Licences MASS-Econométrie
TD Econométrie 1: séances 1 à 6

Chargé de cours : Nathalie Havet

havet@gate.cnrs.fr
Chargé de TD :
Benjamin Monnery
monnery@gate.cnrs.fr

Octobre 2015

Organisation des TD :

Les 6 premières séances seront consacrées à des exercices d’application directe du cours. Le but de ces
séances est d’une part, de connaître le cours et d’être capable de réaliser les calculs et les démonstrations
sur de petits échantillons. D’autre part, il consiste à savoir interpréter les résultats des estimations et des
tests.

Les 2 dernières séances seront consacrées à des exercices d’application sur le logiciel d’économétrie
STATA. Après une phase de prise en main du logiciel, ces séances consisteront à réaliser des estimations
et des tests à partir de bases de données de taille plus importante. L’objectif ici est donc à la fois d’être
capable de lancer les calculs appropriés à la résolution d’un problème, et d’interpréter les résultats
économiques obtenus.
 Estimateur des MCO et modèle descriptif (1/2)
1
Estimateur des MCO : démonstration et calcul
Variables centrées
Forme matricielle

Exercice 1 Revenu et consommation

Considérons les dépenses de consommation finale individuelle Y et le revenu
disponible brut R en milliards d’euros pour les ménages français de 1994 à 2005.

1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
R 757 787 803 822 851 873 923 970 1 015 1 044 1 087 1 120
Y 645 661 683 691 719 740 784 817 844 878 916 953
Source : Comptes nationaux - Base 2000, Insee ;
http://www.insee.fr/fr/indicateur/cnat_annu/base_2000/secteurs_inst/menages.htm

On a les valeurs suivantes :

T T T
T = 12 ∑ Rt = 11052 ∑ Yt = 9331 ∑ Rt Yt = 8735278
t =1 t =1 t =1

T T
∑ R2t = 10348200 ∑ Yt2 = 7374107
t =1 t =1
1. Reporter ces observations sur un graphique.
Soit la droite d’ajustement Yt = a + bRt + ut .
2. Ecrire le programme d’optimisation permettant de trouver les estimateurs
des MCO ! a et !
b.

4
Séance 1. Estimateur des MCO et modèle descriptif (1/2) 5

3. Ecrire et résoudre les équations normales (conditions du premier ordre

sur chacun des paramètres).
a et !
4. Donner les significations économiques des estimateurs ! b.
5. Vérifier que la somme des résidus empiriques (et ) est nulle.

Exercice 2 Estimateur des MCO et variables centrées

Considérons le modèle Yi = β 0 + β 1 Xi + ui , i = 1, . . . , N.
1. Donner la formule des estimateurs des MCO β!0 et β!1 .
Considérons maintenant le modèle yi = a + bxi + ui , où xi et yi sont des variables
centrées, c’est à dire telles que xi = Xi − X et yi = Yi − Y.
2. Quelles sont les relations entre les estimateurs ! a et !
b et les estimateurs β!0
!
et β 1 ?

Exercice 3 Un tour en ovalie...

A l’occasion de la phase de poules de la coupe du monde de rugby, le gérant
d’un bar parisien a diffusé 10 rencontres du soir sur écran géant. Il a compté
le nombre de consommations servies à ses clients pendant et après chacun des
matchs. Dans le tableau suivant apparaissent les données recueillies, le nombre
d’essais inscrits pendant le match, ainsi que la température extérieure (en degrés).

i 1 2 3 4 5 6 7 8 9 10
Conso 260 300 350 310 190 380 240 210 370 400
Essai 4 5 11 4 2 9 0 2 10 7
Temp 17 20 17 18 14 16 13 13 15 16

1. Ecrire un modèle permettant de déterminer l’impact du nombre d’essais

inscrits et de la température sur l’activité du bar.
2. Réécrire le même modèle sous forme matricielle Y = Xβ + u en précisant
les éléments Y, X, β et u.
! l’estimateur
3. Ecrire et résoudre le programme permettant de trouver β,
des MCO de β.
4. Interpréter les résultats obtenus.
 Estimateur des MCO et modèle descriptif (2/2)
2
Décomposition de la variance des résidus
2
Coefficients de détermination : R2 et R
Modèle non linéaire

Exercice 4 Ventes d’automobiles

On dispose des chiffres de ventes d’automobiles et de conjoncture sur 8
années pour une entreprise.

Année Ventes Conjoncture

1996 100 2.0 %
1997 105 2.5 %
1998 112 3.0 %
1999 118 3.0 %
2000 130 5.0 %
2001 140 2.0 %
2002 135 1.0 %
2003 140 0.5 %

Partie I
1. Ecrire un modèle linéaire permettant de déterminer l’impact de la conjonc-
ture sur les ventes de voitures en utilisant la méthode des MCO.
2. Calculer les estimateurs des MCO des paramètres du modèle et interpréter
les résultats obtenus.

6
Séance 2. Estimateur des MCO et modèle descriptif (2/2) 7

3. Soit e = (e1 , . . . , e8 )! le vecteur des résidus empiriques du modèle Y =

Xβ + u estimé par les MCO.
a) Démontrer e! e = Y ! Y − Y !! Y.
! Aide : ce calcul nécessite de démontrer
!
eY ! = 0.
b) En déduire la formule de la décomposition de la variance de Y.
c) Que peut-on conclure sur la qualité de l’ajustement ?

Partie II
L’entreprise se demande si la conjoncture est le seul élément pouvant expli-
quer l’évolution de ses ventes. En effet, elle se situe dans une zone géographique
ayant connu un fort accroissement de la population à la fin des années 90.
1. Compte tenu des informations connues, proposer un nouveau modèle
linéaire permettant de prendre en compte l’impact de l’évolution de la
demande sur les ventes.
2. Estimer ce modèle par la méthode des MCO et interpréter la valeur des
paramètres obtenus.
3. Calculer et interpréter le coefficient de détermination.
4. Comparer ces résultats avec ceux obtenus pour l’estimation du modèle de
la partie I.

Exercice 5 Au bistrot “Chez Dédé”

On considère la fonction de demande suivante :

D = aPb (2.1)

où D est la quantité demandée au prix P.

1. Déterminer l’élasticité de la demande par rapport au prix.
André souhaite ouvrir un bistrot dans la rue Voltaire, appelé “Chez Dédé”. Afin
d’établir sa grille tarifaire, il réalise une étude de marché auprès de sa clientèle
potentielle pour connaître l’élasticité de la demande de café par rapport au prix.
Cette étude donne les résultats suivants :

Prix 1 2 3 4 5
Quantités 150 38 15 10 7

2. En utilisant la fonction de demande (2.1), estimer l’élasticité de la de-

mande. Pour ce faire, suivre les étapes suivantes :
8 Séance 2. Estimateur des MCO et modèle descriptif (2/2)

a) Ecrire la fonction de demande sous une forme aléatoire.

b) Transformer cette équation pour pouvoir l’estimer par les MCO.
c) Donner une estimation des paramètres a et b. En déduire l’estimation
de l’élasticité de la demande pour la population d’étude.

Exercice 6 Fonction de production

Considérons la fonction de production à rendements constants suivante :

Yi = aLib Ki1−b
où Y est le niveau de production, K la quantité de capital utilisée et L la quantité
de travail. Y, K et L sont facilement observables, mais les coefficients a et b ne le
sont pas.
Considérons la forme aléatoire de cette fonction :

Yi = aLib Ki1−b eui

où ui est le terme d’erreur.
1. Comment peut-on estimer cette fonction par la méthode des MCO ?
Les données observées pour une entreprise sont les suivantes :

Firme 1 2 3 4 5 6 7 8 9 10
Y 440 400 530 590 480 520 470 420 490 480
L 1480 1150 1790 1880 1860 1940 1940 1240 1850 1660
K 410 380 430 480 450 490 395 430 460 450
Unités des différentes variables : Y : tonnes ; L : heures de travail ; K : heures-machine

10 " # 10 " # 10 " " ##2

Yi Li Li
∑ ln Ki
= 0.9393 ∑ ln Ki
= 13.3252 ∑ ln
Ki
= 17.9746
i =1 i =1 i =1

10 " # " # 10 " " ##2

Yi Li Yi
∑ ln Ki
· ln
Ki
= 1.3246 ∑ ln
Ki
= 0.1405
i =1 i =1
2. Déterminer les estimateurs des paramètres associés à la fonction linéa-
risée. En déduire les estimateurs des paramètres a et b de la fonction de
production et interpréter les résultats obtenus.
3. Que peut-on conclure sur la qualité de l’ajustement ? Quelle est la signifi-
cation économique de ce résultat ?
 Estimateur des MCO et modèle statistique de
3
régression linéaire

Biais
Estimation de la variance des termes d’erreur
Estimation de la covariance des régresseurs
Variables indicatrices

Exercice 7 Estimation de la variance des paramètres

On dispose des observations suivantes :

i 1 2 3 4 5
Xi -5 -4 1 2 6
Yi 8 6 3 1 0

et on désire ajuster le modèle :

Yi = β 1 + β 2 Xi + ui i = 1, . . . , 5
! " ! "
avec E (ui ) = 0 ; Cov ui , u j = 0, i != j ; E u2i = σ2 , i, j = 1, . . . , 5.
1. Calculer X " X et X " Y.
2. Trouver l’estimateur des MCO des coefficients ( β 1 , β 2 ). Montrer que cet
estimateur est sans biais.
3. Calcul d’un estimateur sans biais de la variance des termes d’erreur (ui ).
−1
a) Montrer que E (e" e) = E (tr (u" M" Mu)) où M = IT − X ( X " X ) X " .
b) Montrer que M est une matrice idempotente.

9
10 Séance 3. Estimateur des MCO et modèle statistique de régression linéaire

c) Calculer E (e" e).

"
d) En déduire que S2 = Te−en est un estimateur sans biais de la variance
de σ2 . Donner une estimation à partir des observations.
# En déduire un
4. Calculer Ω β#, la matrice des variances-covariances de β.
estimateur sans biais de cette matrice. Donner une estimation à partir des
observations.
5. Présenter l’ensemble des résultats sous la forme :

#i
Y = $ β#1 % + $ β#2 % Xi
s β# s β#
1 2
R2 =
en remplaçant les termes β#k et s β# par leur valeur pour k = 1, 2, où s β# est
k k
l’écart type estimé de β#k .

Exercice 8 Etude de marché - Nov. 2005 (extrait)

Une entreprise commerciale réalise une étude de marché pour étudier l’op-
portunité de s’implanter dans de nouvelles villes en fonction de l’intensité de
la concurrence. Pour ce faire, elle dispose des informations disponibles dans le
tableau ci-dessous et souhaite ajuster sur ces données le modèle suivant :

Ventesi = b0 + b1 CMi + b2 CFi + ui

où CM est une variable indicatrice correspondant à une situation de concurrence

moyenne (CM=1 s’il y a concurrence moyenne, CM=0 sinon), et CF une variable
indicatrice de concurrence forte (CF=1 s’il y a concurrence forte, CF=0 sinon).

Ville Ventes (milliers d’euros) concurrence

1 14 Absence
2 14 Absence
3 12 Absence
4 10 Moyenne
5 8 Moyenne
6 11 Forte
7 8 Forte

On suppose que E(ui ) = 0, Cov(ui , u j ) = 0, i != j, E(u2i ) = σ2 , i, j = 1, . . . , 7

Séance 3. Estimateur des MCO et modèle statistique de régression linéaire 11

1. Le modèle s’écrit de façon plus générale sous la forme Y = Xb + u. Donner

le contenu des matrices Y et X. Comment interpréter les composantes du
vecteur b ?
2. Pourquoi ne pas avoir introduit une variable indicatrice correspondant à
l’absence de concurrence ?
3. Rappeler le principe de détermination de l’estimateur des moindres carrés
ordinaires et le calculer.
4. Calculer le coefficient de détermination du modèle et commenter.

Exercice 9 Une étude intéressante...

On souhaite expliquer la note obtenue en économétrie par le temps passé à
travailler, le temps passé à sortir et le diplôme préparé. Pour cela, on dispose
d’observations portant sur un échantillon représentatif de 8 étudiants de la
licence MASS-économétrie (année 2006-2007) :

i 1 2 3 4 5 6 7 8
Ni 18 3 17 9 12 13 10 7
Ti 8 1 6 5 5 4 3 1
Si 0 5 2 3 3 2 1 4
Di 0 0 1 1 0 1 1 0

où :
Ni est la note obtenue à l’examen final d’économétrie
Ti est le nombre d’heures hebdomadaires passées à travailler l’économétrie (en
moyenne)
Si est le nombre hebdomadaire de sorties (en moyenne)
Di est le diplôme préparé (1 = MASS ; 0 = Econométrie)
On envisage ainsi d’ajuster un modèle sous la forme :

Ni = β 0 + β 1 Ti + β 2 Si + β 3 Di + ui i = 1, . . . , T
! "
avec E (ui ) = 0 ; Cov (ui , ui! ) = 0, i "= i! ; E u2i = σ2 , i, i! = 1, . . . , T.
1. Calculer β# = ( β#0 , β#1 , β#2 , β#3 )! , l’estimateur des MCO des coefficients. Inter-
préter le résultat obtenu.
2. En déduire N, # le vecteur des valeurs estimées de N.
3. Donner un estimateur sans biais de la variances du terme d’erreur u.
Calculer une estimation.
12 Séance 3. Estimateur des MCO et modèle statistique de régression linéaire

4. Ecrire le modèle estimé sous la forme :

#i = # # # #
N $ β 0 % + $ β 1 % Ti + $ β 2 % Si + $ β 3 % Di
s β# s β# s β# s β#
0 1 2 3
R2 =

en remplaçant les termes β#k et s β# par leur valeur pour k = 0, 1, 2, 3, où s β#

k k
#
est l’écart type estimé de β k .
 Hypothèse de normalité des résidus
4
Prévision
Lois des estimateurs

Exercice 10 Demande de voitures

On souhaite expliquer les chiffres de ventes d’un constructeur automobile en
France par le revenu national et les prix. Pour cela, on dispose de la matrice des
variances-covariances empiriques des variables y, x1 et x2 pour 19 années :
 
116.63 123.89 33.05
1 
Ω(y, x1 , x2 ) = 221.68 11.15 
19
162.42

où :
y est le logarithme des ventes de voitures d’un constructeur automobiles,
x1 est le logarithme du revenu national,
x2 est le logarithme du prix relatif des autres voitures par rapport à celui du
constructeur : % &
prix des autres
x2 =
prix du constructeur

1. Définir les éléments de Ω(y, x1 , x2 ).

2. Proposer un modèle permettant de connaître l’impact du revenu national
et du prix relatif sur les ventes de ce constructeur automobile à partir de
Ω(y, x1 , x2 ).

13
14 Séance 4. Hypothèse de normalité des résidus

3. Estimer ce modèle par la méthode des MCO et interpréter les résultats

obtenus.
4. Calculer les écart-types des estimateurs.
5. Calculer le coefficient de détermination R2 . Commenter.

Exercice 11 L’absentéisme au travail - Juin 2007 (extrait)

Un chef d’entreprise spécialisé dans l’industrie du textile s’intéresse à l’absen-
téisme de ses salariés. On lui a fourni, pour chacun d’entre eux, les informations
suivantes :
– le nombre total de journées d’absence, hors congés légaux (y),
– le nombre d’enfants à charge (x2 ),
– l’ancienneté dans l’entreprise, exprimée en nombre d’années (x3 ).
A partir d’un échantillon de 12 ouvriers, il souhaite vérifier la relation linéaire
suivante :
yi = β 1 + β 2 x2i + β 3 x3i + ui i = 1, . . . , 12
où u est un terme d’erreur aléatoire et les β des paramètres inconnus. Le tableau
suivant fournit les données pour 12 salariés :

Journées d’absence nombre d’enfants ancienneté

4 3 2
3 3 4
0 0 8
4 2 0
4 2 0
3 3 4
0 0 8
4 3 2
3 2 5
1 1 6
3 3 4
1 2 5

1. Quelles hypothèses doit-on faire pour obtenir une “bonne” estimation des
paramètres inconnus par moindres carrés ordinaires ?
2. A partir des données du tableau, estimer le vecteur des paramètres incon-
nus (on ne vous demande pas de démontrer les formules des MCO mais
de les utiliser pour trouver les estimateurs).
3. Calculer le coefficient de détermination et interpréter le résultat obtenu.
Séance 4. Hypothèse de normalité des résidus 15

4. Un salarié a deux enfants et travaille dans l’entreprise depuis un an. Le

chef de l’entreprise peut-il prévoir, pour cette année, le nombre total de
journées d’absence (hors congés légaux) de ce salarié ?
5. Supposons que le chef d’entreprise veuille savoir si les fumeurs ont les
mêmes comportements face à l’absentéisme que les non-fumeurs. Expli-
quer en quelques lignes comment vous vous y prendriez en tant qu’éco-
nomètre pour lui apporter une réponse (données supplémentaires, régres-
sion(s)).
Conseils : Afin que vous ne restiez pas bloqué sur une question, on vous donne
à titre de vérification de vos calculs un extrait des résultats d’estimation obtenus
sous Stata. Toutefois, pour avoir la totalité des points aux questions précé-
dentes, vous devez présenter l’intégralité des calculs sans avoir recours à ces
résultats. En revanche, si vous avez des problèmes de calculs, vous pouvez les
utiliser pour présenter le raisonnement et avoir quelques points.

. regress y x2 x3

Source | SS df MS Number of obs = 12

-------------+------------------------------ F( 2, 9) = 51.46
Model | 24.8289474 2 12.4144737 Prob > F = 0.0000
Residual | 2.17105263 9 .24122807 R-squared = 0.9196
-------------+------------------------------ Adj R-squared = 0.9017
Total | 27 11 2.45454545 Root MSE = .49115

------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x2 | .5328947 .1759177 3.03 0.014 .1349413 .9308481
x3 | -.3881579 .0745291 -5.21 0.001 -.5567545 -.2195613
_cons | 2.986842 .6102641 4.89 0.001 1.606329 4.367355
------------------------------------------------------------------------------

Exercice 12 Loi des estimateurs β! et S2

On considère le modèle statistique de régression linéaire suivant :

Y = Xβ + u

dans lequel Y et u sont des vecteurs de dimension ( N, 1), X une matrice de

dimension ( N, K ) et β un vecteur
" de# dimension (K, 1).
On suppose que u ∼ N 0, σ2 IN .
16 Séance 4. Hypothèse de normalité des résidus

! l’estimateur des MCO du vecteur β et S2 = e" e

Soient β, N −K un estimateur sans
biais de σ2 .
Démontrer$les résultats suivants
% :
" − 1
1. β! ∼ N β, σ ( X X )
2
" #
2. Y ∼ N Xβ, σ2 IN .
N −K 2
3. σ2
S ∼ χ2 ( N − K ). Pour ce faire, utiliser le théorème suivant : Si x ∼
N (0, IN ) et A est une matrice idempotente, alors x " Ax ∼ χ2 (r ), où r est le
rang de A.
4. β! et S2 sont indépendants (Théorème de Cochrane). Pour ce faire, utiliser
le théorème suivant : Lx et x " Ax, où A est une matrice idempotente symétrique
et x suit une loi normale centrée réduite, sont indépendants si LA = 0.
β!k − β k
5. tk = σβ!
! ∼ t( N − K ), où k désigne la kème variable explicative Xk et !
σβ!
k
k
son écart-type estimé.
 Tests d’hypothèses (1/2)
5
Test sur un paramètre (Student)
Intervalles de confiance
Test de contraintes linéaires (Fisher)

Exercice 13 Revenu et consommation, suite

Dans l’exercice 1, nous avons estimé le modèle suivant :

Yt = a0 + a1 Rt + ut t = 1, . . . , T
où Y représente les dépenses de consommation finale individuelle et R le revenu
disponible brut en milliards d’euros pour les ménages français.
On suppose que E(ut ) = 0, Cov(ut , ut! ) = 0, t "= t! , E(u2t ) = σ2 , t, t! =
1, . . . , T.
L’estimation de ce modèle pour des données allant de 1994 à 2005 a donné
les résultats suivants :

!t =
Y a0
! + a1
! Rt t = 1, · · · , 12
!t = 8.2501 + 0.8353 Rt
Y
$ %
" ! # −1 1 10348200 −11052
RR = e! e = 339.5793
2031696 −11052 12
1. Calculer !σ!a0 et ! a0 et !
σ!a1 , les écart-types estimés de ! a1 .
2. Réaliser les tests d’hypothèse suivants :
a) H0 : a0 = 0 contre H1 : a0 "= 0.
b) H0 : a1 = 0 contre H1 : a1 "= 0.

17
18 Séance 5. Tests d’hypothèses (1/2)

c) H0 : a1 = 0.8 contre H1 : a1 "= 0.8.

3. Calculer l’intervalle de confiance pour les paramètres a0 et a1 , au niveau 5
%.
4. Sachant que le coefficient de corrélation au carré r2 entre Y et R est égal à
0.99713, calculer le coefficient de détermination (R2 ) et effectuer le test de
Fisher permettant de déterminer si la régression est globalement significa-
tive.
5. Quelle est la conséquence sur la consommation de l’augmentation du
revenu de 8 % ?
6. En 2006 et 2007, on prévoit respectivement 1167 et 1208 milliards d’euros
de revenu. Déterminer la prévision de consommation pour ces deux
années, ainsi que l’intervalle de confiance au seuil de 95 %.

Exercice 14 Coût d’entretien d’une voiture

Afin d’étudier comment varie le coût de maintenance d’un véhicule utilitaire
en fonction de l’âge de celui-ci, une entreprise a collecté les données suivantes :

Age (x1 ) Coût annuel (y)

(en mois) (en centaine d’euros)
15 48
8 43
36 77
41 89
16 50
8 40
21 56
21 62
53 100
10 47
32 71
17 58
58 102
6 35
20 60

Les valeurs suivantes ont été calculées :

Séance 5. Tests d’hypothèses (1/2) 19

15 15 15
∑ x1i = 362 ∑ x1i2 = 12490 ∑ x1i yi = 27437
i =1 i =1 i =1

15 15
∑ yi = 938 ∑ y2i = 64926
i =1 i =1

Nombre d’observations : N = 15.

Partie I — (12 points)

On cherche à estimer les coefficients d’une régression linéaire entre les va-
riables x1 et y, de la forme :

yi = a0 + a1 x1i + ui (5.1)
! "
On suppose que u ∼ N 0, σ2 IN .
1. (3 points) Démontrer la formule permettant de calculer #a0 et #a1 , les esti-
mateurs des MCO des paramètres a0 et a1 .
Montrer que ces estimateurs sont sans biais.
Calculer la valeur de ces estimateurs à partir des données et interpréter
les résultats.
2. (1 point) Rappeler l’équation de décomposition de la variance.
Sachant que la valeur de la somme des carrés expliqués (SCE) par le
$ %2
modèle est : ∑15
i =1 y
# i − y
# = 6137.71889, calculer ∑15 2
i =1 ei , la somme des
carrés des résidus (SCR).
3. (1 point) Calculer le coefficient de détermination R2 .
Interpréter littérairement la valeur obtenue.
4. (1.5 points) Donner la formule d’un estimateur sans biais de σ2 (démons-
tration non demandée).
Calculer sa valeur.
En déduire une estimation des variances de # a1 .
a0 et #
5. (2.5 points) Expliquer la construction d’un intervalle de confiance au seuil
α pour #a1 .
Le calculer pour α = 5%.
Interpréter littérairement.
6. (2 points) Tester si les coefficients a0 et a1 sont significativement différents
de 0 au seuil α = 5%.
Interpréter littérairement les résultats des tests.
20 Séance 5. Tests d’hypothèses (1/2)

7. (2 points) Déterminer une prévision du coût de maintenance pour un

véhicule de 4 ans.
Calculer son intervalle de confiance au seuil de 5 %.
Interpréter littérairement.

Partie II — (8 points)
On souhaite maintenant comparer les résultats de l’estimation du modèle
(5.1) avec ceux de l’estimation du modèle suivant :

yi = b0 + b1 x1i + b2 x2i + b3 x3i + ui (5.2)

où :
yi et x1i sont les mêmes variables que celles utilisées dans le modèle (5.1).
x2i est une variable dichotomique prenant la valeur 1 si le véhicule est de
couleur claire, 0 si la couleur est foncée.
x3i est une variable dichotomique prenant la valeur 1 si le véhicule a un moteur
diesel et 0 s’il a un moteur essence.
Les résultats de l’estimation de ce modèle sur le même échantillon sont les
suivants :

y#i = 31.748 + 1.152 x1i − 0.025 x2i + 5.600 x3i

(1.253) (0.061) (1.549) (2.022)

(.) écart-types estimés

$ %2
# 15
SCE = ∑i=1 y#i − y# = 6194.34598
1. (2.5 points) Tester la significativité des variables x1i , x2i et x3i .
Interpréter leurs coefficients estimés (#b1 ,#
b2 et #
b3 ) et commenter.
2. (1.5 points) Tester la significativité globale du modèle (5.2) au seuil α =
5%.
3. (3 points) Comparer les résultats de l’estimation des modèles (5.1) et (5.2).
Quel modèle privilégier ? Argumenter la réponse.
 Tests d’hypothèses (2/2)
6
Comparaison de 2 échantillons
Test de stabilité des paramètres (Chow)

Exercice 15 Salaire hommes/femmes (1/2)

Un économiste du travail s’intéresse à la relation liant la rémunération et
la durée des études (théorie du capital humain). Pour ce faire, il dispose d’un
échantillon de 40 hommes et 25 femmes ayant le même âge et dont il relève la
rémunération annuelle (Ri ) exprimée en milliers d’euros et le nombre d’années
d’étude (Si ). Les estimations économétriques conduisent aux résultats suivants :
Pour les hommes :
! i = 112.80 + 1.8 Si
R
(9.3) (5.2)

R2 = 0.42
Pour les femmes :
!i =
R 87.2 + 0.7 Si
(12.8) (2.5)

R2 = 0.45
(.) : t-statistique
1. L’influence de la durée des études sur la rémunération est-elle significa-
tive ?
2. Existe-t-il une différence significative entre la rémunération des hommes
et des femmes ?

21
22 Séance 6. Tests d’hypothèses (2/2)

Exercice 16 Salaire hommes/femmes (2/2) - Janv. 2006 (extrait)

Un économiste spécialisé en économie du travail est intéressé par l’analyse
des déterminants du salaire. En particulier, il cherche à étudier la relation liant la
rémunération horaire des individus et différentes caractéristiques telles que leur
niveau d’éducation, leur âge, le nombre d’heures travaillées, etc. Pour ce faire, il
dispose d’un échantillon de 2813 hommes et de 2240 femmes pour lesquels il a
les information suivantes :
– Sexe =1 si homme et 0 sinon
– Heures annuelles de travail
– Revenu hors travail
– Salaire : salaire horaire
– Age : âge en années
– Education : indice pour le niveau d’éducation variant de 1 à 5.
– Ville 1 : Variable dichotomique - Ville > 1 000 000 habitants
– Ville 2 : Variable dichotomique - 500 000 < Ville ≤ 1 000 000 habitants
– Ville 3 : Variable dichotomique - 100 000 < Ville ≤ 500 000 habitants
– Ville 4 : Variable dichotomique - Ville < 100 000 habitants
– Enfant6 : Nombre d’enfants de moins de 6 ans.
Le modèle économétrique estimé s’écrit :

Salaire = β 1 + β 2 Revenu + β 3 Age + β 4 Education + β 5 Ville1 + β 6 Ville3+

β 7 Ville4 + β 8 En f ant6 + β 9 Heure + β 10 Sexe + u

L’estimation par les moindres carrés ordinaires (MCO), effectuée sous le

logiciel Stata, conduit aux résultats suivants (les ??? correspondent à des résultats
qui ont été volontairement enlevés) :
. regress salaire revenu age education ville1 ville3 ville4 enfant6 heure sexe

Source | SS df MS Number of obs = 5053

-------------+------------------------------ F( 9, 5043) = ??????
Model | 104358.693 9 11595.4103 Prob > F = 0.0000
Residual | 267925.354 5043 53.1281686 R-squared = ??????
-------------+------------------------------ Adj R-squared = ??????
Total | 372284.047 5052 73.690429 Root MSE = 7.2889

------------------------------------------------------------------------------
salaire | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
revenu | .0000523 .0000118 4.42 0.000 .0000291 .0000755
age | .1169023 .0133854 ????? 0.000 .0906612 .1431434
education | 1.675906 .0701702 23.88 0.000 ???????? ????????
ville1 | 3.26355 .2193638 14.88 0.000 2.833502 3.693598
ville3 | -.6040621 .4140037 -1.46 0.145 -1.415689 .207565
Séance 6. Tests d’hypothèses (2/2) 23

ville4 | 3.179761 .2457474 12.94 0.000 2.697989 3.661532

enfant6 | .1388817 .1541526 ????? 0.368 -.1633244 .4410878
heure | -.0006906 .0001516 -4.55 0.000 -.0009879 -.0003934
sexe | 4.88224 .2331337 20.94 0.000 4.425197 5.339284
_cons | -6.535071 .6784582 -9.63 0.000 -7.865144 -5.204998
------------------------------------------------------------------------------

2
1. Retrouver le coefficient de détermination R2 et R (R-squared et Adj
R-squared). Quelles sont les particularités de ces deux coefficients ?
Quelle conclusion peut être tirée sur la qualité de l’ajustement ?
2. Donner une estimation de la variance résiduelle.
3. A l’aide d’un test de Fisher, tester l’hypothèse β 2 = β 3 = . . . = β 10 = 0
(retrouver la valeur de F(9,5043) et conclure sur la significativité de la
régression).
4. Tester la significativité des coefficients et interpréter les résultats obtenus.
Calculer les statistiques “t” manquantes.
5. Déterminer l’intervalle de confiance (à 95%) pour le coefficient associé à
la variable “éducation” (cf. valeurs manquantes dans les résultats).
6. Donner une prévision du salaire horaire d’une femme âgée de 35 ans,
n’ayant pas de revenus hors travail, pas d’enfants, travaillant 1900 heures
par an, habitant une ville de 600 000 habitants et ayant un niveau d’éduca-
tion égal à 5.
7. Tests de contraintes linéaires : L’économiste veut tester désormais les restric-
tions conjointes : β 4 = 1.5 et β 5 = β 7 .
a) Dans le cours, nous avons vu que ce test pouvait être effectué grâce
à l’estimation de deux modèles : un modèle général et un modèle
contraint. Donner l’expression de ces deux modèles et suggérer la
méthode (statistique de test, règle de décision) qui permettrait de
réaliser le test voulu.
b) Sous Stata, la commande “test” effectue le test des contraintes li-
néaires à partir de la seule estimation du modèle non contraint. Les
résultats sont présentés ci-dessous :
. test (education=1.5) (ville1=ville4)

( 1) education = 1.5
( 2) ville1 - ville4 = 0

F( 2, 5043) = 3.21
Prob > F = 0.0406
Donner la formule qui a permis de calculer F(2,5043) et conclure sur
la pertinence des hypothèses imposées.
24 Séance 6. Tests d’hypothèses (2/2)

8. Test de stabilité des paramètres : Notre économiste spécialisé en économie

du travail s’intéresse particulièrement à l’influence du sexe sur la rémuné-
ration.
a) L’introduction d’une variable qualitative (sexe=0 ou 1) est-elle totale-
ment pertinente pour étudier l’effet du sexe sur les salaires ?
b) Trois estimations sont effectuées : la première sur l’échantillon total,
la seconde sur uniquement les hommes et la dernière sur uniquement
les femmes. Est-ce qu’à l’aide de ces régressions, on peut préciser
l’analyse ?
Estimation sur l’échantillon total :
. regress salaire revenu age education ville1 ville3 ville4 enfant6 heure

Source | SS df MS Number of obs = 5053

-------------+------------------------------ F( 8, 5044) = 175.49
Model | 81058.8577 8 10132.3572 Prob > F = 0.0000
Residual | 291225.19 5044 57.7369527 R-squared = 0.2177
-------------+------------------------------ Adj R-squared = 0.2165
Total | 372284.047 5052 73.690429 Root MSE = 7.5985

------------------------------------------------------------------------------
salaire | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
revenu | .0000513 .0000123 4.16 0.000 .0000271 .0000755
age | .1706277 .0136952 12.46 0.000 .1437791 .1974762
education | 1.650021 .0731391 22.56 0.000 1.506636 1.793405
ville1 | 3.267379 .2286806 14.29 0.000 2.819066 3.715693
ville3 | -.7054227 .4315578 -1.63 0.102 -1.551464 .1406181
ville4 | 2.83367 .2556048 11.09 0.000 2.332573 3.334766
enfant6 | .5684684 .1592706 3.57 0.000 .2562288 .880708
heure | .0006846 .0001425 4.81 0.000 .0004053 .0009639
_cons | -8.318762 .7016783 -11.86 0.000 -9.694356 -6.943168
------------------------------------------------------------------------------

Estimation sur l’échantillon des hommes :

. regress salaire revenu age education ville1 ville3 ville4 enfant6 heure
if sexe==1

Source | SS df MS Number of obs = 2813

-------------+------------------------------ F( 8, 2804) = 111.55
Model | 60437.6161 8 7554.70201 Prob > F = 0.0000
Residual | 189897.525 2804 67.7237963 R-squared = 0.2414
-------------+------------------------------ Adj R-squared = 0.2393
Total | 250335.141 2812 89.0238766 Root MSE = 8.2294
Séance 6. Tests d’hypothèses (2/2) 25

------------------------------------------------------------------------------
salaire | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
revenu | .0000463 .0000149 3.11 0.002 .0000171 .0000755
age | .1584387 .0196248 8.07 0.000 .1199581 .1969193
education | 1.854258 .1046637 17.72 0.000 1.649033 2.059484
ville1 | 3.758862 .3314454 11.34 0.000 3.10896 4.408763
ville3 | -.3553427 .6297836 -0.56 0.573 -1.590229 .8795436
ville4 | 4.088821 .3721086 10.99 0.000 3.359186 4.818455
enfant6 | .2316143 .2261213 1.02 0.306 -.2117668 .6749954
heure | -.001408 .0002338 -6.02 0.000 -.0018664 -.0009496
_cons | -3.465295 1.094066 -3.17 0.002 -5.610551 -1.32004
------------------------------------------------------------------------------

Estimation sur l’échantillon des femmes :

. regress salaire revenu age education ville1 ville3 ville4 enfant6 heure
if sexe==0

Source | SS df MS Number of obs = 2240

-------------+------------------------------ F( 8, 2231) = 79.83
Model | 21015.7863 8 2626.97328 Prob > F = 0.0000
Residual | 73412.7901 2231 32.9057777 R-squared = 0.2226
-------------+------------------------------ Adj R-squared = 0.2198
Total | 94428.5763 2239 42.1744423 Root MSE = 5.7364

------------------------------------------------------------------------------
salaire | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
revenu | .0000779 .0000213 3.66 0.000 .0000362 .0001197
age | .0592558 .0165694 3.58 0.000 .0267628 .0917488
education | 1.447657 .084729 17.09 0.000 1.281501 1.613813
ville1 | 2.610704 .2599715 10.04 0.000 2.100893 3.120516
ville3 | -.8614145 .4865582 -1.77 0.077 -1.815569 .0927398
ville4 | 2.10793 .2908743 7.25 0.000 1.537517 2.678342
enfant6 | .1992775 .1922788 1.04 0.300 -.1777867 .5763416
heure | .0001354 .0001779 0.76 0.447 -.0002134 .0004843
_cons | -3.621694 .8166567 -4.43 0.000 -5.22318 -2.020207
------------------------------------------------------------------------------

Exercice 17 Equation d’investissement - Nov. 2005

On s’intéresse à l’estimation d’une équation d’investissement de la forme :
INVn = a0 + a1 T + a2 PIBn + a3 INTn + a4 INFLn + un n = 1, . . . , N
26 Séance 6. Tests d’hypothèses (2/2)

sous les hypothèses : E(un ) = 0 ; Cov(un , un! ) = 0 ; E(u2n ) = σ2 ; n = 1, . . . , N,

n "= n! et avec :
INV : investissement réel en milliards de dollars
T : tendance temporelle (T = 1, . . . , N)
PIB : produit intérieur brut réel en milliards de dollars
INT : taux d’intérêt
INFL : taux d’inflation
L’estimation de cette équation pour les Etats-Unis sur la période 1968-1982
donne les résultats suivants :
INV = − 0.509 − 0.017 T + 0.67 PIB
(0.0013) (0.0539) (0.0019)
− 0.002 INT + 0.0001 INFL
(0.0538) (0.0012)

(.) : écart-type
R2 = 0.9735
N = 15
SCT = 0.0162931, SCE = 0.015861, SCR = 0.000432
a:
Matrice estimée des variances-covariances du vecteur !

 
1.739 e − 06
 −3.243 e − 06 0.00290881 
 
! !a = 
Ω −4.666 e − 08 0.00009797 3.723 e − 06 
 
 −2.001 e − 06 −0.00288093 −0.00009741 0.00289444 
−7.216 e − 07 5.438 e − 06 −2.737 e − 07 −7.045 e − 06 1.425 e − 06

1. Tester la significativité de chacune des variables explicatives. (2 points)

2. Peut-on dire qu’une augmentation du PIB d’un milliard de dollards en-
traîne une augmentation de même ampleur de l’investissement ? (2 points)
3. On se demande s’il est approprié de formuler la régression en termes de
taux d’intérêt réel, c’est à dire (taux d’intérêt - inflation) plutôt que de
traiter séparément les deux variables. (3 points)
a) Formuler la restriction correspondante et tester sa validité.
b) Quel modèle alternatif pourrait-on estimer pour répondre à cette
interrogation ?
4. Tester conjointement s’il n’y a pas de tendance temporelle, si la propen-
sion marginale à investir est égale à 1 et si les investisseurs considèrent
seulement le taux d’intérêt réel. (3 points)
Séance 6. Tests d’hypothèses (2/2) 27

5. Tester la stabilité des paramètres du modèle sur l’ensemble de la période

d’étude sachant que (2 points) :
– Les résultats pour les sept premières périodes sont :
INV = −0.335 − 0.008T + 0.491PIB − 0.002INT + 0.0012INFL
SCT1 = 0.00288, SCE1 = 0.00286, SCR1 = 0.0000259
– Les résultats pour les huit dernières périodes sont :
INV = −0.551 − 0.017T + 0.709PIB − 0.003INT + 0.0005INFL
SCT2 = 0.00751, SCE2 = 0.007349, SCR2 = 0.0001575
Tables statistiques

Loi de Student

α
tα

d.d.l. α 0.10 0.05 0.025 0.01 0.005

1 3.078 6.314 12.706 31.821 63.657
2 1.886 2.920 4.303 6.965 9.925
3 1.638 2.353 3.182 4.541 5.841
4 1.533 2.132 2.776 3.747 4.604
5 1.476 2.015 2.571 3.365 4.032
6 1.440 1.943 2.447 3.143 3.707
7 1.415 1.895 2.365 2.998 3.499
8 1.397 1.860 2.306 2.896 3.355
9 1.383 1.833 2.262 2.821 3.250
10 1.372 1.812 2.228 2.764 3.169
11 1.363 1.796 2.201 2.718 3.106
12 1.356 1.782 2.179 2.681 3.055
13 1.350 1.771 2.160 2.650 3.012
14 1.345 1.761 2.145 2.624 2.977
15 1.341 1.753 2.131 2.602 2.947
16 1.337 1.746 2.120 2.583 2.921
17 1.333 1.740 2.110 2.567 2.898
18 1.330 1.734 2.101 2.552 2.878
19 1.328 1.729 2.093 2.539 2.861
20 1.325 1.725 2.086 2.528 2.845
21 1.323 1.721 2.080 2.518 2.831
22 1.321 1.717 2.074 2.508 2.819
23 1.319 1.714 2.069 2.500 2.807
24 1.318 1.711 2.064 2.492 2.797
25 1.316 1.708 2.060 2.485 2.787
26 1.315 1.706 2.056 2.479 2.779
27 1.314 1.703 2.052 2.473 2.771
28 1.313 1.701 2.048 2.467 2.763
29 1.311 1.699 2.045 2.462 2.756
∞ 1.282 1.645 1.960 2.326 2.576

107
112 TABLES STATISTIQUES

Loi de Fisher : α = 0.05

α
Fα

Degrés de liberté du numérateur : ν1

1 2 3 4 5 6 7 8 9
1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02
Degrés de liberté du dénominateur : ν2

11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90

12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96
∞ 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88
TABLES STATISTIQUES 113

Loi de Fisher : α = 0.05 (suite)

α
Fα

Degrés de liberté du numérateur : ν1

10 12 15 20 24 30 40 60 120 ∞
1 241.88 243.91 245.95 248.01 249.05 250.10 251.14 252.20 253.25 254.30
2 19.40 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.49 19.50
3 8.79 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55 8.53
4 5.96 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66 5.63
5 4.74 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40 4.36
6 4.06 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70 3.67
7 3.64 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27 3.23
8 3.35 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97 2.93
9 3.14 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75 2.71
10 2.98 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58 2.54
Degrés de liberté du dénominateur : ν2

11 2.85 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45 2.40
12 2.75 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34 2.30
13 2.67 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25 2.21
14 2.60 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18 2.13
15 2.54 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11 2.07
16 2.49 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06 2.01
17 2.45 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01 1.96
18 2.41 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97 1.92
19 2.38 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93 1.88
20 2.35 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90 1.84
21 2.32 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87 1.81
22 2.30 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84 1.78
23 2.27 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81 1.76
24 2.25 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79 1.73
25 2.24 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77 1.71
26 2.22 2.15 2.07 1.99 1.95 1.90 1.85 1.80 1.75 1.69
27 2.20 2.13 2.06 1.97 1.93 1.88 1.84 1.79 1.73 1.67
28 2.19 2.12 2.04 1.96 1.91 1.87 1.82 1.77 1.71 1.65
29 2.18 2.10 2.03 1.94 1.90 1.85 1.81 1.75 1.70 1.64
30 2.16 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68 1.62
40 2.08 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58 1.51
60 1.99 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47 1.39
120 1.91 1.83 1.75 1.66 1.61 1.55 1.50 1.43 1.35 1.25
∞ 1.83 1.75 1.67 1.57 1.52 1.46 1.39 1.32 1.22 1.00
114 TABLES STATISTIQUES

Loi de Fisher : α = 0.025

α
Fα

Degrés de liberté du numérateur : ν1

1 2 3 4 5 6 7 8 9
1 647.79 799.50 864.16 899.58 921.85 937.11 948.22 956.66 963.28
2 38.51 39.00 39.17 39.25 39.30 39.33 39.36 39.37 39.39
3 17.44 16.04 15.44 15.10 14.88 14.73 14.62 14.54 14.47
4 12.22 10.65 9.98 9.60 9.36 9.20 9.07 8.98 8.90
5 10.01 8.43 7.76 7.39 7.15 6.98 6.85 6.76 6.68
6 8.81 7.26 6.60 6.23 5.99 5.82 5.70 5.60 5.52
7 8.07 6.54 5.89 5.52 5.29 5.12 4.99 4.90 4.82
8 7.57 6.06 5.42 5.05 4.82 4.65 4.53 4.43 4.36
9 7.21 5.71 5.08 4.72 4.48 4.32 4.20 4.10 4.03
10 6.94 5.46 4.83 4.47 4.24 4.07 3.95 3.85 3.78
Degrés de liberté du dénominateur : ν2

11 6.72 5.26 4.63 4.28 4.04 3.88 3.76 3.66 3.59

12 6.55 5.10 4.47 4.12 3.89 3.73 3.61 3.51 3.44
13 6.41 4.97 4.35 4.00 3.77 3.60 3.48 3.39 3.31
14 6.30 4.86 4.24 3.89 3.66 3.50 3.38 3.29 3.21
15 6.20 4.77 4.15 3.80 3.58 3.41 3.29 3.20 3.12
16 6.12 4.69 4.08 3.73 3.50 3.34 3.22 3.12 3.05
17 6.04 4.62 4.01 3.66 3.44 3.28 3.16 3.06 2.98
18 5.98 4.56 3.95 3.61 3.38 3.22 3.10 3.01 2.93
19 5.92 4.51 3.90 3.56 3.33 3.17 3.05 2.96 2.88
20 5.87 4.46 3.86 3.51 3.29 3.13 3.01 2.91 2.84
21 5.83 4.42 3.82 3.48 3.25 3.09 2.97 2.87 2.80
22 5.79 4.38 3.78 3.44 3.22 3.05 2.93 2.84 2.76
23 5.75 4.35 3.75 3.41 3.18 3.02 2.90 2.81 2.73
24 5.72 4.32 3.72 3.38 3.15 2.99 2.87 2.78 2.70
25 5.69 4.29 3.69 3.35 3.13 2.97 2.85 2.75 2.68
26 5.66 4.27 3.67 3.33 3.10 2.94 2.82 2.73 2.65
27 5.63 4.24 3.65 3.31 3.08 2.92 2.80 2.71 2.63
28 5.61 4.22 3.63 3.29 3.06 2.90 2.78 2.69 2.61
29 5.59 4.20 3.61 3.27 3.04 2.88 2.76 2.67 2.59
30 5.57 4.18 3.59 3.25 3.03 2.87 2.75 2.65 2.57
40 5.42 4.05 3.46 3.13 2.90 2.74 2.62 2.53 2.45
60 5.29 3.93 3.34 3.01 2.79 2.63 2.51 2.41 2.33
120 5.15 3.80 3.23 2.89 2.67 2.52 2.39 2.30 2.22
∞ 5.02 3.69 3.12 2.79 2.57 2.41 2.29 2.19 2.11
TABLES STATISTIQUES 115

Loi de Fisher : α = 0.025 (suite)

α
Fα

Degrés de liberté du numérateur : ν1

10 12 15 20 24 30 40 60 120 ∞
1 968.63 976.71 984.87 993.10 997.25 1001.41 1005.60 1009.80 1014.02 1018
2 39.40 39.41 39.43 39.45 39.46 39.46 39.47 39.48 39.49 39.50
3 14.42 14.34 14.25 14.17 14.12 14.08 14.04 13.99 13.95 13.90
4 8.84 8.75 8.66 8.56 8.51 8.46 8.41 8.36 8.31 8.26
5 6.62 6.52 6.43 6.33 6.28 6.23 6.18 6.12 6.07 6.02
6 5.46 5.37 5.27 5.17 5.12 5.07 5.01 4.96 4.90 4.85
7 4.76 4.67 4.57 4.47 4.41 4.36 4.31 4.25 4.20 4.14
8 4.30 4.20 4.10 4.00 3.95 3.89 3.84 3.78 3.73 3.67
9 3.96 3.87 3.77 3.67 3.61 3.56 3.51 3.45 3.39 3.33
10 3.72 3.62 3.52 3.42 3.37 3.31 3.26 3.20 3.14 3.08
Degrés de liberté du dénominateur : ν2

11 3.53 3.43 3.33 3.23 3.17 3.12 3.06 3.00 2.94 2.88
12 3.37 3.28 3.18 3.07 3.02 2.96 2.91 2.85 2.79 2.72
13 3.25 3.15 3.05 2.95 2.89 2.84 2.78 2.72 2.66 2.60
14 3.15 3.05 2.95 2.84 2.79 2.73 2.67 2.61 2.55 2.49
15 3.06 2.96 2.86 2.76 2.70 2.64 2.59 2.52 2.46 2.40
16 2.99 2.89 2.79 2.68 2.63 2.57 2.51 2.45 2.38 2.32
17 2.92 2.82 2.72 2.62 2.56 2.50 2.44 2.38 2.32 2.25
18 2.87 2.77 2.67 2.56 2.50 2.44 2.38 2.32 2.26 2.19
19 2.82 2.72 2.62 2.51 2.45 2.39 2.33 2.27 2.20 2.13
20 2.77 2.68 2.57 2.46 2.41 2.35 2.29 2.22 2.16 2.09
21 2.73 2.64 2.53 2.42 2.37 2.31 2.25 2.18 2.11 2.04
22 2.70 2.60 2.50 2.39 2.33 2.27 2.21 2.14 2.08 2.00
23 2.67 2.57 2.47 2.36 2.30 2.24 2.18 2.11 2.04 1.97
24 2.64 2.54 2.44 2.33 2.27 2.21 2.15 2.08 2.01 1.94
25 2.61 2.51 2.41 2.30 2.24 2.18 2.12 2.05 1.98 1.91
26 2.59 2.49 2.39 2.28 2.22 2.16 2.09 2.03 1.95 1.88
27 2.57 2.47 2.36 2.25 2.19 2.13 2.07 2.00 1.93 1.85
28 2.55 2.45 2.34 2.23 2.17 2.11 2.05 1.98 1.91 1.83
29 2.53 2.43 2.32 2.21 2.15 2.09 2.03 1.96 1.89 1.81
30 2.51 2.41 2.31 2.20 2.14 2.07 2.01 1.94 1.87 1.79
40 2.39 2.29 2.18 2.07 2.01 1.94 1.88 1.80 1.72 1.64
60 2.27 2.17 2.06 1.94 1.88 1.82 1.74 1.67 1.58 1.48
120 2.16 2.05 1.94 1.82 1.76 1.69 1.61 1.53 1.43 1.31
∞ 2.05 1.94 1.83 1.71 1.64 1.57 1.48 1.39 1.27 1.00