Académique Documents
Professionnel Documents
Culture Documents
H 0 : 0, 1
L’idée de base: Si on écrit la relation avec les restrictions imposées la somme de carrés des résidus sera
forcément plus élevée – car on contraint la valeur de certains paramètres
Exemple: H0:β= βR Le test F de Fisher est basé sur la différence
SCR
SCRC SCRS 0
Si SCRC SCRS 0
on accepterait l’hypothèse nulle
SCRS
R ̂
La statistique F de Fisher est calculée de la manière suivante:
F*
SCRC SCRS / k k '
SCRS /(n k 1)
•SCRc: modèle sous Ho; Modèle avec contrainte
•SCRs: Modèle complet; modèle sans contrainte
Qi ALi K i Qi
ALi 1 K i
Li
ln Qi ln ALi K i ln Qi
ln K i
ln Qi ln A ln Li ln Ki
ln Qi
ln Qi ln Li ln K i i ln Li
donc une relation linéaire
Fonction de production – Cobb-Douglas
Estimation des paramètres
q Al k ln q ln A ln l ln k
Modèle économétrique
ln qi ln A ln li ln ki i
L’échantillon
ln qi ln A ln li ln ki i
SCRs=1,138; SCRs: Somme des Carrées des résidus du modèle complet sans contrainte
ln qi ln A ln li ln ki i
Ho est la contrainte linéaire. H0 : 1 H1 : 1
Nous voulons tester si la
fonction de production est à
1 ln qi ln A 1 ln li ln ki i
élasticité constante
ln qi ln li ln A ln ki ln li i
qi ki
Le modèle sous contrainte ln ln A ln i
li li
qi ki
ln
l
4,01 0, 201 ln
l ˆi
i i
(0,018) (0,011)
R 2 0,81 SCRc 1,147 n 80 SCRc: Somme des carrées des
résidus du modèle sous Ho donc
La contrainte H0 : 1 sous contrainte. SCRc=1,147
Statistique F de Fisher :
SC Re s réduit SC Re s complet
kg
F ~ F k-g, n-k-1
SC Re s complet / n k 1
iii. Test de stabilité: le test de Chow
i 1,2,....., n0 i n0 1,2,....., n
yi β1 x2i β2 x3i β3 ui
Est-ce que les paramètres sont identiques pour les deux groupes?
yi β10 x2i β20 x3i β30 ui i 1,2,....., n0
yi β11 x2i β21 x3i β31 ui i n0 1,2,....., n
La stratégie consiste à effectuer trois régressions :
une première sur l’ensemble de la période,
et deux sur deux sous-périodes que l’on juge pertinente.
L’idée est de comparer la SCR (Somme des Carrées des Résidus )et la somme des deux SCR sur les
deux sous-périodes.
S’il n’y a pas de changement structurel, il ne doit pas y avoir de différence entre SCR et SCR1+SCR2.
Autrement dit, le fait de scinder l’échantillon en deux n’améliore pas la qualité de la régression.
Le test est le suivant :
Ho: SCR=SCR1+SCR2
H1:SCR# SCR1+SCR2
1. Estimation de la régression sur la période totale et calcul de la SCR
2. Estimation de la régression sur les 2 sous-périodes et calcul de SCR1 et de SCR2, on en
déduit SCR1+SCR2
3. On calcule la statistique :
Test de stabilité se Chow :un exemple
i 1,2,....., n
SCR 0,0485
F
SCR ( SCR1 SCR2 / 4
0,0485 0,0105 / 4
54,3
( SCR1 SCR2 ) / 68 8 0,0105 / 68 8
F 4, 60 2,52
1
2
1) L’ajout des variables explicatives x2 et x3 améliore-t-il significativement la qualité de
Ho: a2=a3=0
H1:a2#a3#0
F de Fisher = 0,5085
F_Fisher 3,065
F_théorique= 4,10
Fcalculé < F_théorique donc accéptattion de Ho;
Les contraintes linéaires sont compatibles avec les données
Test d’autocorrélation
des erreurs d’ordre 1
Test de Durbin et Watson
Autocorrélation des erreurs (AC)
Définition: Les erreurs sont corrélées entre elles dans le temps.
Autocorrélation d’ordre un: les erreurs successives sont corrélées entre elles:
t r1t1ut
et
AC > 0
. . .. . . . ..
0
.. ..
. . . ... .. .
t
et .. . . .
AC = 0 . . . . . . .
0
. . . . . . .. .
. . . . . . .t
et . . . . .
AC < 0 . . . .
0
. . . . . . . t
. .
Test de Durbin et Watson
Coefficient de corrélation sérial r1 d’ordre un entre résidus successifs:
-1 r1 1
t 2 e t e t 1
n 2
DW
t 1 t
n 2
e
0 dL ? dU 2 4 – dU ? 4 - dL 4 DW
+1 0 -1 = r1
AC>0 AC=0 AC<0
1.Si la valeur calculée de la statistique DW est inférieure à la valeur tabulée d1 alors il existe une auto-corrélation
positive (ou p>0).
2.Si la valeur calculée de la statistique DW est comprise entre d2 et 4-d2 , il n’est pas possible de rejeter l’hypothèse
nulle d’absence d’auto-corrélation des résidus (ou p=0). Cet intervalle est autrement dit l’intervalle pour il n’existe pas
d’auto-corrélation des erreurs.
3.Si la valeur calculée de la statistique DW est supérieure à la valeur tabulée 4-d1 alors il existe une auto-corrélation
négative (ou p<0).
Les autres situations correspondent à des zones d’indétermination. La figure qui suit résume l’interprétation du test de
Durbin et Watson.
Règles de décision pour DW
y Xβ ε,
• Modèle:
t t 1 u t
Hypothèses Règles de décision au niveau
H0 : 0 DW dU ‘conserve’ H0 .
H1 : 0 DW d L rejette H0 .
•
DW d L , dU on ne peut se prononcer.
H0 : 0 4 DW dU ‘conserve’ H0 .
H1 : 0 4 DW d L rejette H0 .
4 DW d L , dU on ne peut se prononcer.
H0 : 0 DW dU et 4 DW dU ‘conserve’ H0 .
H1 : 0 DW d L ou 4 DW d L rejette H0 .
Sinon on ne peut rien dire.
26
Exemple :
Soit le modèle suivant : yi=a0+a1xi+ei ; avec yi : Consommation finale des ménages ; xi : le revenu national et ei un
bruit blanc gaussien ; ei- N(0 ;σ).
L’estimation du modèle nous donne les résultats suivants : yi= 1176,08 + 0,78 xi ; n=10 ;
La statistique de Durbin et Watson est égale à : 1,67
Tester l’existence d’une autocorrélation des erreurs
d1 et d2 sont lus dans la table de Durbin et Watson pour n=10 ;k=1 ;α=5%
0-------------d1=1.08---------d2=1.36---------DW=1.67-------2----------4-d2--------4-d1------------4
Ho : indépendance ;