Exercice 1 :

Les données suivantes correspondent aux observations de deux variables x et y.

yi 3 7 5 11 14
xi 1 2 3 4 5
a) Représenter graphiquement le nuage de points
b) Quelle relation entre les deux variables ?
c) Construire l’équation estimée de la régression
d) Monter que ∑ 𝑦̂𝑖 = ∑ 𝑦𝑖
e) Calculer la SCRes, SCT et SCR
f) Calculer le coefficient de détermination. Commenter l’adéquation de la
régression aux données
g) Calculer l’erreur type de l’estimation
h) Calculer l’écart-type estimé de la pente
i) Utiliser le test de Student pour tester la pertinence de x au seuil de 5%
j) Utiliser le test de Fisher pour tester la significativité globale du modèle au
seuil de 5%
k) Construire un intervalle de confiance à 95% pour la valeur attendue de y
lorsque x = 4

Exercice 2 :
On cherche à estimer la fonction de consommation suivante : Ct =aRt +b+t .
L’estimation économétrique de ce modèle a donnée les résultats suivants :

(R t − R )2 = 600 , SC Re g = 400 , R2 = 0,80 , cov( R, C ) = 24,48

a) Déterminer l’estimation â de a , la SCT , la SC Re s et la taille de

l’échantillon n .
b) Le coefficient â est-il significativement différent de zéro au seuil  =0,05 ?
c) Analyser et interpréter les résultats

1
Exercice 3 :
Un certain composant électronique est fabriqué une fois par mois par
l’entreprise Microsystèmes. La quantité fabriquée varie avec la demande du
marché. Dans le but de planifier la production et d’établir certaines normes sur
le nombre d’hommes-minutes exigés pour la production de différents lots de ce
composant électronique, le responsable de la production a relevé l’information
suivante pour 15 cédules de production. Le nombre d’hommes-minutes est
identifié par Y et la quantité fabriquée par X.

yi 150 192 264 371 300 358 192 134 242 238 226 302 340 182 169
xi 35 42 64 88 70 85 40 30 55 60 51 72 80 44 39
a) Quelle serait la première étape à effectuer avant d’aborder tout calcul
préliminaire ?
b) Le responsable de la production envisage d’utiliser le modèle linéaire de
régression simple comme modèle prévisionnel. Spécifier ce modèle et
bien identifier chacune des composantes du modèle dans le contexte de ce
problème.
c) Déterminer l’´equation de régression.
d) D’après l’´equation de régression, si le nombre d’unités à fabriquer
augment de 10, quelle sera l’augmentation correspondante du nombre
moyen d’hommes-minutes requis ?
e) En l’absence de l’information que nous donne la quantité à fabriquer,
quelle serait une bonne estimation du nombre d’hommes-minutes requis ?
f) Quelle correction peut-il apporter à son estimation du nombre moyen
d’hommes-minutes requis en introduisant la connaissance de X dans son
analyse ?
g) Donner la valeur de 𝑠𝑎̂ et tester les hypothèses suivantes avec la loi de
Student.
H0 : a = 0, H1 : a ≠ 0.

2
 h) Donner la variation qui est expliquée par la droite de régression et la
variation qui est inexpliquée par la droite.
i) Déterminer le pourcentage de variation qui est expliqué par la droite de
régression.
j) Donner une estimation du nombre moyen d’hommes-minutes requis pour:
xh = 42; xh = 57; xh = 72.
k) Pour quelle quantité Xn, l’estimation du nombre moyen d’hommes-
minutes requis serait-elle la plus précise?
l) Entre quelles valeurs peut se situer le vrai nombre moyen d’hommes-
minutes requis pour les lots dont la quantité a été déterminée à la question
k? Utiliser un niveau de confiance de 95%.
m) Quelle est la marge d’erreur dans l’estimation effectuée en l?

Exercice 4 :
Reconstituer les données pour un échantillon aléatoire de 12 couples sur le
nombre d'enfants qu'ils ont yi et le nombre d'enfants qu'ils avaient souhaité avoir
au moment de leur mariage xi.

1 2 3 4 5 6 7 8 9 10 11 12
yi 4 3 0 4 4 3 0 4 3 1 3 1
xi 3 3 0 2 2 3 0 3 2 1 3 2

Régressez yi sur xi et rapportez vos résultats sous forme de tableau.

3
Exercices sur les modèles de RLM

Exercice 1 :

Supposons qu'à partir de 24 observations annuelles sur la quantité demandée

d'un produit en kilogrammes par an y en fonction de son prix (en DH) x1, du
revenu du consommateur (en milliers de DH) x2 et du prix d'un produit de
substitution (en DH) x3, la régression estimée obtenue est la suivante :
𝑦̂ = 13 − 7𝑥1 + 2,4𝑥2 − 4𝑥3
(2) (0.8) (18)
Les nombres entre parenthèses représentent les écart-types.
a) Indiquez si les signes des paramètres sont conformes à ceux prédits par la
théorie de la demande.
b) Les paramètres des pentes estimés sont-ils significatifs au niveau de 5%?
c) Trouvez R2, si ∑(𝑦𝑖 − 𝑦̅)2 = 40, ∑((𝑦𝑖 − 𝑦̅)(𝑥1 − 𝑥̅1 ) = 10 et
∑((𝑦𝑖 − 𝑦̅)(𝑥2 − 𝑥̅2 ) = 45 .
d) R2 est-il significativement différent de zéro au niveau de 5%?
e) Trouvez l'erreur type de la régression.
f) Trouver le coefficient d’élasticité prix/revenu de la demande à la
moyenne, soit 𝑦̅ = 13 𝑥̅1 = 8 𝑒𝑡 𝑥̅2 = 16

Exercice 2 :
On examine l’évolution d’une variable Yt en fonction de deux exogènes X1t et
X2t. On dispose de n observations de ces variables. On note X = [1 X1 X2] où 1
est le vecteur constant et X1 et X2 sont les vecteurs des variables explicatives.
1. On a obtenu les résultats suivants :

25 0 0 0,04 0 0
′ ′ −1
𝑋 𝑋 = [ ? 9,3 5,4 ] (𝑋 𝑋) = [ 0 0,1428 −0,0607]
? ? 12,7 0 −0,0607 10,46
a. Donner les valeurs manquantes.
b. Quelle est la valeur de n ?

4
2. La régression de Y en fonction de la constant, X1 et X2 a donné les résultats
suivants:
𝑌̂𝑡 = –1,61 + 0,61X1t + 0,46X2t ; SCR = 0,3 ; 𝑌′𝑌 =73,48 et 𝑌̅ = –1,6
a- Calculer la somme des carrés expliqués (SCE), la somme des carrés totale
(SCT) et le R2.
b- Tester la significativité globale du modèle.

Exercice 3 :
Le directeur des ressources humaines d’une société a estimé une équation de
régression qui explique le degré de satisfaction professionnelle en fonction du
nombre d’années d’expérience passée dans le service et du salaire mensuel.

L’équation estimée est la suivante : 𝒚

̂ = 𝟏𝟒, 𝟒 – 𝟖, 𝟔𝟗 𝒙𝟏 + 𝟏𝟑, 𝟓𝒙𝟐

Où, x1 : le nombre d’années d’expériences

x2 : le salaire mensuel moyen (en millier de DH).

Les résultats des estimations sont résumés dans le tableau suivant :

Dependent Variable: DSAT

Method: Least Squares
Date: 04/29/12 Time: 20:14
DSAT = 14,4 – 8,69*X1+13,5*X2
Coefficient Std. Error t-Statistic
Constant 14,448 8,191 1,76
X1 --------- 1,555 ---------
X2 13,517 2,085 ---------
s = 3,773 R-squared = --------
Sum squared DF Mean F-statistic
squared
regression ----------- 2 --------- ----------
Residual 71,17 ----------- ---------
Total 720 7

1. Compléter le tableau ci-dessus

2. Analyser et interpréter les résultats

5
Exercice 4 :
Dependent Variable: GDP
Method: Least Squares
Date: 04/29/12 Time: 16:14
Sample: 1 180
Included observations: 180
GDP = C(1) + C(2)*MM + C(3)*PR

Coefficient Std. Error t-Statistic Prob.

C(1) -196.6975 5.592094 -35.17421 0.0000

C(2) 0.948260 0.045518 20.83281 0.0000
C(3) 787.0728 54.66425 14.39831 0.0000

R-squared 0.997675 Mean dependent var 632.4190

Adjusted R-squared 0.997636 S.D. dependent var 564.2441
S.E. of regression 27.43548
Sum squared resid 132476.2
Log likelihood -849.5171
F-statistic 25178.50
Prob(F-statistic) 0.000000

1- Montrer que 𝛽̂ est un estimateur BLUE

2- Analyser et interpréter les résultats