Université A- mira de Bejaia

Faculté des sciences économiques, sciences de gestion et sciences commerciales

Solution de la série n°01

Solution de l’exercice n°01 :

1) L’équation de régression estimée par les moindres carrés ordinaire (MCO) est : Yˆt  ˆ0  ˆ1 X t

ˆ1  
X tYt  nXY 11216  10  18  57 956
   1,66 (Pente estimée de la droite de
 X t2  nX 2 3816  10  182 576
régression)
ˆ0  Y  ˆ1 X  57  1,66 18  57  29,88  27,12 (Ordonnée à l’origine)
Yˆ  27,12  1,66 X (Équation estimée de la droite de régression)
t t

2) Test de la signification du paramètre ˆ1

H :   0
Le test peut être formulé à partir des deux hypothèses suivantes :  0 1
H1 : 1  0
La statistique du test
ˆ  1 ˆ
Tc  1  St n - 2ddl Si1  0 : Tc  1  St n - 2ddl
 ˆ 1
 ˆ
1

Si Tc  tt  accepter H1
Si Tc  tt  accepter H0

   
 2 e ˆ 2
2
n2 47,3056 8
V ˆ1   i
  0,01   ˆ  0,1
 X  X   X  X   X  nX 3816  10  182
2 2 2 2 1
t t t

ˆ1  1 1,66  0
Tc    16,6
 ˆ 0,1
1

Comme tc  16,6 dépasse tt  2,306 avec 8 de degré de liberté au seuil de 5%, donc 1 est
statistiquement significatif au seuil de 5%.
3) Détermination de R 2
n

SCR e 2
t
47,31
R2  1  1 t 1
1  97,10%
 Y  Y 
n
SCT 2 1634
t
t 1
L’équation de régression explique donc environ 97%de la variabilité totale de la production
de maïs. Les 3% restants peuvent être attribués à des facteurs inclus dans le terme d’erreur.
Dès lors, r  R 2  0,9710  98,54%, r est positif parce que ˆ l’est. 1

Solution de l’exercice n°02:

10 10 10 10 10

 X t  310,  Yt  2320,  X tYt  126750,

t 1 t 1 t 1
 X t2  17950,
t 1
Y
t 1
t
2
 979400.

1) L’équation de régression estimée par les moindres carrés ordinaire (MCO) est : Yˆi  ˆ0  ˆ1 X i

Y  Y t

2320
 386,66 X  X t

310
 51,6
n 6 n 6

1
Nous obtenons alors pour les valeurs  0 et 1 de la droite Yˆt  ˆ0  ˆ1 X t , les valeurs suivantes :
Cov( X t ;Yt )  X tYt  nXY 126750  6  51,6  386,66
ˆ1     3,56
 X t2  nX 2 17950  6  51,6
2
V (Xt )
ˆ  Y  ˆ X  386,66  (3,56)  (51,6)  202,96
0 1

D’où : Yˆ  3,56 X t  202,96

2) Test de la signification du paramètre ˆ1
 ˆ  V ˆ1  2,73
1
 
ˆ1  1 3,56  0
Tc    1,302
 ˆ 1
2,73
Comme tc  1,302 est inférieure à tt  2,77 avec 4 de degré de liberté au seuil de 5%,
donc 1 n’est pas statistiquement significatif au seuil de 5%.
3) Calcul du coefficient de corrélation :
Cov( X t , Yt ) 7040,064
r   0,55.
 X Y 44,43  287
4) Interprétation du coefficient de corrélation :
Pour cette série, nous pouvons conclure qu’il y a une corrélation positive mais pas très forte
entre le volume des ventes et les dépenses en publicité de cette entreprise. En effet,
seulement : 30% ( 100r 2  0,552  100) de la fluctuation totale de Y se trouve expliquée par le
lien entre X et Y.
Solution de l’exercice n°03 :
1) Calcul des coefficients de régression ˆ0etˆ1 :

ˆ1  
X  X Y  Y    X Y  nXY
t t t t

50104729
 0,78
 X  X   X  nX
2 2 2
t t 64156000

et ˆ0  Y  ˆ1 X  9985,57  0,78  11280  1176,08

2) La propension marginale est –elle-significativement différente de0 ?
Cette question est très importante en économétrie. En effet, dans le cas d’une réponse négative, le
coefficient n’est pas significativement différent de 0. La variable explicative Revenu ne sera pas
considérée comme étant explicative de la consommation puisque son coefficient de pondération
est nul. Il peut paraître étonnant de tester la différence par rapport à 0 et non pas seulement la
positivité ou la négativité du coefficient de régression. En effet, il est commode de ne s’interroger
que sur la contribution de la variable explicative, quelle soit positive ou négative.
Ce problème peut être formulé à l’aide de la théorie des tests à partir des deux hypothèses
H 0 : 1  0
suivantes : 
H1 : 1  0
Si nous rejetons l’hypothèse H0 au seuil de 5%, alors la propension marginale à consommer est
considérée comme étant significativement différente de 0
ˆ1  1 ˆ1
Nous avons : Tc   St n - 2ddl
 Si1  0 : Tc   St n - 2ddl

 ˆ 1
 ˆ
1

ˆ 10
Tc   St n - 2ddl

 ˆ
1

2
On calcule d’abord :

   
 2 e ˆ 2
2
n2 165169,3 10  2
V ˆ1   i
  0,0003218   ˆ  0,0179
 X  X   X  X   X  X
2 2 2
t t t
64156000 1

ˆ1 0,78
Tc    43,57  t80,025  2,306  ˆ1  0
 ˆ 1
0,0179
La propension marginale à consommer est donc significativement différente de 0. La variable Revenu
est bien explicative de la variable consommation.
3) Détermination d’IC, au seuil de 95%, pour la propension marginale à consommer
ˆ1  1 ˆ  1 
Nous savons que :  St n - 2ddl soit 1
  tn  2
 ˆ1
 ˆ 1

L’IC nous est donné par :

ˆ1  1
 ˆ

 tn22  1  ˆ1   ˆ  tn22
1

1

Donc pour un niveau de confiance 95% on a :

1  0,78  2,306  0,0179  0,74;0,82, nous constatons que 0 ne figure pas dans cet intervalle de
confiance, ce qui est cohérent avec la question précédente.
Solution de l’exercice n°04:
1) les observations ne sont pas datées, le modèle est spécifié en coupe instantanée.
H 0 : 1  0
Pour tester l’hypothèse  , nous comparons le ratio de student empirique tc  10,2 à la
H1 : 1  0
ˆ
0 , 05
valeur tabulée t83  1,96 .  ˆ  1  0,107
1
tc
Puisque tc est largement supérieur à 1,96, nous rejetons l’hypothèse H0, 1 est donc significativement
différente de 0. Le taux de bauxite est un facteur explicatif (négatif) de la production de maïs.
2) pour construire le tableau d’analyse de la variance, il faut connaître :
 
SCE   Yˆ  Y , SCR   et2 , SCT   Y  Y 
2 2

t t t

Or d’après ˆ1 
 xt yt , nous avons : R 1
2 e 2
t
1
SCR
 xt2 Y  Y 
t
2
SCT
R  0,556 ;
2
La connaissance de SCR   e2t  6234,32 permet de déterminer

SCT  14041,26 ainsi que, d’après la formule 

Y  Y    Yˆ  Y    e
t
2
t
2 2
t on a :
SCT  SCE  SCR
SCE  7806,94 . Nous pouvons maintenant construire le tableau d’analyse de la variance suivant :
Source de variance  des carrés DDL Carrés moyens
SCE
x 1 7806,94
7806,94
SCR
Résidu 85-2 75,11
6234,32
SCT
Total 85-1
14041,26
SCE 1 7806,94
Fc    103,94  F10,83, 05  3,96
SCR n  2 75,11

3
Nous remarquons que Fc  tc 
2

Dans le modèle de régression simple, il y a équivalence à tester :

H0 H1
1  0 1  0
rx , y  0 rx , y  0
SCE  0 SCE  0
Le premier test porte sur la pente de la droite de régression, le deuxième test sur le coefficient de
corrélation entre x et y et enfin, le troisième a pour but de juger si la somme des carrés expliqués et
significative, ces trois tests néanmoins répondent à la même interrogation.
Solution de l’exercice n°05:
1) Calcul du coefficient de détermination et test de significativité globale
R2 k
On sait que : Fc   Tc   14,7 
2 2


1  R n  k 1
2

R2 1
 216,6  8R 2  216,6  216,6 R 2  224,6 R 2  216,6  R 2  0,96
1  R 10  1  1
2

Test de la signification globale (Le test de Fisher global) :
H0 : 0  1  0

H1 : il  au moins un coefficien t non nul
 F k , n  k  1
SCE k
La statistique du test : Fc 
SCR / n  k  1
R2 k
Fc   216,1  F15,%8  5,32

1  R2 n  k  1 
Comme la valeur calculée de Fc dépasse, la valeur tabulée F15,%8  5,32 donc on accepte H1 et
le modèle est globalement significatif.
2) Augmentation de 8% du revenu :
Nous avons : Yt  ˆ1X t soit Yt  0,78X t  0,78  0,08  0,0624
La consommation augmente de 6,24% soit un peu moins que le revenu.
3) Les prévisions
Les prévisions sont calculées par l’utilisation du modèle estimé Yˆt  1176,08  0,78 X t
Yˆ1993  1176,08  0,78 X 1993  1176,08  0,78  16800  14280,08
 1  X t 1  X  
2

L’intervalle de prévision est : Yt 1  Yˆt 1  tn22ˆ 2   1 

 n   X t  X 2 

 ˆ  2 2 1
Y1993  Y1993  t n2 
ˆ 
 X 1993  X 
2  

 1  14280,08  2,306  143,69
1 16800  11280

2 
 1
 n  X t  X  2
  10 64156000 
 13864,24 ; 14695,91
De même pour l’année 1994 : Yˆ1994  1176,08  0,78 X1994  1176,08  0,78 17000  14436,08
 1 17000  11280
2 
Y1994  14436,08  2,306  143,69   1  14015,65 ; 14856,51
 10 64156000 