Académique Documents
Professionnel Documents
Culture Documents
ECONOMETRIE I
4.1 Introduction
Jusqu´ici nous avons étudié le modèle de régression linéaire simple. Simple
veut dire qu¨une seule variable X est reliée à la variable endogène Y.
Cependant la plupart des modèles économiques postulent plus d´une seule
variable exogène dans l´explication de la variable endogène.
est trop simple car il néglige le fait que le revenu est associé à l’Age de la
personne. En effet, les personnes ont des revenus plus élevés au fur et à
mesure de leur âge. Ceci veut donc dire que surestime l’impact marginal
de l’éducation. Une meilleure spécification serait donc de prendre en
compte l’effet-âge comme dans le modèle
Re v Edu Age u (4.2)
Cependant cette spécification n’est pas encore tout à fait adéquate. Il est en
effet souvent observé que le revenu augmente moins rapidement dans les
2
dernières années de carrière que dans les premières années. Pour prendre en
compte ceci, nous spécifions le modèle comme
Re v Edu Age Age 2 u (4.3)
avec
0
0
0
Mais notez que les modèles (4.2) et (4.3) sont des modèles multiples.
3
1X1t 2X 2t 0
constante
constante
E (Yt / X2, X 3 )
12.3 / X 3 Cons tan te
X 2
E (Yt / X2, X 3 )
13.2 / X2 Cons tan te
X 3
4
4.3 OLS Estimation
uˆ 2
i
Min S (Yi ˆ1 ˆ2X 2t ˆ3X 3t )2 (4.4)
S
2 (Yi ˆ1 ˆ2X 2t ˆ3X 3t ) 0
ˆ1
S
2 (Yi ˆ1 ˆ2X 2t ˆ3X 3t )X 2t 0
ˆ2
S
2 (Yi ˆ1 ˆ2X 2t ˆ3X 3t )X 3t 0
ˆ3
ˆ2
y x x y x x
i 2i
2
3i i 3i 2i
x 3i
(4.9)
x x ( x x )
2
2i
2
3i 2i 3i
2
ˆ3
y x x y x x
i 3i
2
2i i 2i 2i
x 3i
(4.10)
x x ( x x )
2
2i
2
3i 2i 3i
2
5
On peut aussi démontrer les résultats suivants
2 x 32i
Var (ˆ2 ) (4.11)
x x x 2i x 3i
2 2 2
2i 3i
2 x 22i
Var (ˆ3 ) (4.12)
x x x 2i x 3i
2 2 2
2i 3i
ˆ2
uˆ 2
t
(4.13)
T 3
E (Yt / X 2 , X 3 )
12.3 / X 3 Cons tan te (4.14)
X 2
et
t Yt Yˆt (4.17)
t X 2t Xˆ2t (4.18)
6
t représente la valeur de X 2 après avoir soustrait l'influence de X 3 . Donc
l'effet de X 3 .
â1 devrait nous donner l´effet net de X 2 sur Yt sans l´effet de X 3 . En d´autres
termes
Yi
aˆ1 ˆ12.3 / X 3 cons tan te
X 2
aˆ1
( )( )
t t t t
( ) t
2 2
t
aˆ1
(Y t ˆ0 ˆ13X 3t )(X 2t ˆ1 ˆ23X 3t )
(X ˆ ˆ X )2 2t 1 23 3t
aˆ1
(y ˆ13x 3t )(x 2t ˆ23x 3t )
t
(x ˆ x )2 2t 23 3t
aˆ1
(y ˆ13x 3t )(x 2t ˆ23x 3t )
t
(x ˆ x )2 2t 23 3t
aˆ1
y x t 2t ˆ13 x 2t x 3t ˆ23 yt x 3t ˆ13 ˆ23 x 32t
x 2 ˆ2 x 2 2ˆ x x
2t 23 3t 23 2t 3t
Mais ˆ13 y x i 3i
et ˆ23 x x 2i 3i
donc
x 2
3i x 2
3i
7
ou encore
Num(aˆ1 ) yi x 2i
y x x x y x x x
xi 3i
x 3i y x 2i 3i
x i 3i 2i 3i 2
x x x x
2 2i 2 i 3i 2 2 3i
3i 3i 3i 3i
soit
Num(aˆ1 ) yi x 2i
y x x i 3i 2i x 3i
x 2
3i
soit
( x 2i x 3i )2
Denom(aˆ1 ) x 22i
x 2
3i
soit
y x x x 3t
y x
t 3t 2t
aˆ1
t 2t
x 2
3t
y x x y x x
t 2t
2
3t t 3t 2t x 3t
( x x ) 2
x x ( x x ) 2 2 2
x 2 2t 3t 2t 3t 2t 3t
x
2t 2
3t
aˆ1
y x x y x x
t 2t
2
3t t 3t 2t x 3t
ˆ12.3 ˆ2
x x ( x x )
2
2t
2
3t 2t 3t
2
8
4.4 R2 Dans le Modèle à Deux Régresseurs et Concept
de R2 Ajuste : Le R 2
Dans le modèle
Yt ˆ ˆXt uˆt
R 2 ˆ2
x 2
t
1
uˆ t
2
y 2
t y 2
t
uˆ 2
t
t (yt ˆ2x 2t ˆ3x 3t ) uˆt yt
y (y ˆ x ˆ x )
t t 2 2t 3 3t
ce qui implique
uˆ 2
t
yt2 ˆ2 yt x 2t ˆ3 yt x 3t )
or
yt yˆt uˆt
donc
y 2
t
yˆt2 uˆt2
y 2
t yˆt2 yt2 ˆ2 yt x 2t ˆ3 yt x 3t )
9
yˆ 2
t ˆ2 yt x 2t ˆ3 yt x 3t ESS
soit finalement
ESS ˆ2 yt x 2t ˆ3 yt x 3t
2
R (4.20)
TSS yt2
En effet
R 2
1
uˆ
t
2
y 2
t
la quantité y 2
i (Yi Y )2 est indépendante du nombre de régresseurs.
Mais 2
i dépend du nombre de régresseurs. Donc
K uˆi2 R 2
10
Il semble donc que l’on devrait corriger le R 2 afin de prendre en compte
uˆt2
(T K )
R2 1
yt2 (4.21)
(T 1)
uˆi2 T 1 uˆi2
1
2 (T K )
R 1 2
yi2
(T 1)
T K yi
donc
T 1
R 2 1 1 R2
K
T
11R2 0
1
donc
K 1 (R 2 R 2 )
Si R 2 0.01, T 21, K 2 R 2 0
Soit le modèle
11
Yt = 1.23 + 12.3 X2t + 13.2 X 3t + u t
ˆ1.23 1.23(H
t1 0)
Se(ˆ1.23 )
ˆ12.3 12.3(H
t2 0)
Se(ˆ12.3 )
ˆ13.2 13.2(H
t3 0)
Se(ˆ13.2 )
H : 13.2 0
0 12.3
H : Au moins un parametre est different de zero
A
soient
12
y ˆ y x ˆ y x uˆ
2
t 12.3
t 2t 13.2 t 3t
2
t
TSS ESS RSS
TOTAL y 2
t T-1
ESS
2
F
RSS
T 3
Exemple
Y Foodcons
X 2 Dispinc
X 3 Pr retail
T 20
R 2 0.867379
RSS 20.122547341
F(2,17) 55.5923
13
soit l’hypothèse à tester
H0:: = = 0
ANOVA:
Source de SS DF MSS
Variation
Due to ˆ12.3 yt x 2t ˆ13.2 yt x 3t =131.606902 2 ESS/2 =
Regression 65.803451
ESS
(ESS)
Due to uˆ 2
t
=20.122547 T - 3 RSS/(T-3) =
Residuals 1.183679
(RSS)
TOTAL y 2
t =151.729449304 T-1
ESS
2 65.803451
F 55.592310
RSS
T 3 1.183679
14
c c
F0.05 (2,17) 3.59 F F0.05
Y FOODCONS
X 2 DISPINC
Yˆt ˆ ˆX 2t
Yˆt 80.94 0.2030X 2t
t (27.79) (6.84)
R 2 0.7226
RSS 42.08
F (1,18) 46.9005
Source SS DF MSS
ESS due a X2 111.5189 1 ESS/1 = 111.5189
RSS 42.08 T-2 RSS/18 = 2.3377
TOTAL 153.5989 T-1
111.5189
F 47.70
2.3377
15
Maintenant ajoutons la variable PRRETAIL et voyons si cette dernière a un
effet sur FOODCONS en sachant que la variable DISPINC est déjà dans le
modèle. Afin de faire ce test on construit une nouvelle table ANOVA.
Source SS df
83.543823
F 70.5798
1.183678
L’avantage de ANOVA est que l’on peut faire un ensemble de tests sur
certaines variables en contrôlant pour d’autres.
ESS
1
F
RSS
(T 2)
16
dans le cas d’un seul régresseur et une constante
ESS
2
F
RSS
(T 3)
ESS q ESS T K R2 q R2 T K
F 2
RSS
(T K ) RSS q (1R )
(T K ) 1 R2 q
Q2
q Q2 T K (RSSR RSSNR )
q RSS R RSS NR T K
F Q4
RSSNR
T K Q4 q T K RSS NR q
ANOVA en termes de R2
H0: 1 = 2 = …=k = 0
17
H0 : R 2 = 0
Pour finir on peut voir le résultat suivant. Supposons les deux modèles
suivants
RSS R RSS NR T 3
F t 2ˆ
RSS NR 1
r12
y x t 2t
(4.22)
y x 2
t
2
2t
1. -1 < r < 1
18
Donc si on veut connaître le degré d’association entre x2 and y quand x3 est
présente on ne peut plus utiliser le coefficient simple de corrélation.
19
Une façon de calculer r12.3 serait de faire la chose suivante:
r12.3
(w w )(v v ) w v
t t t t
(w w ) (v v ) w v
t
2
t
2
t
2
t
En réalité, nous n'avons pas besoin de faire ces deux étapes, nous avons les
formules suivantes
20
r12.3 = Coefficients de corrélation de premier ordre
Interprétation
3. r12.3
2
peut être interprété comme la proportion de variance dans Y non
expliquée par X3.
21
(+)
X2 X3
(-)
1
Assez longue à démontrer.
22
r12 r13r23
r12.3 2
(1 R13) ) (1 R232 )
r12.3 r14.3r24.3
r12.34 2 2
(1 R14.3 ) (1 R24.3 )
r12.34 r15.34r25.34
r12.345 2 2
(1 R15.34 ) (1 R25.34 )
23