Académique Documents
Professionnel Documents
Culture Documents
Projet économétrie
Étudiant :
Alexandra-Oana Marinescu
Groupe 232
Bucarest
2014
La thème 13
On demande:
Spécifiez et identifiez le modèle de régression qui décrit la liaison entre les deux
variables;
Estimez les paramètres du modèle et calculez les valeurs théoriques de la variable
endogène;
Vérifiez l’hypothèse d’indépendance des erreurs, la signifiance des estimateurs et la
vérosimilité (similitude) du modèle;
Quel poids de la variation de la variable effet est expliqué par la variation de la
variable cause?
Réalisez la prévision pour la valeur de la variable dépendante pour la Roumanie.
Le modèle économétrique qui peut être construit à partir des données présentées est un modèle de
régression simple, ayant la forme suivante :
y=-f(x) +u
On identifie y: variable dépendante, résultative, endogène – produit national net;
x: variable indépendante, factorielle, exogène – les dettes publiques le;
u: variable résiduelle, c’est-à-dire l’influence des autres facteurs de la
variable y, autres que x.
Une fois déterminé le modèle économétrique, il faut choisir une fonction mathématique -f(x)
qui devrait expliquer le modèle, la liaison entre les deux variables. Pour estimer les paramètres du
modèle, dans ce cas, régression simple, la plus utilisée méthode est celle de la représentation
graphique des deux séries de valeurs à l’aide du « nuage de points ».
30.0000
25.0000
15.0000
10.0000
5.0000
0.0000
0.0000 5.0000 10.0000 15.0000 20.0000 25.0000 30.0000
Ce graphique nous permet d’estimer la distribution des points empiriques (xi, yi) par une
droite. Dans ces conditions, le modèle économétrique qui décrit la liaison entre les variables devient
un modèle de régression simple linéaire, ayant la forme : y = a -bx +u, où a et b représentent les
paramètres du modèle.
SUMMARY OUTPUT
Regression Statistics Signification des indicateurs
√ √
n n
Multiple R 0,9279
∑ ( ^y i− ȳ ) 2 ∑ ( y i − ^y i )2
i =1
Ry ,x= = 1− i=1
Rapport de corrélation (R) n n
∑ ( y i− ȳ ) 2
∑ ( y i− ȳ ) 2
i =1 i=1
n
R Square V 2x V u2 ∑ ( ^y i − y )2
0,8610 R2 = =1− = i=1
Coefficient (degré) de V 2
V 20 n
détermination 0
∑ ( y i − y )2
i=1
√
n
Standard Error
∑ ( y i− y^ i )2
√
2,8772
L’écart-type des erreurs de V 2u i=1
l’échantillon su= =
n−2 n−2
Observations =n
22
Le nombre des observations (n)
ANOVA
Source de df Nombr SS Somme des MS Moyenne F Significan Seuil de
variation e de carrées des ce F signification
degrés (Mesure de la carrées
de variation) (Dispersio
liberté ns
corrigées)
Régression
1025,3 0,0000
(variation 1025,3976 V 2x=∑ ( ^y i− ȳ ) 2 123,8685
2
1 =k 976 =s y/x Fc <0,05
due à la
régression)
Résiduel
165,5623 V 2u =∑ ( y i − ^y i ) 8,2781
2
(variation 20 =n−k−1 =s2u - -
résiduelle)
Total 1190,9600
V 20=∑ ( y i − ȳ )
2
(variation 21 =n−1 - - - -
totale)
b^
xi -0,9206 0,0827 s b^ -11,1296 t ^b <0,05
0,0000
Lower < 95% Upper >95%
95% 95%
20,2919 a ∈ [ a^ −t 0 , 05; 20⋅sa^ ] 25,5857 a ∈ [ a^ +t 0, 05 ; 20⋅s a^ ]
-1,0932 ^
[
b ∈ b−t 0 ; 05; 20⋅sb^ ] -0,7481 ^
[
b ∈ b+t 0; 05 ; 20⋅s b^ ]
RESIDUAL
OUTPUT
Predicted Y Residuals
(Y estimé ou (Résidus)
Observation ajusté) ui = y i− y^ i
^y i= a^ + b^ x i
1 4,6288 -1,4551
2 18,5847 0,9379
3 7,4545 1,3311
4 11,2217 -5,5713
5 2,1718 1,6345
6 3,9858 -2,8815
7 1,2277 0,3571
8 5,4714 0,5276
9 12,7059 3,2799
10 21,5986 0,6577
11 1,1105 1,3102
12 15,2030 2,0176
13 10,4863 0,7219
14 11,2155 -0,9367
15 19,8109 0,0203
16 -0,7724 5,4438
17 9,5181 -4,8831
18 6,5973 -3,0362
19 20,0706 4,2733
20 14,5179 -1,1867
21 16,2219 -3,9594
22 19,6414 1,3970
Total 232,6720 0,0000
Dans le quatrième tableau on a les informations suivantes : les observations (première colonne),
les valeurs ajustées ou estimées de la variable endogène Y (deuxième colonne) et les résidus u (la
troisième colonne).
a^ −a a^ −0 a^ 22,9388
t ^a= = = = =18. 0777>2 . 845=t 0 , 01; 20 >2. 086=t 0, 05 ; 20
s a^ s a^ s a^ 1,2689
^
b−b ^
b−0 b^ -0,9206
t ^b= = = = =-11,1318<−2. 845=t 0 , 01 ;20 <−2 . 086=t 0 , 05 ;20
s b^ s b^ s ^b 0,0827
t
Donc l’estimateur a^ est significativement différent de zéro pour un seuil de signification
t
(confiance) de 0,05 et, aussi, pour un seuil de signification (confiance) de 0,01 et l’estimateur ^b n’est
pas significativement différent de zéro pour un seuil de signifiance de 0.05 et, aussi pour un seuil de
signifiance de 0.01
Pour vérifier la vérosimilité du modèle, on va utiliser la méthode ANOVA. Mais tout d’abord
on va calculer le coefficient de corrélation linéaire ry/x:
cov ( y ; x ) ∑ ( y i− y )⋅( x i−x ) -1113,7838
r y /x= = = =-0,9279
σ x⋅σ y n⋅σ x⋅σ y 22⋅7,4156⋅7,3576
Le coefficient de corrélation linéaire étant défini dans l’intervalle [-1 ; 1], la valeur obtenue de
-0,9279 indique une corrélation linéaire inverse entre les deux variables.
t r= = √
r r n−2 -0,9279⋅√ 20
= =−11. 2351
s r √ 1−r 2 √ 1−0,92792
Parce que r
t =−11.2351<t α ;n−k−1 =t0 ,05; 20=−2.086 ou t r =−11. 2351<t α ; n−k−1 =t0 , 01 ; 20 =−2.845
le coefficient de corrélation linéaire n’est est pas significativement différent de zéro pour un seuil de
signification (confiance) α = 0,01 et, aussi pour α = 0,05.
Le test Fisher-Snedecor indique le fait que les résultats obtenus antérieurement soient significatifs :
( s 2x
F c= 2 =123,8685 >= F 0 ,05 ; 1; 8 =4 . 35
su )
Vérification de la signification du rapport de corrélation:
- on établie l’hypothèse nulle: H0: R = 0;
- on établie l’hypothèse alternative: H1: R≠0.
- on calcule le test statistique F.
En ce qui concerne le poids de la variation de la variable effet est expliqué par la variation de la
variable cause, c’est -à-dire que R Square = 0,8610 de la variation de PNN est expliqué par la variable
indépendante/exogène ,x=le produit national brut.
Si le produit national brut est égale à 9.3 ,les dettes publiques seront égaux à:
y/x=9.3 =y=-0,9206x9.3+ + 22,939= 14.37742 mil lei.
Pour estimer cette valeur avec une probabilité de réussite plus grande, on utilisera un intervalle
de confiance, pour α = 0,05 ou pour α = 0,01 – on obtient ainsi de la table Student, car n<30, un
tα = 2.086 et respectif 2.845 , compte tenu du fait que k = 1 et v = n- (k+1)= 20.
P { ^y X=10.3−Δ y≤y X=9.3≤^y X=9 .3 +Δ y }=1−α=p
√( )
2
2 1 ( xi −x ) ¿
Δ y =t α⋅s ^y =t α ¿ su 1+ + =¿ { ¿2.086*1.05954=2.2102;α=0,05 ¿ ¿¿¿
X=9.3 n ∑ ( x i−x )2
¿
Δ y =t 0 , 05 ; 20⋅s ^y =2 , 086⋅1 . 05954=2. 2102
X =9 .3
^y X=9 .3 − Δ y≤ y X =9. 3 ≤ ^y X=9 .3 +Δ y ⇔14,3768−2. 2102≤ y X =130 ≤14,3768+2. 2102
7,8808≤ y X =130≤20,8729
P [ y x =9. 3 ∈ ( 7,8808 ;20,8729 ) ] =0 , 955
Δ y =t 0 , 01 ;20⋅s ^y =2 . 845⋅1. 05954=3 . 0143
X=9 .3
y^ X=9 . 3− Δ y ¿ y X =9 .3 ¿ ^y X=9 . 3 +Δ y ⇔ 14,3768−3 . 0143≤ y X =130 ¿ 14,3768+3 .0143
5,5172≤ y X =9 .3 ¿ 23,2365