RÉSUMÉ ET EXERCICES CORRIGÉS D’ECONOMETRIE

Résumé et Exercices corrigés

RESUME
 Soit le modèle suivant:
 𝑦𝑖 = 𝛼 + 𝛽𝑥𝑖 + 𝜀𝑖 ou 𝑦𝑖 = 𝛼𝑥𝑖 + 𝛽 + 𝜀𝑖 où 𝜷
෡=ഥ 𝒙 et
ෝ *ഥ
𝒚−𝜶
𝒄𝒐𝒗(𝒙;𝒚)
 ෝ=
𝜶
𝒗𝒂𝒓(𝒙)

 𝑦𝑖 = 𝛼 + 𝛽𝑥𝑖 + 𝜀𝑖
 Estimation des paramètres:
෡ 𝟏 𝟏
ෝ=𝒚
𝜶 𝒙 avec 𝒚
ഥ − 𝜷*ഥ ഥ= σ 𝒚𝒊 et ഥ
𝒏
𝒙 =𝒏
σ 𝒙𝒊
෡ 𝒄𝒐𝒗(𝒙;𝒚)
 𝜷=
𝒗𝒂𝒓(𝒙)
𝟏 𝟏
 avec cov(x,y)= σ 𝒙𝒊 − ഥ 𝒚 = σ 𝒙𝒊 𝒚𝒊 − ഥ
𝒙 𝒚𝒊 − ഥ 𝒙ഥ𝒚
𝒏 𝒏
𝟏 𝟏
 Var(x)= σ 𝒙𝒊 − ഥ
𝒙 𝟐
= σ 𝒙𝟐𝒊 − ഥ
𝒙𝟐
𝒏 𝒏
 𝟏 ഥ𝟐
𝒙 𝟐 𝟏 ഥ𝟐
𝒙 σ 𝒙𝟐𝒊
V(𝜶
ෝ )=𝝈 [
𝟐
+ σ(𝒙𝒊 −ഥ
]=𝝈 [ + ]=𝝈 𝟐
=
𝒏 𝒙)² 𝒏 𝒏∗𝒗𝒂𝒓(𝒙) 𝒏²∗𝒗𝒂𝒓(𝒙)
σ 𝒙𝟐𝒊
 𝝈𝟐
𝒏 σ(𝒙𝒊 −ഥ
𝒙)²
avec 𝜎 2 est inconnue elle doit être
σ 𝜀ො𝑖2
estimée par 𝜎ො = 2
avec 𝜀𝑖Ƹ =𝑦𝑖 − 𝑦ො𝑖 et 𝑦= መ 𝑖
ො 𝛼ො + 𝛽𝑥
𝑛−𝑘
 L’écart type de 𝛼ො
 ෞ V(𝛼)
𝜎𝛼= ො
𝜎2 𝜎2
 መ =
Var(𝛽) =
σ (𝑥𝑖 −𝑥)²
ҧ 𝑛∗𝑣𝑎𝑟(𝑥)


 Coefficient de corrélation r=𝜌

 -1 r= 1
 Coefficient de détermination R²
 SCT=SCE+SCR
σ(𝒚𝒊 − ഥ ෡ 𝟐 σ(𝒙𝒊 − ഥ
𝒚)² = 𝜷 𝒙)² + σ 𝜺ො 𝟐𝒊
𝑺𝑪𝑬 𝜷෡ 𝟐 σ(𝒙𝒊 −ഥ
𝒙)² 𝜷෡ 𝟐 𝒗𝒂𝒓(𝒙)
 R²= = =
𝑺𝑪𝑻 σ(𝒚𝒊 −𝒚 ഥ)² 𝒗𝒂𝒓(𝒚)

𝑺𝑪𝑻 𝑺𝑪𝑬 𝑺𝑪𝑹 𝑺𝑪𝑹

 = + implique 1=R²+
𝑺𝑪𝑻𝑺𝑪𝑻 𝑺𝑪𝑻 𝑺𝑪𝑻
𝑺𝑪𝑹
 R²=1-
𝑺𝑪𝑻
R²=r² 𝟎 ≤R² ≤1
 Théorie économique ----→modélisation---
→collecte des informations---→estimation---
→test (inférences statistiques) soit accepter le
modèle ou le rejeter
 Si le modèle est accepté on va faire des
prédictions
 Sinon on revient soit à la théorie ou au modèle

 Test de student ou test individuel:

෡
𝛽−𝛽
෡=
 𝑡𝛽 sous les hypothèses
𝜎𝛽
෡
 ෡
𝛽
 Sous H0 vraie 𝑡𝛽෡ =
𝜎𝛽
෡

 Si 𝑡𝛽෡ >𝑡𝑙𝑢 on rejette H0

𝛽 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑞𝑢𝑒𝑚𝑒𝑛𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 𝑛𝑜𝑛 𝑛𝑢𝑙
 Si 𝑡𝛽෡ <𝑡𝑙𝑢 on accepte H0 donc
𝛽 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑞𝑢𝑒𝑚𝑒𝑛𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 𝑛𝑜𝑛 𝑛𝑢𝑙
𝜶
ෝ −𝜶
 𝑡𝜶ෝ = sous les hypothèses
𝜎ෝ𝜶
𝐻0 : 𝜶 = 0 𝑙′ℎ𝑦𝑝𝑜𝑡ℎè𝑠𝑒 𝑛𝑢𝑙𝑙𝑒
ቊ
𝐻1 : 𝜶 ≠ 0 𝑙′ ℎ𝑦𝑝𝑜𝑡ℎè𝑠𝑒 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑒
𝜶
ෝ
 Sous H0 vraie 𝑡𝜶ෝ =
𝜎ෝ𝜶
 𝑡𝜶ෝ >𝑡𝑙𝑢 on rejetteH0
𝜶𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑞𝑢𝑒𝑚𝑒𝑛𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 𝑛𝑜𝑛 𝑛𝑢𝑙
 Si 𝑡𝜶ෝ <𝑡𝑙𝑢 on ne rejette pas H0
𝜶 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑞𝑢𝑒𝑚𝑒𝑛𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 𝑛𝑜𝑛 𝑛𝑢𝑙
 F statistique = Test de Fisher

= = =

=t²
EXERCICE
 La masse monétaire et le produit intérieur brut
d’un pays 2010 et 2019 (en millions d’unité
monétaire) sont reproduits dans le tableau ci-
dessous :

Année 1 2 3 4 5 6 7 8 9 10
Masse Monétaire 2 2,5 3,2 3,6 3,3 4 4,2 4,6 4,8 5
PNB 5 5,5 6 7 7,7 7,7 8,4 9 9,7 10
 Etablir une relation linéaire dans laquelle la masse
monétaire explique le produit national brut
(PNB).pnb=amm+b+ui on pose y=pnb et x=mm y=ax+b+ui
 Calculer le coefficient de corrélation linéaire de la masse
monétaire et le PNB.
 Calculer l’équation de la droite de régression linéaire.
 Calculer la variance estimée de la régression
 Calculer le coefficient de détermination
 Calculer le F statistique
 Tester individuellement et conjointement les paramètres de
l’équation de la régression
 Si, en tant que ministre des finances de ce pays, vous
souhaitez que le PNB soit de 12,00 en 2020 à combien
fixeriez-vous la masse monétaire.
 On donne : F(1,8)= 5,32 et t-critique= 2,26
La relation linéaire dans laquelle la masse monétaire explique le
produit intérieur national brut (PNB).
On pose la Masse Monétaire (MM) = X
Et le Produit Intérieur national Brut (PNB) = Y

𝑌 = 𝑎ො X + 𝑏
Année MM PNB 𝑋𝑡 𝑌𝑡 𝑋𝑡2 𝑌𝑡2
1 2 5 10 4 25
2 2, 5 5,5 13, 75 6, 25 30, 25
3 3, 2 6 19, 2 10, 24 36
4 3, 6 7 25, 2 12, 96 49
5 3,3 7,7 25, 41 10, 89 59, 29
6 4 7,7 30, 8 16 59, 29
7 4, 2 8,4 35, 28 17, 64 70, 56
8 4, 6 9 41, 4 21, 16 81
9 4, 8 9, 7 46, 56 23, 04 94, 09
10 5 10 50 25 100
Total 37,2 76 297,6 147, 18 604, 48
Moyenne 𝑋 = 3, 72
𝑌 = 7, 6
2-Le coefficient de corrélation r :
𝐶𝑜𝑣(𝑋,𝑌) 1,488
r= = = 0,96
𝜎𝑋 𝜎𝑌 0,9 378 ×1,6 395
σ 𝑋𝑡 𝑌𝑡 297,6
Avec : cov (x,y) = - 𝑋𝑌 = – (3, 72 × 7,6) = 1, 488
𝑛 10
σ 𝑋𝑡2 2 147,18
Et V(X) = - 𝑋 = – (3,72)2 = 0, 8 796
𝑛 10

Alors 𝜎𝑥 = 0, 8796 = 0, 9 378

σ 𝑌𝑡2 2 604,48
Et V(Y) = - 𝑌 = – (7,6)2 = 2, 688
𝑛 10

Alors 𝜎𝑥 = 2, 688 = 1, 6 395

3- L’équation de la droite de régression linéaire :

𝐶𝑜𝑣 (𝑋,𝑌) 1,488

𝑎ො = = = 1, 69
𝑉(𝑋) 0,8796

𝑏 = 𝑦 − 𝑎ො𝑥ҧ = 7, 6 − (1,69 × 3, 72) = 1, 31

Alors : 𝑌 = 1, 69 X + 1, 31

4- La variance estimée de la régression :

𝑆𝐶𝑅 1,76
𝜎ො𝜀2 = = = 0, 22
𝑛 −2 10−2

SCR = SCT – SCE

Avec : SCT = n × V(Y) = 10 × 2, 688 = 26, 88
ET SCE = 𝑎ො2 × n ×V(X) = 1,692 × 10 × 0, 8 796 = 25, 12
Alors SCR = 26, 88 – 25, 12 = 1, 76
ෝ𝜀2
𝜎 ෝ𝜀2
𝜎 0,22
V (𝑎ො) = = = = 0, 0 249
σ(𝑋𝑡 − 𝑋 )2 n ×V(X) 8,796

1 𝑋2 1 𝑋2 1 3,72 2
V(𝑏) = 𝜎ො𝜀2 ( + σ(𝑋𝑡 − 𝑋 )2
)= 𝜎ො𝜀2 ( + ) = 0, 22( + )
𝑛 𝑛 n ×V(X) 10 8,796

= 0, 3 676
 SCT=SCE+SCR
෢ ҧ σ 𝜀𝑖2 avec 𝜀𝑖Ƹ =𝑦𝑖 -𝑦ෝ𝑖
 σ(𝑦𝑖 − 𝑦)²=𝑎² σ(𝑥𝑖 − 𝑥)²+
1
 Var(y)= σ(𝑦𝑖 − 𝑦)²
𝑛
 σ(𝑦𝑖 − 𝑦)²=n*v(y)=SCT
 ෢ ҧ ෢
𝑎² σ(𝑥 − 𝑥)²=
𝑖 𝑎²*n*v(x)=SCE
 σ 𝜀𝑖2 = SCR
 R²=r²=(0,96)²
5- Le coefficient de détermination 𝑅 2 :
𝑆𝐶𝑅 1,76
𝑅 2 =1- =1- = 0, 93 = 93 %
𝑆𝐶𝑇 26,88

𝑆𝐶𝐸 25,12
𝑅2 = = = 0, 93 = 93 %
𝑆𝐶𝑇 26,88

6- F statistique :

𝑅2 0,93
F= 1−𝑅 2
= 0,07 = 106, 28
𝑛 −2 8

7-Teste individuel et conjointe des paramètres de l’équation de la régression :

Test individuel des paramètres :

a- H0 : a0 = 0 H1 : a0 ≠ 0

ො − a0
𝑎
t=
ෝ𝑎
avec 𝜎
ො𝑎ො = 0, 0249 = 0, 15
𝜎 ෝ

1,69 − 0
Alors t = = 11, 26
0,15

t = 11, 26 > t* = 2, 26

Alors on rejette H0, la pente est significativement différent à 0.

b- H0 : b0 = 0 H1 : b0 ≠ 0

𝑏 − b0
t=
ෝ𝑏
avec 𝜎
ො𝑏 = 0, 3 676 = 0, 6
𝜎 ෡

1,31 − 0
Alors t = = 2, 18
0,6

t = 2, 18 < t* = 2, 26

Alors on ne rejette pas H0, la constante est significativement égale à 0.

Test conjoint:

H0 : SCE = 0 H1 : SCE ≠ 0

Fc = (𝒕𝒄𝑎ො )2 = (11, 26)2

Fc = 126, 78

Fc = 126, 78 > F* = 5, 32

Donc le modèle est globalement significatif.

 20 la masse monétaire est : 6, 3 254 (en millions d’unité).
8-En 2011,

𝑌 = 𝑎ො X + 𝑏
𝑌 − 𝑏 = 𝑎ො X
𝑌−𝑏
𝑋=
𝑎ො
12−1,31
𝑋=
1,69

= 6, 3 254 (en millions d’unité).

SÉRIE DES EXERCICES
 1. La méthode des moindres carrés ordinaire est
basée sur un certain nombre d’hypothèses. On
vous demande de discuter la signification des
hypothèses suivantes :
 i) E[ui / xi]=0, quelque soit i = 1,…., N et N est
la taille de l’échantillon.
 ii) Var (ui / xi ) = σ2 quelque soit i = 1,…., N et N
est la taille de l’échantillon.
 iii) Cov (ui ; xi ) = 0 quelque soit i = 1,…., N et N
est la taille de l’échantillon.
 iv) Absence de colinéarité des variables
explicatives.
 Correction
i- La moyenne des résidus est nulle, on peut dire
que les résidus se compensent entre eux ;
ii-La variance des résidus est constante ; on parle
d’homoscédasticité ;
iii-Il n’ya pas de corrélation entre les résidus et la
variable explicative;
iv-Pas de liaison entre les variables explicatives.
2. Discutez des propriétés des estimateurs de la
méthode des moindres carrés ordinaires.
Correction
On discute ce qu’on appelle BLUE :
Best Linear unbiaised Estimator : meilleur
estimateur linéaire unbiaisé c.à.d
Un estimateur est linéaire et unbiaisé et efficient
α chapeau est linéaire ;
 α chapeau est non biaisé E(α chapeau)=α ;

 V(α chapeau) est efficient c.à.d V(α chapeau)<V(α

tield) où α tield est un autre estimateur de α
 3. Pour estimer l’utilité d’un individu (u) en
fonction de sa richesse (w), on retient le modèle
suivant :
 u = a . ebw a > 0 et 0 < b <1
 Expliquez brièvement les étapes à suivre pour
obtenir les estimations des coefficients « a » et
«b » par la méthode des moindres carrés
ordinaires.
 Correction
Correction
Il s’agit d’une fonction exponentielle ; pour appliquer la méthode des moindres carrés
ordinaires MCO, il faut linéariser cette fonction :
Ln(u)=ln(a)+bw
On note :
u’=a’+bw
Donc l’estimateur de
ഥ 𝒄𝒐𝒗(𝒙′;𝒘)
෡ ෡
a’=𝒂ෝ′= 𝒖′-𝒃𝒘ഥ donc 𝒃=
𝒗𝒂𝒓(𝒘)
Donc a= exp(
 4. Supposez que l’offre de crédit est lié au taux
d’intérêt par la relation suivante: y = a xb .
Expliquez brièvement, la procédure à suivre pour
obtenir les estimateurs de a et b par la méthode
des moindres carrés ordinaires.
 Correction

 Il s’agit d’une fonction puissance ; pour appliquer

la méthode des moindres carrés ordinaires MCO,
il faut linéariser cette fonction :
 Ln(y)=ln(a)+bln(x)

 On note :

 y’=a’+bx’ avec y’=ln(y) et x’=ln(x)

Donc l’estimateur de
ഥ ഥ 𝒄𝒐𝒗(𝒙′;𝒚′)
෡ ෡
a’=𝒂ෝ′= 𝒚′-𝒃𝒙′ donc 𝒃=
𝒗𝒂𝒓(𝒙′)
et 𝒂ෝ=exp(𝒂ෝ′)
 5. L’application de la méthode des moindres carrés
ordinaires sur des données collectées sur 11 mois relatives
à la quantité demandée (Y) d’un bien B et le prix (X) d’un
bien complément à ce bien a permis d’obtenir les résultats
suivants :

 ŵt = 7,774 – 0,253 ln xt avec wt = lnyt et R2 = 0,448

 i) Donnez une interprétation économique des résultats de
l’estimation.
 ii) Déterminez le F de Fisher et interprétez sa valeur ;
 ii) Que pensez vous de la significativité statistique de la
variable explicative ?
 iii) Si le prix du bien complément baisse de 4 %, quel serait
l’effet sur la demande du bien B ?
 iv) Si le prix du bien complément est de 50 dh, quelle serait
la quantité demandée du bien B ?
 Correction
i- w et x sont deux variables complémentaires;
𝑅²
𝑘−1 0,448
ii- on sait que F= (1−𝑅 2 )
= ∗ 9= >
0,552
𝑛 −𝑘
F=7,30434783=> Fcalculé>Flu donc le modèle est globalement
bon
iii- on sait aussi que t²n-2=F(k-1 ;n-k)=> t²=7,30434783
donc |t|=2,7026557>tlu=2,262 donc la pente est
statistiquement significativement non nul
i- si le prix du bien complément baisse de 4%, quel
serait l’effet sur la demande du bien B donc
ŵt = 7,774 – 0,253 ln (xt-4% xt)=
=7,774-0,253ln(xt(1-0,04))=>
ŵt=7,774-0,253ln xt-0,253ln(0,96)=7,774-
0,253lnxt-0,253*(-0,041)=

ŵt =7,774-0,253ln xt+0,01033=7,78433-
0,253lnxt=> augmentation

ii- Si le prix du bien complément est de 50 on aura :

ŵt = 7,774 – 0,253 ln (xt)
ŵt = 7,774 – 0,253 ln (50)= ŵt = 7,774 –
0,253*3,912=7,774-0,99=6,784
or ŵt=lny=>y=exp(w)=exp(6,784)=883,824
 6. Sur un échantillon de 190 individus, on a appliqué la méthode des moindres
carrés ordinaires pour estimer le modèle économétrique : yi = a0 + a1 xi +
ui .
 Les résultats obtenus sont:
ŷ i = - 4364,928 + â 1 x i ; σ̂e = 322,885 ; t â0 = -16,6141 ;Fc = 778,9623

 La moyenne des valeurs de la variable exogène est : 38,416 et leur écart-type
est : 3,447


 On vous demande de déterminer

𝑎ො0 𝑎ො −4364,928
 i) l’écart-type estimé de la constante ; 𝑡𝑎ො 0= -→𝜎𝑎0 = 0 =
𝜎𝑎0 𝑡𝑎ෝ 0 −16,6141
 ii) le t de Student de â1 et d’interprétez sa valeur; t²=F --→t= 𝐹= 778,9623=27
𝐹∗(𝑘−1) 778,9623
 iii) la valeur du coefficient de détermination; R²= = =0,80
𝐹∗ 𝑘−1 +𝑛−𝑘 778,9623+188
𝜎2 (322,885)²
 iv) l’écart-type estimé de â1 ; V(𝑎ො 1)=𝑛𝑣(𝑥) = 190∗(3,447)²
=
 v) la moyenne des valeurs de la variable endogène.

1 𝑥²ҧ
 V(𝑎ො 0)=𝜎 2 [𝑛+𝑛𝑣(𝑥)]= (322,885)²[1/190+(38,416)²/190*(3,447)²]=
Correction
i- Ecart-type estimé de la constante : on peut utiliser deux méthodes pour le calculer :
𝑎ො 𝑎ො −4364,928
On sait que tâ=𝜎 =>𝜎𝑎ො =tâ donc 𝜎𝑎ො = −16,6141 =262,72
𝑎ෝ
Ou encore on utilise la formule de la variance de l’estimateur de la constante :
² 𝑥ҧ 2
𝜎𝑎ො = σ̂e [1/n+𝑛𝑣(𝑥)
]
1/n 0,00526316
38,416² 1475,78906 moyenne² de x
Variance de
3,447² 11,881809 x
190*3,447² 2257,54371 n*variance
rapport 0,6537145 moyenne² de x/n*variance
0,65897766 1/n+Rapport
σ̂²e*(1/n+rapport) 68701,5333 262,109773
ecart type de la constante 262,109773
 i- le t de Student de â1 et d’interprétez sa valeur; on sait que t²=F= Fc = 778,9623
donc t=racine de F= 27,9098961>>tlu=1,96 donc la pente est statistiquement
significativement différent de zéro
ii- la valeur du coefficient de détermination=R²
𝑅²
𝑘 −1 𝐹(𝑘 −1)
F= (1−𝑅 2 ) => R²=
𝐹 (𝑘 −1 )+𝑁−𝑘
𝑛 −𝑘
AN
778 ,9623
R²=778 ,9623 +188 =0,8055767=80%

iii- calcul de l’écart-type estimé de â1

𝜎 ²𝑎
ෝ1
On sait que 𝜎²𝑎ො1 =𝑛𝑣𝑎𝑟 (𝑥𝑖 )
or 𝜎² est inconnue elle doit être estimée par
σ̂²e = (322,885)²= 104254,723

Sachant que l’écart type de la variable exogène 𝜎𝑥𝑖 =3,447 ce qui implique que
var(xi)= (3,447)²

Donc : n*var(xi)=190*(3,447)²= 2257,54371

104254 ,723
ො𝑎²ො1 =2257 ,45371 = 46,1824411
Donc 𝜎

D’où 𝜎
ො𝑎ො1 = 46,1824411=6,79576641

v)- Calcul de la moyenne des valeurs de la variable endogène :

𝑦.= - 4364,928 - â1 𝑥ҧ
𝑐𝑜𝑣 (𝑥 ;𝑦 )
Donc avant de calculer𝑦, il faut déterminer â1= 𝑣𝑎𝑟 (𝑥 ) ou encore

ෝ𝒂
â1=𝝈 ෝ 𝟏 *𝒕𝒂
ෝ 𝟏 =6,79576641*27,9098961=189,788
ഥ.= - 4364,928 – 189,788* 38,416
𝒚
ഥ = -4364,928-7290,89581=-2925,96781
𝒚
 7. Pour expliquer la demande du café Y, un chercheur
retient son prix réel X.
 Y = nombre moyen de tasses de café consommées par
individu par jour.
 X = prix réel = prix nominal / indice du prix à la
consommation.
 Les résultats obtenus sur 11ans, par la méthode des
moindres carrés ordinaires sont :

 ŷ t = 2,6911 + â1 xt R2 = 0,6628

 ∑ xt = 11,12 ; ∑ yt = 24,27; ∑ (et – et-1)2 = 0,108323

 ∑ (yt – ӯ)2 = 0,44205

 On vous demande:
 1) Interprétez la valeur de la constante et celle de R 2.
 2) Déterminez et interprétez la valeur de â1. La
variable explicative est-elle statistiquement
significative?
 3) Quelle est la part de la variabilité de la demande
du café non expliquée par le modèle ?
 4) Déterminez la variance de la variable exogène.
 5) Déterminez la covariance entre la variable
exogène et la variable endogène.
 6) Les erreurs sont-elles auto-corrélées au premier
degré ?
 8. On souhaite estimer la valeur d’une variable Y en
fonction de la valeur d’une variable X. On dispose de 20
couples de données (x i ; yi) et on sait que : x̅ = 4,53 et y̅ =
8,65 et que

 ∑ (xi – x̅)2 = 219,4; ∑ (yi – ӯ)2 = 44,8; ∑ (xi – x̅)(yi – ӯ) = 67,4

 On note: ŷi = â + b̂ xi : l’équation de la droite de

régression

 1) Déterminez les valeurs de â et b̂
 2) Déterminez R2 et F de Fisher et interprétez leurs
valeurs ;
 3) Discutez de la significativité statistique de la
variable explicative ;
 4) Déterminez l’écart-type estimé de b̂.
EX E R C IC E
On considère le modèle linéaire suivant ;
𝒀𝒕 = 𝜶 + 𝜷𝑿𝒕 + 𝜺𝒕

𝒙ഥ = 𝟗𝟕,𝟎𝟗𝟓𝟎 σ𝟐𝟎𝒊=𝟏(𝒙𝒕 − 𝒙ഥ)𝟐 = 𝟑𝟏𝟔𝟒,𝟗𝟒𝟗 σ𝟐𝟎𝒊=𝟏(𝒙𝒕 − 𝒙ഥ)(𝒚𝒕 − 𝒚ഥ) = 𝟐𝟎𝟑𝟓,𝟓𝟑𝟑

𝒚ഥ = 𝟗𝟕,𝟓𝟑𝟓𝟎 σ𝟐𝟎𝒊=𝟏(𝒚𝒕 − 𝒚ഥ)𝟐 = 𝟐𝟔𝟓𝟗,𝟐𝟒𝟓 σ𝟐𝟎𝒊=𝟏(𝒚𝒕 − 𝒚ෝ)𝟐 = 𝟏𝟑𝟓𝟎,𝟎𝟗𝟒

 Estimer la pente du modèle
 Estimer la constante du modèle
 Calculer le coefficient de corrélation linéaire entre X et Y,
Que peut-on conclure ?
 Donner l’équation de la droite de régression linéaire
estimée
 Calculer la SCR
 Donner l’estimation sans biais de la variance d’erreur
 Donner le coefficient de détermination et interpréter
 Calculer le F statistique
 Trouver le t-student de l’estimation de la pente et la
constante
 Tester la significativité de la pente du modèle et interpréter
 Tester la significativité globale du modèle. Que peut-on
conclure ?
 Trouver la valeur prévue de Y, si X est de 6 UM.
 On donne : t-critique = 2,26 et F(1,18)=5,21
 EXERCICE
 Soient respectivement les heures de travail et les
outputs pour 22 entreprises d’un même secteur
industriel. Leurs fonctions de production sont
censées être identiques et égales à :

σ(𝑋𝑡 − 𝑋) (𝑌𝑡 − 𝑌) = 30, σ(𝑋𝑡 − 𝑋)2 = 60, σ(𝑌𝑡 − 𝑌)2 = 100, 𝑌 = 20 et 𝑋 = 10

1. Afin de pouvoir utiliser MCO, transformer le modèle sous forme linéaire.
2. Calculer 𝛼ො l’estimation par MCO de 𝛼
3. Calculer 𝛽መ l’estimation par MCO de 𝛽
4. Calculer l’estimation sans biais de la variance d’erreur
5. Calculer les variances des estimateurs
6. Tester la significativité de la pente au seuil de 𝛼 =5%
7. Tester au seuil de 𝛼 =5% que l’élasticité de la production au travail est unitaire, interpréter
le résultat.
8. Tester la significativité de la constante au seuil 𝛼 =5%
9. On suppose qu’un entrepreneur décide de lancer une nouvelle entreprise dans ce secteur, il
prévoit d’utiliser 30 unités d’input.
9.1.Calculer la prévision ponctuelle de la production
9.2.Donner une estimation à 95% de son intervalle de confiance, commenter brièvement

On donne : t critique = 2,086

Exercice1
1-1 Qu’est-ce qu’un estimateur BLUE ?
1-2 Soit le modèle suivant : yi=αxi+β+ui

En utilisant la méthode des moindres carrées ordinaires

1-Donner les estimateurs de α, β et σ2
2- et la variance des estimateurs de α et β.
 1-1Un estimateur est dit BLUE lorsqu’il remplit trois conditions :
a-il doit être linéaire des observation ;
b-il doit être unbiaisé ;
c- et il doit être effecient.
1-2 les estimateurs de α, β , et de σ²
Soit le modèle suivant :
Yt= α+βXt+Ut
En utilisant la méthode des moindres carrés on aura :

𝛼ො=𝑦ഥ-𝛽መ𝑥ҧ
𝑐𝑜𝑣(𝑦𝑡 ;𝑥𝑡)
𝛽መ= 𝑣𝑎𝑟 (𝑥𝑡) et

෢ σ 𝜖𝑡²
𝜎²= 𝑛−2 avec n : la taille de l’échantillon et epsilon c’est l’écart entre yt observé et yt estimé