Correction de la série 2 d'Économétrie

Exercice 1 :

1)

𝑇 ∑ 𝑥𝑡1 ∑ 𝑥𝑡2
25 −10 4
(𝑋 ′ 2
𝑋) = ∑ 𝑥𝑡1 ∑ 𝑥𝑡1 ∑ 𝑥𝑡1 𝑥𝑡2 = (−10 10 −2)
4 −2 4
2
(∑ 𝑥𝑡2 ∑ 𝑥𝑡1 𝑥𝑡2 ∑ 𝑥𝑡2 )

∑ 𝑦𝑡
220
′
𝑋𝑌= ∑ 𝑥𝑡1 𝑦𝑡 = (−75,6)
31,04
(∑ 𝑥𝑡2 𝑦𝑡 )

1 −10 1 4
𝑇 = 25, ̅̅̅
𝑥1 = ∑ 𝑥𝑡1 = = −0,4 , 𝑥
̅̅̅2 = ∑ 𝑥𝑡2 = = 0,16
𝑇 25 𝑇 25
1 220
𝑦̅ = ∑ 𝑦𝑡 = = 8,8
𝑇 25

2) 𝑆𝐶𝑇 = 𝑌′ 𝑌 − 𝑇𝑦̅2 = 1975,96 − 25 × 8,82 = 39,96

3) 𝛽̂ l’estimateur des MCO de β est:
𝛽̂0 18 16 −10 220 9,76
1
𝛽̂ = (𝛽̂1 ) = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑌 = ( 16 42 5 ) (−75,6) = ( 2 )
250 31,04
𝛽̂2 −10 5 75 −1
′ ′
220
̂
4) 𝑆𝐶𝐸 = 𝛽 𝑋 𝑌 − 𝑇𝑦̅ = 2 (9.76, 2 , −1) (−75,6) − 25 × 8.82 = 28,96
31,04
𝑆𝐶𝑅 = 𝑆𝐶𝑇 − 𝑆𝐶𝐸 = 39,96 − 28,96 = 11

𝑆𝐶𝐸 𝑆𝐶𝑅 28,96 𝑇−1

5) 𝑅 2 = 𝑆𝐶𝑇 = 1 − 𝑆𝐶𝑇 = 39,96 = 0,725 𝑒𝑡 𝑅̅ 2 = 1 − 𝑇−𝐾 (1 − 𝑅 2 ) = 0,7

6) a/ la significativité individuelle de β1 et β2 au risque 10 %:

1
 La matrice des variances et covariances estimée des paramètres est Σ̂𝛽̂ =
𝜎̂ 2 (𝑋 ′ 𝑋)−1 or

𝑆𝐶𝑅 11
𝜎̂ 2 = = = 0,5
𝑇 − 𝐾 22

𝜎̂𝛽̂20 ̂ (𝛽̂0 𝛽̂1 ) 𝑐𝑜𝑣

𝑐𝑜𝑣 ̂ (𝛽̂0 𝛽̂2 )
0,036 0,032 −0,02
̂ (𝛽̂1 𝛽̂0 )
Σ̂𝛽̂ = 𝑐𝑜𝑣 𝜎̂𝛽̂21 ̂ (𝛽̂1 𝛽̂2 ) = ( 0,032 0,084 0,01 )
𝑐𝑜𝑣
̂ (𝛽̂2 𝛽̂0 ) 𝑐𝑜𝑣
̂ (𝛽̂2 𝛽̂1 ) 𝜎̂𝛽̂22 −0,02 0,01 0,15
(𝑐𝑜𝑣 )

𝐻0 : 𝛽1 = 0
{
𝐻1 : 𝛽1 ≠ 0

𝛽̂1 2
𝑡𝑐 = | |=| | = 6,9 > 𝑡10% (22) = 1,717 ⇒ on rejette 𝐻0
𝜎̂𝛽̂1 √0,084

𝐻0 : 𝛽2 = 0
{
𝐻1 : 𝛽2 ≠ 0

̂ ± 𝑡. 𝜎
𝐼(𝛽2 ) = 𝛽 ̂ 𝛽̂ = [−1 − 1,717 × √0,15 ; −1 + 1,717 × √0,15]
2 2
= [−1,664 ; −0,335; ]
0 ∉ 𝐼(𝛽2 ) ⇒ on rejette 𝐻0
b/ la significativité globale du modèle au risque 5 %?,
𝐻0 : 𝛽1 = 𝛽2 = 0
𝐻1 : 𝛽1 𝑒𝑡/𝑜𝑢𝛽2 ≠ 0

𝑇 − 𝐾 𝑆𝐶𝐸 𝑇 − 𝐾 𝑅 2 25 − 3 0,727
𝐹𝑐 = . = . 2
= . = 28,96
𝑘 𝑆𝐶𝑅 𝑘 1−𝑅 2 1 − 0,725

𝐹𝑐 > 𝐹(2,22) = 3,44 ⇒ on rejette 𝐻0

Le modèle est globalement significatif.

7) Testons au risque 5 % :

𝐻0 : 𝛽1 − 2𝛽2 = 4,5
{
𝐻1 : 𝛽1 − 2𝛽2 ≠ 4,5

𝛽̂1 − 2𝛽̂2 − 4,5 2 + 2 − 4,5

𝑡𝑐 = || || = | | = 0,623
̂ (𝛽̂1 𝛽̂2 )
√𝜎̂𝛽̂2 + 4𝜎̂𝛽̂2 − 4𝑐𝑜𝑣 √0,084 + 4 × 0,15 − 4 × 0.01
1 2

𝑡𝑐 = 0,623 ≤ 𝑡5% (22) = 2,074 ⇒ on accepte 𝐻0

2
 8) Pour la période T+1, on donne 𝑥1,𝑇+1 = 𝑥2,𝑇+1 = 1 .
a/ Déterminons un intervalle de prévision de niveau 95 % pour 𝑦𝑇+1 .
𝑃
𝑦𝑇+1 = 𝛽̂0 + 𝛽̂1 𝑥1,𝑇+1 + 𝛽̂2 𝑥2,𝑇+1 = 10,76

2 ′
𝜎̂𝑒𝑝 = 𝜎̂ 2 (1 + 𝑥𝑇+1 (𝑋 ′ 𝑋)−1 𝑥𝑇+1 ) = 0,814 ⇔ 𝜎̂𝑒𝑝 = √0,814 = 0,902

𝑡5% (22) = 2,074

𝑃
𝐼(𝑦𝑇+1 ) = 𝑦𝑇+1 ± 𝑡. 𝜎̂𝑒𝑝 = [8,888 ; 12,631]

b/ à la période T+1, on a observé 𝑦𝑇+1 = 15 or 15 ∉ 𝐼(𝑦𝑇+1 ). On a fait une

mauvaise prévision.

Exercice 2 :

Soit le modèle (1) 𝒚𝒕 = 𝑎 + 𝑏𝑥𝑡 + 𝑐𝑧𝑡 + 𝑢𝑡 , 𝑡 = 1, … ,20

Avec des données centrées la matrice X'X et le vecteur X'Y son comme suit:

̅) 𝟐
∑(𝒙𝒕 − 𝒙 ̅) (𝒛𝒕 − 𝒛̅)
∑(𝒙𝒕 − 𝒙
6 4
(𝑋 ′ 𝑋) = ( )=( )
̅) (𝒛𝒕 − 𝒛̅)
∑(𝒙𝒕 − 𝒙 ∑(𝒛𝒕 − 𝒛̅)𝟐 4 6

∑(𝒙𝒕 − 𝒙̅) (𝒚𝒕 − 𝒚̅)

′ 4,2
𝑋𝑌=( )=( )
3,3
∑(𝒛𝒕 − 𝒛̅) (𝒚𝒕 − 𝒚
̅)
̂ 𝑒𝑡 𝒄̂ les estimateurs des MCO de b et c,
1) Déterminons 𝒃
̂ 6 4 −1 4,2 0,6
( 𝒃) = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑌 = ( ) ( )=( )
𝒄̂ 4 6 3,3 0,15

4,2
2) 𝑆𝐶𝐸 = 𝛽̂ ′ 𝑋 ′ 𝑌 = (0,6 ; 0,15) ( ) = 3,015
3,3
𝑆𝐶𝑅 = 𝑆𝐶𝑇 − 𝑆𝐶𝐸 = 3,415 − 3,015 = 0,4

𝑆𝐶𝐸 𝑆𝐶𝑅 0,4

𝑅2 = =1− =1− = 0,883
𝑆𝐶𝑇 𝑆𝐶𝑇 3,415
3) On considère le modèle (2) :
𝒚𝒕 − 𝒙𝒕 = 𝒂 + 𝒄(𝒛𝒕 − 𝒙𝒕 ) + 𝜺𝒕

3
 a) Déterminons 𝒄̂ l’estimateur des MCO de c
∑([𝒚𝒕 − 𝒙𝒕 ] × [𝒛𝒕 − 𝒙𝒕 ]) − 𝑻 × ̅̅̅̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅̅
(𝒚 − 𝒙). (𝒛 − 𝒙)
𝒄̂ = 𝟐
∑(𝒛𝒕 − 𝒙𝒕 ) − 𝑻 × (𝒛 ̅̅̅̅̅̅̅̅̅̅
− 𝒙) 𝟐

(∑ 𝒛𝒕 𝒚𝒕 − 𝑻𝒛̅𝒚
̅) − (∑ 𝒙𝒕 𝒚𝒕 − 𝑻𝒙
̅𝒚 ̅𝒛̅) + (∑ 𝒙𝟐𝒕 − 𝑻𝒙
̅) − (∑ 𝒙𝒕 𝒛𝒕 − 𝑻𝒙 ̅𝟐 )
𝒄̂ =
(∑ 𝒙𝟐𝒕 − 𝑻𝒙
̅𝟐 ) + (∑ 𝒛𝟐𝒕 − 𝑻𝒛̅𝟐 ) − 𝟐(∑ 𝒙𝒕 𝒛𝒕 − 𝑻𝒙
̅𝒛̅)

∑(𝒛𝒕 − 𝒛̅) (𝒚𝒕 − 𝒚

̅) − ∑(𝒙𝒕 − 𝒙
̅) (𝒚𝒕 − 𝒚
̅) − ∑(𝒙𝒕 − 𝒙 ̅) 𝟐
̅) (𝒛𝒕 − 𝒛̅) + ∑(𝒙𝒕 − 𝒙
𝒄̂ =
̅)𝟐 + ∑(𝒛𝒕 − 𝒛̅)𝟐 − 𝟐 ∑(𝒙𝒕 − 𝒙
∑(𝒙𝒕 − 𝒙 ̅) (𝒛𝒕 − 𝒛̅)

𝟑, 𝟑 − 𝟒, 𝟐 − 𝟒 + 𝟔
𝒄̂ = = 𝟎, 𝟐𝟕𝟓
𝟔+𝟔−𝟐×𝟒
b) La contrainte qui nous fait passer du modèle (1) au modèle (2) est:
Le modèle (2) est :
𝒚𝒕 − 𝒙𝒕 = 𝒂 + 𝒄(𝒛𝒕 − 𝒙𝒕 ) + 𝜺𝒕 ⇔ 𝒚𝒕 = 𝒂 + (𝟏 − 𝒄)𝒙𝒕 + 𝒄𝒛𝒕 + 𝜺𝒕
Alors pour passer du modèle (1) au modèle (2) en supposant que 𝑏 = (𝟏 − 𝒄)
c) Si le coefficient de détermination R² est égal à 0,3. Testons au risque 5 % la
pertinence de la contrainte retenue. On applique le test de Chow. En effet,

𝐻 : 𝑏 = (𝟏 − 𝒄)
{ 0
𝐻1 : 𝑏 ≠ (𝟏 − 𝒄)

Sous 𝐻0 , 𝑅02 = 0,3 et

𝑺𝑪𝑻𝟎 = ∑(𝒚𝒕 − 𝒙𝒕 )𝟐 − 𝑻(𝒚 ̅)𝟐 = (∑ 𝒚𝟐𝒕 − 𝑻𝒚
̅−𝒙 ̅𝟐 ) + (∑ 𝒙𝟐𝒕 − 𝑻𝒙
̅𝟐 ) − 𝟐 (∑ 𝒙𝒕 𝒚𝒕 − 𝑻𝒙
̅𝒚̅)

̅)𝟐 + ∑(𝒙𝒕 − 𝒙
𝑺𝑪𝑻𝟎 = ∑(𝒚𝒕 − 𝒚 ̅)𝟐 − 𝟐 ∑(𝒙𝒕 − 𝒙
̅) (𝒚𝒕 − 𝒚
̅)

𝑺𝑪𝑻𝟎 = 𝟑, 𝟒𝟏𝟓 + 𝟔 − 𝟐 × 𝟒, 𝟐 = 𝟏, 𝟎𝟏𝟓

𝑺𝑪𝑹𝟎 = (𝟏 − 𝑅02 )𝑺𝑪𝑻𝟎 = (𝟏 − 𝟎, 𝟑) × 𝟏, 𝟎𝟏𝟓 = 𝟎, 𝟕𝟏𝟎𝟓

Sous 𝐻1 , 𝑆𝐶𝑅1 = 0,4

Le test de Chow est alors :

(𝑺𝑪𝑹𝟎 − 𝑺𝑪𝑹𝟏 )/1 (0,7105 − 0,4)

𝐹𝑐 = = × 17 = 13,196
𝑺𝑪𝑹𝟏 /(𝟐𝟎 − 𝟑) 0,4

𝐹𝑐 = 13,196 > ℱ5% (1,17) = 4,45 ⇒ 𝑜𝑛 𝑟𝑒𝑗𝑒𝑡𝑡𝑒 𝐻0 (La contrainte n'est pas pertinente).

4
Exercice 3 :
On considère le modèle à 3 variables exogènes :

(1) 𝒚𝒕 = 𝛽0 + 𝛽1 𝑥𝑡1 + 𝛽2 𝑥𝑡2 + 𝛽3 𝑥𝑡3 + 𝜀𝑡 , 𝑡 = 1, … ,18

y : les importations d'un certain pays,

x1 : la production intérieure brute,

x2 : la formation des stocks,

x3 : une variable auxiliaire.

Le modèle estimé s’écrit :

(2) 𝒚
̂𝒕 = −5,92 + 0,133 𝑥𝑡1 + 0,55 𝑥𝑡2 + 2,10 𝑥𝑡3

(1,27) (0,006) (0,11) (0,10)

1) Les intervalles de confiance pour 1 et 2 au niveau de 95%

𝐼(𝛽𝑖 ) = 𝛽̂𝑖 ± 𝑡. 𝜎̂𝛽̂𝑖

𝐼(𝛽1 ) = 0,133 ± 2,144 × 0,006 = [0,12 ; 0,145]

𝐼(𝛽2 ) = 0,55 ± 2,144 × 0,11 = [0,314 ; 0,785]

2)

𝐻 :𝛽 = 𝟎
{ 0 𝑖
𝐻1 : 𝛽𝑖 ≠ 𝟎
̂1
𝛽 0,133
• Pour 𝛽1 : 𝑡𝑐 = | | = |0,006| = 22,166 > 𝑡5% (14) = 2,144 ⇒
̂𝛽
𝜎 ̂ 1
on accepte 𝐻1 (le PIB a un effet significatif sur les importations)
̂2
𝛽 0,55
• Pour 𝛽2 : 𝑡𝑐 = | | = |0,11| = 5 > 𝑡5% (14) = 2,144 ⇒ on accepte 𝐻1 (la
̂𝛽
𝜎 ̂ 2
formation des stocks est un facteur déterminant des importations)
3) Testons l'égalité à 0,13 et 0,30 des paramètres 1 et 2. En effet,

𝛽 0,13
𝐻0 : ( 1 ) = ( )
𝛽2 0,30
{
𝛽 0,13
𝐻1 : ( 1 ) ≠ ( )
𝛽2 0,30
′
1 𝛽̂ 0,13 ̂ −1 𝛽̂1 0,13
𝐹𝑐 = (( 1 ) − ( )) Σ ̂
𝛽 ̂
,𝛽 (( )−( )) = 3,092
2 𝛽2̂ 0,30 ( 1 2 ) ̂
𝛽2 0,30

5
 𝐹𝑐 = 3,092 < ℱ5% (2 , 14) = 3,74 ⇒ on accepte 𝐻0
4) On prévoit une variation entre les instants T et  de:
∆𝑥1 = 25 , ∆𝑥2 = 3 𝑒𝑡 ∆𝑥3 = 1. Alors
∆𝑦 = 𝛽̂1 ∆𝑥1 + 𝛽̂2 ∆𝑥2 + 𝛽̂3 ∆𝑥3 = 0,133 × 25 + 0,55 × 3 + 2,11 × 1 = 7,075

5) L'introduction d'une variable supplémentaire x4 donne comme modèle estimé

:

(3) 𝒚
̂𝒕 = −8,79 − 0,021 𝑥𝑡1 + 0,559 𝑥𝑡2 + 0,235 𝑥𝑡3 + 2,103 𝑥𝑡4
(1,38) (0,051) (0,087) (0,162) (0,077)

L'introduction de la variable exogène 𝑥4 au modèle a un effet négatif sur la

̂
𝛽 0,021
significativité de la variable 𝑥1 (𝑥1 n'est plus significatif (𝑡𝑐 = |̂ 1 | = | |=
𝜎𝛽
̂ 0,051
1

0,4115 < 𝑡5% (14) = 2,144) . Par contre l’introduction de cette variable n'a

pas d'effet sur la pertinence de la variable 𝑥2 .

L'introduction d'une variable explicative est toujours souhaitable car,

théoriquement, il peut porter une part de l'explication de la variabilité de la variable
endogène y. Mais si cette variable ajoutée a une certaine dépendance linéaire avec
une des variables exogènes déjà existantes dans le modèle, on aura un problème de
colinéarité et le nouveau modèle devient moins bon que l'ancien.

Exercice 4 :
Supposons qu’une entreprise, pour produire un bien Y, utilise du capital K et
deux catégories de travail (du travail qualifié L1 et du travail non qualifié L2).La
contrainte technologique peut être représentée par une fonction de production du
type Cobb-Douglas :
𝑏 𝑏 𝑏
𝑌𝑡 = 𝐴𝐿𝑡11 𝐿𝑡22 𝐾𝑡 3 exp(𝑏4 . 𝑡 + 𝑢𝑡 ) , 𝑡 = 1, … ,30

1) Pour estimer les paramètres du modèle par les MCO on doit linéariser le
modèle par l'introduction de l'opérateur Logarithmique. Le modèle devient :
𝐿𝑜𝑔(𝑌𝑡 ) = 𝐿𝑜𝑔(𝐴) + 𝑏1 𝐿𝑜𝑔(𝐿𝑡1 ) + 𝑏2 𝐿𝑜𝑔(𝐿𝑡2 ) + 𝑏3 𝐿𝑜𝑔(𝐾𝑡 ) + 𝑏4 . 𝑡 + 𝑢𝑡

2) les interprétations économiques des paramètres 𝑏1 , 𝑏2 , 𝑏3 𝑒𝑡 𝑏4 sont :

∆𝐿𝑜𝑔(𝑌) ∆𝑌⁄
𝑌
* 𝑏1 = ∆𝐿𝑜𝑔(𝐿 ) = ∆𝐿1 = 𝑒𝑌⁄ l'élasticité de la production du bien Y par rapport
1 ⁄𝐿 𝐿1
1
au facteur travail qualifié. Le signe attendu est positif.

6
 ∆𝐿𝑜𝑔(𝑌) ∆𝑌⁄
𝑌
* 𝑏2 = = ∆𝐿2 = 𝑒𝑌⁄ l'élasticité de la production du bien Y par rapport
∆𝐿𝑜𝑔(𝐿2 ) ⁄𝐿 𝐿2
2
au facteur travail non qualifié. Le signe attendu est positif.

∆𝐿𝑜𝑔(𝑌) ∆𝑌⁄
* 𝑏3 = ∆𝐿𝑜𝑔(𝐾) = ∆𝐾⁄𝑌 = 𝑒𝑌⁄ l'élasticité de la production du bien Y par rapport au
𝐾 𝐾
facteur travail capital. Le signe attendu est positif.

∆𝐿𝑜𝑔(𝑌) ∆𝑌⁄ ∆𝑌
𝑌
* 𝑏4 = = = le taux de croissance de la production du bien Y. le signe
∆𝑡 ∆𝑡 𝑌
peut-être positif, négatif ou nul.

3) L’estimation par les MCO a donné les résultats suivants :

𝑏̂1 = 0,5 𝑏̂2 = 0,7 𝑏̂3 = 0,3 𝑏̂4 = 0,004

(0,1) (0,2) (0,05) (0,001)

i/ les paramètres sont-ils significatives au seuil 5 % ? Revient à faire les tests

suivants:

𝐻0 : 𝑏𝑖 = 𝟎
{ 𝑖 = 1, … ,4
𝐻1 : 𝑏𝑖 ≠ 𝟎

𝑏̂1 0,5
• Pour 𝑏1 : 𝑡𝑐 = | | = |0,1| = 5 > 𝑡5% (25) = 2,059 ⇒ on accepte 𝐻1 (le
̂ 𝑏̂
𝜎
1
travail qualifié a un effet significatif sur la production)
𝑏̂2 0,7
• Pour 𝑏2 : 𝑡𝑐 = | | = |0,2| = 3,5 > 𝑡5% (25) = 2,059 ⇒ on accepte 𝐻1 (le
̂ 𝑏̂
𝜎
2
travail non qualifié a un effet déterminant sur la production)
𝑏̂3 0,3
• Pour 𝑏3 : 𝑡𝑐 = | | = |0,05| = 6 > 𝑡5% (25) = 2,059 ⇒ on accepte 𝐻1 (le
̂ 𝑏̂
𝜎
3
capital a un effet pertinent sur la production)
𝑏̂4 0,004
• Pour 𝑏4 : 𝑡𝑐 = | | = |0,001| = 4 > 𝑡5% (25) = 2,059 ⇒
̂ 𝑏̂
𝜎
4
on accepte 𝐻1 (il y a une évolution croissante significative de la
production du bien Y)

ii/ l'intervalle de confiance à 90 % pour 𝑏3 est

̂3 ± 𝑡. 𝜎
𝐼(𝑏3 ) = 𝑏 ̂ 𝑏̂3 = [0,3 − 1,708 × 0,05 ; 0,3 + 1,708 × 0,05]
= [0,214 ; 0,385]

iii/ testons au seuil 5 % 𝐻0 : 𝑏4 ≥ 0 𝑐𝑜𝑛𝑡𝑟𝑒 𝐻1 : 𝑏4 < 0 . En effet,

𝑏̂4 0,004
𝑡𝑐 = | |=| | = 4 > 𝑡10% (25) = 1,708 ⇒ on accepte 𝐻1
𝜎̂𝑏̂4 0,001

7
iv/ en supposant que 𝐶𝑜𝑣(𝑏̂1 , 𝑏̂2 ) = 0, testons au seuil 5 %

𝐻0 : 𝑏1 = 𝑏2 𝑐𝑜𝑛𝑡𝑟𝑒 𝐻1 : 𝑏1 > 𝑏2 . En effet,

𝐻0 : 𝑏1 = 𝑏2 𝐻 : 𝑏 − 𝑏2 = 0
{ ⇔{ 0 1
𝐻1 : 𝑏1 > 𝑏2 𝐻1 : 𝑏1 − 𝑏2 > 0

𝑏̂1 − 𝑏̂2 0,5 − 0,7

𝑡𝑐 = || || = | | = 0,894 < 𝑡10% (25) = 1.708
√𝜎̂𝑏̂21 + 𝜎̂𝑏̂22 √0,12 + 0,22

⇒ on accepte 𝐻0