L’hypothèse de normalité de la distribution conditionnelle peut être

remplacée par des hypothèses sur l’existence de moments des
variables du modèle lorsque le nombre d’observations devient grand.
Pour abandonner l’hypothèse de normalité
conditions sur les moments (existence)
les observations (yi , Xi ) doivent être IID
Si l’échantillon est suffisamment grand on peut utiliser les résultats
asymptotiques.
40 / 43
p
L’estimateur des MCO est convergent : β̂ → β
Que se passe-t-il pour les tests?

Test d’une contrainte simple : loi de student remplacée par la loi
normale centrée réduite.
L
On utilise le fait que t (k ) → N (0, 1)
k →∞
Test d’un système de contraintes linéaires (Test de Wald) : la loi de
Fisher remplacée par la loi du Khi 2 avec un degré de liberté p
(correspond au nombre de contraintes).
L
On utilise le fait que pF (p, N ) → χ2 (p )
N →∞
41 / 43
Test d’hypothèse multi-dimensionnelle
On souhaite tester H0 : R β = r contre H1 : R β 6= r

Rappel: lorsque les résidus sont spécifiés comme normaux, on peut
utiliser le test de Fisher.
C −SCR
La statistique de test est F̂ = SCRSCR × N −(pK +1) et suit sous H0
la loi de Fisher F (p, N − (K + 1))
Lorsque les résidus ne sont pas spécifiés comme normaux et que

l’échantillon est grand, on utilise la statistique Ŝ = p F̂ .
Ŝ converge en loi vers un χ2 (p ) sous H0
On rejette H0 si
Ŝobs > q (1 − α) , χ2 (p )
Pour tester la nullité de l’ensemble des paramètres (sauf constante,
p = K ), on peut utiliser la statistique de test NR 2
42 / 43
Plan
43 / 43

Langue

Bienvenue sur Scribd !

Modèle linéaire

Transféré par

Informations du document

Description :

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

Modèle linéaire

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Titres liés

Le modèle de régression linéaire

Tests (lire une table statistique)

Le modèle de régression linéaire étudie la relation entre une variable

Le modèle de régression linéaire étudie la relation entre une variable

La théorie économique permet de déterminer les variables

Le modèle de régression linéaire étudie la relation entre une variable

La théorie économique permet de déterminer les variables

Le modèle de régression linéaire étudie la relation entre une variable

La théorie économique permet de déterminer les variables

Le modèle de régression linéaire étudie la relation entre une variable

La théorie économique permet de déterminer les variables

Le terme ε est une perturbation aléatoire.

Le terme ε est une perturbation aléatoire.

facteurs omis et pris en compte par la perturbation

Le terme ε est une perturbation aléatoire.

facteurs omis et pris en compte par la perturbation

erreurs de mesure (e.g., difficile d’obtenir des mesures correctes de

Le terme ε est une perturbation aléatoire.

facteurs omis et pris en compte par la perturbation

erreurs de mesure (e.g., difficile d’obtenir des mesures correctes de

variables non observables pour le statisticien

Il existe une relation linéaire entre la variable à expliquer et les

Il existe une relation linéaire entre la variable à expliquer et les

Il existe une relation linéaire entre la variable à expliquer et les

Il existe une relation linéaire entre la variable à expliquer et les

Il existe une relation linéaire entre la variable à expliquer et les

1. Estimateur des Moindres Carrés Ordinaires (MCO)

2. Propriétés statistiques de l’estimateur des MCO

3. Estimateur des MCO sous l’hypothèse de normalité des perturbations

4. Estimation sous contraintes linéaires

5. Propriétés asymptotiques de l’estimateur des MCO

6. Interprétation des paramètres

1. Estimateur des Moindres Carrés Ordinaires (MCO)

2. Propriétés statistiques de l’estimateur des MCO

3. Estimateur des MCO sous l’hypothèse de normalité des perturbations

4. Estimation sous contraintes linéaires

5. Propriétés asymptotiques de l’estimateur des MCO

6. Interprétation des paramètres

On cherche à estimer les paramètres inconnus de la relation

On cherche à estimer les paramètres inconnus de la relation

On cherche à estimer les paramètres inconnus de la relation

On cherche à estimer les paramètres inconnus de la relation

H1: les vecteurs x0 , ..., xK ne sont pas linéairement dépendants

H1: les vecteurs x0 , ..., xK ne sont pas linéairement dépendants

H1: les vecteurs x0 , ..., xK ne sont pas linéairement dépendants

H1: les vecteurs x0 , ..., xK ne sont pas linéairement dépendants

H1: les vecteurs x0 , ..., xK ne sont pas linéairement dépendants

1. Estimateur des Moindres Carrés Ordinaires (MCO)

2. Propriétés statistiques de l’estimateur des MCO

3. Estimateur des MCO sous l’hypothèse de normalité des perturbations

4. Estimation sous contraintes linéaire

5. Propriétés asymptotiques de l’estimateur des MCO

6. Interprétation des paramètres

Definition: on dit qu’un estimateur â est sans biais lorsque E [â] = a.

Definition: on dit qu’un estimateur â est sans biais lorsque E [â] = a.

Definition: on dit qu’un estimateur â est sans biais lorsque E [â] = a.

Les observations sur Xi ne fournissent aucune information sur la

Supposons que le ”bon” modèle soit