Vous êtes sur la page 1sur 6

C.

Économétrie
L’économétrie est une science sociale dans laquelle les outils de la théorie économique,

les mathématiques, et les déductions statistiques sont appliquées à l’analyse des phénomène

économique.

Dans ce résumé nous intéressons à présenter le modèle linéaire simple ; c'est-à-dire

un modèle qui permet de confirmer ou d’infirmer la dépendance linéaire entre une variable

endogène et une seule variable exogène.

1. Présentation du modèle de linéaire simple : MLS

Le modèle de régression linéaire simple s’écrit :

Yi= β0+ β1Xi+ui

Avec :
Yi : La variable endogène qu’on cherche à expliquée.
Xi : La seule variable exogène explicative (qui explique Yi).
ui : Le terme aléatoire1 qui regroupe les autres variables qui peuvent expliquées Yi Mais
qu’elles sont inconnues.
β0 et β1 sont les paramètres du modèle.
Hypothèses du modèle :
• H1 : le modèle est linéaire dans les paramètres.
• H2 : les valeurs Xi sont observées sans erreur (Xi non aléatoire).
• H3 : E(ui ) = 0, l’espérance mathématique du terme aléatoire est nulle.
• H4 : E(ui²) = σu², la variance du terme aléatoire est constante2.
• H5 : le terme aléatoire est distribué suivant une loi normale de moyenne zéro et de
variance σu² ( ui → N (0, σu²) )
• H6 : E(ui ,uj) = 0 si i≠j , les erreurs sont non corrélées (absences d’autocorrélation).
• H7 : Cov(Xi ,ui ) =0 , l’erreur est indépendante de la variable explicative.

1
Appelé aussi, erreur de spécification, résidus, Déviation, ou perturbation stochastique
2
Cette hypothèse s’appelle l’hypothèse d’homoscédasticité ; dans le cas où cette hypothèse n’est pas vérifiée, on parle
alors de modèle hétéroscédastique.
Fayssel Merraoui – FSJES Meknès ☺

Au niveau de la population, les paramètres a0, a1 et ui sont inconnus parce que la

taille de la population est infinie ou inconnue, alors qu’il faut faire une estimation sur un

échantillons de taille ‘n’. la structure de la fonction de régression de l’échantillon s’écrit :

̂ 0+𝜷
Yi = 𝜷 ̂ 1Xi+ûi

Avec : 𝒀 ̂ 0+𝜷
̂ i= 𝜷 ̂ 1Xi est l’estimateur de E(Y/Xi) qui désigne la moyenne conditionnelle

de Y pour chaque Xi et qui constitue la fonction de la droite d’ajustement de nuage de points


(xi ; yi).
2. Estimation des paramètres

L’estimateur des coefficients a0 et a1 est obtenu en minimisant la distance au carré


entre chaque observation et la droite, d’où le nom d’estimateur des moindres carrés
ordinaires (MCO). Min ∑𝒏𝒊=𝟏 𝒖𝒊².
Paramètres Interprétations Variances

∑𝒏𝒊=𝟏(𝑿𝒊 − 𝑿)(𝒀𝒊 − 𝒀) 𝝈𝟐𝒖


𝜷̂𝟏 = 𝝈𝟐𝜷̂𝟏 =
∑𝒏𝒊=𝟏(𝑿𝒊 − 𝑿)² Lorsque la variable Xi varie d’une ∑𝒏𝒊=𝟏(𝑿𝒊 − 𝑿)²
unité, la variable Yi varie de â1 unités.
∑𝒏𝒊=𝟏 𝑿𝒊 𝒀𝒊 − 𝒏𝑿𝒀 Il désigne aussi la pente de la droite. 𝝈𝟐𝒖
𝜷̂𝟏 = 𝝈𝟐𝜷̂𝟏 =
∑𝒏𝒊=𝟏 𝑿𝒊 ² − 𝒏𝑿² ∑ 𝒙𝟐𝒊

c’est la valeur de la variable Yi lorsque 𝝈𝟐𝒖 ∑𝒏𝒊=𝟏 𝑿𝟐𝒊


̂° = 𝒀 − 𝜷̂𝟏 𝑿
𝜷 𝝈𝟐𝜷̂𝟎 =
Xi est nulle. C’est la constante du
𝒏 ∑𝒏𝒊=𝟏(𝑿𝒊 − 𝑿)²
modèle
L’erreur qui désigne l’estimation des
̂𝒊
û𝒊 = 𝒀𝒊 − 𝒀 ∑𝒏𝒊=𝟏 𝒖𝟐𝒊
écarts de chaque valeur observée Yi et 𝝈𝟐𝒖 =
𝒏−𝟐
la moyenne conditionnelle estimée.

A noter que :

✓ ∑ 𝑥𝑖2 = ∑ (𝑥𝑖 − 𝑥̄ )² Et ∑ 𝑦𝑖2 = ∑ (𝑌𝑖 − 𝑌)²


✓ L’espérance de 𝐸(𝛽̂0)= β0 et 𝐸(𝛽̂1)= β1 . ce qui signifie que les deux estimateurs ne
sont pas biaisés.
Fayssel Merraoui – FSJES Meknès ☺

3. Tests d’hypothèses sur les coefficients du modèle â0 et â1

H0 : β = 0
Formulation du test : La régle de décision
H1 : β ≠ 0

On calcule le t-calculé noté tc par la


formule :
̂−𝜷
𝜷
𝒕𝒄 = ⁄
𝛼 2
𝝈𝜷̂ ❖ Si |𝑡 𝑐 | > 𝑡𝑛−2 :
Test statistique ( par la Sous l’hypothèse H0 β=0 on rejette l’hypothèse H0.
̂
𝜷
statistique t-student) 𝒕𝒄 = ⁄
𝛼 2
❖ Si |𝑡 𝑐 | ≤ 𝑡𝑛−2 :
𝝈𝜷̂
Et on compare sa valeur avec le t-tabulé on accepte l’hypothèse H0.

𝛼 2
noté 𝑡𝑛−2 ou tt donné par la table de la loi
de student à n-2 DDL et à un seuil de
signification α
❖ Si 0 n’appartient
pas à IC1-𝛂 : on
Test par intervalle de
̂ − 𝒕𝜶⁄𝟐 × 𝝈𝜷̂ ; 𝜷
IC1-𝛂=[𝜷 ̂ + 𝒕𝜶⁄𝟐 × 𝝈𝜷̂ ] rejette l’hypothèse
𝒏−𝟐 𝒏−𝟐
H 0.
confiance
❖ Si 0 appartient à
IC1-𝛂 : on accepte
l’hypothèse H0.
La probabilité critique notée α* est la
probabilité de rejeter l’hypothèse H°
sachant qu’elle est vraie ; P(RH0/V) ❖ Si 𝛼 ∗ < 𝛼
Test par la probabilité
𝑃(|𝑡 𝑐 | ≥ 𝑡 𝑡 ) = 2𝑃(𝑡 𝑐 > 𝑡 𝑡 ) on rejette l’hypothèse H0.
❖ Si 𝛼 ∗ ≥ 𝛼
critique 𝛼 ∗ = 2𝑃(𝑡 𝑡 < 𝑡 𝑐 )
on accepte l’hypothèse
Cette probabilité est à comparer avec le H 0.
seuil de signification théorique α

N.B :

➢ La normalité du terme aléatoire est nécessaire pour effectuer les tests sur les
paramètres β0 et β1 ;
➢ Si pour le test sur le coefficient β1 on a accepté l’hypothèse nulle H0 alors que la
relation entre la variable endogène Yi et la variable exogène Xi n’est plus
significative.
Fayssel Merraoui – FSJES Meknès ☺
Fayssel Merraoui – FSJES Meknès ☺

4. Analyse de la variance et le test sur R²

L’équation d’analyse de la variance s’écris :

𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹


𝒏 𝒏 𝒏 𝒏 𝒏 𝒏
̂𝟏 ² ∑(𝑿𝒊 − 𝑿)² + ∑ 𝒖𝟐𝒊 ≡ ∑ 𝒚𝒊 ² = 𝜷
∑(𝒀𝒊 − 𝒀)² = 𝜷 ̂𝟏 ² ∑ 𝒙𝒊 ² + ∑ 𝒖𝟐𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

Tableau d’analyse de la variance (ANOVA)

Somme des
Source de variabilité Degrés de libertés Carrés moyens
carrés
𝒏 𝑛
Due à la régression :
̂𝟏 ² ∑ 𝒙𝒊 ²
𝜷 1 ̂1 ² ∑ 𝑥𝑖 ²⁄1
𝛽
SCE 𝒊=𝟏 𝑖=1

𝒏 𝑛
Due aux résidus :
∑ 𝒖𝟐𝒊 n-2 ∑ 𝑢𝑖2 ⁄𝑛 − 2
SCR 𝒊=𝟏 𝑖=1

𝒏 𝑛
Totale :
∑ 𝒚𝒊 ² n-1 ∑ 𝑦𝑖 ²⁄𝑛 − 1
SCT 𝒊=𝟏 𝑖=1

Le coefficient de détermination R² :

ce coefficient permet de juger la qualité d’ajustement du modèle, sa valeur est comprise


entre 0 et 1. Lorsque R² tend vers à 0 la régression n’explique pas bien la variation de la
variable endogène Y (le pouvoir explicatif du modèle est faible). Au contraire lorsqu’il
s’approche de 1, l’ajustement est de bonne qualité, alors que le pouvoir explicatif du modèle
est fort.
le coefficient de détermination fait l’objet d’un test appelé test de significativité globale
qui permet de bien juger le pouvoir explicatif du modèle.
𝐻 : 𝑅² = 0
Formulation du test : { 0
𝐻1 : 𝑅² ≠ 0
La décision3 est prise en comparant la statistique F-calculé noté Fc avec celle lue sur la
table de Fisher à (1;n-2) degrés de libertés et à un seuil de signification α (𝐹(1;𝑛−2)
𝛼
).

3
La décision peut être prise aussi sur la base de la comparaison de la probabilité critique avec le seuil de signification α.
Fayssel Merraoui – FSJES Meknès ☺

La statistique Fc est calculé par la formule suivante ;

𝑆𝐶𝐸⁄ ̂1 ² ∑𝑛𝑖=1 𝑥𝑖 ²
𝛽 ⁄
𝐹𝑐 = 𝐷𝐷𝐿 = 1
𝑆𝐶𝑅⁄ 𝑛
∑𝑖=1 𝑢𝑖 2
𝐷𝐷𝐿 ⁄
𝑛−2
𝛼
➢ Si 𝐹 𝑐 > 𝐹(1;𝑛−2) : on rejette l’hypothèse H0 et par conséquent le coefficient R²
est statistiquement significatif et le pouvoir explicatif du modèle est important.
𝛼
➢ Si 𝐹 𝑐 ≤ 𝐹(1;𝑛−2) : on accepte l’hypothèse H0 et par conséquent le coefficient R²
n’est pas significatif.

Vous aimerez peut-être aussi