FSJES – FES A.

U : 2020/2021

Méthodes économétriques / parcours E et G-Toutes les sections

TD N°1 - Corrigé
Equipe pédagogique : M. TOUIJAR DRISS , M. ELHASSANI Hafid , M. EL-MAHI Toufik
Exercice 1 :
1- Montrer que : ∑ 𝒆𝒕 = 𝟎

Σet= Σ(yt - ŷt) = Σ(yt – (â0 + â1xt))

= Σ(yt – ((y - â1x)+ â1xt))
= Σ((yt– y) - â1(xt - x))
= Σ(yt–y) - Σ â1(xt-x)
= Σ(yt–y) - â1Σ(xt-x)
= Σyt–Σy - â1(Σxt – Σx)
= ny – ny - â1(nx - n𝑥̅ )
= 0 – â1.0

=0
̅
2- Montrer que 𝒚
̂=𝒚
̅

Σ𝑦̂𝑡 Σ(â₁𝑥𝑡 + â₀) Σ â₁𝑥𝑡 + Σ â₀

̅
̂=
𝒚 = =
n n 𝑛
â₁Σ𝑥𝑡 + Σ â₀ â₁ n x + n â₀
= =
𝑛 𝑛

= â1𝑥̅ + â0
̅
=𝒚
∑(𝒙𝒕 −𝒙
̅)(𝒚𝒕 −𝒚
̅) ∑ 𝒙𝒕 𝒚𝒕 − 𝒏 𝒙
̅𝒚̅
̂𝟏 =
3- Montrer que : 𝒂
∑(𝒙𝒕 −𝒙 𝟐
= ∑ 𝒙𝟐𝒕 −𝒏 ̅𝒙𝟐
̅)

Σ(𝑥𝑡 −x)(𝑦𝑡 −y) ∑ 𝒙𝒕 𝒚𝒕 −𝑥̅ Σ𝑦𝑡 −𝑦̅Σ𝑥𝑡 +Σ𝑥̅ 𝑦̅

â1= =
Σ(𝑥𝑡 −𝑥̅ )² Σ𝑥𝑡 2 −2𝑥̅ Σ𝑥𝑡 +Σ𝑥̅ ²

∑ 𝒙𝒕 𝒚𝒕 −n𝑥̅ 𝑦̅−nyx+nxy ∑ 𝒙𝒕 𝒚𝒕 − n𝑥̅ 𝑦̅

â1 = =
Σ𝑥𝑡 ²−2 n𝑥̅ ²+n𝑥̅ ² Σ𝑥𝑡 ²− n𝑥̅ ²

1
FSJES – FES A.U : 2020/2021

𝛔𝐲
4- 𝐌𝐨𝐧𝐭𝐫𝐞𝐫 𝐪𝐮𝐞 ∶ 𝐚̂𝟏 = 𝐫𝐱𝐲 ⁄𝛔 𝐱
̅ )(𝑦𝑡−𝑦
Σ(𝑥𝑡 −𝑥 ̅)
Σ(𝑥𝑡 −x)(𝑦𝑡 −𝑦̅) n Cov (x,y)
â1 = = Σ(𝑥𝑡−𝑥 ̅ )² =
Σ(𝑥𝑡 −𝑥̅ )² V(x)
n

Cov (x,y) Cov (x,y) σ(y)

= = x
σ²(x) σ(x)σ(y) σ(x)
σ(y)
= rxy
σ(x)

Remarque :
Σ(𝑥𝑡 −x) 𝑦𝑡 ∑ 𝑥𝑡 𝑦𝑡 −∑ 𝑥̅ 𝑦𝑡
- â1 = =
Σ(𝑥𝑡 −𝑥̅ ) 𝑥𝑡 Σ𝑥𝑡 ²−Σ𝑥̅ 𝑥𝑡
Σ𝑥𝑡 𝑦𝑡 −𝑥̅ Σyt Σ𝑥𝑡 𝑦𝑡 −n𝑥̅ 𝑦̅
= =
Σxt²−xΣ𝑥𝑡 Σ𝑥𝑡 ²−n𝑥̅ ²
Σ𝑥𝑡 (yt−𝑦̅) Σ𝑥𝑡 𝑦𝑡 −Σ𝑥𝑡 𝑦̅
- â1 = =
Σ𝑥𝑡 (𝑥𝑡 −𝑥̅ ) Σ𝑥𝑡 ²−Σ𝑥𝑡 𝑥̅
Σ𝑥𝑡 𝑦𝑡 −𝑦̅Σ𝑥𝑡 Σ𝑥𝑡 𝑦𝑡 −n𝑥̅ 𝑦̅
= =
Σ𝑥𝑡 ²−xΣ𝑥𝑡 Σ𝑥𝑡 ²−n𝑥̅ ²

Exercice 2 :
∑6𝑡=1 𝑥𝑡 = 36 ; ∑6𝑡=1 𝑦𝑡 = 114 ; ∑6𝑡=1 𝑥𝑡 𝑦𝑡 = 702 et ∑6𝑡=1 𝑥𝑡 ² = 226

Estimons la relation : 𝒀𝒕 = a+ a𝒙𝒕 + 𝛆𝒕 où 𝛆𝒕 est le terme d’erreur

*Remarque : Concernant le terme d’erreur, certains auteurs utilisent
𝑊𝑡 au lieu de ε𝑡
On a
Σ𝑥𝑡 𝑦𝑡−n𝑥̅ 𝑦
̅
â₁ =
Σ𝑥2𝑡 −n ̅𝑥²
Σ𝑥𝑡 36 Σ𝑦𝑡 114
x= = =6 et y= = =19
n 6 n 6
702−6 x 6 x 19 702−684 18
â₁ = = =
226−6 x 6² 226−216 10

â₁=1.8

2
FSJES – FES A.U : 2020/2021

â₀ = 𝒚̅ - â₁𝒙̅ = 19 – 1.8(6) = 19 – 10.8

â₀ = 8.2
Ainsi l’estimation de la relation : 𝒀𝒕 = 𝒂𝟎 + 𝒂𝟏 𝒙𝒕 + 𝛆𝒕 s’écrit comme suit :
𝑦̂𝑡 = â₀ + â₁𝒙𝒕 = 8.2 + 1.8𝑥𝑡

Signification des coefficients de régression â₀ et â₁ :

- â₁ est la variation moyenne en 𝑦𝑡 lorsque 𝑥𝑡 varie d’une unité =>

dans notre cas, on a : â₁ = 1,8 > 0 , signifie que 𝑦𝑡 en moyenne
augmente de 1.8 lorsque 𝑥𝑡 augmente d’une unité.
- â₀ est la constante à l’origine de 𝑦𝑡 lorsque 𝑥𝑡 = 0, valeur à
l’origine. (𝑦𝑡 vaut 8.2 lorsque 𝑥𝑡 = 0, c’est la valeur de 𝑦𝑡 )
Exercice 3 :
1- les hypothèses de la méthode MCO :
H1 : le modèle est linéaire et les observations x𝑡 sont des valeurs certaines (non stochastique,
c’est-à-dire non aléatoire)
H2 : l’espérance de l’erreur ε𝑡 est nulle E(ε𝑡 ) = 0 ;
H3 : l’homoscédasticité (la variance des erreurs stochastiques est constante :

V (ε𝑡 ) = σε2= E(ε𝑡 2) – E(ε𝑡 )2 = E(ε𝑡 2) = Cte

H4 : ∀ t ≠ t’ Cov(ε𝑡 , εt’) = E(ε𝑡 εt’) – E(ε𝑡 )E(εt’) = E(ε𝑡 εt’) = 0

Les erreurs sont indépendantes (non corrélées)
H5 : l’erreur ε𝑡 est indépendante de la variable exogène x𝑡

Cov(x𝑡 ,εt) =0
H6 : les erreurs εt suivent une loi normale :

εt N (0, σε2)

3
FSJES – FES A.U : 2020/2021

2- Estimation des coefficients a₀ et a₁

Total
𝑥𝑡 15 8 36 41 16 8 21 21 53 10 229
𝑦𝑡 48 43 77 89 50 40 56 62 100 47 612
𝑥𝑡 𝑦𝑡 720 344 2772 3649 800 320 1176 1302 5300 470 16853
𝑥𝑡 2 225 64 1296 1681 256 64 441 441 2809 100 7377
𝑦𝑡 2 2304 1849 5929 7921 2500 1600 3136 3844 10000 2209 41292

229 619
∑ 𝑥𝑡 𝑦𝑡 −n𝑥̅ 𝑦̅ 16853−10 x 10
x 10
â₁ = = 229
Σ𝑥𝑡 ²−n𝑥̅ ² 7377−10 x ( )²
10

16853−14014,80 2838,20
= =
7377−5244,10 2132,90

â₁ = 1,33
â₀ = 𝑦̅ - â₁𝑥̅ = 61,20 – 1,33 x 22,9 â₀ = 30,74
Ainsi, le modèle estimé s’écrit : 𝑦̂𝑡 = 30,74 + 1,33 𝒙𝒕

3- Le coefficient de corrélation linéaire entre x et y : rxy

Cov (x,y) Σ(𝑥𝑡 −𝑥̅ )(𝑦𝑡 −y)

rxy = =
σ(x)σ(y) √Σ(𝑥𝑡 −𝑥̅ )2 √Σ(𝑦𝑡 −𝑦̅)²
Σ𝑥𝑡 𝑦𝑡 −n𝑥̅ y 16853−10 x 22.9 x 61.2
= = √7377−10 x (22.9)2
√Σ𝑥𝑡 ²−nx² √Σ𝑦𝑡 ²−ny² √41292− 10 x (61.2)²

16853−14014.80 2838.20
= =
46.18 x 61.95 2860.85

Donc rxy= 0.99

Le coefficient de corrélation est très proche de 1, donc il y a une forte corrélation positive
entre X et Y.

4
FSJES – FES A.U : 2020/2021

Exercice 4 :
On a 𝑦𝑡 = a₀ + a₁𝑥𝑡 + 𝜀𝑡
∑84
𝑡=1 𝑥𝑡 = 579.6 ; ∑84 84 84
𝑡=1 𝑦𝑡 = 634.2 ; ∑𝑡=1 𝑥𝑡 ² = 4083.24 ; ∑𝑡=1 𝑦𝑡 ² = 4933.404 et
∑84
𝑡=1 𝑥𝑡 𝑦𝑡 = 4483.5

1- Estimation des coefficients a₀ et a₁ :

579.60 634.20
Σ𝑥𝑡 𝑦𝑡 −n𝑥̅ 𝑦̅ 4483.24−84 ( 84
)(
84
) 107.26
𝑎
̂1 = 2 −n𝑥̅ 2
= 579.60 =
Σ𝑥𝑡 4083.24−84 ( )² 84
84

â₁ = 1.28

579.6 634.2
On a x= = 6.9 et y= = 7.55
84 84

Et â₁ = 1.28

â₀ = 𝑦̅ - â₁𝑥̅ = 7.55 – 1.28.(6.9)

â₀ = - 1.282
Donc le modèle estimé s’écrit : 𝑦̂𝑡 = â₀ + â₁𝑥𝑡 = - 1.28 + 1.28 𝑥𝑡

2- Calcul de : SCT, SCE et SCR

On a
Σ (𝑦𝑡 - y)² = Σ(𝑦̂𝑡 - y)² + Σ(𝑦𝑡 - ŷt)²
SCT SCE SCR
SCT = Σ (𝑦𝑡 – y )²= Σ𝑦𝑡 2 - ny²
SCT = 4933.404 – 84.(7.55)²
SCT = 145,194

SCE = Σ(𝑦̂𝑡 - y)²= Σ 𝑦̂𝑡 2 - n𝑦̅ 2 = Σ((â₀ + â₁𝑥𝑡 ) – (â₀ + â₁𝑥̅ ))²
= Σ(â₁(𝑥𝑡 – 𝑥̅ ))²= Σ â₁² (𝑥𝑡 – 𝑥̅ )²
= â₁² (Σ (𝑥𝑡 – 𝑥̅ )²)= â₁²( Σ𝑥𝑡 2 – n(𝑥̅ )²
SCE= (1.28)² (4083.24 - 84 (6.9)²)
SCE= 137.6256

5
FSJES – FES A.U : 2020/2021

SCR= Σet²= Σ(yt – ŷt)²

= Σ(yt - â₀ - â₁xt)²= Σyt²+ Σâ₀²+ Σâ₁²xt²+ Σ2 â₀â₁xt - Σ2â₀yt - Σ2â₁𝑥𝑡 𝑦𝑡
= Σyt²+ â₁²Σxt²+ 2 â₀â₁ Σxt - 2â₀Σyt - 2â₁ Σ𝑥𝑡 𝑦𝑡 + nâ0²
SCR= 4933.404 + (1.28)² 4083.24 + 2 (-1.282) (1.28) 579.6 – 2 (1.282) 634.2 – 2 (1.28) 4483.5
+ 84 (-1.282)²
SCR= 7,5687
Ou bien SCT = SCE+SCR => SCR= SCT – SCE
SCR= 145,194 – 137.6256
SCR= 7,568

3- Estimation des variances de â₀ et de â₁ :

1 𝑥̅ 2
- σ²â₀ = 𝜎𝜀 2 ( + ) = V(â₀)
n Σ(𝑥𝑡 −𝑥̅ )2

1 ̅2
𝑥
donc σ²â₀= σ̂
²ε ( + ̂
) = V(â₀)
n Σ(𝑥𝑡 −𝑥̅ )2

σε²
- σ²â₁ = donc σ² â ₁ = V(â₁)
Σ(𝑥𝑡 −x)2

σ̂²ε
donc 𝜎̂2 â₁ = = V(â₁)
Σ(𝑥𝑡 −𝑥̅ )2

Σ𝑒𝑡 ² Σ(𝑦𝑡 − ŷt)² SCR

- σ²ε = V(ε) = = =
(n−2) (n−2) (n−2)

SCR 7,5684
- σ²ε= = => σ̂
²ε= 0,0923
(n−2) 82
1 (6,9)²
- σ²â₀= 0,0923 ( + ) => σ̂
²â₀= 0,0534
84 4083,24−84 (6,9)²
1
- 𝜎̂2 â₁ = 0,0923 ( ) => σ²â₁ = 0,0011
4083,24−84 (6,9)²

4- le coefficient de détermination R²

SCE 137,6256 SCR 7,5684

R²= = = 94,78% ou R²= 1- =1–
SCT 145,194 SCT 145,184

6
FSJES – FES A.U : 2020/2021

On a R² est proche de 100%, donc on a une très bonne qualité d’ajustement.

Exercice 5
On a txii = 0,085 + 0,623 txsi + ei = â₀ + â₁ txsi + ei

c-à-d txii = 0,085 + 0,623 txsi ; avec R² = 0,991

̂ = 0,085 + 0,623 x 0,1 = 0,1473

1- Si txs = 10% = 0,1 alors 𝑡𝑥𝑖
̂ = 0,085 + 0,623 x 0,15 = 0,1784
Si txs =15% = 0,15 alors txi
̂ = 0,085 + 0,623 x 0,20 = 0,2096
Si txs = 20% = 0,2 alors txi

2- Qualité d’ajustement du modèle :

On a R² = 0,991 donc la qualité d’ajustement est presque parfaite. La droite de régression
permet d’expliquer 99,1% de la variation du taux d’investissement txi en fonction du taux
d’épargne txs.