Université Cadi Ayad

Faculté des Sciences Juridiques Economiques et Sociales

Marrakech

ECONOMETRIE

Polycopié à l’attention des Etudiants de la Filière Economie et Gestion,

Semestre 6 : Option Economie

Document de Soutien Préparé par les Professeurs Chakib Tahiri et

Mustapha Kchirid
CHAPITRE 1

Ecriture Matricielle du Modèle Classique, Extension au

Cas de K Regresseurs

1.1 Introduction

Soit

Yt = β1 +β2X2t + β3X3t + … + βKXKt + ut

Y1 = β1 +β2X21 + β3X31 + … + βKXK1 + u1

………………………………………..

YT = β1 +β2X2T + β3X3T + … + βKXKT + uT

⎡Y ⎤ ⎡ 1 X 21 X 31 ... X K 1 ⎤ ⎡β ⎤ ⎡ u1 ⎤
⎢ 1⎥ ⎢ ⎥ ⎢ 1⎥ ⎢ ⎥
⎢Y ⎥ ⎢1 X X 32 ... X K 2 ⎥⎥ ⎢β ⎥ ⎢ u2 ⎥
⎢ 2⎥ ⎢ 22 ⎢ 2⎥ ⎢ ⎥
⎢ ... ⎥ =⎢ +
⎢ ⎥ ⎢... ... ... ... ... ⎥⎥ ⎢ ... ⎥
⎢ ⎥ ⎢ ... ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢YT ⎥ ⎢ 1 X 2T X 3T ... X KT ⎥ ⎢ βK ⎥ ⎢uT ⎥
⎣ ⎦ (T ×1) ⎣ ⎦ (T×K ) ⎣ ⎦ (K×1) ⎣ ⎦ (T ×1)

donc le modèle s’écrit comme

Y = Xβ + u (1.1)

2
1.2 Les Hypothèses

1. E(u) = 0 ⇒

Y = Xβ + u ⇒ E (Y ) = X β
⎡ E (u1 ) ⎤ ⎡ 0 ⎤
⎢ ⎥ ⎢ ⎥
⎢ E (u ) ⎥ ⎢ 0 ⎥
⎢ 2 ⎥ ⎢ ⎥
E (u ) = 0 ⇒ ⎢ ⎥ = ⎢...⎥
⎢ ... ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢E (uT )⎥ ⎢ 0 ⎥
⎢⎣ ⎥⎦ ⎣ ⎦

2. E(uu T ) = σ 2 I

⎧
⎪0 i≠j
E (uuT ) = σ 2I ⇔ E (uiu j ) = ⎨⎪ 2
⎪
⎪ σ i=j
⎪
⎩
⎡ u1 ⎤
⎢ ⎥
⎢ u2 ⎥
E (uuT ) = E ⎢ ... ⎥ ⎡⎢u1 u2 ... uT ⎤⎥
⎢ ⎥⎣ ⎦
⎢ ⎥
⎢uT ⎥
⎣ ⎦
⎡ u12 u1u2 .... u1uT ⎤
⎢ ⎥
⎢ 2 ⎥
u
⎢ 2 1u u 2 ... u u
2 T⎥
E (uu ) = E ⎢
T
⎥
⎢ ... ... ... ... ⎥
⎢ ⎥
⎢u u u u ... u 2 ⎥
⎢⎣ T 1 T 2 T ⎥
⎦
⎡ E (u1 ) E (u1u2 ) .... E (u1uT )⎤
2
⎢ ⎥
⎢ 2 ⎥
⎢ E (u2u1 ) E (u2 ) ... E (u2uT )⎥
E (uu ) = ⎢
T
⎥
⎢ ... ... ... ... ⎥
⎢ ⎥
⎢E (u u ) E (u u ) ... E (u 2 ) ⎥
⎢⎣ T 1 T 2 T ⎥⎦
⎡σ 2 0 ...0⎤
⎢ ⎥
⎢ 2 ⎥
⎢0 σ ... 0 ⎥
E (uu ) = ⎢
T
⎥ = σ 2I
⎢ ... ... ... ... ⎥
⎢ ⎥
⎢0 0 ... σ ⎥2⎥
⎢⎣ ⎦

3
3. ρ(X) = K ⇒ Les X sont Linéairement indépendants ⇒ (X T X)-1 existe

4. X est non-stochastique ⇒ E(X T u) = 0

5. u ~ N(0, σ 2 I)

1.3 Estimation

Y = X βˆ + e (1.2)

⎡e1 ⎤
⎢ ⎥
⎢e2 ⎥
eTe = ⎡⎢e1 e2 ... eT ⎤⎥ ⎢ ... ⎥ = ∑ et2
⎣ ⎦⎢ ⎥
⎢ ⎥
⎢e ⎥
⎣ T⎦

eTe = (Y − X βˆ)T (Y − X βˆ)

donc

eTe = Y TY − βˆT (X TY ) −Y T (X βˆ) + βˆT (X T X )β̂

eTe = Y TY − 2βˆT (X TY ) + βˆT (X T X )β̂

d’où

∂eTe
= −2(X TY ) + 2(X T X )βˆ = 0
ˆ
∂β

ce qui nous donne les équations normales

X TY = (X T X )βˆ (1.3)

d’où l’on tire

(X T X )−1(X TY ) = (X T X )−1(X T X )βˆ

d’où

βˆOLS = (X T X )−1(X TY ) (1.4)

4
Notez que X T e = 0 . En effet

X Te = X T (Y − X βˆ) = X TY − (X T X )βˆ

X Te = X TY − (X T X )(X T X )−1 X TY = 0

ce qui signifie que

⎡ 1 1 ... 1 ⎤ ⎡ e1 ⎤ ⎢⎡ ∑ et ⎥⎤ ⎡ 0 ⎤
⎢ ⎥⎢ ⎥ ⎢ ⎢ ⎥
⎢X ⎥ ⎢e2 ⎥ ⎢ e X ⎥⎥ ⎢ 0 ⎥
⎢ ⎥ = ⎢ ∑ t 2t ⎥ = ⎢⎢ ⎥⎥
⎢ 21 X 22 .... X 2T ⎥
X Te = ⎢ ⎥
⎢ ... ... ... ... ⎥ ⎢ ... ⎥ ⎢ ... ⎥ ⎢...⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢X K 1 X K 2 ... X KT ⎥ ⎢⎣eT ⎥⎦ ⎢⎢ ∑ e X ⎥⎥ ⎢ 0 ⎥
⎣ ⎦ ⎣ t kt
⎦ ⎣ ⎦

1.4 Théorème de GAUSS-MARKOV

1.4.1 Unbaisure

βˆ = (X T X )−1 X TY = (X T X )−1 X T (X β + u )

βˆ = (X T X )−1 X T X β + (X T X )−1 X T u

βˆ = β + (X T X )−1 X T u

E (βˆ) = β + (X T X )−1 X T E (u ) = β

d’où

E (βˆ) = β

1.4.2 Minimum Variance

βˆ = β + (X T X )−1 X T u

5
 βˆ − β = (X T X )−1 X T u

par définition

∑ = Var − Cov(βˆ) = E [βˆ − β ][βˆ − β ]T

en d’autres termes

⎡ βˆ − β ⎤
⎢ 1 1 ⎥
⎢ ⎥
⎢ βˆ2 − β2 ⎥
∑=E⎢ ⎥ ⎡ βˆ − β1 βˆ2 − β2 ... βˆK − βK ⎤⎥
⎢ ... ⎥ ⎢⎣ 1 ⎦
⎢ ⎥
⎢ˆ ⎥
⎢ βK − βK ⎥
⎣ ⎦

donc

∑ = E [(X T X )−1 X T u ][(X T X )−1 X T u ]T

∑ = E [(X T X )−1 X T uuT X (X T X )−1 ]

∑ = (X T X )−1 X T E (uuT )X (X T X )−1

donc

∑ = σ 2 (X T X )−1 (1.5)

et donc

βˆ → N (β, σ 2 (X T X )−1 ) (1.6)

on sait que

βˆ = (X T X )−1 X TY = AY

soit β un autre estimateur de β telle que

β = HY = [(X T X )−1 X T + C ]Y

où C est une matrice positive.

6
 β = HY = H [X β + u ] = HX β + Hu

E (βˆ) = β ssi HX = I

mais

HX = [(X T X )−1 X T + C ]X = I + CX

donc

HX = I ssi CX = 0

Ωβ = E [β − β ][β − β ]T = E [HuuT H T ]

Ωβ = E ⎣⎡(X T X )−1 X T + C ⎦⎤ (uuT ) ⎣⎡X (X T X )−1 + C T ⎦⎤

mais

E (uuT ) = σ 2I

donc

Ωβ = σ 2 ⎣⎡(X T X )−1 X T + C ⎦⎤ ⎣⎡X (X T X )−1 + C T ⎦⎤

Ωβ = σ 2 ⎣⎡(X T X )−1 + CX (X T X )−1 + (X T X )−1 X TC T + CC T ⎦⎤

Ωβ = σ 2 ⎡⎣(X T X )−1 + CC T ⎤⎦ = σ 2 (X T X )−1 + σ 2CC T

mais

CC T > 0 ⇒ Ωβ > ∑

7
1.5 Un Estimateur pour σ̂ 2

Théorème Dans le modèle linéaire classique

Yt = β1 +β2 X2t + β3 X 3t + ... + βK X Kt + u t

eTe
σˆ2 =
T −K

est un estimateur sans-biais de σ2.

En effet

e = Y − X βˆ = Y − X (X T X )−1 X TY = ⎡⎣I − X (X T X )−1 X T ⎤⎦Y = MY

e = ⎡⎣I − X (X T X )−1 X T ⎤⎦ (X β + u )

e = X β − X (X T X )−1 X T X β + Mu

donc

e = Mu

M est une matrice symétrique ( M T = M ), idempotente( M = M 2 = ... = M j ) de

dimension (T ×T ).

eTe = uT M T Mu ⇒ E (eTe) = E ⎡⎣uT M T Mu ⎤⎦ = E ⎡⎣uT Mu ⎤⎦

mais uT Mu est un scalaire. En effet,

T
uN N uN = (1 × 1)
M
(1×T )( T ×T )( T ×1)

E ⎡⎣uT Mu ⎤⎦ = E ⎡⎣Tr (uT Mu ⎤⎦ = E ⎡⎣u12X1 + u1u2X 3 + u2u1X 2 + u22X 4 ⎤⎦

E ⎡⎣uT Mu ⎤⎦ = σ 2 (X 1 + X 2 ) = Tr (M )σ 2

mais

Tr (M ) = Tr (I ) − Tr (X (X T X )−1 X T )

8
 Tr (M ) = Tr (I ) − Tr (X T X )(X T X )−1 = T − K

donc

E (eTe) = E (uT Mu ) = (T − K )σ 2

donc

eTe
E( ) = σ2 (1.7)
T −K

donc

eTe
T −K

est un estimateur sans-bais de σ 2 .