Chapitre 2: Analyse du modèle de

régression linéaire simple

• Ecriture mathématique du modèle :

• Modèle : Yi = B0 +B1 Xi + ui Ensemble des facteurs

considérés négligeables
Endogène exogène

   Aléatoire
Déterminis te
 On dit le modèle de Y
i   0  1 i  ui est stochastique ou
bien Y est stochastique
    Aléatoire
Déterminis te

Dans ce modèle : i   0  1 i  ui
 0 et 1 sont appellés coeifficients du modèle
  i est la variable économique observée pour " i" individus
i est la variable économique observée pour les mêmes individus
Exemple :
On considère une population totale définie sur un univers  qui
contient 5 employés.
On suppose que la variable endogène (Y) est la productivité des
employés, et la variable Exogène (X) est l’ancienneté des mêmes
employés
• D’après une enquête, on a constaté les données suivantes sur
la productivité et l’ancienneté des 5 employés :
Numéros des Employés Productivité (Y) Ancienneté (X)
1 3, 5 Kg 0 ans
2 2 Kg 1 ans
3 5 Kg 3ans
4 5,5 Kg 6 ans
5 4 Kg 3 ans

Ecrivons l’équation du modèle linéaire étape par étape pour

les 5 employés relative
• Pour le premier employé
• Pour le premier employé
• Pour le premier employé
• Pour le premier employé
• Pour le premier employé
: 3,5=0+1*0+ u1
: 2 =0+1*1+ u2
: 3,5=0+1*3+ u3
: 3,5=0 + 1*6+ u4
: 3,5=0 + 1*3+ u5

D’où l’écriture du modèle pour tous les individus est

   Aléatoire
Déterminis te

i   0  1 i  ui  i   0  1 i  ui
L’objectif de ce modèle est :
- D’étudier l’éventuelle effet de X sur Y c’est-à-dire la sensibilité de Y
aux variation de X
- Dé prévoir Y en fonction de X

Mots clés du chapitre 2:

• Modèle : l’expression mathématique de la relation entre X
et Y
• Régression Étude de la dépendance d’une variable
endogène par rapport à une ou plusieurs variables
exogènes, en vue de prédire l’endogène en fonction d’une
(des) variable(s) exogène(s)
Termes clés (suite) :
• Régression linéaire : Étude de la
dépendance linéaire entre
l’endogène et l’exogène (c.-à-d.
l’inexistence ou l’existence; forte,
faible …)
• Simple : Le modèle ne contient que
deux variables : une endogène et
l’autre exogène.
 Récapitulatif :

• Modèle de régression linéaire Simple :

• Est un modèle qui permet de confirmer
ou d’infirmer la dépendance linéaire
entre une variable endogène et une seule
variable exogène en vue d’expliquer la
façon dont laquelle sont générées les
valeurs observés de Y ainsi que de
prédire (prévoir) la même variable sur la
base des valeurs fixes de X.
 I- Définition de Spécification du Modèle
Econométrique
À partir de la théorie économique,
l’économètre construit le modèle
économétrique en fonction du choix
des variables pertinentes et du type
de relation entre l’endogène et
l’exogène.
 Exemple hypothétique de spécification du
modèle de RLS
Tableau 1 : Revenu mensuel des ménages
Y 80 100 120 140 160 180 200 220 240 260
55 65 79 80 102 110 120 135 137 150
consommation

60 70 84 93 107 115 136 137 145 152

mensuelle en
Dépenses de

65 74 90 95 110 120 140 140 155 175

70 80 94 103 116 130 144 152 165 178
75 85 98 108 118 135 145 157 175 180
- 88 - 113 125 140 - 160 189 185
DH

- - - 115 - - - 162 - 191

Total 325 462 445 707 678 750 685 1043 966 1211
Moyenne 65 77 89 101 113 125 137 149 161 173
conditionnelle
E(Y/Xi)
On déduit la fonction de régression de la
population et celle de l’échantillon
Fonction de régression de la population = Droite de
régression de la population
200
Figure 2

150

E (Y / X i )   0  1 X i
100

50
80 100 120 140 160 180 200 220 240 260
 Justification du terme aléatoire
Yi/X=240
200
Yi/X=180
Yi/X=120
150

E (Y / X i )   0  1 X i
100

50
80 100 120 140 160 180 200 220 240 260

E(Yi/X=120) E(Yi/X=180) E(Yi/X=240)

Qu’on est-il de l’observation individuelle Yi?

Pour chaque niveau de la
variable X= Xi, il y a une
déviation de Yi par rapport à
la moyenne conditionnelle de
Y cette déviation est notée ui
telle que : ui=Yi- E(Y/Xi)
Remarque fondamentale
Yi  (Y / X i )  ui
Yi  0  1i  ui

C’est le modèle de régression linéaire simple

spécifié au niveau de la population
Calcul de la moyenne du terme aléatoire

 Xi E(ui / X i )  E(Yi / X i )  E((Y / X i ))

 (ui / X i )  (Yi / X i )  (Y / X i )

 (ui / X i )  0
 Synthèse
La fonction de régression de la population ou bien droite de
régression de la population ou encore le modèle de régression
au niveau de la population est :

Yi  0  1i  ui

0 1
 Signification de linéarité
E (Y / X i )  
Linéarité dans les variables et0
  1X
dans les paramètres i

E (Y / X i )  0  1 X i2

Linéaire est de deux types : en X et en

N’est pas
paramètres Linéaire
en X mais linéaire
lorsqu’on parle du modèle de régression
en paramètres
linéaire il s’agit bien d’un modèle linéaire
dans les paramètres
• Réalité statistique : la population est de taille inconnue
ou infinie:
• Déduction :
→ Les moyennes conditionnelles Y à Xi sont inconnues

E (Y / X i )  0  1 X i
• Solution : Estimation sur l’échantillon
• La question qui se pose alors est celle-ci : à partir de
l’échantillon peut-on prévoir la consommation
moyenne mensuelle de la population totale
correspondant aux Xi choisis ? En d’autre sens, peut-
on estimer la fonction de régression de la population à
partir des données de l’échantillon ?
• Réponse : oui, voir procédé p. suivante
Prélèvement de 2 Échantillons aléatoires E1 et E2
Échantillon E1 Échantillon E2
Y : consommation X : revenu Y : consommation X : revenu
70 80 55 80
65 100 88 100
90 120 90 120
95 140 80 140
110 160 118 160
115 180 120 180
120 200 145 200
140 220 135 220
155 240 145 240
150 260 175 260
Droites de régression de chaque échantillon
180 10

160
7 9

140 8 ˆ  ˆ  ˆ 
i 0 1 I
5 6
120

100
2 3 E1
4
80

60 1
DE2

40
0 100 200 300

REVENU
Concordance entre population et échantillon

Population i  ( / i )  ui

Echantillon ˆ  û
i  i i

̂i ( / i ) Est une droite

û i Estimateur de ui

u

û
Comment alors peut-on
construire la droite de
régression de l’échantillon de
telle sorte que ˆ1 soit très
proche que possible du vrai 1
et que ˆ0 soit proche que
possible du vrai  0
 Au niveau de la population, le modèle s’écrit :
i   0  1 X i  ui
Tout le problème consiste à estimer les
paramètres  et  0 1

Sur les données d’un échantillon aléatoire issu de la

même population
Au niveau de l’échantillon, le modèle estimé s’écrit :
ˆ  ˆ  ˆ X

Avec i 0 1 i

̂i  i  ûi
 ˆ0 est un estimateur de  0

ˆ1 est un estimateur de 1

ûi est un estimateur de u i
ˆ
i est un estimateur de E (Y / X i )
Quelle sont alors les méthodes d’estimation ??
• 1- La Méthode des moindres carrés ordinaires
(M.C.0 ou O.L.S =Ordinary Least Square)
• 2- La méthode du maximum du vraisemblance
II- Estimation du modèle de régression linéaire simple par
la méthode des moindres carrés ordinaires (M.C.O)
* Principe de la méthode :
ˆ  ˆ  ˆ X



i 0 1 i

 
Y1
û2
û1 û3
û2
Figure 6

X1 X2 X3 X4
 n

• Le principe des M.C.O consiste à minimiser  û i 1

2
i

 n
ˆ )2 
C’est-à-dire M ini  (Yi  Y

i 1 i 

n
Or i   0  1  i d’où le Mini  û i = Min
ˆ ˆ ˆ 2

i 1
que
  n

 ˆ
 0
 0   2 i 1
(Yi  ˆ  ˆ X )  0
 0 1 i [Eq 2]
  n
  0  2 (Yi  ˆ0  ˆ1 X i ) X i  0 [Eq 3]
 ˆ1 i 1

De l’équation Eq 2, on calcul ˆ 0 , en effet ;

 n
 2 (Yi  ˆ0  ˆ1 X i )  0 [Eq 2]
i 1
n
  (Yi  ˆ0  ˆ1 X i )  0
i 1
n n n
  Yi   ˆ0   ˆ1 X i  0
i 1 i 1 i 1
n n n
  Yi   ˆ0   ˆ1 X i
i 1 i 1 i
n n
  Yi nˆ0  ˆ1  X i
i 1 i 1
 n n

Y i X i
n i 1
 nˆ 0  nˆ1 i 1

n n
 nY  nˆ 0  n ˆ1 X

 Y  ˆ 0  ˆ1 X

 ˆ0  Y  ˆ1 X
En utilisant l’expression de ˆ0 dans l’équation [Eq 3] on obtient ˆ1 après simplification:
n
 2 (Yi  ˆ0  ˆ1 X i ) X i  0
i 1
n
  (Y
i 1
i  ˆ 0  ˆ1 X i ) X i  0
 n
  (Yi X i  ˆ0 X i  ˆ1 X i2 )  0
i 1
n n n
  X iYi  ˆ0  X i  ˆ1  X i2
i i 1 i 1
n, n
  X i Yi  nˆ0 X  ˆ1  X i2
i 1 i 1
n, n
  X i Yi  nX (Y  ˆ1 X )  ˆ1  X i2
i 1 i 1
n, n
  X i Yi  nXY  nˆ1 X 2  ˆ1  X i2
i 1 i 1
n, n
  X i Yi  nXY  1 ( X i  nX )
ˆ 2 2

i 1 i 1
 n n,
 ˆ1 ( X  nX )   XY  nXY1
i
2 2

i 1 i 1

1 n,

n i 1
X i Yi  X * Y Cov( X ; Y )
ˆ
 1  =
1 n 2 Var ( X )
 i
n i 1
X  X 2


Autres écritures de 1
n

    n i i

1- ̂1  i 1
n

 i  n
 2

i 1
 2-
    i   
n

    i   
n, i n
1

n i 1
X i Yi  X * Y i 1

n
i
 ̂1    i 1

       
n n n
1
 
2 2 2 2
X i X i i
n i 1 1 1

n
égerDésormais, note  i    par xi et i    par y i
ononnote
les expressions,

x i yi
D’où ̂ 1  n

x
2
i
1
La droite des moindres carrés s’écrit : Yˆi  ˆ 0  ˆ1 X i
Avec ̂ 0 et ˆ1 sont des estimateurs respectifs de  0 et 1
Interprétation économique des coefficients du modèle
On a
i   0  1 X i  ui
di
 1  di  1d i
d i
Lorsque X varie d’une unité , Y varie en moyenne de
1 unités : il s’agit bien de la sensibilité de Y à la
variation de X
 Propriétés de la droite de régression

P1 ̂ 0 et ˆ1 sont fonction des observations seulement

P2 ; la droite de régression Yˆi  ˆ 0  ˆ1 X i passe par le point moyen  et 


droite des moindres carrés s’écrit : Yˆi  ˆ 0  ˆ1 X i


P3 : ̂   la moyenne de la variable Y observée au niveau

de la population est égale la moyenne estimée ̂

n
n
 ˆ
u
 uˆ i 0
i
P4 : la valeur moyenne des résidus ûi est nulle :
ˆi 1 
u i 1

n
D’ après la contrainte imposée par la première
équation normale [Eq 2] Vue ci-dessus
  n

 ˆ
 0
 0   2  (Yi  ˆ  ˆ X )  0
 0 1 i [Eq 2]

 
n i 1
  ˆ 0
 0  2 (Yi i  0  ˆ1 X 
     [Eq
n
 ˆ
i )X i  0
0 3]
 ˆ1 i 1i 1 2
  uˆi  0  uˆ  0
 P5 : Les résidus sont non corrélés avec les Xi c-
à-d leurs covariance est nulle.
Démonstration

D’après la deuxième équation normale :

n
Cov (ûi , X i )   (ûi  û )( X i  X )
i 1
n n n
  ûi ( X i  X )   ûX i  X  ûi
i 1 i 1 i 1
n
  ûX i  0
i 1
Car
 : n

La deuxième
 ˆ0
0   2  (
équation
i 1
Y i  ˆ  ˆ
1 X i )  0 aboutit
0 normale [Eqà:2]
  n n


  2  0(
 ˆ1 i 1 i
Y 
 
2ˆ 0
i 1

(Y 
i
ˆ X
1 i
ˆ
 0 )X ˆ

i 1X 0
i ) X i  0 [Eq 3]
n
  (Yi  ˆ0  ˆ1 X i ) X i  0
i 1

 
n

 
i 1
 ˆ
 i i
0
n
  uˆi  i  0
i 1
 III- Hypothèses classiques du modèle de régression linéaire
simple
Hypothèse 1 : Le modèle est linéaire dans les paramètres (voir ci-dessus)
Hypothèse 2 : Les valeurs de X sont fixées dans un échantillon répété. Les valeurs de X
sont fixes dans l’échantillon c’est-à-dire elles sont non stochastiques (voir l’exemple
hypothétique).

200 Figure 7

150

+ui E (Y / X i )   0   1 X i
100

-ui

50
80 100 120 140 160 180 200 220 240 260
 Hypothèse 3 : La moyenne du terme aléatoire est nulle. La valeur de X étant fixe, la
moyenne conditionnelle E(ui/Xi)=0. Cette hypothèse signifie que les facteurs non pris en
compte par le modèle et donc incorporés à ui, n’affectent pas systématiquement les valeurs
moyennes de 200
Y. Figure 7

150

+ui E (Y / X i )   0   1 X i
100

-ui

50
80 100 120 140 160 180 200 220 240 260

L’hypothèse E(ui/Xi)=0 implique que E (Yi / X i )  ˆ0  ˆ1 X i c'est-à-dire les valeurs
moyennes conditionnelles de la population sont estimées par la droite de régression de
l’échantillon.
 Hypothèse 4 : La constance de la variance du terme aléatoire ui ou l’homoscédasticité.
La variance du terme aléatoire reste constante pour chaque niveau de X= Xi

 i E(u i / X i )  E[u i  E (u i / X i )] 2
 E(u i ) 2
  u2
200 Figure 7

150

+ui E (Y / X i )   0   1 X i
100

-ui

50
80 100 120 140 160 180 200 220 240 260
Hypothèse 5 : Le terme aléatoire est distribué
suivant la loi normale de moyenne zéro et de
variance  u2 constante :

ui  N (0; ) 2
u
Hypothèse 6 : Absence d’autocorrélation des
termes aléatoires : Étant donné deux valeurs
Xi et Xj (i j) la corrélation entre ui et uj est
nulle, soit :
Cov(ui ; u j )  E ([ui  E (ui ) / X i ])([u j  E (u j ) / X j ])
 E (ui / X i )(u j / X j )
0
 +uj +uj +uj

+ui -u +u
-ui i +ui
-ui i

-uj -uj -uj

• Hypothèse 7 : Covariance nulle entre les ui et les Xi c'est-à-
dire E(ui ; Xi)=0

Cov(u i ; X i )  E[(u i  E (u i )( X i  E ( X i )]
 E[u i ( X i  E ( X i )
 E (u i X i )  E ( X i ) E (u i )
 E (u i X i )  0
V- Propriétés statistiques des estimateurs des
moindres carrés ordinaires
• A- Théorème de Gauss-Markov
Les estimateurs des moindres carrés ordinaires ˆ0 et ˆ1

sont B.L.U.E c'est-à-dire les meilleurs estimateurs linéaires et

sans biais.

Démonstration
 ˆ1 BLUE de
Linéarité

Soit le modèle au niveau de la population : i   0  1  i  u i

n
 xi y i
L’expression de ˆ1 est telle que ̂1  i 1
n
 i
x 2

1
On remplace yi par son expression ; ˆ1 devient :

 x     x   xi  
n n

i i i i
̂1  i 1
n
 i 1
n

 xi
1
2
 i
x 2

i 1
 n n

 x      xi i i x  i i

car  x i   i     0
n n
 i 1
n
i &
 n

 i
x 2

i 1
 i
x 2

i 1
i 1 i 1

x  i i n
xi
D’où ˆ1  i 1
n
  k i i en posant k i  n
qui exprime le poids d' OLS
x i 1
2
i
i 1
x
i 1
2
i

n
Finalement ̂ 1   k i i est linéaire en Y
i 1
Unbiaisure de ˆ 1

ˆ1 Est sans biais si E ˆ1   1

n
On a ̂1   k i i on remplace Yi par son expression on obtient :
i 1
n
ˆ1   k i  0  1 1  ui 
i 1
0
n n
1 n
 ˆ1   0  k i  1  k i  i   k i ui
i 1 i 1 i 1

n
d' où ˆ1  1   k i u i Eq4
i 1
Par introducti on de l' espérance mathématiq ue, on obtient :

   
n
E 1  E  1   k i u i 
ˆ
 i 1 
 n 
 E 1   E   k i u i 
 i 1 
 n 
 E 1     k i E u i  OR E(ui)=0
 i 1 

 
d' où E ˆ1  1 puisque 1 est une constante

ˆ1 est sans biais

 Déduction :
Puisque l’estimateur  ˆ de  est linéaire et
1
sans biais alors, il est efficient
 ˆ
La variance minimale de
1
Démonstration :
Avant de démontrer que cette variance est minimale, il
faut d’abord calculer cette variance.

  
Var ˆ1  E ˆ1  E (ˆ1  2

  
 Var ˆ1  E ˆ1  1 2
 n
D’après l’équation Eq4 ci-dessus, ˆ1  1   k i u i ,
i 1

 
2
 n 
Var ˆ1  E   k i u i 
 i 1 
ˆ  
 Var 1  E k1u1  k2u2  .............  knun 2

  
 Var ˆ1  E k12 u12  k 22 u 22  .....  k n2 u n2  2k1u1  2k 2 u 2  .........  2k n1u n 
     
 Var ˆ1  E k12u12  E k22u22  ................E kn2un2  0  
 Var ˆ   k E u   k E u   ................  k E u 
1
2
1
2
1
2
2
2
2
2
n
2
n
  
 Var ˆ1  k12 u2  k 22 u2  ..........................  k n2 u2

 
n
 Var ˆ1   u2  ki2
i 1
2
On remplace k i par son expression, on obtient :

 
Var ˆ1  n
 u2
2

ˆ

 Var ( ˆ )
1
 xi 1
i 1
A Apprendre par cœur
 Démonstration du minimum de variance
~
Soit  un estimateur linaire et sans biais dont l’expression est
n
~
   wi i
i 1
 
2
~  n
  n
 n
Var   Var   wi i   E  wi i  E ( wi Yi 
 i 1   i 1 i 1 
Après développement et simplification du calcul, on trouve
2
 
~  
 
nxi
Var (  )   u   wi  n 2   Var ˆ1
2

i 1   xi 
 
i 1
 

0
 ~ n xi 2
Par comparaison la Var ( ˆ1 )  Var (  ) puisque   u  ( wi  n
2 ) 0
i 1 x
2
i 1 i

Conclusion :

ˆ1 Est un estimateur BLUE de 1

 ˆ0 BLUE de
De la même manière on démontre que ̂ 0 Est un

estimateur BLUE

Voici les résultats

Absence de Biais : E ( ˆ0 )   0

n
Linéarité: ̂   Wi i
0 i 1
 
n 1 xi  
Avec wi     n 
i 1  n  xi 
2

 i 1
 
Wi
• La variance de ̂ 0
  n

2 1 X 2  
   2 i 1
Xi2

ˆ
Var (  0 )   u  n
n  u n



i 1
x 2
i 

n i 1
x 2
i

  ˆ  Var ( ˆ0 )
0
Cette variance est minimale en comparaison avec la
variance d’un autre estimateur alternatif, linéaire et
sans biais.
 B- Estimation de la variance du terme aléatoire
On remarque que ces deux variances dépendent de la
variance du terme aléatoire qui est inconnue
  n
   Xi2

  u 2 2
ˆ ˆ )Var 2ˆ 1 X    2 i 1
Var 1  n  Var ( 
  ( 
u 1  n
)
2 ˆ
 0
n  u n

 
2

 i x
u

 
1 2 2
x n x
i 1  i 1
i
 i 1
i

Pour qu’on puisse calculer ces variances on

devrait estimer la variance du terme aléatoire  u2
 B- Estimation de la variance du terme aléatoire
Soit Soit
Soit
Soitle lelemodèle
le modèle
modèlemodèle i101XXi i0u1Xui i
ii  0i0 
1X  u i (population)
u ii (population)
(population)
i (population)
Soit le modèle i   0  1 X i  u i (population)

ainsi
ainsiainsi
ainsi 101XX
  00   uX 1 uX  u
0u1
ainsi    0  1 X  u
  
  
 
   
i   1( Xi  X( )X ui X
i i i 1 ( X i 1
( XX i )
1


( X
Xu i
)
i 
 u
uX
 u) i u  u
ii ) 
u i ui  ui

 yi    i

y 
i1 x iy
i 1
x 1
 u i

u ii 1uxii  u i  u
u i i
 yi 1yxii ˆui1 xiu u i  u ˆ
Dans
DansDans l’échantillon
l’échantillon ˆ  
yi  ˆ1i xi yi 1uˆ
l’échantillon y x 
ˆ ˆ  ˆ
1 xuˆiii  uyˆii 
ˆi i  u u  ˆ
y uiˆ
x  
 xyi  ˆ x
DansDans
l’échantillon yi  1yxi  ui 1
l’échantillon ˆ xi  ui uˆi 
ˆ ˆ
yi uˆi 1xi yi  1 xi
1 i
1
ˆ i 1 i

Calcul de û et de sa variance

 uˆ i  1 xi  u i  u  ˆ1 xi
ˆ
  uˆ i  1 xi  u i  u  ˆ1 xi
ˆi uˆ
u ˆ   ˆ
 (  1  ) x 1u x
1  ui 1

i

i
 ui  u
 i
2 2 ˆ
ˆ
uˆ û ( 11) x x
1 1 i i
2 2
(u i  u )22
 2(
2
ˆ   ) x (u  u )
 1 1 i i
0
   1) ix 
 ui ) u  
n n
 
n 2 n n n

i i 1  1 1 i 1 i i i
 ˆ  2 ˆ
   ˆ
        1 2( ˆ11 
2 ˆ
i (u i  u
2 2 2 2 2
u û ( x ) x u (uu u 2
)
i 1 i 1 i 1 i 1 i 1 i 1

Introduisons l’espérance mathématique pour calculer la variance

des résidus
 2  2
 E  uˆi    xi E 1  1  E  ui  u    
n n n
2 ˆ 2

 i 1  i 1  i 1 
  u2 2 
 E   ui  u  
n n
  x * n 2

 i 1 
i
i 1
 ix 2

i 1
  2   1 2 
E   ui  u    E   ui  ( ui ) 
n
2

 i 1   n 
 2  1
 E   ui   E ui  u2  ....un 
2

  n
D’où :
 n u2   u2
 2
E   uˆi    u  n u   u  n  2 u
n
2 2 2 2

 i 1 
Qui est un estimateur biaisé,
Soit,  u l’estimateur de la variance des résidus telle
ˆ 2

que:
 n

 uˆ 2
i A retenir par cœur

ˆ 
2 i 1

n2
u

Qui est un estimateur sans biais de  u2

 Finalement les variances s’écrivent :
n n
 2
u X i
2
u  Xi
ˆ 2 2

Var ( ˆ0 )  i 1
n
 i 1
n
n xi2 n xi2
i 1 i 1

 
Var ˆ  n
1 2
 n
 u2 ˆ u2
 xi
2
 xi
i 1 i1
n
Avec :  ui
ˆ 2

ˆ u2  i 1
et xi   i  
n2
 Exercice:
• On envisage d’étudier l’effet des dépenses
publicitaires sur le chiffre d’affaires. A cet effet, on
prélève un échantillon aléatoire de 4 entreprises à
partir d’une population (d’entreprises) de taille
inconnue.
• On suppose que la relation est linéaire entre ces
deux variables.
• L’observation du chiffre d’affaires et des dépenses
publicitaires en milliers de dirhams est la suivante
Échantillon Chiffre d’affaires (X) Dépenses pub. (Y)
Entreprise 1 2 5
Entreprise 2 4 6
Entreprise 3 6 9
Entreprise 4 8 5

1)Écrire le modèle de spécification de cette

situation
2)Estimer les paramètre du modèle par la
méthode OLS
3)Écrire le modèle estimé et tracer la droite de
régression de l’échantillon
4)Calculer les résidus et vérifier si leur
moyenne est nulle
5) Donner l’estimation sans biais de la variance du
terme aléatoire
6) Calculer la variance et l’écart type des estimateurs
d’OLS, conclure

Solution :
1)Question 1 : d’après l’énoncé, on suppose que le
modèle est linaire, d’où :

i   0  1 X i  u i
• avec i=1,2,3,4
ˆ•0   ˆapplication
2)YPar 1X
de la méthode OLS :
 1 n
  ( X i  X )(Yi  Y )  X i Yi  X * Y
 ˆ Cov( X ; Y ) n i 1
 1  Var ( X )  n

1 n

 
2
 (Xi  X ) 2
Xi  X
2

 i 1 n i 1
Échantillon X Y Xi *Yi X²i ̂i ûi ûi²
̂i
Entrep .1 2 5 10 4 5,8 -0,8 0,64
Entrep .2 4 6 24 16 6,1 -0,1 0,01
Entrep .3 6 9 48 36 6,4 2,6 6,76
Entrep .4 8 5 40 64 6,7 -1,7 2,89
Total 20 25 128 120 ---- 0 10,3
-
Moyennes 5 6,25 --- ---
 ˆ 0,75
1   0,15
5
ˆ    ˆ   5,5
0 1

Question 3 ; Le modèle estimé :

ˆ  5,5  0,15 X
i i

Droite de régression voir page suivante

5) Estimation de la variance du terme aléatoire

 ui
ˆ 2

ˆ u2  i 1 =10,3/2= 5,15
n2
 6- variances des estimateurs
Var(ˆ0) =
Var(ˆ1)=