Vous êtes sur la page 1sur 30

Chapitre 3: Le Modèle Linéaire Général

I. Présentation et forme matricielle du modèle

II. Hypothèses, estimation et propriétés des estimateurs

III. Interprétation économique des paramètres

Econométrie Licence 3_Semestre5_FSEG_Bamako


I. Présentation et forme matricielle du modèle

1. Présentation

 Dans le chapitre précédent, la relation entre l’endogène et l’exogène est uni-variée , c’est-à-
dire une variable endogène est expliquée à l’aide d’une seule variable exogène.

 Cependant, il est rarissime qu’un phénomène économique ou social puisse être appréhendé
par une seule variable, d’où la nécessité d’étudier le modèle linéaire général.

 Le modèle linéaire général est une généralisation du modèle de régression simple dans lequel
figurent plusieurs variables explicatives

Econométrie Licence 3_Semestre5_FSEG_Bamako


I. Présentation et forme matricielle du modèle

L’écriture du modèle linéaire général est la suivante:

𝒚𝒕 = 𝜷𝑶 + 𝜷𝟏 *𝒙𝟏𝒕 + 𝜷𝟐 *𝒙𝟐𝒕 + 𝜷𝟑 *𝒙𝟑𝒕 + … + 𝜷𝒌 *𝒙𝒌𝒕 + 𝜺𝒕 (1)

pour t=1,…, n

Avec:

 𝑦𝑡 : variable à expliquer à la date t

 𝑥1𝑡 : variable explicative 1 à la date t

 𝑥2𝑡 : variable explicative 2 à la date t

…

 𝑥𝑘𝑡 : variable explicative k à la date t

Econométrie Licence 3_Semestre5_FSEG_Bamako


I. Présentation et forme matricielle du modèle

 𝛽𝑂 , 𝛽1 , … 𝛽𝑘 ∶ paramètres du modèle ou coefficients de régression

 𝜀𝑡 : erreur de spécification (différence entre le modèle vrai et le


modèle spécifié), cette erreur est inconnue et restera inconnue

 𝑛 = nombre d’observations

 𝑘 : nombre de variables explicatives réelles.

Econométrie Licence 3_Semestre5_FSEG_Bamako


I. Présentation et forme matricielle du modèle

2. Forme matricielle
 L’écriture (1) est d’un maniement peu pratique. Nous pouvons l’alléger afin de faciliter
l’expression de certains résultats, pour cela, nous faisons recours aux notations matricielles.

 En écrivant l’écriture (1) du modèle, observation par observation, nous obtenons :

• 𝐲𝟏 = 𝛃𝐎 + 𝛃𝟏 *𝐱 𝟏𝟏 + 𝛃𝟐 *𝐱 𝟐𝟏 + 𝛃𝟑 *𝐱 𝟑𝟏 + … + 𝛃𝐤 *𝐱 𝐤𝟏 + 𝛆𝟏

• 𝐲𝟐 = 𝛃𝐎 + 𝛃𝟏 *𝐱 𝟏𝟐 + 𝛃𝟐 *𝐱 𝟐𝟐 + 𝛃𝟑 *𝐱 𝟑𝟐 + … + 𝛃𝐤 *𝐱 𝐤𝟐 + 𝛆𝟐

• …

• 𝐲𝐧 = 𝛃𝐎 + 𝛃𝟏 *𝐱 𝟏𝐧 + 𝛃𝟐 *𝐱 𝟐𝐧 + 𝛃𝟑 *𝐱 𝟑𝐧 + … + 𝛃𝐤 *𝐱 𝐤𝐧 + 𝛆𝐧

Econométrie Licence 3_Semestre5_FSEG_Bamako


I. Présentation et forme matricielle du modèle

Soit sous forme matricielle :

𝒀(𝒏,𝟏) = 𝑿(𝒏,𝒌+𝟏) *𝜷(𝒌+𝟏,𝟏) + 𝜺(𝒏,𝟏) (2)

Avec :
 0  1 x11 x21  xk1 
 y1   1     
     1  1 x12 x22  xk 2 
 y2   2 
Y         2  et X=      
     
         
y   
 n  n   1 x1n x2n  xkn 
 k 

Econométrie Licence 3_Semestre5_FSEG_Bamako


I. Présentation et forme matricielle du modèle

 La première colonne de la matrice X, composée de 1, correspond au

coefficient 𝛃𝐎

 La matrice X est de dimension n lignes et k+1 colonnes.

 L’écriture (2) sous forme matricielle rend plus aisée la manipulation

du modèle linéaire général, c’est pourquoi nous l’adoptons par la suite.

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

1. Hypothèses

 Pour l’estimation des paramètres du modèle linéaire général, deux grands types
hypothèses sont émis: les hypothèses stochastiques (liées au terme d’erreur) et les
hypothèses structurelles (liées à la structure de la matrice X)

 Hypothèses stochastiques

o H1 : les valeurs 𝐱 𝐤𝐧 sont observées sans erreur

o H2 : E(𝜀𝑡 ) = 0 : l’espérance mathématique de l’erreur est nulle, ce qui suppose


qu’en moyenne le modèle est bien spécifié et l’erreur moyenne est nulle

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

o H3 : E(𝜀 2 𝑡 ) = 𝜎𝜀2 , la variance de l’erreur est constante ( quelque soit t) : homoscédasticité

o H4 : E(𝜀𝑡 , 𝜀𝑡′ ) = 0 si t ≠ t’ , les erreurs sont non corrélées ( ou encore indépendantes)

o H5 : cov(𝐱 𝐤𝐭 , 𝜀𝑡 ) = 0, l’erreur est indépendante des variables explicatives

Hypothèses structurelles
o H6 : absence de colinéarité entre les variables explicatives, cela implique que la matrice (X’X) est
régulière et que la matrice (𝑋 ′ 𝑋)−1 existe.

(𝑋 ′ 𝑋)
o H7 : tend vers une matrice finie non singulière.
𝑛

o H8 : n ˃ k+1, le nombre d’observations est supérieur au nombre des séries explicatives

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

2. Estimation des paramètres par MCO

 Considérons le modèle (écriture 2) sous forme matricielle à k variables


explicatives et à n observations :

De Y = Xβ +𝜺 (2) → 𝜺 = Y- Xβ (3)

 Afin d’estimer le vecteur β composé des coefficients 𝛽𝑂 , 𝛽1 , … 𝛽𝑘 , nous


appliquons la méthode des MCO qui consiste à minimiser la somme des carrés des
erreurs, soit :
𝑛 2
Minimiser (𝜀
𝑡=1 𝑡 ) = minimiser ( 𝜀′𝜀) = min (Y- Xβ)’(Y- Xβ) = min(S)

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

Avec 𝜀′ transposée de 𝜀 et S = (Y- Xβ)’(Y- Xβ)

En développant la fonction S, on obtient:

S(β) = Y’Y – Y’X β – X’ β’Y + X’ β’X β (4)


Décomposition de S(β)
 y1 
 
y  n
Y 'Y   y1 y2  y n  2  = y 2
n  Scalaire (1 x 1) qui ne dépend pas de β

  t 1
y 
 n
1 x1,1  xk ,1 
 
1 x1, 2  xk , 2 
Y’X   y1 y2  y n  = ( t yt  yt x1,t   y t x k ,t )
     t t
 
1 x1,n  xk ,n 

Econométrie Licence 3_Semestre5_FSEG_Bamako
II. Hypothèses, estimation et propriétés des estimateurs

 0 
 
 1 
Y’X β = ( y yx
t t t t 1,t  yx t t k ,t ) 

 
 
 k
=  0 t yt  1 t yt x1,t     k t yt xk ,t  Un scalaire

 Combinaison linéaire en β

 1

1  1 1 x1,1

 xk ,1 

 n
 x
t 1,t  x t k ,t

 x1,1  x1,n 1 x1, 2  xk , 2   t x1,t x x x 
2
x1, 2 

XX  =  t 1,t t 1,t k ,t

         
        
x  xk ,n 1 x1,n  xk ,n    xk ,t
 k ,1 xk , 2  t i xk ,t x1,t  t xk ,t 
2

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

 n
 x t 1,t  x t
  0 
 
k ,t

  x1,t x x x   1 
2

β’X’X β =  0 1  k   t
1,t t 1,t k ,t
  
t

      
  xk ,t
 t i xk ,t x1,t  t xk ,t    k 
2

 K n

   k  xk ,t 
 k 0 t 1 
 K n

  0 1   k    k  1,t k ,t 
x x
 k 0 t 1

 K  
n
  
  k  xk ,t xk ,t 
 k 0 t 1 
K n K n K n
= 0   x
k 0
k
t 1
k ,t  1   k  x1,t xk ,t     k   k  xk ,t xk ,t
k 0 t 1 k 0 t 1
 Un scalaire

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

 Au final, chaque composante de S(β) est un scalaire, et est égale à sa transposée.

 La minimisation de S(β) implique d’effectuer la dérivée suivante:

𝝏𝑺(𝜷) 𝝏(𝒀′ 𝒀 −𝟐𝒀′ 𝑿𝜷+𝜷′ 𝑿′ 𝑿𝜷)


= = -2X’Y +2X’X𝜷
𝝏𝜷 𝝏𝜷

 Et l’estimateur 𝜷= 𝒂𝒓𝒈𝒖𝒎𝒆𝒏𝒕𝜷 Min S(𝜷)

Le minimum de S(β) s’obtient en égalisant cette dérivée à 0

𝝏𝑺(𝜷)
Condition du premier ordre : = -2(X’Y -X’X𝜷)=0
𝝏𝜷

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

On résout ce système d’équations pour obtenir l’estimateur des moindres carrés :


𝛽

-2X’X +2X’X𝛽 = 0 𝜷 = (𝑿′ 𝑿)−𝟏 X’Y (5)

Remarque sur l’estimation par MCO

 Les variables X et Y ont généralement des unités de mesure

 Exemple : Fcfa, Euros, mètres, taux (pourcentage), tonne, kg,…

 Dans le modèle de régression, Y, Xβ et 𝜀 ont les mêmes unités de mesure. Donc β


permet de passer des unités de mesure de X aux unités de mesure de Y.

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

𝒖𝒏𝒊𝒕é 𝒅𝒆 𝒎𝒆𝒔𝒖𝒓𝒆 𝒅𝒆 𝒀
 βk a comme unité de mesure :
𝒖𝒏𝒊𝒕é 𝒅𝒆 𝒎𝒆𝒔𝒖𝒓𝒆 𝒅𝒆 𝒙𝒌

𝒅𝒀 ∆𝒀
 𝜷= = mesure l’effet marginal de X sur Y. Cet effet est identique pour toute valeur de X
𝒅𝑿 ∆𝑿

3. Propriétés des estimateurs

Le modèle sous forme matricielle peut s’écrire, comme pour le modèle de régression simple, de
différentes manières:

• Y= Xβ + 𝜀 : modèle théorique

• Y = X𝛽 + e : modèle estimé → e = Y- 𝑌 ( e = résidu)

• 𝑌 = X𝛽 : série ajustée

• De 𝛽 = (𝑋 ′ 𝑋)−1 X’Y = (𝑋 ′ 𝑋)−1 X’(Xβ + 𝜀 ) = (𝑋 ′ 𝑋)−1 X’(Xβ) +(𝑋 ′ 𝑋)−1 X’ 𝜀

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

𝜷 = β + (𝑿′ 𝑿)−𝟏 X’ 𝜺 (6)

De (6), on a :

• (𝛽 – β) = (𝑋 ′ 𝑋)−1 X’ 𝜀 (6.1)

• (𝛽 – β)’ = ((𝑋 ′ 𝑋)−1 X’ 𝜀 )’= 𝜀’X(𝑋 ′ 𝑋)−1 (6.2)

• (𝛽 – β)* ( 𝛽 – β)’ = (𝑋 ′ 𝑋)−1 X’ 𝜀 ∗ 𝜀’X(𝑋 ′ 𝑋)−1 = (6.3)

Propriété 1 : Estimateur sans biais

L’estimateur 𝛽 est sans biais ou non biaisé si et seulement si E (𝜷) = 𝜷


Econométrie Licence 3_Semestre5_FSEG_Bamako
II. Hypothèses, estimation et propriétés des estimateurs

Preuve: E(𝛽) = E( β + (𝑋′𝑋)−1 𝜀 )= E(β) + 𝑋′𝑋)−1 𝐸(𝜀) = β


Par hypothèse E(𝜀) = 0 ; et E(c) = c ( c : constante)

d’où E (𝜷) = β
Propriété 2 : Estimateur convergent

L’estimateur 𝛽 est convergent si et seulement si 𝒍𝒊𝒎𝒏→∞ V (𝜷) = 0

Pour le montrer, calculons la variance de 𝛽 notée V(𝛽).


A partir de (6.3) , on a :

V (𝛽) = E[𝛽 − E 𝛽 ]2 = E (𝛽 – β )2 = E[(𝛽 – β)*(𝛽 – β)’]


Econométrie Licence 3_Semestre5_FSEG_Bamako
II. Hypothèses, estimation et propriétés des estimateurs

V (𝛽) = E [(𝑋 ′ 𝑋)−1 X’ 𝜀 ∗ 𝜀’X(𝑋 ′ 𝑋)−1 ] = (𝑋 ′ 𝑋)−1 X’ 𝐸(𝜀 ∗ 𝜀’)X(𝑋 ′ 𝑋)−1 ;

Avec 𝐸(𝜀 ∗ 𝜀’) = E(𝜀 2 𝑡 ) = 𝜎𝜀2

Avec H3 : E(𝜀 2 𝑡 ) = V(𝜀) = 𝜎𝜀2

Et il vient : V (𝜷) = 𝝈𝟐 (𝑿′ 𝑿)−𝟏 (7)

𝒏 𝟐
𝑺𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔(𝑺𝑪𝑹) 𝒕=𝟏 𝒆𝒕
Avec 𝝈𝟐 = = (8)
𝒏−𝒌−𝟏 𝒏−𝒌−𝟏

𝝈𝟐 𝑿′ 𝑿 −𝟏
𝒍𝒊𝒎𝒏→∞ V (𝜷)= 𝒍𝒊𝒎𝒏→∞ ( ) = 0, d’où la convergence de 𝜷
𝒏 𝒏

Econométrie Licence 3_Semestre5_FSEG_Bamako


II. Hypothèses, estimation et propriétés des estimateurs

Théorème de Gauss Markov

Sous les hypothèses H3: (E(𝜀 2 𝑡 ) = 𝜎𝜀2 ) et H5 : cov(𝑥𝑘𝑡 , 𝜀𝑡 ) = 0


l’estimateur 𝛽 des moindres carrés ordinaire est qualifié de BLUE
(Best Linear Unbiaised Estimator), car il s’agit du meilleur estimateur
linéaire sans biais (au sens qu’il fournit les variances les plus faibles
pour les estimateurs).

Econométrie Licence 3_Semestre5_FSEG_Bamako


III. Interprétation économique des paramètres
Outre l’interprétation statistique ( basée sur la significativité des tests de validité du
modèle), il convient de donner une interprétation économique des paramètres du
modèle afin de vérifier si les paramètres ont les signes attendus ( c’est-à-dire si les
résultats du modèle confirment la réalité). Ainsi nous considérons 04 modèles de
régression fréquemment utilisés dans la pratique.
1. Modèle sans logarithme
soit le modèle Y= 𝜶+𝜷*X + 𝜺
𝜕𝑌
 𝛽= : est une propension marginale
𝜕𝑋

 𝛼 est la valeur de Y quand X=0

Econométrie Licence 3_Semestre5_FSEG_Bamako


III. Interprétation économique des paramètres

Exemple: l’estimation sur 10 ans de la consommation théorique ( en


dollars) des ménages d’un pays est donnée par C= 1000 +0.8R

Ou C = consommation et R= revenu

𝛼 = 1000 et 𝛽 = 0.8

𝛽 est l’estimation de la propension marginale à consommer 𝝏𝑪= 0.8𝝏𝐑

𝛼 est l’estimation de la consommation incompressible

Econométrie Licence 3_Semestre5_FSEG_Bamako


III. Interprétation économique des paramètres
Interprétation

𝛽 = 0.8 signifie qu’une augmentation de 100 dollars du revenu du


ménage entraine une augmentation de 80 ( 0.8*100) dollars de la
consommation

 𝛼 = 1000 signifie que la consommation du ménage est de 1000


dollars lorsque le revenu est nul.

Econométrie Licence 3_Semestre5_FSEG_Bamako


III. Interprétation économique des paramètres

2. Modèle log-linéaire

Le modèle log-linéaire encore appelé modèle log-log ou modèle double-log, est


donné par:

log(Y) = 𝜶 + 𝜷𝐥𝐨𝐠(𝑿) + 𝜺

Ou log est le logarithme népérien

𝝏𝒀
𝝏𝐥𝐨𝐠(𝒀)
𝜷= = 𝒀
𝝏𝑿 est une élasticité. Donc 𝛽 est l’élasticité de Y par rapport à X
𝝏𝐥𝐨𝐠(𝑿)
𝑿

 𝛼 n’a pas une signification économique

Econométrie Licence 3_Semestre5_FSEG_Bamako


III. Interprétation économique des paramètres
Ce modèle est très utilisé pour modéliser les offres ( Cobb-Douglas) et les
demandes car ils font apparaitre des élasticités.

 Intéressant notamment en énergie pour modéliser les offres de pétrole.

Exemple: l’estimation des importations (M) du Mali en fonction du produit


intérieur brut (PIB) sur la période 1995 à 2015 est donnée par la relation
suivante:

log (M)= 1.46 + 0.95log(PIB)

Econométrie Licence 3_Semestre5_FSEG_Bamako


III. Interprétation économique des paramètres

𝛽 est l’estimation de l’élasticité des importations par rapport au produit


intérieur brut
𝝏𝑴 𝝏𝑷𝑰𝑩
= 0.95*
𝑴 𝑷𝑰𝑩

Interprétation

 𝜷 = 0.95 signifie qu’une augmentation de 10% du PIB du Mali entraine


une augmentation de 9.5% des importations Maliennes sur la période
considérée.

 𝜶 = 1.46 n’a pas d’interprétation économique.


Econométrie Licence 3_Semestre5_FSEG_Bamako
III. Interprétation économique des paramètres
3. Modèle semi logarithmique

Le modèle semi logarithmique est donné par: log(Y) = α +βX +𝜀

𝝏𝒀
𝝏𝐥𝐨𝐠(𝒀)
Le paramètre β= = 𝒀
est une semi élasticité
𝝏𝑿 𝝏𝑿

 β est la semi élasticité de Y par rapport à X

 α n’a pas de signification économique

Exemple l’investissement (INV) du Sénégal est mis en relation avec le taux


d’intérêt réel (TXINT) sur la période 1972 à 2001.
Econométrie Licence 3_Semestre5_FSEG_Bamako
III. Interprétation économique des paramètres
Log(INV) = α +βlog(TXINT) +𝜀 . L’estimation des paramètres par la méthode des MCO
fournit: 𝜶 = -2.59 et 𝜷 = -0.06

𝛽 est l’estimation de la semi élasticité de l’investissement par rapport au taux d’intérêt réel.

𝝏𝑰𝑵𝑽
= -0.06*𝝏𝑻𝑿𝑰𝑵𝑻
𝑰𝑵𝑽

Interprétation

 𝜷 = -0.06 signifie qu’une diminution du taux d’intérêt réel d’un point ( 100%) par
exemple entraine une augmentation de 6% de l’investissement.

 𝜶 = -2.59 n’a pas d’interprétation économique.

Econométrie Licence 3_Semestre5_FSEG_Bamako


III. Interprétation économique des paramètres
4. Modèle réciproque
𝟏
Il s’écrit: Y = α +β( ) +𝜺
𝑿

 Avec ce modèle, il s’agit de montrer un lien réciproque ( et non linéaire) entre 02


variables, comme la courbe de Phillips (inflation / chômage)
1
 lorsque la variable X tend vers l’infini, le terme β( ) tend vers 0 et α est la limite
𝑋
asymptotique de Y lorsque X tend vers l’infini
𝝏𝒀 𝟏
La pente du modèle est donnée par: =- β*( 𝟐 )
𝝏𝑿 𝑿

 si β>0, la pente est toujours négative et si β<0, la pente est toujours positive

Econométrie Licence 3_Semestre5_FSEG_Bamako


III. Interprétation économique des paramètres
 ce type de modèle pour β>0, peut être illustré par la courbe de Phillips.
Exemple: supposons que pour un pays donné, la régression du taux d’inflation (𝜋𝑡 )
sur l’inverse du taux de chômage (𝑢𝑡 ) conduise aux résultats suivants:

𝟏
𝝅𝒕 = 20.0103( ) -2.3030
𝒖𝒕

Interprétation
Ces résultats montrent que même si le taux de chômage augmente indéfiniment, la
plus forte variation des prix sera une baisse du taux d’inflation de l’ordre de 2.3
points

Econométrie Licence 3_Semestre5_FSEG_Bamako

Vous aimerez peut-être aussi