1.

Test de contraintes linéaires

2.Test d’ajout des variables
3.Test de Stabilité
4.Test d’autocorrélation des erreurs
 Le test de Fisher
Le test de Student s’applique aux hypothèses simples
1
Exemples: H0 :   0 H0 :    1 0
H :  
2


Des hypothèses qui contiennent une seule égalité

Pour des hypothèses composées, on utilise le test F de Fisher

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

la contrainte n’a pas beaucoup

d’incidence sur la SCR
SCRC

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

•Avec k = nombre de variables explicatives du modèle complet

•et k’ nombre de variables explicatives du modèle avec contrainte
• (k-k’= le nombre de restrictions précisées dans l’hypothèse nulle
• n = nombre d’observations
i. test de contraintes linéaires
Exemple : la fonction de production

la fonction de production Cobb-Douglas

Qi  ALi K i Qi
 ALi 1 K i
Li

donc une relation non linéaire


ln Qi  ln ALi 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

i =1, 2, …., 80 entreprises – Q, L, K

Modèle complet sans contrainte:

ln qi  ln A   ln li   ln ki   i

ln qi  3,86  0,826 ln li  0,197 ln ki  ˆi

(0,19) (0,04) (0,013)

R 2  0,96 SCRs  1,138 n  80

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 :

( SCRC  SCRS ) / 1 (1,147  1,138 ) / 1

F. calculé F*    0,579
SCRS /(80  3) 1,138 /(80  3)
F. Fisher théorique; (5%;1;77)=3,97
 ii. test d’ajout de variables
Test sur la nullité d’un sous-ensemble de (k-g ) paramètres j

Soit un modèle complet à k variables explicatives:

Y = o  1X1  2X2 ... gXg  ..... kXk  

On veut tester l’hypothèse nulle Ho : g+1 = …=k = 0
On doit aussi analyser le modèle réduit:
Y = o  1X1  2X2 ...gXg   modèle avec contraintes)

La statistique du test = un F partiel:

SC Re s  réduit   SC Re s  complet 
kg
F ~ F  k-g, n-k-1
SC Re s  complet  / n  k  1
 iii. Test de stabilité: le test de Chow

Deux groupes dans l’échantillon

di  0 di  1

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

yi  β11  x2i β21  x3i β31  ui i  1,2,....., n0  SCR1

yi  β12  x2i β22  x3i β32  ui i  n0  1,2,....., n  SCR2
SCR  SCR1  SCR2 6 paramètres

Hypothèse nulle: H 0 : β11  β12 , β21  β22 , β31  β32

ou H 0 : β11  β12  0, β21  β22  0, β31  β32  0

Avec les restrictions imposées, on a : yi  β1  x2i β2  x3i β3  ui  SCRC

i  1,2,....., n
 SCR  0,0485

SCR1  SCR2  0,0062  0,0043  0,0105

 H 0C :  0A   0B , 1A  1B ,  2A   2B ,  3A   3B

SCR1  SCR2  0,0062  0,0043  0,0105 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

SCRes de modèle sans contrainte 67,45

ddl du modèle (n=14;k+1=4) 10

SCRes du modèle avec contrainte 70,88

ddl(n=14;k+1=3) 11

F de Fisher = 0,5085

F_théorique (5%;1;10) 4,96

F_calculé < F_théorique
donc accéotation de Ho;
l'ajout de la variable x3 n'ameliore pas la qualité du modèle
2) Un économiste suggère que dans ce modèle a1 = 1 et a2 = a3 , qu’en pensez-vous ?
Ho:a1=1 et a2=a3
H1:a1#1 et /ou a2#a3

SCRes de modèle sans contrainte 67,44767

ddl du modèle (n=14;k+1=4); k=3 10

SCRes modél sous contrainte linéaire donc sous Ho 108,79

ddl (14-(k+1); k=1 12

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 r1t1ut

où: t est l’erreur commise au temps t

r1 est la corrélation entre les valeurs successives de t :r1 = cor(t-1 , t )
ut est une erreur aléatoire indépendante. de ut-1
 Détection de l’ autocorrélation:
1- Graphique des résidus (et) en fonction du temps (t)
Copyright 1996 Lawrence C. Marsh

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

pour un échantillon très grand: DW  2(1- r1)  0 DW  4

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

DW=1.67 ; d1=1.08 ; d2=1.36 ;

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 ;

H1 : autocorrélation des erreurs.

DW se trouve dans la région d’indépendance ;