Vous êtes sur la page 1sur 12

Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020

Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

Méthodes économétriques / TD N°3 -- Sections : 1 et 2


Equipe pédagogique : M. ELHASSANI Hafid , M. EL-MAHI Taoufik

Exercice 1 :

Soit le modèle Yt = β0 + β1X1+β2X2 + εₜ


La forme matricielle : Y = X . β + εₜ
(5,1) (5,3) (3,1) (5,1)

1- Calcul du β̂ :

7 1 1 2 𝜀1
8 1 2 1 𝛽0 𝜀2
Y= 5 ; X= 1 1 3 ; β = (𝛽1 ) ; εₜ = 𝜀3
6 1 3 1 𝛽2 𝜀4
(4) (1 1 2) ( 𝜀5 )

On a : β̂ = (X’X)-1 X’Y (X’X) ̂β = X’Y

1 1 1 1 1
X’= (1 2 1 3 1)
2 1 3 1 2
1 1 2
1 1 1 1 1 1 2 1 5 8 9
X’X = (1 2 1 3 1) 1 1 3 = ( 8 16 12)
2 1 3 1 2 1 3 1 9 12 19
(1 1 2)
7
1 1 1 1 1 8 30
X’Y = (1 2 1 3 1) 5 = (50)
2 1 3 1 2 6 51
4
( )

1
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

5 8 9 β̂0 30 5 β̂0 + 8β̂1 + 9β̂2 = 30


(8 16 ̂
12) (β1 ) = (50) {8β̂0 + 16β̂1 + 12β̂2 = 50
9 12 19 β̂2 51 9β̂0 + 12β̂1 + 19β̂2 = 51

2L1 – L2
L3 – 1,5 L1

2β̂0 + 6β̂2 = 10 3β̂0 + 9β̂2 = 15


{ { 2β̂0 = −3
1,5β̂0 + 5,5β̂2 = 6 3β̂0 + 11β̂2 = 12
D’où

12−11β2 ̂ 12+16,5
̂ 𝟐 = − 𝟏, 𝟓
𝛃 Ainsi : β̂0 = = ̂ 𝟎 =9,5
𝛃
3 3

̂ ̂
30−5β0 −9β2 30−47,5+13,5
On a aussi β̂1= = ̂ 𝟏 = −𝟎, 𝟓
𝛃
8 8

D’où le vecteur
9,5
̂β = (−0,5) Yt = 9,5 – 0,5 X1t – 1,5 X2t + et
−1.5
̂t = 9,5 – 0,5 X1t – 1,5 X2t
Y

2- Calcul du coefficient de détermination R2 :


𝑆𝐶𝐸
R2 = 𝑆𝐶𝑇 ; SCT= ∑5𝑡=1 (Yt − ̅
Y) 2

SCT = (7-6)2 + (8-6)2 + (5-6)2 + (6-6)2 + (4-6)2 SCT = 10


1 1 2 6
1 2 1 9,5 7
Y = X β̂
̂ 1 1 3 (−0,5) = 4,5 ;
1 3 1 −1.5 6,5
(1 1 2) (6)

SCE = ∑51 ( 𝑌̂ − Y
̅) 2
SCE = (6-6)2 + (7-6)2 + (4,5-6)2 + (6,5-6)2 + (6-6)2 SCE = 3,5
3,5
Donc R2 = R2 = 0,35 = 35%
10

2
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

Interprétation du R2 :
Le modèle de régression explique seulement 35% l’adéquation entre le modèle issu de la
régression linéaire multiple et les données observées qui ont permis de l’établir. La qualité
d’ajustement du modèle ou de prédiction d’une régression linéaire est faible.
𝑆𝐶𝑅⁄ 𝑛−1
𝑅̅ 2 = 1 − 𝑛−𝑘−1
𝑆𝐶𝑇⁄ =1− (1 − 𝑅 2 )
𝑛−1 𝑛−𝑘−1

Remarque :

• On peut calculer R2 par la méthode suivante :

Σe2 t Σ(yₜ − ŷₜ)2 𝑌̂ ′ 𝑌̂ 𝑒 ′𝑒


R2 = 1 – ̅ )2
= 1 – Σ(yₜ − y̅)2 = = 1 – 𝑦′𝑦
Σ(yₜ − y 𝑌′𝑌

𝑆𝐶𝑅⁄ 𝑛−1 𝑆𝐶𝑅


• 𝑅̅ 2 = 1 − 𝑛−𝑘−1
𝑆𝐶𝑇⁄ =1– ∙ 𝑆𝐶𝑇 avec (𝑛 − 𝑘 − 1 = 𝑛 − 𝑝)
𝑛−1 𝑛−𝑘−1

𝑛−1 𝒏−𝟏
𝑅̅ 2 = 1 – (1 – R2) ̅𝟐 = 1 –
𝑹 (1 – R2) < R2
𝑛−𝑘−1 𝒏−𝒑

3- Tests de signification individuelle de chaque paramètre :

𝛺̂𝛽̂ = 𝜎̂𝜀2 (X’X)-1 (ou bien X’X. 𝛺̂𝛽̂ = 𝜎̂𝜀2 )


La matrice des variances et covariances estimées des coefficients

• Calcul de 𝜎̂𝜀2 :

𝑒 ′𝑒 Σe2 t 6,5 6,5 6,5


𝜎̂𝜀2 = 𝑛−𝑘−1 = 𝑛−𝑘−1 = 5−2−1 = 5−3 = ̂ 𝟐𝜺 = 3,25
𝝈
− ; ; 2
(𝑛−𝑝) (𝑛−𝑝) (5−3)

3
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

t yₜ ŷₜ eₜ= yₜ − ŷₜ e2 t = (yₜ − ŷₜ)2

1 7 6 1 1
2 8 7 1 1
3 5 4,5 0,5 0,25
4 6 6,5 -0,5 0,25
5 4 6 -2 4
Total 6,5

5 8 9 + − +
On a : X’X = (8 16 12) ; (− + −)
9 12 19 + − +

Det (X’X) = 5 (16x19 – 122) – 8 (8x19 – 12x9) + 9 (8x12 – 16x9) = 16

160 −44 −48 160 −44 −48


Com (X’X) = (−44 14 12 ) t
Com (X’X) = (−44 14 12 )
−48 12 16 −48 12 16

160 −44 −48


1 1
(X’X)-1 = Det (X’X) ∙ t Com (X’X) = 16 ∙ (−44 14 12 )
−48 12 16

10 −2,75 −3
(X’X) = (−2,75
-1
0,875 0,75)
−3 0,75 1

D’où

10 −2,75 −3
̂ 2
𝛺𝛽̂ = 𝜎̂𝜀 (X’X) = 3,25 x (−2,75 0,875 0,75)
-1

−3 0,75 1

32 −8,9375 −9,75
̂
𝛺𝛽̂ = (−8,9375 2,84375 2,4375)
−9,75 2,4375 3,25

4
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

Donc les variances des coefficients de régression sont lues sur la première diagonale, ainsi on
a:

𝜎̂𝛽̂20 = 32,5 𝜎̂𝛽̂0 = 5,70087


𝜎̂𝛽̂21 = 2,84375 { 𝜎̂𝛽̂1 = 1,68634
2 𝜎̂𝛽̂2 = 1,80277
{ 𝜎̂𝛽̂2 = 3,25

• On va calculer le ratio de Student relatif à chaque coefficient pour le comparer à la


valeur lue dans la table de Student au seuil de 5% :

̂
β 9,15
o |𝜎̂ 0 | = 5,70087 = 1,6641 avec t (1-α/2 ; n-k-1) = t (0,975 ; 2)
̂0
𝛽

= 4,303

̂
β
On a |𝜎̂ 0 |= 1,6641 < t (0,975 ; 2) = 4,303
̂0
𝛽

Donc on accepte H0 β0= 0 (β0 n’est pas significativement différent de 0)

̂
β 0,5
o |𝜎̂ 1 |= 1,68634 = 0,29650 < t (0,975 ; 2) = 4,303
̂1
𝛽

Donc on accepte H0 : β1 n’est pas significativement différent de 0 β1=0

̂
β 1,5
o |𝜎̂ 2 |= 1,80277 = 0,83205 < t (0,975 ; 2) = 4,303
̂2
𝛽

Donc on accepte H0 : β2 n’est pas significativement différent de 0 β2=0

5
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

Exercice 2 :

̂
Yt = 27,3 + 0,510 X1t – 0,350 X2t
0,0009 −0,0008 0,0007
R2 = 0,937 ; ∑13 ̅ 2
𝑡=1 (Yt − Y) = 317,46 et (X’X)-1 = (−0,0008 0,0025 0,005 )
0,0007 0,005 0,0016
SCE
R2 = SCE = R2 x SCT = 0,937 x 317,46
SCT

SCE = 297,46

SCR
1- R2 = 1 - SCR = (1- R2) SCT
SCT

SCR = (1 – (0,937)2) x 317,46 SCR = 20

• SCE = R2 x SCT = 0,937 x 317,46


SCE = 297,4600

𝑒 ′𝑒 Σe2 t 𝑆𝐶𝑅
2- 𝜎̂𝜀2 = 𝑛−𝑘−1 = 𝑛−𝑘−1 = 𝑛−𝑘−1
(𝑛−𝑝) (𝑛−𝑝) (𝑛−𝑝)

𝑒 ′𝑒 Σe2 Σ(ei −e̅)2 ̅)2


Σ(yi −y 𝑆𝐶𝑅
(Ou encore 𝜎̂𝜀2 = = i=
𝑛−𝑝 𝑛−𝑝 𝑛−𝑝
= 𝑛−𝑝
= 𝑛−𝑝 )

𝜎̂𝜀2 0 ⋯ 0 0
0 𝜎̂𝜀2 0 0 0
𝛺̂𝜀 = ⋮ ⋱ ⋮ ; (X’X) 𝛽̂ = (X’Y)
0 0 ⋯ 𝜎̂𝜀2 0
(0 0 … 𝜎̂𝜀2 )
38,7399
𝜎̂𝜀2 = 23−2−1 ̂ 𝟐𝜺 = 1,9369
𝝈
(23−3)

0,0009 −0,0008 0,0007


̂ 2
𝛺𝛽̂ = 𝜎̂𝜀 (X’X) = 1,9369 x (−0,0008
-1
0,0025 0,005 )
0,0007 0,005 0,0016
𝜎̂𝛽̂20 = 0,0017
0,0017
̂
𝛺𝛽̂ = ( 0,0048 ) 𝜎̂𝛽̂21 = 0,0048
0,0030 2
{𝜎̂𝛽̂2 = 0,0030

6
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

EXERCICE N° 3
25 0 0
̂
1. 𝑋 , 𝑋 = (𝛽0,2 9,3 5,4 ) , on a 𝑋 ′ 𝑋 est une matrice symétrique, donc : 𝛽̂ = 0 ;
02
𝛽̂̂ 0,3 𝛽̂1,3 12,7
𝛽̂0,3 = 0 et 𝛽̂1,3=5,4

25 0 0
,
D’où 𝑋 𝑋 = ( 0 9,3 5,4 )
0 5,4 12,7
𝛽̂ 0
𝑛 ∑ 𝑥1𝑡 ⋯ ∑ 𝑥𝑘𝑡 ̂1
𝛽
̂
⋮ ∑ 𝑥2𝑡 ⋱ ⋮ × 𝛽2
.
.
(∑ 𝑥𝑘𝑡 ⋯ ∑ 𝑥1𝑡 )
̂
(𝛽 𝑘)
𝑏. N = 25
𝟐. 𝑦𝑡 = -1,61+0,61𝑥1𝑡 + 0,46𝑥2𝑡 ; SCR = 0,3
𝑐𝑎𝑙𝑐𝑢𝑙 𝑑𝑒 𝑦̅ :
25 0 0 −1,61 −40,25
,̂ ′
𝑋 𝑋 .𝛽 = 𝑋 Y ↔ ( 0 9,3 5,4 ) ( 0,61 ) = ( 8,279 )
0 5,4 12,7 0,46 9,136
∑ 𝑌𝑡 −40,25
On a : ∑ 𝑌𝑡 = -40,25 ➔ 𝑦̅ = = = -1,61
𝑛 25

 𝑦̅ = -1,61

b. SCE= ?
SCE = ∑(𝑌̂ − 𝑌̅)2 ; 𝑌̂ = X. 𝛽̂
𝑌̂ ′ 𝑌̂ ̂ )′(X𝛽
𝑋𝛽 ̂)
On a R2 = = ̅
𝑌𝑌 ′ ∑(𝑌𝑡−𝑌)2
̂ ′ (𝑋 ′ X).((𝑋 ′ 𝑋)−1 .(X’Y)
𝛽
R2 = ∑(𝑌𝑡−𝑌̅)2
̂ ′ .(X’Y)
𝛽
 R2 = ̂ ′𝒀
( rappel SCT = Y’Y ; SCE =𝒀 ̂ et SCR = e’e)
𝑛𝜎2 𝑦

• On a SCE = 𝒀 ̂ = (X𝛽̂ )′ . (X𝛽̂ ) => SCE = 𝛽̂ ′𝑋′𝑋𝛽̂ avec 𝑋′𝑋𝛽̂= X’Y


̂ ′𝒀
 SCE = 𝛽̂ ′.(X’Y)
25 0 0 −1,61
 Donc SCE = (-1,61 0,61 0,46) ( 0 9,3 5,4) ( 0,61 )
0 5,4 0 0,46

7
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

−40,25
 SCE = ( -1,61 0,61 0,46). ( 8,157 ) = 71,29351
3,294
 SCE = 71,29351

• SCT = SCE+SCR = 71,29351+0,3 ➔ SCT= 71,59351


𝑆𝐶𝐸
• R2= 𝑆𝐶𝑇 ➔ R2 = 0,9958 = 99,58%
𝑒′𝑒 0,3
• R2 = 1- 𝑌′𝑌 = 1- 71,29 = => R2 = 99,58%
𝑛−1 𝑆𝐶𝑅/(𝑛−𝑘−1)
• R2 =1- (1-R2) = 1-
(𝑛−𝑘−1) 𝑆𝐶𝑇/(𝑛−1)

25−1
R2 = 1-25−2−1(1-0,9958) ; (on a : 𝑅̅ 2 <R2 et lim 𝑅̅ 2 < R2 )
𝑛→∞
̅2
 𝑅 = 0,9954 ≅ R 2

On sait que : 𝑆𝐶𝑇 = 𝑆𝐶𝐸 + 𝑆𝐶𝑅


∑(𝑌𝑡 − 𝑌̅)2 = ∑(𝑌̂𝑡 - 𝑌̅)2 + ∑(𝑌 − 𝑌̂𝑡 )2
̂ ′𝒀
=> Y’Y =𝒀 ̂ + e’e

C. la matrice COVA :
𝑒′𝑒 𝑡 ∑𝑒 2 𝑆𝐶𝑅 0,3 0,3
on a : 𝜎̂𝜀 2 = 𝑛−𝑘−1 = 𝑛−𝑘−1 = 𝑛−𝑘−1 = 25−2−1 => 𝜎̂𝜀 2 = 𝜎𝜀 2 = 0,0136
=> ̂
22

la matrice variance-covariance (les variances de 𝛽̂ ) est :


0,04 0 0
̂𝛽̂ = 𝜎̂𝜀 2(𝑋 ′ 𝑋)−1= 0,136 ( 0
Ω 0,1428 −0,0607)
0 −0,0607 0,1046

0,000544 0 0
̂𝛽̂ = (
Ω 0 0,001942 −0,000825)
0 −0,000825 0,001422
D’où les variances des coefficients sont :
𝜎̂𝛽0
̂ = 0,000544 𝜎̂𝛽0
̂ = 0,023323
𝜎̂𝛽̂1 = 0,001942 =>> 𝜎̂𝛽̂1 = 0,044068
𝜎̂𝛽̂2 = 0,001422 𝜎̂𝛽̂2 = 0,037709

̂
𝛽0 +1,61
Tc = |𝜎̂̂ | = 0,023323 => Tc = 69,0305 et on a 𝑇(0,975;22) = 2,074
̂
𝛽0

8
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

 Donc on a, Tc > Ttab et par conséquent on va rejeter H0 => 𝛽0 ≠ 0


̂
𝛽1 0,61
*Tc = |𝜎̂̂ | = 0,044068 => Tc = 13,84224 et 𝑇(0,975;22)= 2,074
̂1
𝛽

=> Donc on a, Tc > Ttab et par conséquent on va rejeter H0 => 𝛽1 ≠ 0


̂2
𝛽 0,46
*Tc = |𝜎̂̂ | = 0,037709 => Tc = 12,1986 et 𝑇(0,975;22)= 2,074
̂2
𝛽

=> Donc Tc > Ttab ➔ rejet de H0 => 𝛽2 ≠ 0


d. le tableau de l’ANOVA :
Source de Somme des carrés Degré de Carrés moyens
variation liberté
(𝑥1 ; 𝑥2 ) SCE = ∑(𝑌̂𝑡 - 𝑌̅)2 = 71,29351 K=2 SCE/K = 35,646755
Résidu SCR = ∑ 𝑒𝑡 2 = 0,3 n-k-1 = 22 SCR/ n-k-1 = 0,013636
Total SCT = ∑(𝑌𝑡 − 𝑌̅)2 = 71,59351 24

𝑆𝐶𝐸 ⁄𝑘 ∑(𝑌̂𝑡 − 𝑌̅)2⁄𝑘 𝑅 2 ⁄𝑘


F*= 𝑆𝐶𝑅⁄(𝑛−𝑘−1) = ∑ 𝑒 2 ⁄(𝑛−𝑘−1)
= (1−𝑅2)⁄(𝑛−𝑘−1)
𝑡

0,05
F* =2614,1650 > 𝐹(2;22) = 3,44
Donc on rejette H0. D’où le modèle est globalement significatif (ou globalement
explicatif).

EXERCICE N°4
1- Equation du modèle estimé

Yt = 32,89132 + 0,801901 X1 – 0,381362 X2 – 0,037132 X3+ eₜ

▪ Y= Xa + ε : modèle théorique
▪ Y= Xâ + e : modèle estimé
▪ ̂
Y= Xâ : modèle ajusté
▪ ̂= Y- Xâ : résidu d’estimation
e = Y- Y

5-
 significativité individuelle :

On a ttable = t(0,975 ; 10) = 2,228

➢ Pour 𝑎̂0 : tc= 2,820 > ttable= 2,228 rejet de H0 𝑎0 ≠ 0

9
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

𝑎0 est significativement différent de 0. (P = 0,0182< 0,05)

➢ Pour 𝑎̂1 : tc= 2,687 > ttable= 2,228 rejet de H0 𝑎1 ≠ 0


𝑎1 est individuellement significatif. (P = 0,0228< 0,05)

➢ Pour 𝑎̂2 : tc= |−2,435| > ttable= 2,228 rejet de H0 𝑎2 ≠ 0


𝑎2 est significativement différent de 0. (P = 0,0351< 0,05)

➢ Pour 𝑎̂3 : tc= 0,713 < ttable= 2,228 acceptation de H0 𝑎3 = 0


𝑎3 n’est pas significativement différent de 0. (P = 0,0182 > 0,05)

 Significativité globale

0,05
𝐹𝑡𝑎𝑏𝑙𝑒 = 𝐹(3;10) =3,71 ; on a 𝐹𝑐 = 7,878181 > 𝐹𝑡𝑎𝑏𝑙𝑒 =3,71
(𝑃𝐹???? = 0,005452 < 0,05) Rejet de H le modèle est globalement significatif.

3-
a- Intervalle de confiance de β0 :

0,05
𝐼𝐶β0 = β̂0 ± 𝑡𝑛−𝑘−1 ∙ 𝜎̂𝛽̂0
𝐼𝐶β0 = 32,89132 ± 2,228 x 11,66331

𝐼𝐶β0 = [6,9054 ; 58,8771]

b- Intervalle de confiance de β1 :
0,05
𝐼𝐶β1 = β̂1 ± 𝑡𝑛−𝑘−1 ∙ 𝜎̂𝛽̂1
𝐼𝐶β1 = 0,801901 ± 2,228 x 0,298436

𝐼𝐶β1 = [0,1369 ; 1,4668]

10
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

4- R² = ??

𝑛−1 𝑛−𝑘−1
𝑅̅ 2 = 1- 𝑛−𝑘−1 (1- R²) 1- R² = (1- 𝑅̅ 2 ) x 𝑛−1

𝑛−𝑘−1 10
R² = 1- (1- 𝑅̅ 2 ) = 1- 13 (1- 0,613493)
𝑛−1

R² = 0,7026869 R² = 70,26869%

2- Commentaires des paramètres estimés

• Dependent variable Y : variable dépendante, endogène, à expliquer.


• Method least squares : Méthode des moindres carrés.
• Sample : Echantillon
• Included observations : observations incluses.
• Standard Error : Ecart type des coefficients 𝜎̂𝛽
̂0 , 𝜎
̂𝛽̂1 , 𝜎̂𝛽̂2 et𝜎̂𝛽̂3 .
• Coefficient : les paramètres estimés du modèle 𝛽̂0, 𝛽̂1, 𝛽̂2 et 𝛽̂3.
• R-Squared : coefficient de détermination R².
• Adjusted R-Squared : coefficient de détermination ajusté.
• SE of regression (standar Error of regression) : Ecart-type de l’erreur 𝜎̂𝜀 .
• Sum squared resid : Somme des carrés résiduelles SCR.
• Log likelihood : Log vraisemblance (Estimation de Maximum de vraisemblance)

̂ −𝜃0
𝜃 α
{ 𝐻0 : 𝜃 = 𝜃0 ; Si |W = | > au quantile d’ordre 1- de la loi normale centrée
𝐻1 : 𝜃 ≠ 𝜃0 𝜎̂ 𝜃̂ 2

réduite.
Cet indicateur nous permet de déterminer les valeurs optimales des coefficients estimés𝛽̂0,𝛽̂1,
𝛽̂2 et 𝛽̂3. On recourt à cet indice pour comparer l’ajustement de deux modèles. Dans la mesure
où on veut maximiser le log de vraisemblance, la valeur la plus élevées est la plus appropriée.
• F-Statistic : Statistique de Fisher pour étudier la significativité globale du modèle.

11
Faculté des Sciences Juridiques Année Universitaire : 2019 / 2020
Economiques et Sociales –Fès Filière : Sciences Economiques et Gestion

• Prob (F-statistic) : Probabilité du test de Fisher.


• Mean Dependent Var : Variable dépendante moyenne 𝑌̅ .

• Durbin Watson Stat

La statistique de diagnostic de Durbin Watson est utilisée pour vérifier si les erreurs sont auto-
corrélées, ou plutôt distribuées indépendamment.

∑𝑛 ̂ 𝑡 −𝜀̂𝑡−1 )²
1 (𝜀
DW =
∑𝑛 ̂ 𝑡2
; 0 ≤ 𝐷𝑊 ≤ 4
𝑡=1 𝜀

0 d1 d2 4- d2 4- d1 4
𝜌 > 0 ou ? 𝜌 = 0 ou ? 𝜌 < 0 ou
A.C positive Pas D’A.C A.C négative

• Hannan-Quinn Criterion

−2𝑙𝑖 2𝑘𝑖 𝐿𝑜𝑔(log(𝑇))


Ci (T, ki) = +
𝑇 𝑇

• Schwarz- Criterion :

−2𝑙𝑖 𝑘𝑖 log(𝑇) Critères d’information utilisés pour


Ci (T, ki) = +
𝑇 𝑇
choisir parmi plusieurs modèles celui
qui est le plus optimal.
• Akaike info-Criterion :

−2𝑙𝑖 2𝑘𝑖
Ci (T, ki) = +
𝑇 𝑇

12