Généralités sur l’Econométrie

Pr : Abderrazzak ABDOUNE
FPE ERRACHIDIA

2019/2020
 Sommaire :
Chapitre 0 : Concepts de base de l’économétrie
A. Définition de l’économétrie
B. Modélisation économétrique
C. La nature des données pour l’analyse économétrique
D. Démarche de l’économétrie

Chapitre 1 : Modèle de régression linéaire simple

I. Spécification du modèle linéaire simple
II. Estimation du modèle de régression linéaire simple par M.C.O
III. Hypothèses classiques du modèle de régression linéaire simple
IV. Propriétés statistiques des estimateurs des moindres carrées
V. L’inférence statistique
VI. Concept de R2 : Qualité d’ajustement du modèle
VII. Analyse de la variance et test de significativité globale du modèle
VIII. Prévision par le modèle linéaire simple
IX. Exercices corrigés

Chapitre 2 : Conséquences de la violation des hypothèses classiques du modèle de

régression linéaire simple

I. Hypothèse de Normalité
II. Hypothèse d’autocorrélation des erreurs
III. Hypothèse d’homoscédasticité

Chapitre 3 : Application de la régression linéaire multiple par S.P.S.S

I. Présentation de l’exemple et spécification du modèle
II. Les étapes de traitement du modèle de régression multiple par S.P.S.S
INTRODUCTION GENERALE

Avant d’entrer dans le vif du sujet, il est inéluctable de montrer d’abord, la place de
l’économétrie dans les sciences sociales en générale et dans la science économique en
particulier. Prenons, à ce propos, un premier exemple qui relève de la médecine. En raison
d’une sérieuse souffrance d’une maladie, un patient se présente à une clinique en espérant
diagnostiquer sa maladie. Le médecin traitant l’examine progressivement par des moyens tels
que l’interrogatoire, la radiologie et les tests sanguins. En fonction des normes médicales, le
patient est jugé malade ou n’est pas malade. Dans le cas ou le patient présente la maladie, il
sera soumis à un traitement. A travers cet exemple simplifié on conclut que la démarche
médicale comporte deux volets : le diagnostic et la thérapeutique, mais tout ce passe dans des
laboratoires spécialisés.
Le deuxième exemple que nous proposons dans cette introduction, s’inspire de la science
exacte : parallèlement à la médecine, les réactions entre les corps chimiques sont observées et
analysées à travers des expériences dans des laboratoires pour conclure des phénomènes
étudiés. Dans les sciences sociales en générale, et les sciences économiques en particulier, on
ne dispose pas des laboratoires dédiés aux expériences pour en étudier l’interaction entre les
phénomènes économiques et leurs comportements futurs. Par analogie aux sciences
expérimentales ou aux sciences exactes, la science économique nécessite un outil technique
capable de jouer le rôle de l’expérience pour répondre aux objectifs propres à la discipline
économique. Parmi ces outils, nous citons entre autres l’économétrie. Dès maintenant, on peut
définir l’économétrie comme étant un outil de traitement de l’information pour la prise de
décision. Toutefois, la traduction de cette manière de faire est un processus très long, il réunit à
la fois des connaissances en économie (ou propre à la discipline que l’on veut étudier) et des
connaissances en statistique, en mathématique et en informatique. Le savoir économétrique est
structuré dans une démarche propre à la discipline.

L’objectif de ce cours, est de présenter l’outil économétrique à travers la clarification de ses

concepts de base.
Chapitre 0 : Concepts de base de l’économétrie

Après avoir montré dans l’introduction générale que l’économétrie est un outil de traitement de
données économiques et économique dans la perspective de prise de décision, il convient dans
ce chapitre de présenter la définition de l’économétrie et ses concepts de base pour une
meilleure utilisation de cet outil. Parmi les problèmes qui se posent en économétrie il y a le
biais des résultats auxquels parviennent les chercheurs. Notre propos dans ce manuel ne vise
pas le diagnostic de biais de modélisation économétrique mais, il cible la présentation de la
modélisation économétrique pour les débutants pour une meilleure acquisition des
connaissances sur son emploie dans la discipline Economie-Gestion.

L’objectifs de ce chapitre est de présenter les idées progressivement en commençant par le

pourquoi de l’économétrie, comment écrire mathématiquement un modèle économétrique, les
variables du modèle et la nature de la relation qui les unies puis nous clôturons enfin ce
chapitre par la démarche de modélisation économétrique.

A – Définition de l’économétrie
Dans cette optique, l’économétrie peut être définie comme étant « la mesure en économie ».
Bien que la mesure soit une part importante de l’économétrie, le domaine de cette discipline est
plus vaste. Pour restreindre et circonscrire cette définition, Arthur Goldberger, considère
l’économétrie comme étant la science sociale dans laquelle les outils de la théorie économique,
les mathématiques et les déductions statistiques sont appliqués à l’analyse des phénomènes
économiques.
L’économétrie est une discipline technique qui consiste à appliquer les mathématiques, les
statistiques aux données économiques au moyen des logiciels informatiques spécialisés pour
fournir une base empirique aux modèles construits par l’économètre et obtenir des résultats
mesurés.
Carrefour de 3 disciplines

Economiste (Expert du domaine)

Exprime une théorie sur un phénomène économique
Ex. la demande dépend du prix

Mathématicien (Modélisation) Statisticien (Estimation)

Propose une formulation Estime les paramètres du
Algébrique de la théorie. Modèle à partir de données.
Ex. Demande= a*prix+b Ex. a = -0.5 ; b = 10

Sous le contrôle de l’Economiste

Validation de l’Expert du domaine (ex. a est forcément négatif)

B- Modélisation économétrique

Qu’est ce qu’un phénomènes ?

C’est ce que l’on observe ou constate par l’expérience et qui est susceptible de se répéter ou
d’être reproduit et d’acquérir une valeur objective, universelle.
Qu’est ce qu’un modèle ?

Un modèle économétrique est un modèle économique faisant intervenir des variables

aléatoires caractérisées par leurs distributions de probabilité.
Il se définie comme une transformation mathématique entre distribution de probabilité, ce qui
implique l’existence de relation entre variables aléatoires.
Il consiste en une présentation formalisée d’un phénomène sous forme d’équations
mathématiques.
Définition de la modélisation
La modélisation économétrique consiste à établir ce qu’on appelle un modèle économétrique.
Ce dernier exprime sous forme d’une équation ou de plusieurs équations mathématiques la
relation entre les variables économiques dites de contrôle et la variable économique non
contrôlable. L’objectif de la modélisation est d’expliquer et de prédire le comportement de la
variable endogène en fonction des variables de contrôle.
A titre d’exemple de modélisation, on prend dans un premier exemple, la relation linéaire
entre la consommation des ménages et leur revenu disponible, telle qu’elle a été inscrite dans
la théorie Kéynisienne. Le modèle économétrique de la consommation peut être exprimé
mathématiquement par la forme suivante : C = β0+β1R+μ ou : C désigne la consommation ;
R le revenu disponible ; β0 la consommation ostentatoire1 et β1 la propension marginale à
consommer.
Le deuxième exemple du modèle économétrique est celui exprimant la relation non linéaire
entre la variable production (Y) et les facteurs de production (k et l). Cette relation est décrite
par la fonction Cobb-Douglas de la forme : Y=A*K𝜶 *L𝜷+𝝁 avec 𝜶 + 𝜷 = 𝟏.
Variables du modèle économétrique
Soit un modèle linéaire2 de la forme Y = β0+β1X+μ. l’objectif de ce modèle est de montrer si
le facteur X a un effet sur le facteur Y ou il n’a pas d’influence.
C’est parce qu’on étudié l’effet de X sur Y que Y prend l’appellation de variable « à
expliquer » et X la variable explicative. Cependant, d’autres appellations sont couramment
utilisées en économétrie aussi bien pour X que pour Y. la variable X est appelée variable
exogène ou indépendante et la variable Y se prononce endogène ou dépendante.
Les paramètres (β0 et β1) sont appelés coefficient du modèle, ils sont toujours inconnus.

1 Consommations ostentatoires, celle qui expriment la satisfaction non pas de besoins de

base, mais d’un désir de standing et d’une volonté de paraître.
2 Il s’agit d’une présentation introductive au modèle, elle est incomplète à ce stade.
Exemple : On veut s’assurer si la pluviométrie à un effet sur la récolte ou elle n’a pas d’effet.
Autrement dit, on voudrait savoir si la récolte qu’obtienne un agriculteur dépend de la
quantité d’eau utilisée. Le problème se ramène ici à expliquer la récolte obtenue par la
pluviométrie. Puisqu’on peut maitriser ou contrôler la quantité d’eau nécessaire à la récolte
alors la pluviométrie est considérée comme variable explicative et la récolte est une variable à
expliquer ou endogène.
Faire intervenir l’aléatoire dans l’équation économique (parce que la relation n’est pas
déterministe)
La spécification retenue est une simplification, il est évident qu’il ne résume
pas toute la teneur de la relation (ex dans les équations, la relation est vraiment
linéaire ?)

Il y a d’autres facteurs dont on ne tient pas compte (ex le prix des autres biens qui
peuvent se substituer au bien étudié)

Les erreurs de mesure sur les grandeurs étudiées, soit lors du processus de collecte
des information, soit tout simplement parce que la donnée collectée représente peu
ou prou le concept qu’on l’on veut étudier.

L’introduction du facteur « aléatoire » résume toute l’information non prise en compte dans le
modèle : O=a*p+b+𝜺o et D=𝜶 ∗ 𝒑 + 𝜷 + 𝜺D.
Les variables représentent des grandeurs (économiques) observées ou mesurées. Ex les
quantités vendues d’un bien, le prix d’un bien, des taux d’intérêt, le solde d’une balance
commerciale, le taux de change, etc.
La variable doit être représentative du phénomène que l’on étudie, de sa qualité dépend la
validité des résultats obtenus.
 - Problème d’inadéquation (étudier les ventes de pain, et
utiliser des données mesurant les ventes de biscottes)
-
-Erreur de mesurer (problème lors du recueil des
données ou des transmissions des données) , d’unités
(compter en nombre de pain vendu, ou en chiffre
d’affaire)
Problème sur les variables
-Problème de représentativité (mesurer uniquement des
ventes des boulangeries, et ne pas tenir compte des
ventes en grandes surfaces)

Une variable aléatoire est une grandeur mesurable dont les valeurs sont soumises à une
certaine dispersion lors de la répétition d’un processus donné.
La dispersion d’une variable aléatoire est régie par une loi de probabilité. Exemple. Le
résultat d’un jet d’une pièce de monnaie est une variable aléatoire, il prend deux valeurs
possibles « pile »ou « face », il suit une loi de Bernouilli de paramètre p=0.5.
Remarque : à chaque phénomène étudié sa loi de probabilité.
Exemple : Durée entre deux phénomènes, nombre d’occurrence d’un phénomène dans un laps
de temps, nombre d’essais avant d’obtenir un résultat, etc.
La population définit l’ensemble d’individus sur lesquels nous voulons travailler : on parle
alors de population de référence ou de population parente ou population mère (exemple : les
véhicules vendus en France en 2005, etc.). Tous les résultats obtenus sont toujours relatifs à
(circonscrites à) population.
Les enquêtes exhaustives consistent à observer tous les individus qui composent la
population. Opération très couteuse.
On procède alors à un échantillonnage, on prélève une fraction de la population en veillant à
ce qu’il soit représentatif de la population c’est-à-dire refléter la composition et la complexité
de la population.
Attention au mauvais échantillonnage. Comment s’assurer que l’échantillon est
représentatif ? Rôle des variables de contrôle et le redressement.
Inférence statistique consiste alors à effectuer des études sur l’échantillon et transposer les
résultats sur la population.
Cette transposition n’est pas stricte, elle attache toujours une probabilité aux résultats et aux
conclusions émises.
Estimer les paramètres d’un phénomène (estimation de paramètres exemple :
augmentation d’un dirham du prix du paquet de cigarette réduit de combien le
nombre de paquets vendus ?)
C-La démarche économétrique

THEORIE

Formalisation de la théorie
Modélisation

Confrontation du modèle avec la réalité

Estimation économétrique

Théorie validée Théorie non validée

Re-spécifier Re-spécifier le
les données modèle

1-La construction des modèles en économétrie

Dans les sciences sociales, et particulièrement en économie, les phénomènes
étudiés concernent le plus souvent des comportements afin de mieux
comprendre la nature et le fonctionnement des systèmes économiques.
L’objectif du modélisateur est, dans le cadre de l’économétrie et au travers
d’une mesure statistique, de manière plus efficace. La construction d’un modèle
comporte un certain nombre d’étapes qui sont toutes importantes. En effet, en
cas de faiblesse d’un des « maillons », le modèle peut se trouver invalidé pour
cause d’hypothèses manquantes, de données non représentatives ou observées
avec erreurs, etc. examinons les différentes étapes à suivre lors de la
construction d’un modèle, ceci à partir de l’exemple du modèle Keynésien
simplifié.
a- Référence à une théorie
Une théorie s’exprime au travers d’hypothèse auxquelles le modèle fait
référence. Dans la théorie Keynésienne, quatre propositions sont
fondamentales :
1. La consommation et le revenu sont liés ;
2. Le niveau d’investissement privé et le taux d’intérêt sont également liés ;
3. Il existe un investissement autonome public ;
4. Enfin, le produit national est égal à la consommation plus
l’investissement privé et public.
b- Formalisation des relations et choix de la forme des fonctions
A partir des propositions précédentes, nous pouvons construire des relations :
1. La consommation est fonction du revenu : C= f(Y) avec f’>0 ;
2. L’investissement privé dépend du taux d’intérêt : I = g (r) avec g’<0 ;
3. Il existe un investissement autonome public :Ï ;
4. Enfin, le produit national (ou le revenu national) est égal à la consommation plus
l’investissement : Y = C + I + Ï.
A ce stade, nous n’avons postulé aucune forme particulière en ce qui concerne les fonctions f
et g. Ainsi, bien que des considérations d’ordre théorique nous renseignent sur le signe des
dérivées, il existe une multitude de fonctions de formes très différentes et ayant des signes de
dérivées identiques, par exemple C = a0 + a1 Y et C = a0 Ya1. Cependant ces deux relations ne
reflètent pas le même comportement ; une augmentation du revenu provoque un
accroissement proportionnel pour la première relation, alors que, dans la seconde, l’effet
s’estompe avec l’augmentation du revenu (si 0 < a1 <1). Nous appelons « forme
fonctionnelle » ce choix (arbitraire ou fondé) de spécification précise du modèle. Dans notre
exemple, le modèle explicite s’écrit :

C = a0 + a1 Y avec a0 > 0 et 0 < a1 < 1

A1 = propension marginale à consommer
Et a0 = consommation incompressible ;
I = b0 + b1 r avec b0 > 0 et b1 < O ;
Y=C+I+Ï
Les deux premières équations reflètent des relations de comportements alors que la troisième
est une identité (aucun paramètre n’est à estimer).
3- Sélection et mesure des variables
Le modèle étant spécifié, il convient de collecter les variables représentatives des phénomènes
économiques. Ce choix n’est pas neutre et peut conduire à des résultats différents, les
questions qu’il convient de collecter les variables représentatives des phénomènes
économiques. Ce choix n’est pas neutre et peut conduire à des résultats différents, les
questions qu’il convient de se poser sont par exemple :
o Faut-il raisonner en Dirhams constants ou en Dirhams courant ?
o Les données sont-elles brutes ou CV1 ?
o Quel taux d’intérêt faut-il retenir (taux au jour le jour, taux directeur de la Banque
Centrale,….) ? etc.
Nous distinguons plusieurs types de données selon que le modèle est spécifié en :
o Série temporelle : c’est le cas le plus fréquent en économétrie, il s’agit de variables
observées à intervalles de temps réguliers (la consommation annuelle, totale France,
exprimée en Dirhams courants sur 20 ans) ;
o Coupe instantanée : les données sont observées au même instant et concernent les
valeurs prises par la variable pour un groupe d’individu spécifiques (consommation
observée des agriculteurs pour une année donnée) ;
o Panel : la variable représente les valeurs prises par un échantillon d’individus à
intervalles réguliers (la consommation d’un échantillon de ménages de la région
parisienne sur 20 ans) ;
 o Cohorte : très proche des données de panel, les données de cohorte se distinguent de la
précédente par la constante de l’échantillon, les individus3 sondés sont les mêmes
d’une période sur l’autre.

4- Décalage temporels
Dans le cadre de modèle spécifié en séries temporelles, les relations entre les variables ne sont
pas toujours synchrones mais peuvent être décalée dans le temps. Nous pouvons concevoir
que la consommation de l’année t est expliquée par le revenu t-1 et non celui de l’année t.
Pour lever cette ambiguïté, il est d’usage d’écrire le modèle en le spécifiant à l’aide d’un
indice de temps : Ct = a0 + a1 Yt-1. La variable yt-1 est appelée « variable endogène retardée ».
➢ On appelle « variable exogène » une variable dont les valeurs sont prédéterminées, et
« variable endogène » une variable dont les valeurs dépendent des variables exogènes.
5- validation du modèle
La dernière étape est celle de la validation du modèle :
 Les relations spécifiées sont-elles valides ?
 Peut-on estimer avec suffisamment de précision les coefficients ?
 Le modèle est-il vérifié sur la totalité de la période ?
 Les coefficients sont-ils stables ? Etc.
A toutes ces questions, les techniques économétriques s’efforcent d’apporter des réponses.
2- Le rôle de l’économétrie
a- L’économétrie comme validation de la théorie
L’économétrie est un outil à la disposition de l’économiste qui lui permet d’infirmer ou de
confirmer les théories qu’il construit. Le théoricien postule des relations ; l’application de
méthodes économétriques fournit des estimations sur la valeur des coefficients ainsi que la
précision attendue.
Une question se pose alors : pourquoi estimer ces relations, et les tester statistiquement ?
Plusieurs raisons incitent à cette démarche : tout d’abord cela force l’individu à établir

3Le terme d’individu est employé au sens statistiques, c’est-à-dire comme un élément
d’une population : une personne, une parcelle de terre…..
clairement et à estimer les interrelations sous-jacentes. Ensuite, la confiance aveugle dans
l’intuition peut mener à l’ignorance de liaisons importantes ou à leur mauvaise utilisation. De
plus, des relations marginales mais néanmoins explicatives, qui ne sont qu’un élément d’un
modèle globale, doivent être testées et validées afin de les mettre à leur véritable place.
Enfin, il est nécessaire de fournir, en même temps que l’estimation des relations, une mesure
de la confiance que l’économiste peut avoir en celles-ci, c’est-à-dire la précision que l’on peut
en attendre. Là encore, l’utilisation de méthodes purement qualitatives exclut toute mesure
quantitative de la fiabilité d’une relation.
b- L’économétrie comme outil d’investigation
L’économétrie n’est pas seulement un système de validation, mais également un outil
d’analyse. Nous pouvons citer quelques domaines ou l’économétrie apporte une aide à la
modélisation, à la réflexion théorique ou à l’action économique par :
 La mise en évidence de relations entre des variables économiques qui n’étaient pas a
priori évidentes ou pressenties ;
 L’induction statistique ou l’inférence statistique consiste à inférer, à partir des
caractéristiques d’un échantillon, les caractéristiques d’une population. Elle permet de
déterminer des intervalles de confiance pour des paramètres du modèle ou de tester si
un paramètre est significativement4 inférieur, supérieur ou simplement différent d’une
valeur fixée ;
 La simulation qui mesure l’impact de la modification de la valeur d’une variable sur
une autre (ΔCt = at Δ Yt) ;
 La prévision, par l’utilisation de modèle économétriques, qui est utilisée par les
pouvoirs publics ou l’entreprise afin d’anticiper et éventuellement de réagir à
l’environnement économique.
3- La théorie de la corrélation
a- présentation générale
Lorsque deux phénomènes ont une évolution commune, nous disons qu’ils sont
« corrélés ». La corrélation simple mesure le degré de liaison existant entre ces
deux phénomènes représentés par des variables. Si nous cherchons une relation

4Au sens statistique, c’est-à-dire avec un seuil (risque d’erreur à ne pas dépasser,
souvent 5%
entre trois variables ou plus, nous ferons appel alors à la notion de corrélation
multiple.
Nous pouvons distinguer la corrélation linéaire, lorsque tous les points du
couple de valeurs (x , y ) des deux variables semblent alignés sur une droite, de
la corrélation non linéaire lorsque le couple de valeurs se trouve sur une même
courbe d’allure quelconque.
Deux variables peuvent être :
 En corrélation positive ; on constate alors une augmentation (ou
diminution, ou constance) simultanée des valeurs des deux variables ;
 En corrélation négative, lorsque les valeurs de l’une augmente, les valeurs
de l’autre diminuent ;
 Non corrélées, il n’y a aucune relation entre les variations des valeurs de
l’une des variables et les valeurs de l’autre.
Chapitre 1 : La régression linéaire simple

I- spécification du modèle de régression linéaire simple :

I-1 Définition de la régression
L’analyse de la régression simple s’intéresse à l’étude de la dépendance d’une variable
dépendante, par rapport à une variable exogène, assortie d’un objectif d’estimer et ou de
prédire la moyenne (de la population) ou la valeur moyenne de la variable explicative à partir
d’un échantillon répété.
Le modèle économétrique permettant d’étudier la dépendance stochastique linéaire entre une
variable endogène et une variable exogène en vue de prédire la valeur moyenne de la
première sur la base des valeurs connues et fixes de la seconde est appelé modèle de
régression linéaire simple5. Les données empiriques que l’on traitera par ce modèle sont des
données en coupes instantanées.
I-2 définition de la spécification
La spécification d’un modèle consiste à déterminer à partir de la théorie économique les
variables économiques et la nature de la relation qui les unies et de réécrire les variables
économiquement le modèle en vue d’une estimation et d’une prédiction.

5le terme simple veut dire que le modèle ne contient que deux et seulement deux
variables
Exemple :

II- Principe de la méthode des moindres carrés

Modélisation :
C = f(R)
Y=ax+b
n R C
1 6 3
2 4 2
3 5 1
4 8 2

Qu’est ce qu’on cherche ?

C = variable à expliquer (endogène) y
R = variable explicative (exogène) x
A et b des paramètres (estimé)
(𝒙;𝒚)
â= 𝒄𝒐𝒗 𝒗(𝒙) = 𝚺(𝒙 − 𝒙°)(𝒚 − 𝒚°)/𝚺(𝒙 − 𝒙°)2

^b = y°- âx°
n R C x-x° y-y° (x-x°)(y-y°) (x-x°)2
1 6 3 0.25 1 0,25 0,0625
2 4 2 -1,75 0 0 3,0625
3 5 1 -0,75 -1 0,75 0,5625
4 8 2 2,25 0 0 5,0625
£ 23 8 1 8,75
M 5,75 2

(𝒙;𝒚)
â= 𝒄𝒐𝒗 𝒗(𝒙) = 𝚺(𝒙 − 𝒙°)(𝒚 − 𝒚°)/𝚺(𝒙 − 𝒙°)2

â= 1/8,75 = 0,11
b^= y°- âx° soit 2 – (0,11*5,75) = 1,34
y = 0,11x + 1,34

III- Evaluation : Analyse de variance et coefficient de détermination

On prend le même exemple :

n X Y (x-x°) (y-y°) (x-x°)(y-y°) (X-X°)2

1 3 6 1 0 0 1
2 2 4 0 -2 0 0
3 1 5 -1 -1 1 1
4 2 9 0 3 0 0
£ 8 24 1 2
M 2 6

A â = ½= 0,5 ¨^b= 6 – (0,5 * 2) = 5 Y= 0,5X+ 5

n X Y STC YC (Y-YC) (Y-YC)2 YC-Y° (YC-Y°)2

1 3 6 0 6,5 -0,5 0,25 0,5 0,25
2 2 4 4 6 -2 4 0 0
3 1 5 1 5,5 -0,5 0,25 -0,5 0,25
4 2 9 9 6 3 9 0 0
£ 8 24 14 13,5 0,5
M 2 6

STC =  ( Y – Y°)2 = 14
SCRes =  ( Y – YC)2 = 13,5
SCReg =  ( YC-Y°) = 0,5
SCT = SCRes + SCReg
14 = 13,5 + 0,5

IV Evaluation : propriété des estimateurs :

Exemple :

Ve2= (-YC)2/n-2 (n-2) : le degré de liberté n : degré d’observation

2 : nombre de paramètres a et b y = ax+b

Ve(x) = Ve2/(x-x°)2 Ve(y) = Ve2(1/n +X°2/(x-x°)2

n x Y X-X° (3) Y-Y° (4) 3*4 (X-X°)2

1 3 6 1 0 0 1
2 2 4 0 -2 0 0
3 1 5 -1 -1 1 1
4 2 9 0 3 0 0
8 24 1 2
2 6
YC= âx+ bc
A â= ½ =0,5 bc= 6 – ( O,5 * 2) = 5

YC = 0,5 X + 5

n X Y YC (Y-YC) (Y-YC)2
1 3 6 6,5 -0,5 0,25
2 2 4 6 -2 4
3 1 5 5,5 -0,5 0,25
4 2 9 6 3 9
£ 8 24 13,5
M 2 6

Ve2 = 13,5/ 4-2 = 6,75

Ve (X) = 6,75/2 = 3,375
Ve (Y) = 6,75 5 (1/4 + 4/2) = 15,19

V Distribution des coefficients estimés : Inférence statistique