Econometriques

Université Abdelmalek Essaâdi
Faculté des Sciences Economiques, Juridiques et Sociales de Tanger

Département Sciences Economiques et Gestion
Filière : Sciences Economiques et Gestion
Semestre : S6
Méthodes économétriques
Pr. Soumaya FELLAJI

Plan
1
Introduction à l’économétrie
2
Modèle de régression simple
3
Modèle de régression multiple
Introduction à l’économétrie Modèle de régression simple Modèle de régression multiple
1 Qu’est ce que l’économétrie?
Exemple introductif
Âge 49 15 43 45 40 35 42 38 46 30 52 55 42 25 35 35 35 27 48 37 45 19 57 55 34 39
Dépenses 95 104 91 98 94 107 96 108 98 108 101 89 96 105 107 106 105 105 97 109 94 103 103 94 108 108
120
100
?
80
Dépenses
60
40
20
0
0 10 20 30 40 50 60
Âge
Méthodes économétriques Pr. FELLAJI

Econométrie
Econo métrie
Economie Mesure
Mesure en Economie
L’économétrie est l’étude des phénomènes économiques en utilisant

des méthodes mathématiques et statistiques.

L'économétrie s'intéresse à l'étude systématique des phénomènes
économiques à l'aide de données observables.
1 2 3
Vérifier la validité des Estimer les paramètres Prédire des résultats

théories économiques économiques économiques

2 Modèle économique et modèle économétrique
Modèle économique
 Un modèle économique est l'expression mathématique simplifiée d'une certaine C = α + βR

théorie économique.
 C’est une simplification de la réalité qui tente de saisir les aspects les plus pertinents
d’une relation ou d’un phénomène économique en termes généraux.
 L'objectif est de prévenir les dysfonctionnements de l'économie ou de l'activité

économique
Modèle économétrique
 Un modèle économétrique est un modèle économique qui intègre une variable C = α + βR++ εε
aléatoire appelée perturbation, bruit ou erreur.
 Les paramètres des modèles économétriques sont inconnus. Les estimations sont
rendues aussi précises que possible à l'aide de procédures d'inférence statistique.
 La perturbation ou l'erreur est définie comme une variable non observable qui
reflète ce qui éloigne l'individu du comportement moyen.

C = α + βR++ εε Il est impossible de spécifier tous les facteurs de causalité

qui interviennent dans le phénomène.
Parfois, même si nous connaissons tous les facteurs de

causalité, certains ne seront pas quantifiables ou difficiles
à quantifier.
Prendre en considération d'éventuelles erreurs

d'observation que nous pourrions commettre.

Processus générateur
Théorie économique
des données
Modèle économétrique Données
Estimation
Essais de diagnostic et
de spécification
Modèle économétrique
empirique
La nouvelle méthodologie économétrique, Luis et Miguel (2016)

3 Théorie de la corrélation
La corrélation mesure le degré de liaison entre deux phénomènes représentés par des variables.
ou :

La valeur du coefficient de corrélation linéaire simple est comprise entre -1 et 1.
Proche de 1 Proche de -1 Proche de 0
 Les variables sont corrélées  Les variables sont corrélées  Les variables ne sont pas
positivement : négativement : corrélées.

Exemple applicatif
Rendement (x) 16 18 23 24 28 29 26 31 32 34
Engrais (y) 20 24 28 22 32 28 32 36 41 41
1) Tracer le nuage de points. Commenter le graphique.
2) Calculer le coefficient de corrélation simple.

45
40 x y x² y² xy
35 16 20 256 400 320
18 24 324 576 432
30
23 28 529 784 644
Engrais
25
24 22 576 484 528
20 28 32 784 1024 896
15 29 28 841 784 812
10 26 32 676 1024 832
31 36 961 1296 1116
5
32 41 1024 1681 1312
0
0 5 10 15 20 25 30 35 40
34 41 1156 1681 1394
Rendement Somme 261 304 7127 9734 8286
10 8286 − (261)(304) 3516

, = = = 0,89
10 7127 − 261² 10 9734 − 304² (56,11)(70,17)

4 Modèles économétriques
1 Modèle linéaire
2 Modèle Binomial
3 Modèle Multinomial
4 Modèle Log-Normal
5 Modèles de séries chronologiques

1 Modèle linéaire

1 Modèle linéaire
2 Modèle Binomial

1 Modèle linéaire
2 Modèle Binomial

1 Modèle linéaire
2 Modèle Binomial

1 Modèle linéaire
2 Modèle Binomial
5 Modèles de séries chronologiques

Modèle linéaire
Régression linéaire simple
Régression linéaire multiple

1 Généralités
Le terme régression a été introduit par Francis Galton,
chercheur britannique du 19ème siècle, dans le célèbre
article : « Regression towards mediocrity in hereditary
stature Journal of the Anthropological Institute 15 : 246-263 (1886) » pour décrire un
phénomène biologique. Le phénomène est que la taille des enfants nés des parents
inhabituellement grands (ou petits) se rapproche de la taille moyenne de la population.
Galton a appelé ce processus la régression vers la moyenne.

1 Généralités
Utilisation Domaines d’application

Médecine
Marketing
Prévoir
Industrie
Décider Estimer
Régression
Linéaire
Finance Informatique
Analyser Valider
Contrôler

2 Présentation du modèle
La régression linéaire simple vise à étudier la dépendance linéaire entre deux variables.
N° Revenu Consommation Revenu

20000
1 8000 7389,99
15000
2 9000 8169,65
10000
3 9500 8831,71
5000
4 9500 8652,84
0
5 9800 8788,08 1 2 3 4 5 6 7 8 9 10
6 11000 9616,21 Consommation

16000
7 12000 10593,45 14000
12000
8 13000 11186,11 10000
8000
9 15000 12758,09 6000
4000
10 16000 13869,62 2000
0
Tableau 1 : Consommation selon le revenu 1 2 3 4 5 6 7 8 9 10

y = f(x) = a + bx Consommation = + Revenu + erreur

16000
14000
12000
10000
Consommation
8000
6000
4000
2000
0
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
Revenu

Consommation = + Revenu + erreur
Variable endogène Coefficients Variable exogène  Appelée aussi « bruit ».
Variable à expliquer de régression Variable explicative  Elle vient du fait que les
Variable dépendante Variable indépendante points ne sont jamais

parfaitement alignés sur
Variable « réponse » Variable « régresseur »
une droite.
Une erreur de spécification

Une erreur de mesure
Une erreur de fluctuation de l’échantillonnage
∀ ∈ ,…, = + +
3 Estimation des paramètres
Hypothèses
 H1 : Le modèle est linéaire en , avec y = + +ε ;
 H2 : Les valeurs sont observées sans erreur ( non aléatoire);
 H3 : L’espérance mathématique de l’erreur est nulle, donc le modèle est bien spécifié : (ε ) = 0 ;
 H4 : La variance de l’erreur est constante et ne dépend pas de l’observation : (ε ) = ² (c’est

l’hypothèse de l’homoscédasticité);
 H5 : L’erreur est indépendante de la variable exogène : ( ,ε ) = 0 ;
 H6 : Les erreurs relatives à deux observations sont indépendantes : ( , ε ) = 0 (non

autocorrélation des erreurs ;
 H7 : L’erreur suit une loi normale centrée de variance ² : ε ~ (0, ) (l’hypothèse de normalité
des erreurs) ;

∀ ∈ ,…, = + +
16000
14000
12000
10000
Consommation
8000
6000
Comment
4000 trouver la droite qui passe « au plus près » de tous les points?
2000
0
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
Revenu

Comment trouver la droite qui passe « au plus près » de tous les points?
Utilisation de la méthode des Moindres Carrés Ordinaires (MCO) qui consiste à minimiser la
distance au carré entre chaque observation et la droite solution appelée droite de régression de Y
sur X.
Estimateurs des Moindres Carrés Ordinaires
On appelle estimateurs des Moindres Carrées Ordinaires et les valeurs minimisant la quantité :
( , )= ( − − )
Autrement dit, la droite des moindres carrées minimise la somme des carrées des distances
verticales des points ( , ) du nuage à la droite ajustée :
= +

 Afin de trouver le minimum de cette fonction, on dérive par rapport à et :
= −2 − − = 0 et = −2 − − =0
 On somme par rapport à i et on obtient :
− − =0 et − − =0
 D’où :
∑ ( − )( − ) ∑ − ( , )
= = =
∑ ( − )² ∑ − ( )
= −

∑ ( − )( − )
= + + = =
= −
−
∑ ( − )²
N X Y − − ( − )( − ) ( − )²
=
1 8000 7389,99 -3280 -2595,585 8513518,8 10758400
2 9000 8169,65 -2280 -1815,93 4140309 5198400
Exemple pratique
=
3 9500 8831,71 -1780 -1153,87 2053880 3168400
4 9500 8652,84 -1780 -1332,74 2372268 3168400 = 11280

5 9800 8788,08 -1480 -1197,5 1772293 2190400
= 9985,575
6 11000 9616,21 -280 -369,365 103422,2 78400
50104729
7 12000 10593,45 720 607,875 437670 518400 =
64156000
8 13000 11186,11 1720 1200,535 2064920 2958400
= ,
9 15000 12758,09 3720 2772,515 10313756 13838400
10 16000 13869,62 4720 3884,045 18332692 22278400
= ,
50104729 64156000

Donner une écriture de l’estimateur en fonction du coefficient de corrélation linéaire , , sachant que :
∑ ( − )( − ) ∑ − ( , )
= = =
∑ ( − )² ∑ − ( )
Réponse : ,
( , ) ( , ) ( , ) 1 ( , )
= = = = = ,
( ) ²
Donc :
= ,

4 Propriétés des estimateurs
Deux propriétés importantes sont mises en avant dans l'évaluation d'un estimateur
Est-ce qu'il est sans biais? Est-ce qu'il est convergent?
C'est-à-dire est-ce qu'en C'est-à-dire à mesure que la

moyenne on obtient la vraie taille de l'échantillon
valeur du paramètre. augmente, l'estimation devient
de plus en plus précise.
E( )= ? Lorsque n → ∞, V( ) → 0?
E( )= ? Lorsque n → ∞, V( ) → 0?

4 Propriétés des estimateurs
Théorème 1:
.
Théorème 2:
∶
̅ ²
= ²( + ∑ ̅
) = ∑ ̅
∶
² ̅
, = ∑ ̅
Théorème 3:
.

5 Estimation de l’erreur
 est l erreur inconnue introduite dans la spécification du modèle ∶
= + + (1)
 L’estimation des paramètres du modèle nous a permis de déduire la

valeur estimée de l’endogène Y pour l’individu i :
= = + (2)
 Ainsi, on déduit l’erreur observée , appelée « résidu », à partir de (1)-(2) :
= − = − −

5 Estimation de l’erreur
= − − = 1176,09 = 0,781
N X Y − − ( − )( − ) ( − )²
1 8000 7389,99 -3280 -2595,585 8513518,8 10758400 -33,96

2 9000 8169,65 -2280 -1815,93 4140309 5198400 -35,28
3 9500 8831,71 -1780 -1153,87 2053880 3168400 236,28
4 9500 8652,84 -1780 -1332,74 2372268 3168400 57,41
5 9800 8788,08 -1480 -1197,5 1772293 2190400 -41,64
6 11000 9616,21 -280 -369,365 103422,2 78400 -150,69
7 12000 10593,45 720 607,875 437670 518400 45,57
8 13000 11186,11 1720 1200,535 2064920 2958400 -142,76

9 15000 12758,09 3720 2772,515 10313756 13838400 -132,74
10 16000 13869,62 4720 3884,045 18332692 22278400 197,81
Calculer la somme des résidus

6 Propriétés de l’erreur
 L’expression de l’erreur observée est donnée par : = − −
 En sommant les résidus, on obtient :
= ( − − )
= − −
1 1
= − −
= − − ̅= − ( − ̅) − ̅
 Donc : =

Théorème :
² ∑
= ² .
Ce qui nous permet de déduire les estimateurs empiriques des coefficients en

remplaçant la variance des erreurs par son estimateur :
²
² ²
1 ̅ ²
= + =
∑ − ̅ ∑ − ̅
Leur covariance vaut :

² ̅
, = ∑ ̅

² ²
Calculer puis déduire et
N N X X Y Y − − ( − )( − ) ( − )² ²
1 1 8000 8000 7389,99

7389,99 -3280 -2595,585 8513518,8 10758400 -33,96 1153,39
2 2 9000 9000 8169,65
8169,65 -2280 -1815,93 4140309 5198400 -35,28 1244,985
3 3 9500 9500 8831,71
8831,71 -1780 -1153,87 2053880 3168400 236,28 55830,26
4 4 9500 9500 8652,84
8652,84 -1780 -1332,74 2372268 3168400 57,41 3296,4
5 5 9800 9800 8788,08
8788,08 -1480 -1197,5 1772293 2190400 -41,64 1733,934
6 6 1100011000 9616,21
9616,21 -280 -369,365 103422,2 78400 -150,69 22707,43
7 7 1200012000 10593,45
10593,45 720 607,875 437670 518400 45,57 2076,39
8 8 1300013000 11186,11
11186,11 1720 1200,535 2064920 2958400 -142,76 20379,08
9 9 1500015000 12758,09
12758,09 3720 2772,515 10313756 13838400 -132,74 17620,12
10 10 1600016000 13869,62
13869,62 4720 3884,045 18332692 22278400 197,81 39127,39

∑ ²
², ²
1) Calcul de et ² = ²
=
− ∑ −
N N X X Y Y − − ( − )( − ) ( − )² ²
1 1 8000 8000 7389,99

7389,99
² =
∑ ̂ 165169,4
 On a : -3280 = -2595,585 = 20646,17
8513518,8 10758400 -33,96 1153,39
−2 10 − 2
2 2 9000 9000 8169,65
8169,65 -2280 -1815,93 4140309 5198400 -35,28 1244,985
3 3 9500 9500 8831,71
8831,71 -1780 -1153,87 2053880 3168400 236,28 55830,26
4  4 Sachant : 8652,84 ∑
9500 9500que8652,84 -1780
− ̅
-1332,74
= 64156000
2372268 3168400 57,41 3296,4
5 5 9800 9800 8788,08
8788,08 -1480 -1197,5 1772293 2190400 -41,64 1733,934
6 6 1100011000 9616,21
9616,21 -280 ² -369,36520646,17
103422,2 78400 -150,69 22707,43
²
 Ainsi : = = = 0,0003218
7 7 1200012000 10593,45∑ 720
10593,45 − 607,875
̅ 64156000
437670 518400 45,57 2076,39
8 8 1300013000 11186,11
11186,11 1720 1200,535 2064920 2958400 -142,76 20379,08
9 9 1500015000 12758,09
12758,09 3720 2772,515 10313756 13838400 -132,74 17620,12
²
 Donc : = = 0,0003218 = 0,0179
10 10 1600016000 13869,62
13869,62 4720 3884,045 18332692 22278400 197,81 39127,39
165169,4

7 Distribution
 H7 : L’erreur suit une loi normale centrée de variance ².
ε ε
 Donc : ~ (0,1) Comme ε est une réalisation de ε : ~ (0,1)
 Passant au carré et sommant par rapport à i :
ε ∑ ε² ²
( )² = ²
~ ( ) ² ²
( ) =
∑ ε² ∑ ε² −2 ²
² Avec :
= = ( − 2)~ ( )
² ² −2 ²
²
~ (0,1)
²
( )
 Ainsi : ~
² −

7 Distribution
²
 On sait que a une espérance : E( )= et une variance
 C’est-à-dire : ² −
~ ( , )  Autrement dit : ~ (0,1)
² 1 ̅ 1 ̅
 Or : = ²( + )  Ainsi : ²
= ²( + )
∑ − ̅ ∑ − ̅
² ² ²
( )
 Donc : = ~
² ² −2
( ) =
−
 Par conséquent : − ( , )
= ~ = ( )
Avec :
²
( ) ~ (0,1)
−
²
~ ( )

7 Distribution
²
 On sait que a une espérance : E( )= et une variance
 C’est-à-dire : ² −
~ ( , )  Autrement dit : ~ (0,1)
² ² ²
 Or : =  Ainsi : ²
=
∑ − ̅ ∑ − ̅
² ² ²
( )
 Donc : = ~
² ² −2
−
− ( , )
 Par conséquent : = ~ = ( )
²
( )
−

8 Décomposition de la variance et coefficient de détermination
 A partir de l’équation de la droite de régression on a pour tout point i :
= + = − ̅+ = + ( − ̅) ∶ = − ̅
 Ce qui donne : − = ( − ̅)  Or, on sait que : = −
 Ce qui est équivalent à : − =( − )−( − )
 On élève au carré : ( − )² = (( − ) − ( − ))²
 Puis on somme : ( − )² = (( − ) − ( − ))²
( − ̅)
( − )² = ( − )² + − −2 ( − )( − )

 Donc : ( − ̅) ²
( − )² = ( − )² + − −2 ( − )( − ̅)
 Or :
∑ ( − ̅ )( − )
= ∑ ( − )( − ̅) = ∑ ( − ̅ )²
∑ ( − ̅ )²
 Ainsi :
( − )² = ( − )² + − −2 ( − ̅) ²
− = ( − ̅)
( − )² = ( − )² + − −2 ( − ̅ )²

 Ce qui est équivalent à :
( − )² = ( − )² + − −2 ( − )²
 Car : − = ( − ̅)
 Enfin : ( − )² = − + ( − )² = +
é é é é é
Elle indique la variabilité Elle indique la variabilité Elle indique la variabilité
totale de Y, c.-à-d., expliquée par le modèle, c.- non-expliquée par le modèle,
l’information disponible à-d., la variation de Y c.-à-d., celle entre les valeurs
dans les données. q expliquée par X. observées et prédites.

= +
Deux situations extrêmes peuvent survenir
= =
= =
= =
Les variations de Y sont complétement X n’apporte aucune information
expliquées par celles de X. Le modèle sur Y. Donc la meilleure prédiction
est parfait : la droite de régression de Y est sa propre moyenne.
passe par tous les points du nuage.

Coefficient de détermination : ²= = −
R² varie entre 0 et 1
Proche de 1 Proche de 0
Le modèle est meilleur, la X n’apporte aucune information

connaissance des valeurs de X utile sur Y. La connaissance des
permet de déterminer celle de Y valeurs de X n’explique pas celles
avec précision. de Y.

Tableau d’analyse de la variance par une régression linéaire simple
Nous avons besoin de l'estimation de la moyenne pour calculer la somme SCT (n-1).
Nous avons besoin des coefficients estimés pour calculer la somme SCR (n-2).
Pour SCE, elle est obtenue par déduction : n − 1 − n − 2 = 1.

N X Y ( − )² ( − )²
1 8000 7389,99 6737061,492 1153,39
2 9000 8169,65 3297583,606 1244,985
3 9500 8831,71 1331404,438 55830,26
4 9500 8652,84 1776182,58 3296,4
5 9800 8788,08 1433994,275 1733,934
6 11000 9616,21 136430,5032 22707,43
7 12000 10593,45 369512,0156 2076,39
8 13000 11186,11 1441284,286 20379,08
9 15000 12758,09 7686839,425 17620,12
10 16000 13869,62 15085805,56 39127,39
39296098,18 165169,4
SCT SCR
8 16000
Décomposition de la variance et coefficient de détermination
N
14000 X Y ( − )² ( − )²
1 8000 7389,99 6737061,492 1153,39
12000
2 9000 8169,65 3297583,606 1244,985

10000
3 9500 8831,71 1331404,438 55830,26
Consommation
1776182,58
Exemple pratique
48000 9500 8652,84 3296,4
56000 9800 8788,08 1433994,275 1733,934
6 11000 9616,21 136430,5032 22707,43
4000
7 12000 10593,45 369512,0156 2076,39
82000 13000 11186,11 1441284,286 20379,08
90 15000 12758,09 7686839,425 17620,12
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
10 16000 13869,62 Revenu 15085805,56 39127,39
²= − (165169,4/39296098,18) =0,9958

Tableau d’analyse de la variance par une régression linéaire simple (ANOVA)
é é
²
= = =
− ²
− −
é é
9 Intervalle de confiance et tests d’hypothèse
Consommation = + Revenu + erreur
 = 0,781 est la valeur estimé du coefficient inconnu .
 En raison des fluctuations de l'échantillon, il est probable

qu'une seule estimation diffère de la valeur réelle.
 Dans un échantillonnage répété, il est prévu que la moyenne

des valeurs est égale à la valeur vraie : E( )= .
Quelle est la fiabilité de cette estimation?

é ∶ é
( − ≤ ≤ + )= −
:
Les valeurs de
comprises dans cette plage
sont possibles avec une
confiance de 100 ( − )%.
− +

é ∶
( − ≤ ≤ + )= −
:
Les valeurs de comprises

dans cette plage sont
possibles avec une
confiance de 100 ( − )%.
− +

Test bilatéral
Région critique Région critique

Région d’acceptation de H0

Test unilatéral à gauche
Région critique

Test unilatéral à droite
Région critique

Règles de décision : test de signification de Student (t)
H0: Hypothèse H1 : Hypothèse Règle de décision :

Type d’hypothèse
nulle alternative Rejeter H0 si
∗ ∗ /
Bilatéral = ≠ >
∗ ∗
Unilatéral à gauche ≤ > >
∗ ∗
Unilatéral à droite ≥ < <


Type d’hypothèse
∗ ∗ /
Bilatéral = ≠ >


Type d’hypothèse
∗ ∗
Unilatéral à gauche ≤ > >


Type d’hypothèse
∗ ∗
Unilatéral à droite ≥ < <

−
− ( , )
 Distribution de la pente : = ~ = ( )
²
( )
−
−
 Donc : ( ) =
Pour tester si la
 Ainsi, on doit calculer la valeur de la statistique variable X est une
et la comparer avec celle obtenue à partir variable explicative

( )
la table de Student. de la variable Y, on

doit tester si le
Calculer la statistique t et l’intervalle de
coefficient ≠ .
confiance de .
−
− ( , )
 Distribution de la pente : = ~ = ( )
²
( )
−
− Pour tester si la
 Donc : ( ) =
variable X est une
 Ainsi, on doit calculer la valeur de la statistique variable explicative

de la variable Y, on
( ) et la comparer avec celle obtenue à partir
doit tester si le
la table de Student.
coefficient ≠ .
Calculer la statistique t et l’intervalle de
confiance de .
2018-2019 Méthodes économétriques Pr. FELLAJI
² = 0,05
² = 0,9958
é =
− ²
−
2018-2019 Méthodes économétriques Pr. FELLAJI

 Calculons la statistique é ( = 0,05) :

² 0,9958
=
é =
− ² − 0,9958 = ,
− −
 Donc : é = , > ℱ( , ) = ,
 On conclut que le modèle est globalement significatif au

risque 5%. Autrement dit, la relation linéaire entre X et Y est
représentative d’un phénomène existant réellement dans la
population.
é é ∶
( + )± |
( − )²
| = +
∑ ( − )²
∶
( − )²
( + )± +
∑ ( − )²

é é ∶
+ ± |
( − )²
| = +
∑ ( − )²
∶
( − )²
+ ± +
∑ ( − )²

10 Prévision et intervalle de prévision
Prévision
Prévision ponctuelle Prévision par intervalle

Prévision ponctuelle :
é ∗ à é ℎ
é , é ∗ à é é ∶
∗ = ∗ = + ∗
∶
∗ = ∗ − ∗

Prévision par intervalle :
é ∗ é ∶
( ∗− )²
∗ ± + +
∑ ( − )²
∶
( ∗− )²
∗ = + +
∑ ( − )²

17000 DH? Et pour celui ayant un revenu de 5000 DH?
 Donner l’intervalle de confiance de ces prévisions.
Sachant que : Exemple pratique

( ∗− )²
∗ ± + +
∑ ( − )²
∶ = ∑ − =
²
= 0,781 = 1176,09 = 20646,17 =2,306

 La consommation d’un individu ayant un revenu de 17000 DH :
∗ = ∗ = + ∗ Avec : ∗ =
 Donc :
∗ = = 1176,09 + 0,781 x 0 = 14453,09
 La consommation d’un individu ayant un revenu de 5000 DH :
∗ = = 1176,09 + 0,781 x = 5081,09

( ∗− )²
 On sait que : ∗ ± + +
∑ ( − )²
 Pour ∗ = ( ∗ = 14453,09) :
( − )²
14453,09 ± , x 20646,17 + +
 Donc :
14453,09 ± , 6

( − )²
∗
 On sait que : ∗ ± + +
∑ ( − )²
 Pour ∗ = ( ∗ = 5081,09) :
( − )²
5081,09 ± , x 20646,17 + +
 Donc :
5081,09 ± ,887

1 Introduction
La régression linéaire multiple est la généralisation multivariée de la régression

linéaire simple.
On cherche à expliquer une variable endogène Y par plusieurs variables exogène
= + + + + …+ +
La i-ème observation Coefficients La i-ème observation de L’erreur du modèle.

de la variable Y. du modèle. la variable j-ème variable.

2 Notation matricielle
= + + + + …+ +
= + + + + …+ +
= + + + + …+ +
= + + + + …+ +
………………………………………………………………
= + + + + …+ +
= + Ecriture matricielle

2 Notation matricielle
= +
1 …
1 …
= 1 … x +
… … … … … … … …
… …
1
(n,1) (n,p+1) (p+1,1) (n,1)
= + + + + …+ +
3 Hypothèses
Hypothèses stochastiques
 H1 : Les sont observées sans erreur ( non aléatoires);
 H2 : L’espérance mathématique de l’erreur est nulle, donc le modèle est bien spécifié :
(ε ) = 0 ;
 H3 : La variance de l’erreur est constante et ne dépend pas de l’observation :

(ε ) = (c’est l’hypothèse de l’homoscédasticité);
 H4 : L’erreur est indépendante des variables exogènes : ( ,ε ) = 0 ;
 H5 : Les erreurs sont indépendantes : ( , ε ) = 0 (non autocorrélation des erreurs) ;
 H6 : Les erreurs suivent une loi normale centrée de variance : ε ~ (0, )

(l’hypothèse de normalité des erreurs) ;

3 Hypothèses
Hypothèses structurelles
 H1 : La matrice ( ) est régulière, c’est-à-dire ( )≠ et ( ) existe ;
( )
 H2 : tend vers une matrice finie non singulière lorsque → +∞ ;
 H3 : > + , le nombre d’observations est supérieur au nombre de paramètre à

estimer .
 Dans le cas où n = p + 1, nous avons une interpolation, la droite passe exactement

par tous les points.
 Lorsque < + , la matrice ( ) n'est plus inversible.

4 Estimation et propriété des paramètres
é ∶
=( )
é ∶
( )=
é ∶
∑
= =
− − − −

5 Matrice des variances et covariances
Ω ,
+ 1, + 1 ∶
( ) , … ,
= ⋮ ( ) ⋮ = ( )
⋱
, ⋯ ( )
= ( )

6 Tableau d’analyse de la variance et coefficient de détermination
Tableau d’analyse de la variance pour la régression linéaire multiple
Coefficient de détermination : ²= = −
Coefficient de corrélation linéaire multiple : = ² Avec : = ,

R² varie entre 0 et 1
Proche de 1 Proche de 0
Le modèle est meilleur, la n’apportent aucune information

connaissance des valeurs des utile sur Y. La connaissance des
permet de déterminer celles de Y valeurs des n’explique pas
avec précision. celles de Y.
Plus le nombre des variables est proche du nombre

d’observations, plus R² est proche de 1 !!!!!!
/( − − )
²= = − ²= − = −
/( − )
−
²= − ( − ) R² ajusté ou corrigé
− −

7 Tests de signification globale de la régression
² : = =⋯= =
= = :∃ / ≠
é
− ²
− − . .∶ é > ℱ( , )

8 Tests de signification d’un coefficient
 La démarche est analogue à celle de la régression linéaire simple.
−
 On calcule la statistique : ~ ( )
 Puis on la compare avec celle lue dans la table de Student.
: =
 Le test d’hypothèse correspond à :
: ≠
 Pour un test bilatéral la région de rejet de (R.C.) est :

/
>

9 Intervalle de confiance
En analogie avec la régression linéaire simple,
quel est l’intervalle de confiance de ?

10 Prédiction et intervalle de prédiction
Prédiction
Prédiction ponctuelle Prédiction par intervalle
∗ = ∗ ∗ ± ∗
∗ = + ∗, + ⋯+ ∗, Avec :
∗ = ∗
∗
= [ + ∗ ( ) ∗]

Exercice N Y X1 X2 X3
Soit le modèle linéaire multiple suivant : 1 12 2 45 121
= + + + +
2 14 1 43 132
3 10 3 43 154
1) Mettre le modèle sous forme matricielle en 4 16 6 47 145
précisant les dimensions de chaque matrice. 5 14 7 42 129
6 19 8 41 156
2) Estimer les paramètres du modèle.
7 21 8 32 132
3) Calculer l’estimation de la variance de l’erreur 8 19 5 33 147
ainsi que les écarts types de chacun des
9 21 5 41 128
10 16 8 38 163
coefficients.
11 19 4 32 161
4) Calculer le ² et le ². 12 21 9 31 172
13 25 12 35 174
5) Prédire , , par intervalle.
14 21 7 29 180
Exercice N Y X1 X2 X3
1) Forme matricielle : = + 1 12 2 45 121
2 14 1 43 132
3 10 3 43 154
12 1 2 45 121 4 16 6 47 145
14 1 1 43 132 5 14 7 42 129
= 10 = 1 3 43 154 6 19 8 41 156
(14,1) … (14,4) … … … … 7 21 8 32 132
21 1 7 29 180 8 19 5 33 147
9 21 5 41 128
10 16 8 38 163
11 19 4 32 161
= = 12 21 9 31 172
(4,1) (14,1) … 13 25 12 35 174
14 21 7 29 180
2) Estimation des coefficients : =( )
1 1 1 1 1 1 1 1 1 1 1 1 1 1
′= 2 1 3 6 7 8 8 5 5 8 4 9 12 7
(4,14) 45 43 43 47 42 41 32 33 41 38 32 31 35 29
121 132 154 145 129 156 132 147 128 163 161 172 174 180
1 2 45 121 14 85 532 2094 12

1 1 43 132 85 631 3126 13132 14
= 10
1 3 43 154 532 3126 20666 78683
(4,4) 16
1 6 47 145 2094 13132 78683 317950
1 7 42 129 14
1 8 41 156 20,168 0,0151 -0,232 -0,076 19
= 1 8 32 132 ( ) =
0,015 0,0132 0,001 -0,0019 = 21
(14,4) 1 5 33 147 (4,4) -0,231 0,001 0,004 0,0006 (14,1) 19
1 5 41 128 -0,076 -0,001 0,0006 0,0004 21
1 8 38 163 16
1 4 32 161 248 32,89132 19
1 9 31 172 1622 0,801901 21
= =
1 12 35 174 9202 -0,38136 25
(4,1) (4,1)
1 7 29 180 37592 -0,03713 21
On doit calculer le déterminant de ( ) pour vérifier s’il est différent de zéro.
∑
3) Estimation de la variance de l’erreur : = =
− − − −
= − , − , + , + ,
N Y X1 X2 X3
= ∶
1 12 2 45 121 -0,87 0,76
2 14 1 43 132 1,57 2,48 = : è
3 10 3 43 154 -3,22 10,3
4 16 6 47 145 1,57 2,46
5 14 7 42 129 -3,73 13,9 = ,
6 19 8 41 156 1,09 1,18
7 21 8 32 132 -1,23 1,52
8 19 5 33 147 0,11 0,01 ,
9 21 5 41 128 4,46 19,9 =
− −
10 16 8 38 163 -2,8 7,83
11 19 4 32 161 1,05 1,1
12 21 9 31 172 -0,93 0,87 = ,
13 25 12 35 174 2,26 5,1
14 21 7 29 180 0,2 0,04
3) Ecarts types des coefficients :
= ( )
20,168 0,0151 -0,232 -0,076 136,05 0,102 -1,566 -0,513

0,0151 0,0132 0,001 -0,001 0,102 0,089 0,007 -0,007
= , x =
-0,232 0,001 0,004 0,0006 -1,566 0,007 0,027 0,004
-0,076 -0,001 0,0006 0,0004 -0,513 -0,007 0,004 0,0027
Donc :
136,05 , 11,664
0,089 , 0,298
= = = =
0,027 , 0,164
0,0027 , 0,052

4) Calcul de R² et ² : ∑ −
²= − ²= − ( − )
∑ ( − )² − −
N Y X1 X2 X3 − = ,
1 12 2 45 121 -5,71
2 14 1 43 132 -3,71
3 10 3 43 154 -7,71 ( − )² = ,
4 16 6 47 145 -1,71
5 14 7 42 129 -3,71 ,
6 19 8 41 156 1,29 ²= −
,
7 21 8 32 132 3,29
8 19 5 33 147 1,29 Donc : ²= ,
9 21 5 41 128 3,29
10 16 8 38 163 -1,71 −
11 19 4 32 161 1,29 ²= − ( − , )
− −
12 21 9 31 172 3,29
13 25 12 35 174 7,29 Donc : ²= ,
14 21 7 29 180 3,29
5) P é :
o P é ponctuelle :
 On a :
= , + , − , − ,
 Ainsi :
, , = , + , ( )− , ( )− , ( )
 Donc :
∗ = , , =

5) P é :
o P é par intervalle :
 On sait que : ∗ ± ∗ Avec : ∗

= [ + ∗ ( ) ∗]
 Ainsi :
20,168 0,0151 -0,232 -0,076 1

0,0151 0,0132 0,001 -0,001 4
∗
= , + 1 4 33 150 = ,
-0,232 0,001 0,004 0,0006 33
-0,076 -0,001 0,0006 0,0004 150
,
 Or : = , et : ∗
= , = ,
 Par conséquent :
, , = ± , et : = , ; ,

Langue

Econometriques

Transféré par

Informations du document

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 ?

Droits d'auteur :

Formats disponibles

Econometriques

Transféré par

Droits d'auteur :

Formats disponibles

Université Abdelmalek Essaâdi

Faculté des Sciences Economiques, Juridiques et Sociales de Tanger

Filière : Sciences Economiques et Gestion

Pr. Soumaya FELLAJI

1 Qu’est ce que l’économétrie?

Méthodes économétriques Pr. FELLAJI

1 Qu’est ce que l’économétrie?

L’économétrie est l’étude des phénomènes économiques en utilisant

Méthodes économétriques Pr. FELLAJI

1 Qu’est ce que l’économétrie?

L'économétrie s'intéresse à l'étude systématique des phénomènes

économiques à l'aide de données observables.

Vérifier la validité des Estimer les paramètres Prédire des résultats

Méthodes économétriques Pr. FELLAJI

2 Modèle économique et modèle économétrique

 Un modèle économique est l'expression mathématique simplifiée d'une certaine C = α + βR

 L'objectif est de prévenir les dysfonctionnements de l'économie ou de l'activité

Méthodes économétriques Pr. FELLAJI

2 Modèle économique et modèle économétrique

C = α + βR++ εε Il est impossible de spécifier tous les facteurs de causalité

Parfois, même si nous connaissons tous les facteurs de

Prendre en considération d'éventuelles erreurs

Méthodes économétriques Pr. FELLAJI

2 Modèle économique et modèle économétrique

Modèle économétrique Données

La nouvelle méthodologie économétrique, Luis et Miguel (2016)

Méthodes économétriques Pr. FELLAJI

Méthodes économétriques Pr. FELLAJI

La valeur du coefficient de corrélation linéaire simple est comprise entre -1 et 1.

Proche de 1 Proche de -1 Proche de 0

Méthodes économétriques Pr. FELLAJI

1) Tracer le nuage de points. Commenter le graphique.

2) Calculer le coefficient de corrélation simple.

Méthodes économétriques Pr. FELLAJI

10 8286 − (261)(304) 3516

Méthodes économétriques Pr. FELLAJI

5 Modèles de séries chronologiques

Méthodes économétriques Pr. FELLAJI

Méthodes économétriques Pr. FELLAJI

Méthodes économétriques Pr. FELLAJI

Méthodes économétriques Pr. FELLAJI

Méthodes économétriques Pr. FELLAJI

5 Modèles de séries chronologiques

Méthodes économétriques Pr. FELLAJI

Régression linéaire simple

Régression linéaire multiple

Méthodes économétriques Pr. FELLAJI

Le terme régression a été introduit par Francis Galton,

chercheur britannique du 19ème siècle, dans le célèbre

article : « Regression towards mediocrity in hereditary

stature Journal of the Anthropological Institute 15 : 246-263 (1886) » pour décrire un

inhabituellement grands (ou petits) se rapproche de la taille moyenne de la population.

Galton a appelé ce processus la régression vers la moyenne.

Méthodes économétriques Pr. FELLAJI

Utilisation Domaines d’application

Méthodes économétriques Pr. FELLAJI

N° Revenu Consommation Revenu

6 11000 9616,21 Consommation

Méthodes économétriques Pr. FELLAJI

y = f(x) = a + bx Consommation = + Revenu + erreur

Méthodes économétriques Pr. FELLAJI

Consommation = + Revenu + erreur

Variable endogène Coefficients Variable exogène  Appelée aussi « bruit ».