Académique Documents
Professionnel Documents
Culture Documents
Ce document ne constitue qu’un support pédagogique destiné à assister les cours des
étudiants dans l’élaboration de leurs synthèses des cours. Il ne remplace
aucunement les cours magistraux.
*********************************
Avec :
Les hypothèses suivantes permettent de déterminer les estimateurs des coefficients du modèle ayant de
bonnes propriétés et de construire des tests statistiques et des intervalles de confiance sur les
estimateurs.
H1 : Le modèle est linéaire en ou bien le modèle est susceptible d’être transformé en (par
exemple transformation logarithmique).
H2 : Les valeurs sont observées sans erreurs. Autrement dit, les données collectées sont
supposées correctes et justes ( est non stochastique, alors que est stochastique par
l’intermédiation de ).
En moyenne les erreurs s’annulent, il s’agit des erreurs qui se compensent entre elles, les
positives avec les négatives. Par conséquent, ∑ .
Les erreurs ne varient pas en fonction des valeurs prises par les variables explicatives. Le
risque de l’amplitude de l’erreur est constant quelle que soit la période.
Cette hypothèse signifie que les erreurs sont non corrélées (ou encore indépendantes) ; une
erreur à l’instant t n’a pas d’influence sur les erreurs suivantes.
L’espérance de
( ) ( )
( ) ( ) ( )
Comme ( )
( )
La variance de
( ) ( )
( ) ( ) ( )
Ainsi, ( )
( )
La loi de
Comme :
( )
( )
( )
Donc, ( )
Pour estimer les paramètres du modèle ( ), nous estimons par la méthode des moindres
carrées ordinaires (MCO) ̂ ̂ (les estimateurs du modèle de régression simple) qui
consiste à minimiser l’erreur du modèle. Les formules à retenir sont les suivantes :
L’estimation de ̂ :
∑
̂ si on note ( ̅) ( ̅)
∑
∑ ( ̅ )( ̅) ∑ ̅̅
̂ ̂
∑ ( ̅) ∑ ̅
∑ ( ̅ )( ̅)
∑ ̅̅ ( )
̂
̅ ∑ ( ̅) ( )
∑
∑ ( ̅)
̂
∑ ( ̅)
L’estimation de ̂ :
̂ ̅ ̂ ̅
̂ ̂ ̂
6. Propriétés de la MCO
La droite de régression passe toujours par le point ( ̅ ̅ )
La moyenne des estimées est égale à la moyenne des observées ̅ ̂ ̅
La moyenne des résidus est nulle : comme∑ ̂ , implique que ̅
7. Critères d’un meilleur estimateur
Les estimateurs sont linéaires
Les estimateurs sont sans biais
(̂ ) et (̂ )
Les estimateurs sont convergents
(̂ )
(̂ )
∑ ( ̅ )( ̅)
√∑ ( ̅) ∑ ( ̅)
∑ ̅̅
√(∑ ̅ )(∑ ̅ )
( )
√ ( ) ( )
∑( ̅) ∑( ̂ ̅) ∑( ̂)
∑( ̅) ̂ ∑( ̅) ∑
Avec :
̅
(̂ ) ̂
∑ ( ̅)
̂ ∑ ∑ ∑
(̂ )
∑ ∑ ( ̅) ∑ ̅
Un intervalle de confiance au risque de 5% et ddl (n-2) avec Tlue sur la table de Student est :
⁄
̂ ̂ ̂̂
Intervalle de confiance de
̂ ∑
On a ̂ ( )
∑
Un intervalle de confiance au risque de 5% et ddl (n-2) avec Tlue sur la table de Student est :
⁄
̂ ̂ ̂̂
Interprétation statistique
L’objectif est de tester la significativité des paramètres du modèle. Soit l’hypothèse suivante :
Avec
Décision :
⁄
Si | | : On rejette H0, Le paramètre ̂ est significativement non nul et par
conséquent la variable explicative (X) est bien explicative de la variable Y au seuil
.
⁄
Si | | : On accepte H0, Le paramètre ̂ est significativement nul et par
conséquent la variable explicative (X) n’est pas bien explicative de la variable Y au seuil
.
NB :
∑
Résidu SCR=∑ n-2
Test de Fisher :
Soit l’hypothèse :
∑ ( )
H0 :
H0 :
Décision :