Vous êtes sur la page 1sur 16

BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191

omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014

ÉCONOMÉTRIE I >Fiche de révisions


Le modèle économétrique à une équation et ses hypothèses

𝑴 : 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝟐, … , 𝒏
 𝑯𝟏 : Hypothèses sur 𝒀 𝒆𝒕 𝑿.
𝑿 𝒆𝒕 𝒀 Sont deux grandeurs numériques mesurées sans erreur. 𝑿 Est une donnée exogène dans le
modèle. Elle est supposée non aléatoire (ou non stochastique). 𝒀 Est aléatoire par l’intermédiaire 𝜺
c.-à-d. la seule erreur qu’on a sur 𝒀 provient des insuffisances de 𝑿 à expliquer ses valeurs dans le
modèle.
 𝑯𝟐 : Hypothèses sur les termes aléatoires 𝜺.
Les 𝜺𝒊 sont i.i.d (indépendants et identiquement distribués).
 𝑯𝟑 : 𝑬 𝜺𝒊 = 𝟎 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏.
En moyenne les erreurs s’annulent c.-à-d. le modèle est bien spécifié.
 𝑯𝟒 : 𝑽 𝜺𝒊 = 𝝈𝟐𝜺 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏.
La variance de l’erreur est constante et ne dépend pas de l’observation. C’est l’hypothèse
d’homoscédasticité.
 𝑯𝟓 : En particulier, l’erreur est indépendante de la variable exogène c.-à-d. 𝑪𝒐𝒗 𝜺𝒊 , 𝑿𝒊 = 𝟎
 𝑯𝟔 : Indépendance des erreurs. Les erreurs relatives à 2 observations différentes sont
indépendantes c.-à-d. 𝑪𝒐𝒗 𝜺𝒊 , 𝜺𝒋 = 𝟎 𝒑𝒐𝒖𝒓 𝒊 ≠ 𝒋. On parle de non auto-corrélation des
erreurs.
 𝑯𝟕 : 𝜺𝒊 ↝ 𝓝 𝟎, 𝝈𝟐𝜺 . L’hypothèse de normalité des erreurs est un élément clé pour l’inférence
statistique.
 𝑯𝟖 : 𝑿𝒊 prend au moins deux valeurs différente

Estimateur des moindres carrés ordinaires (MCO)

La différence : 𝜺𝒊 = 𝒀𝒊 − 𝒀𝒊 = 𝒀𝒊 − 𝜷𝟏 − 𝜷𝟐 𝑿𝒊 s’appelle résidu, et est une estimation de l’erreur 𝜺𝒊 .

𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝜺𝒊
On peut écrire indifféremment : 𝒐𝒖
𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝜺𝒊

𝑳𝒂 𝒎é𝒕𝒉𝒐𝒅𝒆 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒐𝒓𝒅𝒊𝒏𝒂𝒊𝒓𝒆 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆 à 𝒎𝒊𝒏𝒊𝒎𝒊𝒔𝒆𝒓 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒅𝒆𝒔
𝒏 𝒏 𝒏
𝟐
𝒓é𝒔𝒊𝒅𝒖𝒔 : 𝐦𝐢𝐧 𝜺𝟐𝒊 . 𝑵𝒐𝒕𝒐𝒏𝒔 𝚿 𝜷𝟏 , 𝜷𝟐 = 𝜺𝟐𝒊 = 𝒀𝒊 − 𝜷𝟏 − 𝜷𝟐 𝑿𝒊
𝜷𝟏 ,𝜷𝟐
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

Les conditions de premier ordre sont :

1
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
𝒏
𝝏𝚿 −𝟐 𝒀𝒊 − 𝜷𝟏 − 𝜷𝟐 𝑿𝒊 = 𝟎
=𝟎
𝝏𝜷𝟏 𝒊=𝟏
⟺ 𝒏
𝝏𝚿
=𝟎 −𝟐 𝒀𝒊 − 𝜷𝟏 − 𝜷𝟐 𝑿𝒊 𝑿𝒊 = 𝟎
𝝏𝜷𝟐
𝒊=𝟏

𝒏 𝒏

𝒀𝒊 − 𝒏𝜷𝟏 − 𝜷𝟐 𝑿𝒊 = 𝟎
𝒊=𝟏 𝒊=𝟏
⟺ 𝒏 𝒏 𝒏

𝑿𝒊 𝒀𝒊 − 𝜷𝟏 𝑿𝒊 − 𝜷𝟐 𝑿𝟐𝒊 = 𝟎
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏𝒀 − 𝒏𝜷𝟏 − 𝒏𝜷𝟐 𝑿 = 𝟎
𝒏 𝒏

𝒏𝜷𝟏 𝑿 + 𝜷𝟐 𝑿𝟐𝒊 = 𝑿𝒊 𝒀𝒊
𝒊=𝟏 𝒊=𝟏

𝜷𝟏 = 𝒀 − 𝜷 𝟐 𝑿
𝒏 𝒏

𝒏 𝒀 − 𝜷𝟐 𝑿 𝑿 + 𝜷𝟐 𝑿𝟐𝒊 = 𝑿𝒊 𝒀𝒊
𝒊=𝟏 𝒊=𝟏

𝜷𝟏 = 𝒀 − 𝜷 𝟐 𝑿
𝒏 𝒏

𝜷𝟐 𝑿𝟐𝒊 − 𝒏𝜷𝟐 𝑿𝟐 = 𝑿𝒊 𝒀𝒊 − 𝒏𝑿𝒀
𝒊=𝟏 𝒊=𝟏

𝜷𝟏 = 𝒀 − 𝜷 𝟐 𝑿
𝒏 𝒏

𝜷𝟐 𝑿𝟐𝒊 − 𝒏𝑿𝟐 = 𝑿𝒊 𝒀𝒊 − 𝒏𝑿𝒀
𝒊=𝟏 𝒊=𝟏

𝜷𝟏 = 𝒀 − 𝜷 𝟐 𝑿
𝒏 𝒏 𝒏 𝒏

𝜷𝟐 = 𝑿𝒊 𝒀𝒊 − 𝒏𝑿𝒀 𝑿𝟐𝒊 − 𝒏𝑿𝟐 = 𝑿𝒊 − 𝑿 𝒀𝒊 − 𝒀 𝑿𝒊 − 𝑿 𝟐

𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑵𝒊𝒗𝒆𝒂𝒖-𝑵𝒊𝒗𝒆𝒂𝒖 ∶ 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝜺𝒊
𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅′ 𝒖𝒏𝒆 𝒖𝒏𝒊𝒕é 𝒅𝒆 𝑿 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒀 𝒅𝒆 𝜷𝟐 𝒖𝒏𝒊𝒕é𝒔

 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑵𝒊𝒗𝒆𝒂𝒖-𝑵𝒊𝒗𝒆𝒂𝒖 ∶ 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝜺𝒊
𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅′ 𝒖𝒏𝒆 𝒖𝒏𝒊𝒕é 𝒅𝒆 𝑿 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒀 𝒅𝒆 𝜷𝟐 𝒖𝒏𝒊𝒕é𝒔

 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑵𝒊𝒗𝒆𝒂𝒖-𝑳𝒐𝒈 ∶ 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒍𝒏 𝑿𝒊 + 𝜺𝒊
𝜷𝟐
𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝟏% 𝒅𝒆 𝑿 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒀 𝒅𝒆 𝒖𝒏𝒊𝒕é𝒔
𝟏𝟎𝟎

2
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑳𝒐𝒈-𝑵𝒊𝒗𝒆𝒂𝒖 ∶ 𝒍𝒏 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝜺𝒊
𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅′ 𝒖𝒏𝒆 𝒖𝒏𝒊𝒕é 𝒅𝒆 𝑿 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒀 𝒅𝒆 𝜷𝟐 × 𝟏𝟎𝟎 𝒖𝒏𝒊𝒕é𝒔.
𝜷𝟐 𝒎𝒆𝒔𝒖𝒓𝒆 𝒍𝒂 𝒔𝒆𝒎𝒊-é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆 𝒀 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 à 𝑿

 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑳𝒐𝒈-𝑳𝒐𝒈 ∶ 𝒍𝒏 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒍𝒏 𝑿𝒊 + 𝜺𝒊
𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒑𝒐𝒊𝒏𝒕𝒔 𝒅𝒆 𝒑𝒐𝒖𝒓𝒄𝒆𝒏𝒕𝒂𝒈𝒆 % 𝒅𝒆 𝑿
𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒀 𝒅𝒆 𝜷𝟐 % 𝒑𝒐𝒊𝒏𝒕𝒔 𝒅𝒆 𝒑𝒐𝒖𝒓𝒄𝒆𝒏𝒕𝒂𝒈𝒆
𝒄𝒆 𝒒𝒖𝒊 𝒏𝒐𝒖𝒔 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅′ 𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒆𝒓𝜷𝟐 𝒄𝒐𝒎𝒎𝒆 𝒖𝒏 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒅′ é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é

Type de modèle Variable Variable Interprétation du


dépendante explicative coefficient 𝜷𝟐
Niveau-Niveau 𝒀𝒊 𝑿𝒊 𝚫𝒀 = 𝜷𝟐 𝚫𝑿

Niveau-Log 𝒀𝒊 𝒍𝒏 𝑿𝒊 𝜷𝟐
𝚫𝒀 = %𝚫𝑿
𝟏𝟎𝟎

Log- Niveau 𝒍𝒏 𝒀𝒊 𝑿𝒊 𝚫𝒀 = 𝟏𝟎𝟎𝜷𝟐 %𝚫𝑿

Log-Log 𝒍𝒏 𝒀𝒊 𝒍𝒏 𝑿𝒊 %𝚫𝒀 = 𝜷𝟐 %𝚫𝑿

 𝑴𝒐𝒅è𝒍𝒆𝒔 𝒍𝒐𝒈𝒂𝒓𝒊𝒕𝒉𝒎𝒊𝒒𝒖𝒆𝒔 𝑒𝑡 É𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é𝒔 ∶


𝐥𝐧 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝐥𝐧 𝑿𝒊𝟐 + 𝜷𝟑 𝐥𝐧 𝑿𝒊𝟑 + ⋯ + 𝜷𝒌 𝐥𝐧 𝑿𝒊𝒌 + 𝝃𝒊
𝒅𝒀 𝒀
𝜼𝒋 É𝒕𝒂𝒏𝒕 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆 𝒀 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 à 𝑿𝒋 ⇒ 𝜼𝒋 =
𝒅𝑿𝒋 𝑿𝒋
𝒅 𝐥𝐧 𝒀 𝟏 𝒅𝒀
= 𝒅 𝐥𝐧 𝒀 =
𝒅𝒀 𝒀 𝒀
𝑶𝒓 𝒅 𝐥𝐧 𝑿 ⇒ 𝒅𝑿𝒋
𝒋 𝟏
= 𝒅 𝐥𝐧 𝒙𝒊 =
𝒅𝑿𝒋 𝑿𝒋 𝑿𝒋
𝒅 𝐥𝐧 𝒀 𝒅𝒀 𝒀
𝒆𝒕 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒂 𝜷𝒋 = ⇒ 𝜷𝒋 = = 𝜼𝒋 ; 𝒊 = 𝟐, 𝟑 … , 𝒌
𝒅 𝒍𝒏 𝑿𝒋 𝒅𝑿𝒋 𝑿𝒋

𝒏 𝒏 𝒏 𝒏
𝟐
𝑺𝑪𝑻 = 𝒀𝒊 − 𝒀 𝟐
𝒀𝒊 − 𝒀 𝟐
= 𝒀𝒊 − 𝒀 + 𝜺𝟐𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑺𝑪𝑻 𝑺𝑪𝑬 𝑺𝑪𝑹

𝑳𝒆𝒎𝒎𝒆
𝒏 𝒏 𝒏

𝑺𝑪𝑹 = 𝜺𝟐𝒊 = 𝒀𝒊 − 𝒀 𝟐
− 𝜷𝟐𝟐 𝑿𝒊 − 𝑿 𝟐

𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐 𝟐 𝟐
𝑺𝑪𝑬 = 𝒀𝒊 − 𝒀 = 𝜷𝟐 𝑿𝒊 − 𝑿 = 𝜷𝟐 𝑿𝒊 − 𝑿 𝒀𝒊 − 𝒀
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎

3
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
𝒏
𝑬 𝜷𝟏 = 𝜷𝟏
𝟐
𝝈 = 𝜺𝟐𝒊 𝒏 − 𝟐 = 𝑺𝑪𝑹 𝒏 − 𝟐
𝑬 𝜷𝟐 = 𝜷𝟐
𝒊=𝟏

𝒏 𝒏
𝟏 𝑿𝟐
𝑽 𝜷𝟏 = 𝝈𝟐𝜷 =𝝈 𝟐
𝑿𝟐𝒊 𝒏 𝑿𝒊 − 𝑿 𝟐
= 𝝈𝟐 + 𝒏 𝟐
𝟏 𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿
𝒊=𝟏 𝒊=𝟏
𝒏

𝑽 𝜷𝟐 = 𝝈𝟐𝜷 = 𝝈𝟐 𝑿𝒊 − 𝑿 𝟐
𝟐
𝒊=𝟏
𝒏
𝟐 𝟐
𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = −𝝈 𝑿 𝑿𝒊 − 𝑿
𝒊=𝟏

𝒏 𝒏

𝑽 𝜷𝟏 = 𝝈𝟐𝜷 = 𝝈𝟐 𝑿𝟐𝒊 𝒏 𝑿𝒊 − 𝑿 𝟐
𝟏
𝒊=𝟏 𝒊=𝟏
𝒏

𝑽 𝜷𝟐 = 𝝈𝟐𝜷 = 𝝈𝟐 𝑿𝒊 − 𝑿 𝟐
𝟐
𝒊=𝟏
𝒏
𝟐 𝟐
𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = −𝝈 𝑿 𝑿𝒊 − 𝑿
𝒊=𝟏

Modèle de Régression Linéaire Multiple et ses hypothèses


𝒌

𝑴 : 𝒚𝒊 = 𝜷 𝟏 + 𝜷𝒋 𝒙𝒊𝒋 + 𝝃𝒊 ; 𝒊 = 𝟏, 𝟐 … , 𝒏
𝒋=𝟐

𝜷𝟏
𝒚𝟏 𝟏 𝒙𝟏𝟐 ⋯ 𝒙𝟏𝒌
𝜷𝟐
𝑬𝒄𝒓𝒊𝒕𝒖𝒓𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒊𝒆𝒍𝒍𝒆 : 𝒀 = 𝑿𝜷 + 𝝃 𝒂𝒗𝒆𝒄 𝒀 = ⋮ , 𝑿 = ⋮ ⋮ ⋯ ⋮ ,𝜷 =
𝒚𝒏 ⋮
𝟏 𝒙𝒏𝟐 ⋯ 𝒙𝒏𝒌
𝜷𝒏
𝝃𝟏
𝒆𝒕 𝝃 = ⋮
𝝃𝒏

Utilisation des données centrées :


𝑴𝒄 : 𝒚𝒄𝒊 = 𝒌 𝒄
𝒋=𝟐 𝜷𝒋 𝒙𝒊𝒋 + 𝝃𝒊 ; 𝒊 = 𝟏, 𝟐 … , 𝒏 𝑬𝒄𝒓𝒊𝒕𝒖𝒓𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒊𝒆𝒍𝒍𝒆 : 𝒀𝒄 = 𝑿𝒄 𝜷𝒄 + 𝝃𝒄

𝒚𝟏 − 𝒚 𝒙𝟏𝟐 − 𝒙𝟐 ⋯ 𝒙𝟏𝒌 − 𝒙𝒌 𝜷𝟐 𝝃𝟏 − 𝝃
𝒄
𝒂𝒗𝒆𝒄 𝒀 = ⋮ , 𝑿𝒄 = ⋮ ⋯ ⋮ ,𝜷 = ⋮𝒄
𝒆𝒕 𝝃𝒄 = ⋮
𝒚𝒏 − 𝒚 𝒙𝒏𝟐 − 𝒙𝟐 ⋯ 𝒙𝒏𝒌 − 𝒙𝒌 𝜷𝒌 𝝃𝒏 − 𝝃

 𝑯𝟏 : 𝑿 est non aléatoire c.-à-d. les 𝒙𝒊𝒋 sont observés sans erreur.

 𝑯𝟐 : 𝑬 𝝃 = 𝟎

4
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
 𝑯𝟑 : 𝑬 𝝃𝝃′ = 𝝈𝟐 𝑰𝒏

 𝑯𝟒 : 𝑪𝒐𝒗 𝝃𝒊 , 𝝃𝒋 = 𝟎 𝒑𝒐𝒖𝒓 𝒊 ≠ 𝒋

 𝑯𝟓 : 𝑪𝒐𝒗 𝝃𝒊 , 𝒙𝒊𝒋 = 𝟎  𝑯𝟔 : 𝝃 ↝ 𝓝 𝟎, 𝝈𝟐 𝑰𝒏

 𝑯𝟕 : La matrice 𝑿′ 𝑿 est régulière c.-à-d. 𝒅𝒆𝒕 𝑿′ 𝑿 ≠ 𝟎 et 𝑿′ 𝑿 −𝟏 existe. Elle indique


l’absence de colinéarité entre les variables exogènes. Nous pouvons aussi voir cette
hypothèse structurelle sous l’angle 𝒓𝒂𝒏𝒈 𝑿 = 𝒓𝒂𝒏𝒈 𝑿′ 𝑿 = 𝒌

 𝑯𝟖 : 𝑿′ 𝑿 𝒏 tend vers une matrice finie non singulière lorsque𝒏 → +∞

 𝑯𝟗 : 𝒓𝒂𝒏𝒈 𝑿 = 𝒌 < 𝑛 c.-à-d.le nombre d’observation est supérieur au nombre de


paramètres à estimer 𝒍𝒆𝒔 𝜷𝒋 . Dans le cas où 𝒌 = 𝒏, la droite passe exactement par tous les
points.

Lorsque𝒌 > 𝑛 , la matrice 𝑿′ 𝑿 n’est plus inversible.

Quelques éléments sur les calculs matriciels

𝒚𝟏 𝒙𝟏 𝒏

𝒖 𝒗 = 𝒗 𝒖 = 𝒙𝟏
′ ′ … 𝒙𝒏 ⋮ = 𝒚𝟏 … 𝒚𝒏 ⋮ = 𝒙 𝒊 𝒚𝒊
𝒚𝒏 𝒙𝒏 𝒊=𝟏

𝒙𝟏 𝒏

𝒖 𝒖 = 𝒙𝟏
′ … 𝒙𝒏 ⋮ = 𝒙𝒊 𝟐
𝒙𝒏 𝒊=𝟏

𝒙𝟏 𝟏 𝒏

𝒊𝒖=𝒖𝒊= 𝟏 ′
… 𝟏 ⋮ = 𝒙𝟏 … 𝒙𝒏 ⋮ = 𝒙𝒊
𝒙𝒏 𝟏 𝒊=𝟏

𝒏
𝟏
𝟏 𝟏 𝒙𝒊
𝒏 ⋯ 𝒙𝟏 𝒏 𝒙
𝟏 𝟏 ′ 𝟏 𝟏 𝒏 𝒏 𝒊=𝟏
𝒙= 𝒙𝒊 = 𝒊 𝒖 = 𝒖′ 𝒊 𝒊𝒙 = 𝒊𝒊′ 𝒖 = ⋮ ⋱ ⋮ ⋮ = ⋮ = ⋮
𝒏 𝒏 𝒏 𝒏 𝟏 𝟏 𝒙𝒏 𝒏
𝒊=𝟏 𝟏 𝒙
⋯ 𝒙𝒊
𝒏 𝒏 𝒏
𝒊=𝟏

5
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
𝟏 ′ 𝟏 𝒙𝟏 − 𝒙
𝒊𝒊 𝒖 = 𝑰𝒏 − 𝒊𝒊′ 𝒖 = 𝑴𝟎 𝒖 =
𝒖 − 𝒊𝒙 = 𝑰𝒏 𝒖 − ⋮
𝒏 𝒏 𝒙𝒏 − 𝒙
𝟏 𝟏 𝟏 𝟏
𝟏− − ⋯ − −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− 𝟏− ⋯ − −
𝟏 𝒏 𝒏 𝒏 𝒏
𝒐ù 𝑴𝟎 = 𝑰𝒏 − 𝒊𝒊′ = ⋮ ⋮ ⋱ ⋮ ⋮
𝒏 𝟏 𝟏 𝟏 𝟏
− − ⋯ 𝟏− −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− − ⋯ − 𝟏−
𝒏 𝒏 𝒏 𝒏
𝟎 𝒏 ′
𝒆𝒔𝒕 𝒖𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒊𝒅𝒆𝒎𝒑𝒐𝒕𝒆𝒏𝒕𝒆 𝒊. 𝒆. 𝑴 = 𝑴 ∀ 𝒏 ∈ ℕ 𝒆𝒕 𝒔𝒚𝒎é𝒕𝒓𝒊𝒒𝒖𝒆 𝒊. 𝒆. 𝑴𝟎
𝟎 ∗
= 𝑴𝟎
𝒒𝒖𝒊 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒆 𝒍𝒆𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒆𝒏 é𝒄𝒂𝒓𝒕𝒔 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝒎𝒐𝒚𝒆𝒏𝒏𝒆𝒔 𝒅𝒆𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔

𝟎
𝑴𝟎 𝒊 = ⋮ 𝒆𝒕 𝒊′ 𝑴𝟎 = 𝟎 … 𝟎
𝟎
𝒏
𝟐 ′
𝒙𝒊 − 𝒙 = 𝒖 − 𝒊𝒙 𝒖 − 𝒊𝒙 = 𝑴𝟎 𝒖 ′
𝑴𝟎 𝒖 = 𝒖′ 𝑴𝟎 𝒖
𝒊=𝟏

𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚 = 𝑴𝟎 𝒖 ′
𝑴𝟎 𝒗 = 𝒖′ 𝑴𝟎 𝒗
𝒊=𝟏

𝑨𝑩 ′ = 𝑩′ 𝑨′ 𝑨𝑩𝑪 ′ = 𝑪′ 𝑩′ 𝑨′ 𝑨′ ′
=𝑨 𝝀𝑨 ′ = 𝝀𝑨′ 𝑨 + 𝑩 ′ = 𝑨′ + 𝑩′

−𝟏
𝑨𝑩 = 𝑩−𝟏 𝑨−𝟏 𝑨𝑩𝑪 −𝟏
= 𝑪−𝟏 𝑩−𝟏 𝑨−𝟏 𝑨−𝟏 ′
= 𝑨′ −𝟏

𝑨 𝒅𝒆 𝒕𝒂𝒊𝒍𝒍𝒆 𝒏 × 𝒏 ⇒ 𝒕𝒓 𝑨 = 𝒂𝒊𝒊 𝒕𝒓 𝝀𝑨 = 𝝀𝒕𝒓 𝑨 𝒕𝒓 𝑨 + 𝑩 = 𝒕𝒓 𝑨 + 𝒕𝒓 𝑩


𝒊=𝟏

𝒕𝒓 𝑨𝑩 = 𝒕𝒓 𝑩𝑨 𝒕𝒓 𝑨′ = 𝒕𝒓 𝑨

𝒏 𝒏 𝒏

𝒕𝒓 𝑨 𝑨 = 𝑪′𝒊 𝑪𝒊 = 𝒂𝟐𝒊𝒋 ; 𝑪𝒊 ∶ 𝒍𝒆𝒔 𝒗𝒆𝒄𝒕𝒆𝒖𝒓𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔 𝒅𝒆 𝑨
𝒊=𝟏 𝒊=𝟏 𝒋=𝟏

𝝏 𝑿𝜷 𝝏 𝑿𝜷

=𝑿 = 𝑿′
𝝏𝜷 𝝏𝜷
𝝏 𝜷′ 𝑵𝜷 𝝏 𝜷′ 𝑵𝜷
= 𝑵 + 𝑵′ 𝜷 ; 𝒔𝒊 𝑵 𝒆𝒔𝒕 𝒔𝒚𝒎é𝒕𝒓𝒊𝒒𝒖𝒆 𝒂𝒍𝒐𝒓𝒔 = 𝟐𝑵𝜷
𝝏𝜷 𝝏𝜷

6
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
𝑬 𝑿𝟏
𝑬 𝒁 = ⋮
𝑿𝟏
𝑬 𝑿𝒏
𝒁= ⋮ ⇒
𝑽 𝑿𝟏 ⋯ 𝑪𝒐𝒗 𝑿𝟏 , 𝑿𝒏
𝑿𝒏 ′
𝑽 𝒁 =𝑬 𝒁−𝑬 𝒁 𝒁−𝑬 𝒁 = ⋮ ⋱ ⋮
𝑪𝒐𝒗 𝑿𝒏 , 𝑿𝟏 ⋯ 𝑽 𝑿𝒏
𝑬 𝑨𝒁 = 𝑨𝑬 𝒁 𝑽 𝑨𝒁 = 𝑨𝑽 𝒁 𝑨′

Estimateur des moindres carrés ordinaires (MCO)

𝜷𝟏
L’estimateur 𝜷 = 𝜷𝟐 de moindres carrés ordinaires sera obtenu, comme précédemment, en

𝜷𝒏
𝒏

𝐦𝐢𝐧𝐢𝐦𝐢𝐬𝐚𝐧𝐭 𝐥𝐚 𝐬𝐨𝐦𝐦𝐞 𝐝𝐞𝐬 𝐜𝐚𝐫𝐫é𝐬 𝐝𝐞𝐬 𝐫é𝐬𝐢𝐝𝐮𝐬 : 𝝃 𝝃 = ′


𝝃𝟐𝒊 = 𝒀 − 𝑿𝜷
𝒊=𝟏

𝜷 = 𝑿′ 𝑿 −𝟏
𝑿′ 𝒀
𝒏 𝒏 𝒏

𝒏 𝒙𝒊𝟐 ⋯ 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝒑 𝒏


𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏 𝒚𝒊
𝒊=𝟏
𝒙𝒊𝟐 𝒙𝟐𝒊𝟐 ⋯ 𝒙𝒊,𝟐 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝟐 𝒙𝒊,𝒑 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑿′ 𝑿 = , 𝑿′ 𝒀 = 𝒙𝒊𝟐 𝒚𝒊
⋮ ⋮ ⋱ ⋮ ⋮
𝒏 𝒏 𝒏 𝒏 𝒊=𝟏
𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝟐 𝒙𝒊,𝒑−𝟏 ⋯ 𝒙𝟐𝒊,𝒑−𝟏 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝒑 ⋮
𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏 𝒙𝒊,𝒑 𝒚𝒊
𝒊=𝟏
𝒙𝒊,𝒑 𝒙𝒊,𝟐 𝒙𝒊,𝒑 ⋯ 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝒑 𝒙𝟐𝒊,𝒑
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝜷𝟐 𝒌
−𝟏
𝜷 = ⋮ = 𝑿𝒄 ′ 𝑿𝒄
𝒄 𝒄′
𝑿 𝒀 𝒄
𝒆𝒕 𝜷𝟏 = 𝒀 − 𝜷𝒋 𝑿𝒋
𝜷𝒏 𝒋=𝟐

𝒏 𝒏 𝒏
𝟐
𝒙𝒊𝟐 − 𝒙𝟐 … 𝒙𝒊𝟐 − 𝒙𝟐 𝒙𝒊,𝒑 − 𝒙𝒑 𝒚𝒊 − 𝒚 𝒙𝒊𝟐 − 𝒙𝟐
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑿𝒄 ′ 𝑿𝒄 = ⋮ ⋱ ⋮ ; 𝑿𝒄 ′ 𝒀𝒄 = ⋮
𝒏 𝒏 𝒏
𝟐
𝒙𝒊,𝒑 − 𝒙𝒑 𝒙𝒊𝟐 − 𝒙𝟐 … 𝒙𝒊,𝒑 − 𝒙𝒑 𝒚𝒊 − 𝒚 𝒙𝒊,𝒑 − 𝒙𝒑
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

7
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
𝑳𝒆𝒎𝒎𝒆
𝝃 𝝃 = 𝒀′ 𝒀 − 𝜷′ 𝑿′ 𝒀

𝒏 𝒏 𝒏
𝟐
𝒚𝒊 − 𝒀 𝟐
= 𝒚𝒊 − 𝒀 + 𝝃𝟐𝒊 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 (𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎)
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑺𝑪𝑻 𝑺𝑪𝑬 𝑺𝑪𝑹

𝒏 𝒏
𝟐
𝑺𝑪𝑻 = 𝒚𝒊 − 𝒀 𝟐
= 𝒚𝒄𝒊 = 𝒀𝒄 ′ 𝒀𝒄
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
𝒄′ 𝒄′ 𝒄′ ′
𝑺𝑪𝑬 = 𝒚𝒊 − 𝒀 = 𝒚𝒊 − 𝒀 𝟐
=𝒀 𝒀 =𝜷 𝒄
𝑿 𝑿 𝜷 𝒄 𝒄
𝑺𝑪𝑹 = 𝝃𝟐𝒊 = 𝝃′ 𝝃 = 𝒀𝒄 ′ 𝒀𝒄 − 𝒀𝒄 𝒀𝒄
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝝈𝟐𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝒌

𝝈𝟐𝜷 = 𝝈𝟐 𝑿′ 𝑿 −𝟏
= 𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟏 𝝈𝟐𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟑 , 𝜷𝒌
⋮ ⋮ ⋱ ⋮
𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟏 𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟐 … 𝝈𝟐𝒌

𝝈𝟐𝜷𝟐 𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟑 … 𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝒌


−𝟏 𝑪𝒐𝒗 𝜷𝟑 , 𝜷𝟐 𝝈𝟐𝜷𝟑 … 𝑪𝒐𝒗 𝜷𝟑 , 𝜷𝒌 𝑺𝑪𝑹
𝝈𝟐𝜷𝒄 = 𝝈𝟐 𝑿𝒄 ′ 𝑿𝒄 = 𝒂𝒗𝒆𝒄 𝝈𝟐 =
⋮ ⋮ ⋱ ⋮ 𝒏−𝒌
𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟐 𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟑 … 𝝈𝟐𝜷𝒌

Tableau d'analyse de variance :


Source de la Somme des carrés Degré de liberté Carrés moyens
variabilité

Régression 𝑺𝑪𝑬 𝒌−𝟏 𝑺𝑪𝑬 𝒌 − 𝟏

Résidus 𝑺𝑪𝑹 𝒏−𝒌 𝝈𝟐 = 𝑺𝑪𝑹 𝒏 − 𝒌

Total 𝑺𝑪𝑻 𝒏−𝟏 𝑺𝟐 = 𝑺𝑪𝑻 𝒏 − 𝟏

8
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
Coefficient de détermination :
La part de variance de Y expliquée par le modèle est toujours traduit par le coefficient de
détermination :

𝑺𝑪𝑬 𝑺𝑪𝑹
𝑹𝟐 = =𝟏− ∈ 𝟎, 𝟏 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎
𝑺𝑪𝑻 𝑺𝑪𝑻

Bien évidemment𝟎 ≤ 𝑹𝟐 ≤ 𝟏, plus il tend vers 1 meilleur sera le modèle. Lorsqu'il est proche de 0,
cela veut dire que les exogènes 𝑿𝒋 n'expliquent en rien les valeurs prises par 𝒀. Nous retiendrons
cette idée dans le test de significativité globale du modèle.

Coefficient de détermination corrigé ou ajusté:

Le 𝑹𝟐 est un indicateur de qualité, mais il présente un défaut ennuyeux : plus nous augmentons le
nombre de variables explicatives, même non pertinentes, n'ayant aucun rapport avec le problème
que l'on cherche à résoudre, plus grande sera sa valeur.

𝑺𝑪𝑹 𝒏 − 𝒌 𝒏−𝟏
𝑹𝟐 = 𝟏 − =𝟏− 𝟏 − 𝑹𝟐
𝑺𝑪𝑻 𝒏 − 𝟏 𝒏−𝒌

𝑹𝟐 < 𝑹𝟐 𝒆𝒕 𝒔𝒊 𝒏 ≫ ⇒ 𝑹𝟐 ≈ 𝑹𝟐

En augmentant le nombre d'explicatives, nous augmentons de manière mécanique la valeur du 𝑹𝟐


mais, dans le même temps, nous diminuons le degré de liberté. Il faudrait donc intégrer cette
dernière notion pour contrecarrer l'évolution du𝑹𝟐 . C'est exactement ce que fait-le 𝑹𝟐 -𝒂𝒋𝒖𝒔𝒕é
𝒐𝒖 𝑹𝟐 -𝒄𝒐𝒓𝒓𝒊𝒈é .

Le 𝑹𝟐 en tant que tel n'est pas d'une grande utilité. Son principal avantage est qu'il permet de
comparer des modèles imbriqués.

Coefficient de détermination partielle


Le coefficient de détermination partielle associé à une variable quelconque est la part de la variance
laissée inexpliquée par les autres variables qui est expliquée grâce à l’introduction de la variable
étudiée.

Il mesure l’influence de 𝑿𝒋 sur 𝒀 si on élimine l’effet des autres variables explicatives.

 Une première régression en l’absence de la variable étudiée 𝑿𝒋 :


𝑺𝑪𝑻𝟏 = 𝑺𝑪𝑬𝟏 + 𝑺𝑪𝑹𝟏 𝓜𝟏
 Une seconde régression en prenant toutes les variables, la variable 𝑿𝒋 comprise :

𝑺𝑪𝑻𝟐 = 𝑺𝑪𝑬𝟐 + 𝑺𝑪𝑹𝟐 𝓜𝟐

9
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
𝑺𝑪𝑹𝟏 : Ce qui n’est pas expliqué par la première régression (en l’absence de la variable explicative 𝑿𝒋 )

𝑺𝑪𝑬𝟐 − 𝑺𝑪𝑬𝟏 : Le supplément d’explication apporté par 𝑿𝒋

Le coefficient de détermination partielle associé à la variable 𝑿𝒋 est défini par la formule suivante :

𝟐
𝑺𝑪𝑬𝟐 − 𝑺𝑪𝑬𝟏 𝑺𝑪𝑹𝟏 − 𝑺𝑪𝑹𝟐 𝑹𝟐𝟐 − 𝑹𝟐𝟏 𝒕𝜷𝒋 𝜷𝒋
𝒓𝟐𝒀, 𝑿𝒋 = = = = 𝒐ù 𝒕𝜷𝒋 =
𝑺𝑪𝑹𝟏 𝑺𝑪𝑹𝟏 𝟏 − 𝑹𝟐𝟏 𝒕𝟐𝜷 + 𝒏 − 𝒌 𝝈𝜷𝒋
𝒋

𝒔𝒊 𝒓𝟐𝒀, 𝑿𝒋 = 𝟎 ⇒ 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒏′ 𝒂𝒑𝒑𝒐𝒓𝒕𝒆 𝒓𝒊𝒆𝒏 𝒅𝒆 𝒑𝒍𝒖𝒔 à 𝒍′ 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒀


𝒓𝟐𝒀, 𝑿𝒋 ∈ 𝟎, 𝟏 :
𝒔𝒊 𝒓𝟐𝒀, 𝑿𝒋 = 𝟏 ⇒ 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆 𝒕𝒐𝒖𝒕 𝒄𝒆 𝒒𝒖𝒊 𝒓𝒆𝒔𝒕𝒂𝒊𝒕 à 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é

Distributions des statistiques de décision usuelles

𝝃 ↝ 𝓝 𝟎, 𝝈𝟐 𝑰𝒏 𝒀 ↝ 𝓝 𝑿𝜷, 𝝈𝟐 𝑰𝒏 𝜷 ↝ 𝓝 𝜷, 𝝈𝟐 𝑿′ 𝑿 −𝟏

𝒏 − 𝒌 𝝈𝟐 𝑺𝑪𝑹 𝒏 − 𝒌 𝝈𝟐𝜷
= 𝟐 = ↝ 𝝌𝟐 𝒏 − 𝒌
𝝈𝟐 𝝈 𝝈𝟐𝜷

𝜷𝒋 − 𝜷𝒋
=↝ 𝓣 𝒏 − 𝒌 , 𝒍𝒂 𝒍𝒐𝒊 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒅𝒆 𝒅. 𝒅. 𝒍 𝒏 − 𝒌
𝝈𝜷𝒋

𝟐
𝜷𝒋 − 𝜷𝒋
=↝ 𝓕 𝟏, 𝒏 − 𝒌 , 𝒍𝒂 𝒍𝒐𝒊 𝒅𝒆 𝑭𝒊𝒔𝒉𝒆𝒓 𝒅𝒆𝒅𝒆𝒈𝒓é𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝒓𝒆𝒔𝒑𝒆𝒄𝒕𝒊𝒇𝒔 𝟏 𝒆𝒕 𝒏 − 𝒌
𝝈𝟐𝜷
𝒋

𝜷′ 𝑿′ 𝑿 𝜷 𝒌 𝜷′ 𝑿′ 𝑿 𝜷 𝒌 𝑹𝟐∗ 𝒏−𝒌
= = ↝ 𝓕 𝒌, 𝒏 − 𝒌
𝝈𝟐 𝑺𝑪𝑹 𝒏 − 𝒌 𝟏 − 𝑹𝟐∗ 𝒌

𝑹𝟐∗ é𝒕𝒂𝒏𝒕 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒅′ 𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆 𝒔𝒂𝒏𝒔 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕


𝒀′ 𝒀 𝝃′ 𝝃
𝑹𝟐∗ = ′ = 𝟏 − ′ ∈ 𝟎, 𝟏
𝒀𝒀 𝒀𝒀

𝜷𝒄 𝑿𝒄 ′ 𝑿𝒄 𝜷𝒄 𝒌 − 𝟏 𝑺𝑪𝑬 𝒌 − 𝟏 𝑹𝟐 𝒏−𝒌
= = ↝ 𝓕 𝒌−𝟏 , 𝒏−𝒌
𝝈𝟐 𝑺𝑪𝑹 𝒏 − 𝒌 𝟏 − 𝑹𝟐 𝒌−𝟏

10
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
Test de significativité individuelle

𝑯𝟎 : 𝜷 𝒋 = 𝟎
𝜷𝒋 − 𝜷𝒋
𝑳𝒆 𝒕𝒆𝒔𝒕 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆 à 𝒐𝒑𝒑𝒐𝒔𝒆𝒓 ∶ 𝒄𝒐𝒏𝒕𝒓𝒆 ; 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏: ↝𝓣 𝒏−𝒌
𝑯𝒂 : 𝜷 𝒋 ≠ 𝟎 𝝈𝜷𝒋

𝜷𝒋
𝒍𝒆 𝒕𝒆𝒔𝒕 é𝒕𝒂𝒏𝒕 𝒃𝒊𝒍𝒂𝒕é𝒓𝒂𝒍, 𝒍𝒂 𝒓é𝒈𝒊𝒐𝒏 𝒄𝒓𝒊𝒕𝒊𝒒𝒖𝒆 𝒑𝒐𝒖𝒓 𝒖𝒏 𝒓𝒊𝒔𝒒𝒖𝒆 𝜶, 𝒔𝒆𝒓𝒂 𝒑𝒐𝒖𝒓 ∶ > 𝒕𝟏−𝜶 𝒏 − 𝒌
𝝈𝜷𝒋 𝟐

Test de significativité globale (sauf la constante)

𝑳𝒆 𝒕𝒆𝒔𝒕 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒈𝒍𝒐𝒃𝒂𝒍𝒆 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆 à 𝒗é𝒓𝒊𝒇𝒊𝒆𝒓 𝒔𝒊 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆, 𝒑𝒓𝒊𝒔 𝒅𝒂𝒏𝒔 𝒔𝒂 𝒈𝒍𝒐𝒃𝒂𝒍𝒊𝒕é,


𝒆𝒔𝒕 𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒕.
𝑳 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒏𝒖𝒍𝒍𝒆 𝒄𝒐𝒓𝒓𝒆𝒔𝒑𝒐𝒏𝒅 à 𝒍𝒂 𝒔𝒊𝒕𝒖𝒂𝒕𝒊𝒐𝒏 𝒐ù 𝒂𝒖𝒄𝒖𝒏𝒆 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒐𝒈è𝒏𝒆𝒔 𝒏′ 𝒆𝒎𝒎è𝒏𝒆

𝒅𝒆 𝒍′ 𝒊𝒏𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏𝒖𝒕𝒊𝒍𝒆 𝒅𝒂𝒏𝒔 𝒍′ 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒀 𝒄. -à-𝒅. 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒏𝒆 𝒔𝒆𝒓𝒕 à 𝒓𝒊𝒆𝒏.

𝑯𝟎 : 𝜷𝒄 = 𝟎
𝑳𝒆 𝒕𝒆𝒔𝒕 𝒔′ 𝒆𝒄𝒓𝒊𝒕 ∶ 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝒂 : 𝜷𝒄 ≠ 𝟎
′ ′
𝜷𝒄 𝑿𝒄 𝑿𝒄 𝜷𝒄 𝒌 − 𝟏 𝑺𝑪𝑬 𝒌 − 𝟏 𝑹𝟐 𝒏−𝒌
𝒔𝒕𝒂𝒕 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏: 𝑭 = = = ↝ 𝓕 𝒌−𝟏 , 𝒏−𝒌
𝝈𝟐 𝑺𝑪𝑹 𝒏 − 𝒌 𝟏 − 𝑹𝟐 𝒌−𝟏
𝒍𝒂 𝒓é𝒈𝒊𝒐𝒏 𝒄𝒓𝒊𝒕𝒊𝒒𝒖𝒆 𝒑𝒐𝒖𝒓 𝒖𝒏 𝒓𝒊𝒔𝒒𝒖𝒆 𝜶, 𝒔𝒆𝒓𝒂 𝒑𝒐𝒖𝒓 ∶ 𝑭𝒐𝒃𝒔 > 𝒇𝟏−𝜶 𝒌 − 𝟏 , 𝒏 − 𝒌
𝒌 − 𝟏 𝒇𝟏−𝜶 𝒌 − 𝟏 , 𝒏 − 𝒌
𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑹𝟐 >
𝒏 − 𝒌 + 𝒌 − 𝟏 𝒇𝟏−𝜶 𝒌 − 𝟏 , 𝒏 − 𝒌

11
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
Prédiction et intervalle de prédiction
En cherchant à trouver un intervalle de confiance sur une valeur future 𝒀𝜽 de 𝒚 pour 𝜽 > 𝑛 où 𝒏 est la
période pour laquelle le modèle 𝑴 : 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝟐, … , 𝒏 est vérifié.

On parlerait alors d’intervalle de prévision.

Sous l’hypothèse que le modèle reste inchangé, nous aurons : 𝒀𝜽 = 𝜷𝟏 + 𝜷𝟐 𝑿𝜽 + 𝜺𝜽

𝒆𝒕 𝒀𝜽 = 𝜷𝟏 + 𝜷𝟐 𝑿𝜽 Sera sans biais.

La variable 𝒀𝜽 − 𝒀𝜽 = 𝜺𝜽 − 𝜷𝟏 − 𝜷𝟏 − 𝜷𝟐 − 𝜷𝟐 𝑿𝜽 est normale de paramètres 𝑬 𝒀𝜽 − 𝒀𝜽 et


𝑽 𝒀𝜽 − 𝒀𝜽

𝒐𝒓 𝑬 𝒀𝜽 − 𝒀𝜽 = 𝑬 𝜺𝜽 − 𝜷𝟏 − 𝜷𝟏 − 𝜷𝟐 − 𝜷𝟐 𝑿𝜽

= 𝑬 𝜺𝜽 − 𝑬 𝜷𝟏 − 𝜷𝟏 − 𝑬 𝜷𝟐 − 𝜷𝟐 𝑿𝜽
𝟎

= 𝑬 𝜷𝟏 − 𝜷𝟏 − 𝑿𝜽 𝑬 𝜷𝟐 − 𝜷𝟐
𝟎 𝟎

𝑬 𝒀𝜽 − 𝒀𝜽 = 𝟎 ⇒ 𝒀𝜽 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝒀𝜽
𝟐 𝟐
𝑽 𝒀𝜽 − 𝒀𝜽 = 𝑬 𝒀𝜽 − 𝒀𝜽 − 𝑬 𝒀𝜽 − 𝒀𝜽
𝟎

𝟐
=𝑬 𝒀𝜽 − 𝒀𝜽

𝟐
=𝑬 𝜺𝜽 − 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝑿𝜽

𝟐
𝑽 𝒀𝜽 − 𝒀𝜽 = 𝑬 𝜺𝟐𝜽 − 𝟐 𝑬 𝜺𝜽 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝑿𝜽 +𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝑿𝜽
𝟎

Rq1

𝜷𝟏 𝒆𝒕 𝜷𝟏 Ne dépendent que de 𝜺𝟏 , 𝜺𝟐 , … , 𝜺𝒏 et tant que 𝑬 𝜺𝒊 𝜺𝜽 = 𝟎 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏 :

On a donc 𝑬 𝜺𝜽 𝜷𝟏 = 𝑬 𝜺𝜽 𝜷𝟐 = 𝟎

Rq2 : estimateur sans biais d’une combinaison linéaire 𝜸 = 𝒂𝜷𝟏 + 𝒃𝜷𝟐

𝑽 𝜸 = 𝑽 𝒂𝜷𝟏 + 𝒃𝜷𝟐 = 𝒂𝟐 𝑽 𝜷𝟏 + 𝒃𝟐 𝑽 𝜷𝟐 + 𝟐𝒂𝒃 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐


𝟐 𝒏 𝒏
𝟏 𝑿 𝝈𝟐 𝒊=𝟏 𝑿𝒊 −𝑿 𝟐 −𝝈𝟐 𝑿 𝒊=𝟏 𝑿𝒊 −𝑿 𝟐
𝝈𝟐 + 𝒏 𝟐
𝒏
𝒊=𝟏 𝑿𝒊 −𝑿

12
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
𝟐
𝟐 𝟐
𝟏 𝑿 𝒃 𝟐 𝝈𝟐 𝟐𝒂𝒃𝝈𝟐 𝑿
𝑽 𝜸 = 𝑽 𝒂𝜷𝟏 + 𝒃𝜷𝟐 = 𝒂 𝝈 + 𝒏 𝟐
+ 𝒏 𝟐
− 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿 𝒊=𝟏 𝑿𝒊 − 𝑿 𝒊=𝟏 𝑿𝒊 − 𝑿

𝒂𝟐 𝒂𝑿 𝟐
𝒃𝟐 𝟐𝒂𝒃𝑿
𝑽 𝜸 = 𝑽 𝒂𝜷𝟏 + 𝒃𝜷𝟐 = 𝝈𝟐 + 𝒏 𝟐
+ 𝒏 𝟐
− 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿 𝒊=𝟏 𝑿𝒊 − 𝑿 𝒊=𝟏 𝑿𝒊 − 𝑿

𝒂𝟐 𝒂𝑿 𝟐
+ 𝒃𝟐 − 𝟐𝒂𝒃𝑿
𝑽 𝜸 = 𝑽 𝒂𝜷𝟏 + 𝒃𝜷𝟐 = 𝝈𝟐 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿

𝒂𝟐 𝒃 − 𝒂𝑿 𝟐
𝑽 𝜸 = 𝑽 𝒂𝜷𝟏 + 𝒃𝜷𝟐 = 𝝈𝟐 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿

𝟐
Ainsi 𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝑿𝜽 =𝑽 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝑿𝜽 𝑪𝒂𝒓 𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝑿𝜽 = 𝟎

𝟐
𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝑿𝜽 = 𝑽 𝜷𝟏 + 𝜷𝟐 𝑿𝜽 − 𝜷𝟏 − 𝜷𝟐

=𝑽 𝜷𝟏 + 𝑿𝜽 𝜷𝟐 , 𝜸 = 𝒂𝜷𝟏 + 𝒃𝜷𝟐 𝒂𝒗𝒆𝒄 𝒂 = 𝟏 𝒆𝒕 𝒃 = 𝑿𝜽


𝜸=𝟏×𝜷𝟏 +𝑿𝜽 𝜷𝟐

𝟐
𝟏𝟐 𝑿𝜽 − 𝟏. 𝑿 𝟐
=𝝈 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿

𝟐
𝟐
𝟐
𝟏 𝑿𝜽 − 𝑿
𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝑿𝜽 =𝝈 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿

𝟐
𝒐𝒓 𝑽 𝒀𝜽 − 𝒀𝜽 = 𝑬 𝜺𝟐𝜽 + 𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝑿𝜽

𝟐
𝟐 𝟐
𝟏 𝑿𝜽 − 𝑿
𝒅𝒐𝒏𝒄 𝑽 𝒀𝜽 − 𝒀𝜽 = 𝝈 + 𝝈 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿

𝟐 𝟐
𝟐
𝟏 𝑿𝜽 − 𝑿 𝟐 𝟏 𝑿𝜽 − 𝑿
𝑽 𝒀𝜽 − 𝒀𝜽 = 𝝈 𝟏+ + 𝒏 𝟐
⇒ 𝑽 𝒀𝜽 − 𝒀𝜽 = 𝝈 𝟏+ + 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿 𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿

𝒀𝜽 − 𝒀𝜽
𝑳𝒂 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 𝒔𝒆𝒓𝒂 ∶ 𝟐
↝ 𝓣 𝒏−𝟐
𝟐 𝟏 𝑿𝜽 − 𝑿
𝝈 𝟏+ + 𝒏
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿 𝟐

D’où l’intervalle de prévision :

𝟏 𝑿𝜽 − 𝑿 𝟐
𝑰𝑪𝟏−𝜶 𝒀𝜽 = 𝒀𝜽 ± 𝒕𝟏−𝜶 𝒏 − 𝟐 𝝈 𝟏 + + 𝒏
𝟐 𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿
𝟐

13
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
Test sur une combinaison linéaire des coefficients
Soit 𝐂, un vecteur 𝐤 × 𝟏 de constantes et 𝐫 un scalaire.
𝐎𝐧 𝐬𝐞 𝐩𝐫𝐨𝐩𝐨𝐬𝐞 𝐝𝐞 𝐭𝐞𝐬𝐭𝐞𝐫 𝑯𝟎 : 𝑪′ 𝜷 = 𝒓 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝒂 : 𝑪′ 𝜷 ≠ 𝒓 𝒔𝒐𝒖𝒔 𝒖𝒏 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆
𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝜶 𝒅𝒐𝒏𝒏é
Statistique de décision :
𝟐
𝑪′ 𝜷 − 𝒓 𝑪′ 𝜷 − 𝒓
𝑭= 𝟐 ↝ 𝓕 𝟏, 𝒏 − 𝒌 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑻 = ↝ 𝝉 𝑻−𝒌
𝝈 𝑪′ 𝑿′ 𝑿 −𝟏 𝑪
𝝈 𝑪′ 𝑿′ 𝑿 −𝟏 𝑪

L’autocorrélation et L’hétéroscédasticité

Erreurs autorégressives d’ordre 1 :


On postule les hypothèses suivantes :
 𝑯𝟏 : 𝒖𝒕 = 𝝆𝒖𝒕−𝟏 + 𝝐𝒕 , 𝒂𝒗𝒆𝒄 𝝆 < 1
 𝑯𝟐 : 𝑬 𝝐𝒕 = 𝟎 , ∀𝒕
𝟐
 𝑯𝟑 : 𝑬 𝝐𝒕 𝝐𝒔 = 𝝈𝝐 𝒔𝒊 𝒕 = 𝒔
𝟎 𝒔𝒊 𝒕 ≠ 𝒔
L’erreur 𝒖𝒕 possède une composante systématique 𝝆𝒖𝒕−𝟏 et une composante purement aléatoire 𝝐𝒕

La matrice de covariance des erreurs :

+∞
𝝈𝟐𝝐 𝝆𝒔
𝒖𝒕 = 𝝆𝒊 𝝐𝒕−𝒊 ⇒ 𝑬 𝒖𝒕 = 𝟎 𝑬 𝒖𝟐𝒕 = = 𝝈 𝟐
𝒖 𝑬 𝒖 𝒖
𝒕 𝒕−𝒔 = 𝝆𝒔 𝟐
𝝈 𝒖 = 𝝈𝟐
𝟏 − 𝝆𝟐 𝟏 − 𝝆𝟐 𝝐
𝒊=𝟎

𝟏 𝝆 𝝆𝟐 … 𝝆𝒏−𝟏
𝝆 𝟏 𝝆 ⋯ 𝝆𝒏−𝟐
𝑬 𝑼𝑼′ = 𝝈𝟐𝒖 𝛀 = 𝝈𝟐𝒖 𝝆𝟐 𝝆 𝟏 … 𝝆𝒏−𝟑 𝒂𝒗𝒆𝒄 𝝆 < 1
⋮ ⋮ ⋮ ⋱ ⋮
𝒏−𝟏
𝝆 𝝆𝒏−𝟐 𝝆 𝒏−𝟑
… 𝟏

14
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
Transformation des données (𝝆 𝒄𝒐𝒏𝒏𝒖) :
Si le coefficient d’autocorrélation 𝝆 est connu, alors :

𝟏 −𝝆 𝟎 … 𝟎 𝟎
−𝝆 𝟏 + 𝝆𝟐 −𝝆 ⋯ 𝟎 𝟎
−𝟏 𝟏 𝟎 −𝝆 𝟏 + 𝝆𝟐 … 𝟎 𝟎
𝜷𝑴𝑪𝑮 = 𝑿′ 𝛀−𝟏 𝑿 𝑿′ 𝛀−𝟏 𝒀 𝒂𝒗𝒆𝒄 𝛀−𝟏 =
𝟏 − 𝝆𝟐 ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝟎 𝟎 𝟎 … 𝟏 + 𝝆𝟐 −𝝆
𝟎 𝟎 𝟎 … −𝝆 𝟏
𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 é𝒕𝒂𝒏𝒕 𝒀 = 𝑿𝜷 + 𝑼

Estimation du coefficient d’autorégression/Méthode de Cohrane-Orcutt :


𝟏 𝝆 𝝆𝟐 … 𝝆𝒏−𝟏
𝒏 𝒏 𝝆 𝟏 𝝆 ⋯ 𝝆𝒏−𝟐
𝝆= 𝒖𝒕 𝒖𝒕−𝟏 𝒖𝟐𝒕−𝟏 ⇒ 𝛀 = 𝝆𝟐 𝝆 𝟏 … 𝝆𝒏−𝟑
𝒕=𝟐 𝒕=𝟐 ⋮ ⋮ ⋮ ⋱ ⋮
𝝆𝒏−𝟏 𝝆𝒏−𝟐 𝝆𝒏−𝟑 … 𝟏
−𝟏
𝒆𝒕 𝜷 = 𝑿′ 𝛀−𝟏 𝑿 𝑿′ 𝛀−𝟏 𝒀

La statistique de Durbin-Watson :
Elle permet de tester l’hypothèse nulle 𝑯𝟎 : 𝝆 = 𝟎 contre les hypothèses alternatives
𝑯𝒂 : 𝝆 ≠ 𝟎 𝒐𝒖 𝑯𝒂 : 𝝆 > 0 𝑜𝑢 𝑯𝒂 : 𝝆 < 0
La statistique de Durbin-Watson est définie par :
𝒏 𝒏
𝟐
𝒅𝒐𝒃𝒔 = 𝒖𝒕 − 𝒖𝒕−𝟏 𝒖𝟐𝒕 ≈ 𝟐 𝟏 − 𝝋
𝒕=𝟐 𝒕=𝟏

Les règles de décision sont résumées dans le tableau suivant, avec toujours 𝑯𝟎 : 𝝆 = 𝟎 :

𝑯𝒂 𝒅𝒐𝒃𝒔 < 𝒅𝑳 𝒅𝑳 ≤ 𝒅𝒐𝒃𝒔 ≤ 𝒅𝑼 𝒅𝑼 ≤ 𝒅𝒐𝒃𝒔 < 4 − 𝒅𝑼 𝟒 − 𝒅𝑼 ≤ 𝒅𝒐𝒃𝒔 < 4 − 𝒅𝑳 𝟒 − 𝒅𝑳 ≤ 𝒅𝒐𝒃𝒔

𝝆>0 Rejeter 𝑯𝟎 Incertain Ne pas rejeter 𝐇𝟎

𝝆<0 Ne pas rejeter 𝐇𝟎 Incertain Rejeter 𝑯𝟎

𝝆≠𝟎 Rejeter 𝑯𝟎 Incertain Ne pas rejeter 𝐇𝟎 Incertain Rejeter 𝑯𝟎

15
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
La table de valeurs critiques de Durbin-Watson fournit deux valeurs 𝒅𝑼 et 𝒅𝑳 pour chaque
combinaison de nombres d’observations 𝒏 et de nombres de variables explicatives 𝒌 − 𝟏

 Note importante : le test de D.W ne peut pas être employé lorsque les régresseurs
incluent des variables endogènes retardées.

16
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba

Vous aimerez peut-être aussi