UNIVERSITE FELIX HOUPHOUET – BOIGNY, ABIDJAN, COCODY, 2020 - 2021

UFR DES SCIENCES ECONOMIQUES ET DE GESTION

ECONOMETRIE MASTER 1 GESTION,
CORRIGE DE LA FICHE DE TRAVAUX DIRIGES (TD) N° 2,

Dr Soumahila KEBE, Ph. D.

EXERCICE 1 :
1) Mettre le modèle sous forme linéaire et montrer que 𝒂𝟏 et 𝒂𝟐 sont élasticités
En prenant le logarithme de la forme multiplicative de la fonction de production 𝑄𝑡 =
𝑎 𝑎
𝐴𝐿𝑡 1 𝐾𝑡 2 𝑒 𝑢𝑡 , on obtient sa forme linéaire suivante :
log 𝑄𝑡 = log 𝐴 + 𝑎1 log 𝐿𝑡 + 𝑎2 log 𝐾𝑡 + 𝑈𝑡 [1]
Par définition, l’élasticité (relative) de la production (Q) par rapport à l’input L c’est-à-
dire 𝐸𝑄/𝐿 est égale à la variation relative de Q sur la variation relative de L
𝑑𝑄
𝑄 𝑑𝑄 𝐿 𝑑𝑄 𝐿
𝐸𝑄/𝐿 = = . = .
𝑑𝐿 𝑄 𝑑𝐿 𝑑𝐿 𝑄
𝐿
De même
𝑑𝑄
𝑄 𝑑𝑄 𝐾 𝑑𝑄 𝐾
𝐸𝑄/𝐾 = = . = .
𝑑𝐾 𝑄 𝑑𝐾 𝑑𝐾 𝑄
𝐾
𝑑(log 𝑄) 𝑑(log 𝐿)
En notant , la dérivée de log 𝑄 par rapport à Q, la dérivée de log 𝐿 par
𝑑𝑄 𝑑𝐿
𝑑(log 𝐾)
rapport à L et , la dérivée de log 𝐾 par rapport à K , alors on peut écrire que
𝑑𝐾

𝑑(log 𝑄) 1 𝑑𝑄
= ⟹ 𝑑(log 𝑄) =
𝑑𝑄 𝑄 𝑄
𝑑(log 𝐿) 1 𝑑𝐿
= ⟹ 𝑑(log 𝐿) =
𝑑𝐿 𝐿 𝐿
𝑑(log 𝐾) 1 𝑑𝐾
= ⟹ 𝑑(log 𝐾) =
𝑑𝐾 𝐾 𝐾
Revenant à l’équation [1], il est clair que :
𝑑𝑄
𝑑(log 𝑄) 𝑄 𝑑𝑄 𝐿 𝑑𝑄 𝐿
= 𝑎1 = = . = . = 𝐸𝑄/𝐿
𝑑(log 𝐿) 𝑑𝐿 𝑄 𝑑𝐿 𝑑𝐿 𝑄
𝐿
⟹ 𝑎1 est donc bien l’élasticité de la production (Q) par rapport à l’input L.
De même

1
 𝑑𝑄
𝑑(log 𝑄) 𝑄 𝑑𝑄 𝐾 𝑑𝑄 𝐾
= 𝑎2 = = . = . = 𝐸𝑄/𝐾
𝑑(log 𝐾) 𝑑𝐾 𝑄 𝑑𝐾 𝑑𝐾 𝑄
𝐾
⟹ 𝑎2 est bien l’élasticité de la production (Q) par rapport à l’input K.

2) Montrer mathématiquement que la somme des élasticités de production est bien

le degré d’homogénéité de la fonction de production.

𝑎 𝑎
Multipliant les facteurs de production L et K de la fonction 𝑄𝑡 = 𝐴𝐿𝑡 1 𝐾𝑡 2 𝑒 𝑢𝑡 par un
nombre 𝜆 > 1, on a :
𝑓 (𝜆𝐿, 𝜆𝐾) = 𝐴(𝜆𝐿)𝑎1 (𝜆𝐾)𝑎2 𝑒 𝑈𝑡
= 𝐴(𝜆𝑎1 )(𝐿𝑎1 )(𝜆𝑎2 )(𝐾 𝑎2 )𝑒 𝑈𝑡
= 𝜆(𝑎1+𝑎2) 𝐴𝐿𝑎1 𝐾 𝑎2 𝑒 𝑈𝑡 = 𝜆(𝑎1+𝑎2) 𝑄 [2]
La fonction de production étant telle qu’en multipliant les facteurs L et K par 𝜆, la
production Q est multipliée par 𝜆(𝑎1+𝑎2) la fonction de production est de ce fait
homogène de degré (𝑎1 + 𝑎2 ). Par conséquent (𝑎1 + 𝑎2 ) est bien l’indicateur du régime
de rendement d’échelle sous lequel l’entreprise opère.
De la dernière ligne de [2], la démonstration on peut en effet voir que :
- Si (𝑎1 + 𝑎2 ) > 1, la production Q augmente plus que proportionnellement ⟹ le
rendement d’échelle est croissant.
- Si (𝑎1 + 𝑎2 ) = 1, la production Q augmente proportionnellement ⟹ le
rendement d’échelle est constant.
- Si (𝑎1 + 𝑎2 ) < 1, la production Q augmente moins que proportionnellement ⟹
le rendement d’échelle est décroissant.

3) Dire ce que rendement d’échelle constant, croissant et décroissant supposent en

termes de coût de production.

La notion de rendement d’échelle constant, signifie que si l’on accroit tous les facteurs
de production d’une proportion donnée, disons 𝜆, la production augmente dans la même
proportion 𝜆 ⟺ les coûts de production sont constants.

2
Rendement d’échelle croissant veut dire que si l’on accroit tous les facteurs de
production d’une proportion donnée 𝜆, la production augmente dans une proportion plus
grande (que 𝜆) ⟺ les coûts de production sont décroissants (économies de production
de masse).

Rendement d’échelle décroissant signifie que si l’on accroit tous les facteurs de
production d’une proportion donnée 𝜆, la production augmente dans une proportion
moins grande (que 𝜆) ⟺ les coûts de production sont croissant.

4) Quel est le régime d’économie d’échelle sous lequel l’entreprise opère ?

La question revient à tester l’hypothèse 𝐻0 : 𝑎1 + 𝑎2 = 1 contre l’hypothèse 𝐻1 : 𝑎1 +

𝑎2 > 1.
Par conséquent, on a à tester :
𝐻0 : 𝑎1 + 𝑎2 = 1
𝐻1 : 𝑎1 + 𝑎2 > 1
(𝑎̂1 + 𝑎̂2 ) − 1
𝑡𝑐 = ↝ 𝑠𝑡 (𝑛 − 3); 𝛼 = 5%
𝜎̂(𝑎̂1 +𝑎̂2)
Il s’agit d’un test unilatéral à droite ⟹ Règle de décision : si 𝑡𝑐 < 𝑡𝛼,(𝑛−3) alors on
décide 𝐻0
(𝑎̂1 + 𝑎̂2 ) − 1
𝑡𝑐 = ?
𝜎̂(𝑎̂1 +𝑎̂2)
Nous nous devons d’abord de calculer 𝜎̂(𝑎̂1+𝑎̂2)
On sait que
𝑣𝑎𝑟(𝑋 ± 𝑌) = 𝑣𝑎𝑟(𝑋 ) + 𝑣𝑎𝑟 (𝑌) ± 2𝑐𝑜𝑣(𝑋, 𝑌)
Dans le cas présent
̂ (𝑎̂1 + 𝑎̂2 ) = 𝑣𝑎𝑟
𝑣𝑎𝑟 ̂ (𝑎̂1 ) + 𝑣𝑎𝑟
̂ (𝑎̂2 ) + 2𝑐𝑜𝑣(𝑎̂1 , 𝑎̂2 )
̂ (𝑎̂1 ) = 0,31 ; 𝑣𝑎𝑟
𝑣𝑎𝑟 ̂ (𝑎̂2 ) = 1,87; 𝑐𝑜𝑣(𝑎̂1 , 𝑎̂2 ) = − 0,66
2
̂ (𝑎̂1 + 𝑎̂2 ) = 𝜎̂(𝑎
𝑣𝑎𝑟 ̂ 1 +𝑎̂2 ) = 0,31 + 1,87 − 2x0,66
2 2
⟹ 𝜎̂(𝑎
̂ 1 +𝑎̂2 ) = 0,86 ⟹ 𝜎
̂(𝑎̂ 1 +𝑎̂2 ) = 0,93

Alors
3
 (1,43+3,05)−1
𝑡𝑐 = = 3,74 ; 𝑡𝛼,(𝑛−𝑘) = 𝑡0,05,(14−3) = 1,796
0,93

Puisque 𝑡𝑐 = 3,74 > 𝑡𝛼,(𝑛−𝑘) = 1,796, on rejette 𝐻0 et on adopte 𝐻1 c’est-à-dire

(𝑎̂1 + 𝑎̂2 ) > 1 ⟹ l’entreprise opère sous un régime de rendement d’échelle croissant.

Aussi, puisque 𝑎̂1 + 𝑎̂2 = 1,43 + 3,05 = 4,48, on peut notamment dire que si l’on
accroit les inputs L et K de 10% chacun, la production augmentera d’environ 44,8% .
Représentation graphique

Zone de rejet de 𝐻0

0 1,796(= 𝑡𝛼 , (𝑛 − 𝑘) 𝑡𝑐 = 3,74
On voit bien que 𝑡𝑐 = 3,74 se situe au-delà de 1,796 c’est-à-dire dans la zone de rejet
de 𝐻0 , c’est pourquoi on a bien eu raison de rejeter 𝐻0 au profit de 𝐻1 .

EXERCICE 2 :
1) Formation des matrices Y, X, A et U
𝑌1 3 𝑋10 𝑋11 𝑋12 1 1 2
𝑌2 5 𝑋20 𝑋21 𝑋22 1 3 5
𝑌
𝑌= 3 = 6 , 𝑋 = 𝑋30 𝑋31 𝑋32 = 1 8 2
𝑌4 8 𝑋40 𝑋41 𝑋42 1 4 8
[𝑌5 ] [ 9] [𝑋50 𝑋51 𝑋52 ] [ 1 9 7]
𝑢1
𝑎0 𝑢2
𝐴 = [𝑎1 ] 𝑈 = 𝑢3
𝑎2 𝑢4
[ 𝑢5 ]
2) Calcul des matrice-produits 𝑌 ′ 𝑌, 𝑋′𝑋 et 𝑋′𝑌
3
5
𝑌 ′ 𝑌 = [3 5 6 8 9] 6 = 215
8
[9 ]

4
 1 1 2
1 1 1 1 1 1 3 5 5 25 24
𝑋 ′ 𝑋 = [1 3 8 4 9] 1 8 2 = [25 171 128]
2 5 2 8 7 1 4 8 24 128 146
[1 9 7]

3
1 1 1 1 1 5 31
𝑋 ′ 𝑌 = [1 3 8 4 9] 6 = [179]
2 5 2 8 7 8 170
[9]

3) Ecrire sous forme numérique le système des équations normales

En régression multiple, la forme théorique du système des équations normales peut

s’écrire : (𝑋 ′ 𝑋 )𝐴̂ = 𝑋′𝑌. La forme numérique de ce système est donc :
5 25 24 𝑎̂0 31
[25 171 128 ] [ 𝑎
̂ 1 ] = [179]
24 128 146 𝑎̂2 170

4) Les hypothèses d’application de la méthode des MCO étant supposées vérifiées,

déterminez Â, le vecteur des estimateurs des paramètres.

Il est vrai, tous les éléments y compris (𝑋 ′ 𝑋 )−1 sont disponibles pour utiliser la formule
classique 𝐴̂ = (𝑋 ′ 𝑋 )−1 𝑋′𝑌 et déterminer 𝐴̂, mais nous allons plutôt utiliser la règle de
Cramer pour parvenir à cette estimation. A cet effet, nous devons commencer par
calculer le déterminant de la matrice produit X’X c’est-à-dire |𝑋′𝑋 | .
+ − +
5 25 24
|𝑋′𝑋 | = | |⟹
25 171 128
24 128 146
|𝑋′𝑋 | = 5 |171 128| − 25 |25128
| + 24 |
25 171
|
128 146 24146 24 128
= 5[171x146 − 128x128] − 25[25x146 − 128x24]
+24[25x128 − 171x24] = 6764

5
 31 25 24
|179 171 128|
𝑎̂0 = 170 128 146 = 8900 = 1,31579
|𝑋′𝑋 | 6764
5 31 24
|25 179 128|
𝑎̂1 = 24 170 146 = 2848 = 0,42105
|𝑋′𝑋 | 6764
5 25 31
|25 171 179|
𝑎̂2 = 24 128 170 = 3916 = 0,57895
|𝑋′𝑋 | 6764

̂𝟎 et 𝒂
5) Interprétation de 𝒂 ̂𝟐

Le modèle calculé s’écrit : 𝑌̂𝑡 = 1,31579 + 0,42105𝑋𝑡1 + 0,57895𝑋𝑡2 .

𝑎̂0 = 1,31579 représente la production annuelle de maïs exprimée en milliers de tonnes

lorsque 𝑋𝑡1 et 𝑋𝑡2 sont fixés à zéro.

𝑎̂1 = 0,42105 signifie que lorsque 𝑋𝑡1 , l’emploi d’insecticide augmente d’une unité
(c’est-à-dire de cent mille francs CFA), toutes choses égales par ailleurs , la production
annuelle de maïs augmente de 0,42105 unités (c’est-à-dire de 0,42105 mille tonnes).

𝑎̂2 = 0,57895 signifie que pour un changement d’une unité de 𝑋𝑡2 , autrement dit, pour
un changement d’une unité dans le niveau d’emploi de fertilisant (de100 000 francs
CFA), toutes égales par ailleurs, la production de maïs en moyenne changera dans le
même sens d’environ 0,57895 unités (c’est-à-dire de 0,57895 mille tonne).

6) Trouver les valeurs respectives des différentes composantes de l’équation de la

variance

L’équation de la variance a été démontrée au cours. Elle s’écrit :

(𝑌 ′ 𝑌 − 𝑛𝑌̅ 2 ) = (𝑌̂ ′ 𝑌̂ − 𝑛𝑌̅ 2 ) + 𝑈
̂′𝑈
̂

6
(i) - Variabilité totale corrigée : (𝑌 ′ 𝑌 − 𝑛𝑌̅ 2 ).
Puisque 𝑌 ′ 𝑌 = 215 ; 𝑛 = 5 et 𝑌̅ = ∑ 𝑌𝑡 /𝑛 = 31/5 = 6,2, alors (𝑌 ′ 𝑌 − 𝑛𝑌̅ 2 ) =
215 − 5(6,2)2 = 22,8.

(ii) - variabilité expliquée corrigée : (𝑌̂ ′ 𝑌̂ − 𝑛𝑌̅ 2 ).

′
𝑌̂ = 𝑋𝐴̂ ⟹ 𝑌̂ ′ 𝑌̂ = (𝑋𝐴̂) (𝑋𝐴̂) = 𝐴̂′ 𝑋′𝑋𝐴̂.
D’après le système d’équations normales on a l’égalité (𝑋 ′ 𝑋)𝐴̂ = 𝑋 ′ 𝑌. Alors, en pré-
multipliant ce système d’équations par 𝐴̂′, on obtient : 𝐴̂′ 𝑋 ′ 𝑋𝐴̂ = 𝐴̂′ 𝑋 ′ 𝑌 = 𝑌̂ ′ 𝑌̂. Par
conséquent, on a :
31
̂ ′̂ ̂ ′ ′
𝑌 𝑌 = 𝐴 𝑋 𝑌 = [1,31579 0,42105 0,57895] [179]
170
𝑌̂ ′ 𝑌̂ = 𝐴̂′ 𝑋 ′ 𝑌 = 214,5789
𝑌̂ ′ 𝑌̂ − 𝑛𝑌̅ 2 = 214,5789 − 5(6,2)2 ⟹ 𝑌̂ ′ 𝑌̂ − 𝑛𝑌̅ 2 = 22,3789

̂′𝑈
(iii) - variabilité résiduelle : 𝑈 ̂ = 𝑌′𝑌 − 𝑌̂ ′ 𝑌̂
̂′𝑈
𝑈 ̂ = 𝑌′𝑌 − 𝑌̂ ′ 𝑌̂ = 215 − 214,5789 ⟹ ̂′𝑈
𝑈 ̂ = 0,4211

7) Calcul de R2 et interprétation
𝑌̂ ′ 𝑌̂ − 𝑛𝑌̅ 2 22,3789
𝑅2 = = ⟹ 𝑅2 = 0,9815
𝑌 ′ 𝑌 − 𝑛𝑌̅ 2 22,8

Interprétation :
𝑅2 = 0,9815 ⋍ 98,15% signifie que 98,15% des variations de la production de maïs
sont expliqués par les variations de 𝑋𝑡1 et 𝑋𝑡2 . Le reste des variations (1,8459%) est
attribué aux facteurs inclus dans le terme de l’erreur.

8) Tester au seuil 𝜶 = 𝟓% la signification de R2

𝐻0 ∶ 𝑅2 = 0 ; 𝐻1 : 𝑅2 ≠ 0

7
 𝑅² 𝑛−𝑘
La statistique 𝐹𝐶 = . suit une loi F à (𝑘 − 1)(𝑛 − 𝑘 ) 𝑑𝑑𝑙.
1 − 𝑅² 𝑘 − 1

Règle de décision : si 𝐹𝐶 > 𝐹𝛼(𝑘−1),(𝑛−𝑘) , on rejette 𝐻0 .

𝑅2 = 0,9815 ; 𝑛=5 ; 𝑘=3

0,9815 5−3
𝐹𝐶 = × ⟹ 𝐹𝐶 = 53,0541. 𝑂𝑟, 𝐹𝛼(𝑘−1),(𝑛−𝑘) = 19
1 − 0,9815 3 − 1

Puisque 𝐹𝐶 = 53,0541 > 𝐹𝛼(𝑘−1),(𝑛−𝑘) = 19, on rejette 𝐻0 de non signification de

R2 ⟺ R2 est statistiquement significatif.

̂𝟐𝒖 et de la matrice des variances et covariances de 𝐴̂

9) Calcul de 𝝈

̂ 𝟐𝒖
a) Calcul de 𝝈
𝑈̂′𝑈
̂ 0,4211
𝜎̂𝑢2 = = ⟹ 𝜎̂𝑢2 = 0,21055.
𝑛−𝑘 5−3

b) Matrice des variances et covariances de 𝐴̂

1,26878 −0,08545 −0,13365

̂ 2 ′ −1
̂ (𝐴) = 𝜎̂𝑢 (𝑋 𝑋) = 0,21055 [−0,08545
𝑐𝑜𝑣 0,02277 −0,00591]
−0,13365 −0,00591 0,03400
0,267141 −0,017992 −0,028140
=[ 0,004794 −0,001245]
0,007159
𝑣𝑎𝑟
̂ (𝑎̂0 ) 𝑐𝑜𝑣
̂ (𝑎̂0 𝑎̂1 ) 𝑐𝑜𝑣
̂ (𝑎̂0 𝑎̂2 )
= [𝑐𝑜𝑣
̂ (𝑎̂1 𝑎̂0 ) 𝑣𝑎𝑟
̂ (𝑎̂1 ) 𝑐𝑜𝑣
̂ (𝑎̂1 𝑎̂2 )]
𝑐𝑜𝑣
̂ (𝑎̂2 𝑎̂0 ) 𝑐𝑜𝑣
̂ (𝑎̂2 𝑎̂1 ) 𝑣𝑎𝑟
̂ (𝑎̂2 )

10) Les variations de la quantité de fertilisant utilisée (Xt2) influencent-elles

significativement la production de maïs de l’entreprise ?

La question revient à faire le test suivant : 𝐻0 ∶ 𝑎2 = 0 ; 𝐻1 ∶ 𝑎2 ≠ 0

8
 𝑎̂2 − 0
𝑡𝑐 = ↝ 𝑆𝑡𝛼/2 (𝑛 − 𝑘)
𝜎̂𝑎̂2
Règle de décision :
|𝑡𝑐 | > 𝑡𝛼/2 (𝑛 − 𝑘) ⟹ rejet de 𝐻0
𝑎̂2 − 0 0,57895
𝑡𝑐 = = = 6,8425.
𝜎̂𝑎̂2 √0,007159
La table donne : 𝑡𝛼 (𝑛 − 𝑘 ) = 𝑡0,025 (5 − 3) = 𝑡0,025 (2) = 4,303
2

|𝑡𝑐 | = 6,8425 > 𝑡𝛼/2 (𝑛 − 𝑘) = 4,303 ⟹ on rejette 𝐻0 ⟺ les variations de la

quantité de fertilisant utilisée influencent significativement la production de maïs.

11) L’impact de l’emploi d’insecticide est-il statistiquement égal à 0,9

La question invite à faire le test suivant :

𝐻0 ∶ 𝑎1 = 0,9 ; 𝐻1 ∶ 𝑎1 ≠ 0,9
𝑎̂1 − 0,9
𝑡𝑐 = ↝ 𝑡𝛼/2 (𝑛 − 𝑘)
𝜎̂𝑎̂1
Règle de décision :
|𝑡𝑐 | > 𝑡𝛼/2 (𝑛 − 𝑘) ⟹ rejet de 𝐻0
𝑎̂1 − 0,9 0,42105
𝑡𝑐 = = = 6,08114
𝜎̂𝑎̂1 √0,004794
|𝑡𝑐 | = 6,08114 > 𝑡𝛼/2 (𝑛 − 𝑘) = 4,303 ⟹ on rejette 𝐻0 ⟺ l’impact de l’emploi
d’insecticide est statistiquement différent de 0,9.

12) Trouvez la prévision (ponctuelle) de production qu’il est raisonnable de faire

pour 2022 si pour cette année les valeurs prévues des variables Xt1 et Xt2 sont
respectivement de 13 et 11.

𝑌̂𝑡 = 𝑎̂0 + 𝑎̂1 𝑋𝑡1 + 𝑎̂2 𝑋𝑡2 = 1,31579 + 0,42105𝑋𝑡1 + 0,57895𝑋𝑡2

𝑌̂𝜃 = 1,31579 + 0,42105𝑋𝜃1 + 0,57895𝑋𝜃2
Pour 𝑋𝜃1 = 13 et 𝑋𝜃2 = 11,
𝑌̂𝜃 , la prévision ponctuelle serait alors :
9
𝑌̂𝜃 = 1,31579 + 0,42105 × 13 + 0,57895 × 11 ⟹
𝑌̂𝜃 = 13,15789

13) Valeur de la variance de l’erreur de prévision, intervalle de prévision et

interprétation

a) Variance de l’erreur de prévision

La formule de la variance de l’erreur de prévision est la suivante
̂ (∆𝜃 ) = 𝜎̂∆2𝜃 = 𝜎̂𝑢2 [𝑋𝜃 (𝑋 ′ 𝑋)−1 𝑋𝜃′ + 1]
𝑣𝑎𝑟
Dans cette formule, il est évident que 𝑋𝜃 = [1 13 11] aussi 𝜎̂𝑢2 et (𝑋 ′ 𝑋)−1 sont
connus ; alors
1,26878 −0,08545 −0,13365 1
𝑣𝑎𝑟(∆𝜃 ) = 0,21055[1 13 11] [−0,08545 0,02277 −0,00591 ] [13]
−0,13365 −0,00591 0,03400 11
+0,21055
Ce calcul donne
̂ (∆𝜃 ) = 𝜎̂∆2𝜃 = 0,711072
𝑣𝑎𝑟

𝜎̂∆𝜃 = √0,711072 = 0,84325

b) Intervalle de prévision
La formule de l’intervalle de prévision est la suivante :
𝑌̂𝜃 − 𝑠𝑑𝑡𝛼/2 (𝑛 − 𝑘) ≤ 𝑌𝜃 ≤ 𝑌̂𝜃 + 𝑠𝑑𝑡𝛼/2 (𝑛 − 𝑘)
où 𝑠𝑑 = 𝜎̂∆𝜃
 𝑌̂𝜃 = 13,15789
 𝑡𝛼/2 (𝑛 − 𝑘) = 4,303
 𝑠𝑑 = 0,84325
𝟗, 𝟓𝟐𝟗𝟑𝟗 ≤ 𝐘𝛉 ≤ 𝟏𝟔, 𝟕𝟖𝟔𝟒𝟎

10