Académique Documents
Professionnel Documents
Culture Documents
2. PROGRAMME
1. LES INTERETS DE LA MATIERE “Préliminaire”
1
RAPPELS 1. INTRODUCTION
1. INTRODUCTION 1. INTRODUCTION
1. INTRODUCTION 1. INTRODUCTION
acceptation rejet
11 prévision
12 reconstruction
31/10/2019 ADD A. ELABJANI 31/10/2019 ADD A. ELABJANI
2
1. INTRODUCTION 1. INTRODUCTION
1. INTRODUCTION 1. INTRODUCTION
1.4. LES VARIABLES DU MODELE ECONOMETRIQUE 1.4. LES VARIABLES DU MODELE ECONOMETRIQUE
Deux types de variables économétriques sont
généralement distinguées: Les variables exogènes:
3
2. Les modéles de Regression Simple 2. Les modéles de Regression Simple
4
2. Les modéles de Regression Simple 2. Les modéles de Regression Simple
i i i ˆ² xi2 i2
Ou bien : 1 i i
yi2 yi2
i i
yi2 ˆ² xi2 i2 donc :
i i i
ˆ² xi2
TSS ESS RSS 0 R² i 1
càd
27 28
yi2
31/10/2019 ADD A. ELABJANI 31/10/2019 i ADD A. ELABJANI
5
2. Les modéles de Regression Simple 2. Les modéles de Regression Simple
6
3. Le modéle de Regression Multiple 3. Le modéle de Regression Multiple
7
3. Le modéle de Regression Multiple 3. Le modéle de Regression Multiple
On estime le modéle (1) pour avoir : Les Résultats des estimations donnent :
Yt ˆ ˆ X 1t ˆ X 2t t Ou bien Yˆt ˆ ˆ X 1t ˆ X 2t
ˆ Y ˆ X 1 ˆ X 2
x 1t yt x 2t ² x 2t yt x 1t x 2t
t Yt Yˆt ˆ
Ce qui donne :
x 2t ² x 1t ² x 1t x 2t
2
Objectif:
et x 2t yt x 1t ² x 1t yt x 1t x 2t
La méthode OLS suppose de minimiser tous ˆ
les t²
x 2t ² x 1t ² x 1t x 2t 2
avec :
(Yt Yˆt)²
t
2
x X1t X1 x 2t X 2t X 2 et yt Yt Y
43 31/10/2019 ADD A. ELABJANI 44 1t 31/10/2019 ADD A. ELABJANI
8
3. Le modéle de Regression Multiple 3. Le modéle de Regression Multiple
RSS / N k i
i / N k
2
i
51 31/10/2019 ADD A. ELABJANI 52 31/10/2019 ADD A. ELABJANI
9
3. Le modéle de Regression Multiple 3. Le modéle de Regression Multiple
Caractéristiques: Caractéristiques:
* Une borne à calculer b; * Une borne à calculer b;
* Une région critique à gauche de t; * Une région critique à droite de t;
*une région d’accépatation à droite de t. * une région d’accépatation à gauche de
t.
55 31/10/2019 ADD A. ELABJANI 56 31/10/2019 ADD A. ELABJANI
Tel que :
Dans le cas contraire H0 est vraie et la V.
exogène sera non significative dans le modèle. cov(t+1 ,t)0 (H3 n’est plus vérifiée)
57 31/10/2019 ADD A. ELABJANI 58 31/10/2019 ADD A. ELABJANI
10
3. Le modéle de Regression Multiple 3. Le modéle de Regression Multiple
- : le niveau de signification
O E
E O E
11
3. Le modéle de Regression Multiple 3. Le modéle de Regression Multiple
12
3. Le modéle de Regression Multiple 3. Le modéle de Regression Multiple
A titre de vérification, on peut à l’aide Celui-ci est donné par la formule suivante:
du logiciel calculer les écarts (les
résidus) entre :
P Yˆi t /2 (nk 1)ˆ Y Yi Yˆi t /2 (nk 1)ˆ Y 0,95
* les valeurs observées de Yi; PLowerYi Yi UpperY 0,95
* les valeurs calculées de Yi hat.
Avec:
Afin d’améliorer cet argument, un * t= la valeur lue dans la table de la LNCR
test de validité pourra être fait sur les à % de risque;
valeurs calculées de la variable * = le niveau de risque;
endogéne grâce à “l’intervalle de
prévision” de Yi. *76 ˆ SEE ˆ
i
2
RSS
75 31/10/2019 ADD A. ELABJANI
Y
31/10/2019 N k NADD k A. ELABJANI
13
4. Les Applications Empiriques 4. Les Applications Empiriques
14
5. LA REGRESSION PAS A PAS 5. LA REGRESSION PAS A PAS
15
5. LA REGRESSION PAS A PAS 5. LA REGRESSION PAS A PAS
16
5. LA REGRESSION PAS A PAS
5ieme étape :
tableau n°5 : régressions partielles
Variables R2(CA;MT;Pub;INV;Px;Xj) tj
Rg 0.802 0.554
Br 0.8012 -0.42
FV 0.8019 0.54
Tpub 0.8001 -0.84
17