T.D.

Econométrie

Application 1 :

Ti Xi Yi
T1 50 10
T2 56 12
∑xy=25664 ∑y2=6900 ∑x2=96520
T3 64 16
T4 73 17 ∑x=930 ∑y=240 R=0,9889
T5 87 19
T6 91 24
T7 109 30
T8 120 32
T9 132 35
T10 148 45

1°/ Etablir l’équation de régression linéaire de y en x.

2°/ Tester la significativité des coefficients et le rendement du modèle. En déduire la structure du
modèle à la prévision.
3°/ Calcul de l’intervalle de confiance de a et b.
4°/ Supposons que θsoit une période postérieure au modèle et que xθ=170. Sachant qu’on observe
ex post yθ=50, apprécier la qualité prévisionnelle du modèle.
5°/ Chercher à construire un régime critique w0 pour R (c'est-à-dire chercher à établir 2 seuils
critiques R2 qui distinguent H0 et H1).

Application 2 :

Yj/xi 2-6 6-8 8-10

14-20 5 10 5
20-30 15 20 45

Tester la significativité du coefficient de régression et de vérifier la validité du résultat obtenu en

calculant Fc.

Application 3 :

On considère 2 espaces sur lesquels :

A  na=15 y= 12,6 + 3,2x
(45,2) (1,12) Sθ
B  nb=12 y= 13,4 + 2,8x
(5,1) (0,6) Sθ

1°/ Tester la significativité des coefficients et calculer le coefficient de corrélation propre à chaque
espace.
2°/ Le coefficient de régression correspondant à l’espace A peut il être considérer comme
significativement différent de 2 ?
3°/ Existe-t-il une différence significative entre les coefficients de régression et les constantes des
équations relatives aux deux espaces ?
4°/ Interpréter les résultats en terme de stabilité de la relation linéaire.
Application 4 :

On considère y à 2 variables x1 et x2 avec T=10

Yt X1 X2
32 5 3
43 8 4
47 9 5
61 12 7
67 14 7
75 17 8
81 20 8
95 28 7
105 30 9
115 32 10

∑y2=58753 ∑yx1=14982 ∑yx2=5407

∑x12=3907 ∑x22=506 ∑x1x2=1356
∑y=721 ∑x1=175 ∑x2=68

1°/ Calculer successivement myy, mx1x1, mx2x2, myx1, myx2, mx1x2.

2°/ En déduire l’estimation des coefficients du modèle.
3°/ Tester la significativité des coefficients pour Rx1x2=0,8651.
4°/ Analyser la stabilité linéaire de cette équation en considérant une décomposition temporelle en 2
sous périodes :

[t1;t5] y=3,081x1+1,86x2+10,75

[t6;t10]  y=2,136x1+3,68x2+9,035

5°/ Au regard de l’équation MCO de y=f(x1), peut on dire que l’introduction de x2 ait pour effet
d’impliquer un accroissement significatif du rendement global du modèle.
6°/ On prend comme référence le modèle à 2 variables explicatives. L’objectif est de confronter
H0  a2=2a1
H1  a2≠2a1
7°/ Pour t15, x1=50, x2=12 et y=165, indiquer si la qualité prédictive du modèle peut être considérer
comme acceptable.
1,4918 0,0394 -0,3063
On pose : (X’X)-1= 0,0394 0,0047 -0,0179
-0,3063 -0,0179 0,0912
8°/ Calcul du coefficient de Durbin-Watson sur le modèle à 2 variables explicatives.

Application 5 :

Yt X1 X2
10 6 40
12 12 32
15 14 29
16 10 26
18 12 20
20 8 18
24 14 16
28 10 18
29 8 14
30 11 14
On pose l’équation de régression MCO y=-0,379x1-0,777x2+41,817
∑(y-ymco)2 = 71,145
Cov(x1;x2) = -3,95
σ2x1 = 6,25 σ2x2 = 68,41 Rx1x2 = 0,191

1°/ Tester la significativité des coefficients et en déduire la ou les structures prévisionnelles possibles.
2°/ Sachant que l’écart au carré par rapport à la moyenne est égal à 469,60 ; tester le rendement
global du modèle.
3°/ En calculant R2, puis R2 corrigé, établir le biais d’estimation introduit mécaniquement par
l’existence de 2 variables explicatives.
4°/ Définir l’intervalle de prévision pour t15, sachant que pour cette période, on a x1=13 et x2=8.
5°/ Calcul de R2yx1.x2.
6°/ Vérifier la valeur de R2yx1.x2 à partir de la formule de a1 en fonction de tcx1.

Application 6 :

X1 Y1 X2 Y2 X3 Y3
10 146 20 153 220 315
12 148 40 170 260 348
16 151 71 195 340 410
19 153 82 204 410 468
24 158 112 229 560 590
29 162 575 599
33 165 590 612

Vérifier la stabilité de la relation linéaire du modèle via la méthode de l’analyse de la covariation.

Application 7 :

On pose y = f(x1 ; x2 ; x3) sur 5 périodes.

383068 -18912 -8276 -5412
(X’X)-1= (1/1664) -18912 1024 736 160
-8276 736 1660 -340
-5412 160 -340 220

Yt X1 X2 X3
15 14 3 20
18 11 5 22
22 10 5 26
26 8 8 31
32 7 9 34

1°/ Calculer les coefficients du modèle par l’approche matricielle.

2°/ Tester la significativité des coefficients du modèle.
3°/ Calculer R2 et R2 corrigé. Tester le rendement global du modèle.
4°/ Réaliser le test de multicolinéarité de Glauber-Farell.
Application 8 :

On pose y = 15,2 + 3,2x1 – 0,6x2 + 1,3x3 + 2,4x4

(1,0) (0,1) (0,5) (0,9)  Sθ
Pour n = 100, R2 = 0,85, R2yx2 = 0,40, R2yx1.x2 = 0,10 ;
Calculer R2yx4.x1x2 et interpréter le résultat obtenu.

Application 9 :

Yt Xt Y t-1
18 7 16
19 9 18
19 11 19
20 14 19
20 12 20
22 16 20
24 16 22
25 18 24
29 18 25
30 20 29
32 20 30
35 21 32
40 22 35
46 24 40
50 26 46

1°/ Estimer le modèle de régression linéaire de Yt en fonction de Xt et Yt-1.

2°/ En supposant une auto corrélation d’ordre 1, tester l’auto corrélation des résidus en recourant à
la méthode de DURBIN.

Application 10 :

Yt Xt
43 50
45 52
46 54
45 53
43 50
48 56
46 53
44 52
43 50
41 48
48 56
51 60
59 70
55 65
67 80

1°/ Estimer le modèle de régression de Yt en fonction de Xt.

2°/ Calculer le DURBIN WATSON et conclure sur le degré d’auto corrélation des résidus.
3°/ Calculer ρvia 2 méthodes différentes.
4°/ Procéder à la méthode de COCHRAN-ORCUTT pour influencer le degré d’auto corrélation des
résidus.
5°/ Vérifier la pertinence de la méthode de COCHRAN-ORCUTT par le calcul du DURBIN WATSON

Application 11 :

X Y
10 5
10,2 7
13,6 6
11 8
14 4
10,6 7
13 2
12,8 10
10,5 4
13,6 15
13,9 14
14 10
10,1 6

Tester l’hétéroscédasticité de cette distribution via la méthode de GOLDFELD-QUANDT.

Application 12 :

Effectif Yi Xi
16 42 21
10 38 17
8 54 30
8 44 22
6 30 14
5 60 32
5 46 24
4 50 28

∑niYi=2746 ∑niyi2= 125460 ∑niXiYi= 64516 ∑niXi=1398 ∑niXi2=33330

1°/ Calculer la matrice  des estimateurs de coefficients en éliminant l’hétéroscédasticité engendrée

par la présentation des données sous formes de moyennes.
2°/ Tester la significativité des coefficients.