Table des matières

0.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
0.2 Estimation du Modèle . . . . . . . . . . . . . . . . . . . . . . . . . . 2
0.2.1 Position du Problème . . . . . . . . . . . . . . . . . . . . . . . 2
0.2.2 Écriture matricielle . . . . . . . . . . . . . . . . . . . . . . . . 2
0.2.3 Hypothèses spéciques pour l'estimation du modèle . . . . . . 3
0.2.4 Estimation par la méthode MCO . . . . . . . . . . . . . . . . 4
0.3 Notion de tests sur les paramètres . . . . . . . . . . . . . . . . . . . . 7
0.3.1 Test individuel des paramètres : Le test de Student . . . . . . 7
0.3.2 Test Global des coecients : le test de Fisher . . . . . . . . . 9
0.3.3 Tableau de l'analyse de la variance . . . . . . . . . . . . . . . 11
Le modèle linéaire multiple
0.1 Introduction

On a vu dans le chapitre 1, modèle linéaire simple qu'on était en présence

d'une seule variable en entrée exogène x, et en une seule variable endogène de sortie
y , on a étudié l'impact de x sur y avec l'estimation, intervalle de conance, tests,· · · ..
Mais, dans la réalité de tous les jours, les phénomènes économiques étudiés sont plus
compliqués et nécessitent non plus l'étude d'une seule variable exogène, mais plu-
tôt de p variables exogènes,dans cette situation on est dans l'étude d'un modèle
linéaire multiple.
Les exemples sont nombreux en économie comme en gestion.

Exemple 0.1. on considère par exemple 50 succursales d'une entreprise. L'objectif

est d'expliquer le chire d'aaire de chaque succursale au moyen de variables telles
que : marge commerciale, charge salariale, nombre de vendeurs...

Exemple 0.2. Considérons le modèle économique du comportement de production

des entreprises de la fonction des entreprises de Cobb-Douglas Q en fonction des
variables exogènes :
K Capital
L : Travail
E : Energie
M : Matières premières.
Un autre exemple en ce moment du covid-19, on s'interesse à l'impact des diérents
facteurs d'agrégats économique PIB, Importation, exportation sur l'économie maro-
caine.

On va essayer de suivre la même méthodologie que dans le modèle linéaire

simple, il faut signaler auparavant qu' en mathématiques on commence par le par-
ticulier et généraliser après.
Dans le modèle linéaire simple, on est en présence d'une seule variables explicative,
2 TABLE DES MATIÈRES

dans le modèle linéaire multiple, on sera en présence de k variables explicatives ce

qui va nécessiter un changement au niveau des espaces de travail, l'ensemble d'arri-
vée était l'ensemble R, il deviendra Rk .
Comme l'espace va changer on aura à travailler avec des vecteurs et des matrices
c'est pour cela des prérequis sur le calcul matriciel est exigé (voir cours Algèbre S2).

0.2 Estimation du Modèle

0.2.1 Position du Problème

On considère p variables explicatives et une variable expliquée, on essaie de
modéliser cette relation d'impact qui existe entre ces variables d'entrées et la variable
de sortie sous formes de vecteur, ainsi le modèle supposé s'écrit de la façon suivante :

yt = a0 + a1 xt,1 + a2 xt,2 + · · · + ak xt,k + εt 1 ≤ t ≤ n

Les xt,j sont les variables exogènes (explicatives).observation numéro j à la

date t
yt variable endogènes (expliquée) à l'instant t.
ao , a1 · · · , ak sont les paramètres du modèle.
εt : erreur spécique du modèle ( erreur inconnue une variable aléatoire.
n : le nombre d'observation.
∂yt
On remarque que = aj et j = 1. · · · k .
∂xt,j
Donc aj représente l'impact d'une hausse unitaire de xt,j sur yt .
Les t ,→ N (0, σ 2 ).
On va suivre la même démarche que pour le modèle linéaire simple pour le moment
l'objectif est d'estimer les ak .

0.2.2 Écriture matricielle

Comme indiqué auparavant, le modèle n'est pas simple mais plutôt multiple,
ce qui nécessite une écriture matricielle.

yt = a0 + a1 xt,1 + a2 xt,2 + · · · + ak xt,k + εt 1 ≤ t ≤ n

0.2 Estimation du Modèle 3

       
y1 1 a0 1 x1,1 x1,2 · · · x1,k
 1 x2,1 x2,2 · · · x2,k
 y2   2   a1   
Y =  ..  ; ε =  ..  ; a = ..  ; X =  ..
     
 .  . .   .
  
  
yn n ak 1 xn,1 xn,2 · · · xn,k

Y : est un vecteur n lignes.

ε :est un vecteur n lignes.
a ; est un vecteur k lignes.
X ; est une matrice n lignes k colones. avec 1 ≤ i ≤ n et 1 ≤ j ≤ k
Donc le modèle s'écrit d'une façon matricielle de la forme :

Y = Xa + ε

La présentation matricielle du modèle linéaire multiple permet d'avoir une écriture

aisée et facile à manipuler, et ce que nous adoptons par la suite.

0.2.3 Hypothèses spéciques pour l'estimation du modèle

An d'estimer les coecients du vecteur a, du modèle on va appliquer la
méthode des moindres carrés.
On va essayer de formuler les hypothèses comme celles citées pour le modèle linéaire
simple.
H1) E(ε) = 0 ∀t 1 ≤ t ≤ n E(t ) = 0 qui se traduit sous forme matricielle par :
   
E(1 ) 0
 E(2 )   0 
E(ε) =  ..  =  .. 
   
 .   . 
E(n ) 0

2) V ar(t ) = σ 2 ∀t 1 ≤ t ≤ n.(Homoscédasticité)
3) Cov(t , t0 ) = 0 ∀t 6= t0 .

2) et 3) ⇒ l'hypothèse

H2) V ar(ε) = σ2 In ici In est la matrice identité d'ordre n.

On rappelle ici que V ar(Z) = E((Z − E(Z))t (Z − E(Z))).
Si on applique cette formule pour la variance de ε.
4 TABLE DES MATIÈRES

On a V ar(ε) = E((ε − E(ε))t (ε − E(ε))) (t M étant la matrice transposée de la

matrice M on peut la noter aussi par M T ) comme E(ε) = 0 alors la variance
V ar(ε) = E(t ε.ε) = σ 2 In qu'on écrit par :
   
σ2 · · · 0 1 ··· 0
V ar(ε) =  ... ... ..  2 . . . 
.  = σ  .. . . ..  = σ .In
2

0 ··· σ2 0 ··· 1

H3)t XX est inversible, c.a.d que (t XX)−1 existe ⇒ rg(t XX) = k, si ce n'est pas le
cas le système est défaillant
On rappelle cours d'Algèbre que le rang d'une matrice est le nombre de
vecteurs linéarements indépendants, et qu'une matrice est inversible si
son rang est égale au nombre de vecteurs linéarements indépendants.
H4) : Le nombre des composantes n est supérieur au nombre de variables expli-
catives c.a.d (n > k + 1).

0.2.4 Estimation par la méthode MCO

Sous les hypothèses H1,H2,H3 et H4 on va estimer le modèle pour chercher
le vecteur a :

Y = Xa + ε
Théorème 0.1. Gauss-Markov : L'estimateur MCO de a est â = (t XX)−1 )t XY .
Il est sans biais E(â) = a et de matrice de variance covariance Γ = V ar(â) =
σ 2 (t XX)−1 . En plus â est qualié de BLUES.

La matrice de variance covariance Γ, peut s'écrire aussi par :

 
V ar(aˆ0 ) cov(aˆ0 , aˆ1 ) · · · cov(aˆ0 , aˆn )
 cov(aˆ1 , aˆ0 ) V ar(aˆ1 ) · · · cov(aˆ1 , aˆn )) 
Γ = V ar(â) =  .. .. ..
 
. . .

 
cov(aˆk , aˆ0 ) cov(aˆk , aˆ1 ) · · · V ar(aˆk ))

Remarque 0.1. 1) La matrice Γ = V ar(â) permet d'apprécier la précision de l'es-

timateur.
2) La matrice Γ est une matrice symétrique
0.2 Estimation du Modèle 5

Exemple 0.3. Écrivons la matrice Γ, pour k = 2 et k = 3.

Pour k = 2  
V ar(aˆ0 ) cov(aˆ0 , aˆ1 )
Γ=
cov(aˆ1 , aˆ0 ) V ar(aˆ1 )

Pour n = 3  
V ar(aˆ0 ) cov(aˆ0 , aˆ1 ) cov(aˆ0 , aˆ2 )
Γ =  cov(aˆ1 , aˆ0 ) V ar(aˆ1 ) cov(aˆ1 , aˆ2 ) 
cov(aˆ2 , aˆ0 ) cov(aˆ2 , aˆ1 ) V ar(aˆ2 )

Remarque 0.2. A partir de l'estimation de â on peut dénir le vecteur des résidus

par  
ˆ1
 ˆ2 
ε̂ = et =  ..  = Y − Xâ
 
 . 
ˆn

ATTENTION ! ! ! ! !
On distingue trois types d'écriture que vous devez pouvoir les nuancer.
1) Y = Xa +  ce qu'on appelle le modèle théorique.
2) Y = Xâ + et le modèle estimé l'erreur et est connue, et qui dière de t qui
est une erreur aléatoire inconnue.
3) Ŷ = Xâ le modèle ajusté
Exemple 0.4. Dans le modèle linéaire simple du chapitre précédent, la consomma-
tion des ménages dépend d'un seul facteur observé, le revenu, et de facteurs non
observés captés par le terme d'erreur.
Or parmi les facteurs qui déterminent les diérences de niveaux de dépense entre
les ménages, nous pouvons aussi penser que la taille des ménages zt a une inuence
importante le modèle doit s'écrire alors :

Ct = a0 + a1 Rt + a2 Zt + t 1 ≤ t ≤ 60.

On est en présence d'un modèle linéaire multiple, à partir de la MCO évoquée dans
le théorème de Markov on va essayer d'estimer le vecteur a des paramètres donnés
par  
a0
a =  a1 
a2
A partir des données récoltées de 60 ménages dans un panel pris dans la population
française les valeurs sont exprimées en Euros :
6 TABLE DES MATIÈRES

 
60 142328, 6 224
t
XX =  142328, 6 347583119, 55 546314, 1 
224 546314, 1 910

 
127639, 4
t
XY =  310332128, 4 
492674, 1

On remarque bine que la matrice t XX est une matrice symétrique

Pour appliquer le théorème de Markov, on aura besoin de l'inverse de la matrice
(t XX)−1 ( d'habitude calculée à partir de la formule vu en cours d'algèbre qu'on
t
1
rappelle ici : Si M est une matrice inversible (detM 6= 0) alors M −1 = Cof M
detM
cofM étant la matrice des cofacteurs de M.
L'inverse de cette matrice est donnée par :
 
0, 582 −0, 0002 −0, 003
(t XX)−1 =  −0, 0002 0, 00000014 −0, 00003 
−0, 003 −0, 00003 0, 0196

Comme â = (t XX)−1 )t XY alors

    
0, 582 −0, 0002 −0, 003 127639, 4 312, 22
â =  −0, 0002 0, 00000014 −0, 00003   310332128, 4  =  0, 62 
−0, 003 −0, 00003 0, 0196 492674, 1 93, 95

Le modèle estimé s'écrit donc Ct = 312, 22 + 0, 62Rt + 93, 85Zt + et .

Interprétation : Pour une taille de ménage donnée, une augmentation du revenu

de 100 euros entraîne une augmentation de la consommation de 62 euros.
Pour une revenu donné, une personne de plus dans un ménage donne lieu à 94 euros
de dépense supplémentaires.
Finalement un personne seule sans revenu et sans enfants aura besoin de 312, 22euros
pour sa consommation.

Vous avez bien réalisé via cet exemple l'intérêt de telle étude pour aider les or-
ganismes à dénir le montant des aides.
0.3 Notion de tests sur les paramètres 7

0.3 Notion de tests sur les paramètres

Dans l'écriture du modèle linéaire multiple :

yt = a0 + a1 xt,1 + a2 xt,2 + · · · + ak xt,k + εt 1 ≤ t ≤ n

On distingue deux types de tests, le premier consiste à un test où on regarde l'im-
pact de chaque variable sur la variable de sortie, an de savoir avec précision les
facteurs qui ont un impact signicatif, leur forces et leurs relation avec la variable
dépendante y. Le test utilisé est celui de Student comme par rapport au modèle
linéaire simple.
On peut avoir le test suivant :
H0 : ai = 0 contre H1 : ai 6= 0 avec 1 ≤ i ≤ k
On réalise ce test pour toutes les variables.
Un deuxième type de test consiste maintenant non pas à tester les variables sépa-
rément mais toutes en même temps, il s'agit d'un test qui nous renseigne sur la
validité du modèle dans sa globalité c'est le test de Fisher, il sera présenté de la
façon suivante :
H0 : a1 = a2 = · · · = ak = 0
H1 : ∃ak 6= 0 ( c.a.d les coecients ne sont pas tous nuls).
On va commencer par un test individuel sur les paramètres, c.a.d le test de Student

0.3.1 Test individuel des paramètres : Le test de Student

On doit tout d'abord énoncer quelques résultats théoriques importants pour pouvoir
réaliser le test
Proposition 1. admise Un estimateur sans biais de σ2 est donnée par :
n n
||Y − Ŷ || 1 X 1 X
σˆ2  = = (yi − (Xâ)i )2 = (e2t )
n−k−1 n − k − 1 i=1 n − k − 1 i=1

Si de plus les t sont i.i.d et ,→ (N (0, σ2 ) (i :indépendantes, i :identiquement d :dis-

(n − k − 1)σˆ2
tribuées) alors 2

,→ χ2n−k−1 .
σ
On va réaliser le test suivant :
H0 : ai = 0 contre H1 : ai 6= 0 avec 1 ≤ i ≤ k
On suit la même démarche que celle du test pour le modèle linéaire simple, à savoir
trouver d'abord la statistique du test, autrement dit sa loi limite de tous les para-
mètres θi .
on va supposer pour cela, les t sont i.i.d et ,→ (N (0, σ2 ) (i :indépendantes, i :iden-
tiquement d :distribuées).
8 TABLE DES MATIÈRES

On a â ,→ N (ai , σ2 (t XX)−1
i,i ).
Soit Ti la statistique du test :
â θ̂i σ N (0, 1)
Ti = p i = p ,→ q 2 = Tn−k−1 .
σ̂ (t XX)i,i σ (t XX)i,i σ̂ χn−k−1
n−p

Pour le test :H0 : ai = 0 contre H1 : ai 6= 0 avec 1 ≤ i ≤ k

α
On prend H0 si |Ti | ≤ tα où p(Tn−k−1 ≤ tα = 1 − le tα est le quantile de la loi de
2
Student à n − k − 1 degrés de liberté.
Vous avez bien compris que ca ressemble exactement au modèle linéaire simple la
seule chose qui change, c'est la variance du paramètre estimée qui sera calculée à
partir de la matrice de la variance covariance Γ.
âi âi
Ti = p =
V ar(âi σ̂âi

Remarque 0.3. Le test de Student est très important. En eet, si dans un modèle
estimé un des coecients (hormis le terme constant) n'est pas signicativement dif-
férent de zéro, il convient d'éliminer la variable correspondante à ce coecient et
refait l'estimation sans cette variable. Cette cause de non signicativité peut être due
à deux choses.
I Une absence de corrélation avec la variable à expliquer.
I Une colinéarité trop élevée avec une des variables explicative.
Exemple 0.5. Reprenons l'exemple de la fonction de consommation pour illustrer
ces résultats sur les tests d'hypothèses. Le modèle retenu pour la fonction de consom-
mation après estimation par la MCO est :

Ct = 312, 22 + 0, 62Rt + 93, 85Zt + et .

σ̂aˆ1 = 0, 014, σ̂aˆ2 = 6, 06, n = 60
Une première utilisation de test de Student sert à établir si une variable exerce une
inuence sur la variable modélisée. Il s'agit de tester si le coecient associé à une
variable est nul ou non.
Nous testons l'hypothèse nulle avec α = 5%
H0 : aj = 0 contre
H1 : aj 6= 0 j = 1, 2. il s'agit de 2 paramètres k=2
âi
On sait que la statistique du test est Ti =
σ̂âi
On a â1 = 0, 62 et σ̂aˆ1 = 0, 014 donc
0, 62
Ta1 = = 44, 3.
0, 014
On prend H0 si |Ta1 | ≤ tα où p(Tn−k−1=60−2−1=57 ≤ tα = 1 − α
2
= 0, 975 on si on
0.3 Notion de tests sur les paramètres 9

regarde la table de la loi de Student on trouve tα = 2, 01.

On a donc Ta1 = 44, 3 > tα = 2 on rejette H0 et a1 6= 0.
I Il faut bien signaler ici que la valeur 44,2 est  2 de très loin, donc ici on peut
armer avec force que la variable revenu a un grand impact très fort et très signi-
catif sur la variable consommation.
93, 85
De la même façon Ta1 = = 15, 5 > tα = 2 ⇒ on rejette H0 , a2 6= 0
6, 06
De la même façon la variable taille du ménage a un impact sur la consommation.

Exemple 0.6. un autre exemple en Économie, et qui n'est pas le moindre, concerne
la fonction de production de Cobb-Douglass qui est une relation non linéaire entre
les facteurs de Production L :travail, K :capital q'on écrit par :Qi = ALαi Kiβ . avec
α+β =1
On peut passer au modèle linéaire multiple en composant avec le Logarithme népé-
rien on aura donc :
ln(Qi ) = ln(ALαi Kiβ ) = ln(A) + α ln(Li ) + β ln(Ki ) + i après un changement de
variable on a
qi = a + bli + cki + .
On sait que α et β sont les élasticités travail et capital et que α + β = 1.
Dans ce cas les rendements d'échelle sont constants.
Si α + β > 1 les rendements d'échelle sont croissants.
Si α + β < 1 les rendements d'échelle sont décroissants.
On peut donc réaliser diérents tests pour vérier ces inrmations.
H0 : α + β = 1
H1 : α + β 6= 1
Rendement d'échelle constants.

H0 : α + β = 1
H1 : α + β > 1
Rendement d'échelle croissants.

H0 : α + β = 1
H1 : α + β < 1
Rendement d'échelle décroissants.

0.3.2 Test Global des coecients : le test de Fisher

Une fois réalisé le test de signicativité de chaque variable, il est maintenant
plus intéressant de voir une signicativité globale du modèle de régression, c.a.d si
l'ensemble des variables explicatives ont une inuence sur la variable de à expliquer.
10 TABLE DES MATIÈRES

Ce test peut être formulée da la façon suivante.

Existe t-il au moins une variable explicative signicative ? Soit le test d'hypothèse.
H0 : a1 = a2 = · · · = ak = 0 (tous les coecients sont nuls
H1 : ∃ak 6= 0 ( c.a.d il existe au moins un coecients qui ne soit pas nul).
Si on valide l'hypothèse H0 , cela signie qu'il n'existe aucune relation linéaire entre
la variable expliquée et les variables explicatives.
On adopte les notation suivantes déjà introduites dans le modèle linéaire simple.
n
(Ŷ − Ȳ )2 .
X
SCE =
i=1
n
1 X
SCR = (e2 )
n − k − 1 i=1 t
SCT = SCR + SCE .
Donnons tout d'abord la dénition d'une loi de Fisher.

Denition 0.1. On dit que F suit une loi de Fisher-Snedecor à (n1 , n2 ) degrés de
libertés qu'on note F (n1 , n2 ) si :
V1
F = n1
V2
avec V1 ,→ χ2n1 et V2 ,→ χ2n2 . et V1 et V2 indépendantes.
n2

Propriété 0.1. 1) La loi de Fisher comme la loi normale est tabulée.

1
2) Si V ,→ F (n1 , n2 ) alors ,→ F (n2 , n1 ).
V
3) F (1, n − 2) = Tn−2
2

Pn
i=1 (Ŷ −Ȳ )2 SCE R2
n − k − 1 R2
Proposition 2. On pose F = Pn k 2 =
ddl(SCE
SCR
= k
(1−R2
=
i=1 (et )
ddl(SCR)
k 1 − R2
n−k−1 n−k−1
suit une loi de Fisher à k, n − k − 1 degrés de libertés F (k, n − k − 1)
Ici R2 est le coecient de détermination linéaire déjà déni pour le modèle linéaire
SCE SCR
simple et qui est donné ici pour mémoire par R2 = =1− .
SCT SCT

Si nous revenons à notre Test, du fait qu'on dénit la statistique du test :

La règle de décision sera donc :
On accepte H0 si F ≤ cα où p(F (k, n − k − 1) ≤ cα = 1 − α
sinon on rejette H0 .

Exemple 0.7. Reprenons l'exemple de la fonction de consommation pour illustrer

ces résultats sur les tests d'hypothèses. Le modèle retenu pour la fonction de consom-
mation après estimation par la MCO est :
0.3 Notion de tests sur les paramètres 11

Ct = 312, 22 + 0, 62Rt + 93, 85Zt + et .

2
R = 0, 988 SCR = 74326, σ̂ = 36, 11 n = 60

la question qu'on se pose estla suivante est ce que le revenu et la taille des ménages
n'inuent pas sur la consommation ? autrement dit a1 = a2 = 0.
il s'git de formuler le test suivant avec α = 5% :
H0 : a1 = a2 = 0
H1 : ∃a1 ou a2 6= 0
Comme expliqué auparavant, il s'agit d'un test de validité globale, donc on utilise le
test de Fisher.
Comme au niveau des données, on a la valeur de R2 , donc on utilise la statistique
du test :
n − k − 1 R2
F = ,→ F (k, n − k − 1) = F (2, 60 − 2 − 1) = F (2, 57).
k 1 − R2
on accepte H0 si F ≤ cα avec p(F (2, 57) ≤ cα = 1 − α = 1 − 0, 05 = 0, 95.En
regardant la table de la loi de Fisher on trouve cα = 3, 15.
57 0, 988 0, 988
On calcule F = = 28, 5 × = 2346, 5.
2 1 − 0, 988 0, 012
On remarque que cette valeur de F = 2346, 5  3, 15 de très loin ce qui signie
qu'on rejette H0 de très loin et on peut armer que le modèle ainsi dénit est très
signicatif et que les variables revenu e taille des ménages inuent sur la consom-
mation.
On pourra aussi utiliser une autre façon de calul en utlisnat le SCR, le SCE en
SCE SCR
utlisnat le fait que R2 = =1− .
SCT SCT

0.3.3 Tableau de l'analyse de la variance

Dans le cas pratique on est confronté à traiter un grand nombre de données, et
plusieurs variables ( la taille de l'échantillon et le nombre de variables explicatives),
c'est pour cela que l'utilisation des logiciels de statistiques devient incontournable
et nécessaire pour réaliser l'analyse statistqiue
Pour une utilisation des modèles linéaires simples et multiples on peut des fois se
contenter que du tableur EXCEL.
On peut citer les logiciels les plus utilisés dans le domaine des sciences Sociales
SPSS,(Statistical Package for Social Sciences), on trouve aussi le logiciel EViews
(logiciel spécialisé en économétrie) aussi pour les études plus variées en statistique
le logiciel SAS(Statistical Analysis System)
Tous ces logiciels même s'ils diérent dans leurs utilisations, ils convergent tous dans
les sorties des résultats de l'analyse en utilisant une sortie dite.
Analyse de la variance en abrégé ANOVA(analyse of Variance)). Ce tableau
résume en fait tout dont on a besoin et qui a été cité dans la partie théorique ( Esti-
12 TABLE DES MATIÈRES

mation des paramètres,estimation de σ test de student, intervalles de conance,Test

de Fisher, coecient de détermination R2 ....)
Alors le tableau de l'analyse de la variance se présente de la façon suivante en 2
partie (Partie analyse de la variance, et paramètres estimés)

ANOVA Analyse de la variance)

Source Sources des carrés Degrés de libertés Carrés Moyens F
SCE
Pn 2 SCE k
x1 , x2 , · · · xk SCE = i=1 (Ŷ − Ȳ ) k F = SCR
k n−k−1
SCR
Résidu
Pn
)2 = 2
P
SCR = i=1 (Yt − Ŷ i et n−k−1
n−k−1
Total = ni=1 (Yt − Ȳ )2
P
SCT n−1
Parameter Estimate (Paramètres Estimés)
Variables Degré de liberté paramètres estimés l'écart-type estimé la valeur de T Pr>t
constante 1 aˆ0 σˆ0 Ta0 valeur0
X1 1 aˆ1 σˆ1 Ta1 valeur1
X2 1 aˆ2 σˆ1 Ta2 valeur2
..
. 1
Xk 1 aˆk σˆk Tak valeurk
La dernière colonne au niveau des valeurs (valeur1 · · · valeur k) correspond à la
valeur directement calculée du quantile de la loi de student, on compare cette valeur
avec (0,05), si elle est inférieure < 0, 05 on rejette l'hypothèse de nuleté de H0 sinon
on ne rejette pas H0 .

Vous avez en exemple une sortie du logiciel SAS, les autres sortie des logiciels
(SPSS, EViews) dièrent un peu mais ont pratiquement tous ANOVA et partie de
parameter estimates.