Académique Documents
Professionnel Documents
Culture Documents
Econométrie
HISTORIQUE DE L’ECONOMETRIE ............................................................................................................................... 3
SECTION 1 – DES ORIGINES DE L’ECONOMETRIE A L’AGE D’OR DE LA MODELISATION MACRO ECONOMETRIQUE....................................... 3
1 – Les premières études empiriques entre le 17ème et le 18ème siècle ........................................................................ 3
2 – Les études au 19ème siècle ..................................................................................................................................... 3
3 – Les précurseurs économétrique moderne ............................................................................................................. 4
4 – Conception des cycles à l’aube de l’économétrie moderne ................................................................................... 4
5 – De la création de la société d’économétrie à la fondation de la Cowles Commission : Naissance de
l’économétrie en tant que discipline ........................................................................................................................... 4
6 – Développement du modèle a équation simultanée .............................................................................................. 4
7 – L’âge d’or de la modélisation macro économétrique et l’essor du modèle dynamique ........................................ 4
SECTION 2 – LA CRISE DE LA MODELISATION MACRO ECONOMETRIQUE AU DEVELOPPEMENT RECENT DE L’ECONOMETRIE ......................... 5
1 – Les années 1970 et la fin de l’âge d’or de la modélisation macro économétrique selon la traduction de la
Cowles Commission..................................................................................................................................................... 5
2 – Econométrie des séries temporelles depuis les années 1980 ................................................................................ 5
CHAPITRE 1 – LE MODELE LINEAIRE SIMPLE A DEUX ET A 𝒌 VARIABLES ...................................................................... 6
SECTION 1 – LES HYPOTHESE DU MODELE LINEAIRE SIMPLE A 2 VARIABLES ...................................................................................... 7
SECTION 2 – LES ESTIMATEURS DES 𝑀𝐶𝑂 – MOINDRE CARRES ORDINAIRE .................................................................................... 7
SECTION 3 – LES PROPRIETES DES 𝑀𝐶𝑂 ................................................................................................................................ 10
1 – Les estimateurs des 𝑴𝑪𝑶 sont des fonctions linéaires des 𝒀𝒕 de 𝒀 ................................................................... 10
2 - 𝜶 et 𝜷 sont des estimateurs sans biais ................................................................................................................ 11
3 - 𝜶 et 𝜷 sont des estimateurs à variance minimale de 𝜶 et 𝜷 ............................................................................... 12
4 - 𝜶 et 𝜷 sont des estimateurs convergents ............................................................................................................ 17
5 – Détermination d’un estimateur sans biais de 𝝈𝜺𝟐.............................................................................................. 17
6 – Les estimateurs des moindres carrés 𝜶 et 𝜷 de 𝜶 et 𝜷 correspondant au maximum de vraisemblance ............ 19
SECTION 4 – LOI DES ESTIMATEURS, INTERVALLE DE CONFIANCE ET TESTS D’HYPOTHESES DES PARAMETRES DU MODELE......................... 22
1 – Estimation par intervalle de confiance................................................................................................................ 22
A – Intervalle de confiance de 𝛽 ...............................................................................................................................................22
B – Intervalle de confiance de 𝛼 ...............................................................................................................................................23
C – Intervalle de confiance de 𝜎𝜀2 ...........................................................................................................................................24
2 – Test d’hypothèse ................................................................................................................................................. 25
A – Le test 1 d’hypothèse sur 𝛽 ................................................................................................................................................25
B – Le test 2 d’hypothèse sur 𝛽 ................................................................................................................................................25
C – Le test 1 d’hypothèse sur 𝛼 ................................................................................................................................................26
D – Les test 2 d’hypothèse sur 𝛼 ..............................................................................................................................................27
E – Le test d’hypothèse sur 𝜎𝜀2 ...............................................................................................................................................27
3 – Etude de la corrélation ........................................................................................................................................ 28
A – Propriétés de la corrélation ................................................................................................................................................28
B – Calcul de la corrélation .......................................................................................................................................................28
4 – Analyse de la variance......................................................................................................................................... 28
A – Calcul de l’analyse ..............................................................................................................................................................28
B – Tableau d’analyse de la variance ........................................................................................................................................29
5 – Le coefficient de détermination .......................................................................................................................... 30
A – Le calcul du coefficient .......................................................................................................................................................30
B – Le test du coefficient de corrélation ...................................................................................................................................30
C – Le test du coefficient de détermination .............................................................................................................................31
SECTION 5 – UTILISATION DU MODELE LINEAIRE DE REGRESSION EN PREVISION .............................................................................. 32
1 – Intervalle de confiance de la valeur moyenne de 𝒀, en connaissant une valeur de 𝑿 ........................................ 32
A – Détermination de la loi Normale ........................................................................................................................................32
B – Intervalle de confiance .......................................................................................................................................................33
2 – Test d’hypothèse sur la valeur moyenne ............................................................................................................. 34
A – 𝑌0 doit être de variance minimal .......................................................................................................................................34
SECTION 6 – LE MODELE LINEAIRE A PLUSIEURS VARIABLES EXPLICATIVES ...................................................................................... 37
Page 1 sur 50
Econométrie [Tapez ici] L3 Economie
Page 2 sur 50
Econométrie [Tapez ici] L3 Economie
Historique de l’économétrie
L’économétrie a été mis à l’honneur avec plusieurs prix Nobel d’économétrie, mais la discipline à débuter bien avant
durant le 17ème siècle. La liste des prix Nobel est la suivante :
- 1980 : premier Nobel pour de l’économétrie à Klein qui est à l’origine du 1er modèle macroéconomique et leur
application à l’analyse des fluctuations économique
- 1989 : Trygve Haavelmo est considéré comme le père de l’économétrie moderne, il a introduit l’approche
probabiliste et le modèle à équation simultanée
- 2000 : James Heckman et Daniel MacFadden pour leurs travaux sur la théorie et les méthodes d’analyses
d’échantillons sélectifs et sur le développement de l’analyse des choix discrets (sans série temporelle)
- 2003 : Robert Engle et Cleve Granger pour leurs travaux sur la volatilité des séries temporelles et sur la théorie
de la co-intégration
Selon Ragnar Frisch, la définition de l’économétrie est qu’elle représente une unification de la théorie économique, des
mathématiques et des statistiques. Elle n’est pas assimilable uniquement à une discipline mais à toute. On a donc une
conjonction des 3 afin d’interpréter au mieux des résultats.
On a une apparition d’institut de conjoncture dès 1920 avec la généralisation de ce mouvement. Ainsi est créé le NBER
(National Bureau of Economics Research) qui est un organisme voué à la recherche économique empirique.
Au début du 20ème siècle, on a une nouvelle dimension de l’analyse économique car, certains économistes, ingénieurs,
statisticiens et hommes d’affaires contribuent à l’imbrication de l’économie, des mathématiques et de la statistique, ce
qui donne naissance à l’économétrie.
Page 4 sur 50
Econométrie [Tapez ici] L3 Economie
Page 5 sur 50
Econométrie [Tapez ici] L3 Economie
On peut aussi montrer, économétriquement, la fonction de vie d’un produit qui a une croissance exponentielle en début
de vie, puis le produit devient de moins en moins intéressant et connait une croissance logarithmique.
𝑌0
𝑌𝑡 =
1 + 𝛽𝑋𝑡
𝑌𝑡 1
=
𝑌0 1 + 𝛽𝑋𝑡
𝑌0
= 1 + 𝛽𝑋 𝑡
𝑌𝑡
𝑌0
− 1 = 𝛽𝑋 𝑡
𝑌𝑡
𝑌0
ln ( − 1) = ln 𝛽 + 𝑡 ln 𝑋
𝑌𝑡
𝑌0
𝑂𝑛 𝑛𝑜𝑡𝑒 𝑌1 = ln ( − 1) ; 𝛽1 = ln 𝛽 ; 𝑋1 = ln 𝑋
𝑌𝑡
𝑌1 = 𝛽1 + 𝑡𝑋1
Toutefois, en économie, certaines relations sont non-exacts. En effet, une variable explicative peut ne pas expliquer
totalement la variable expliquée. C’est le cas du revenu 𝑌 qui n’explique la consommation 𝐶 mais pas dans sa totalité.
On rajoute donc un terme qui permet de combler cette relation inexacte pour la transformer en relation exacte. Ce
terme est nommé aléa ou résidu ou erreur et ce terme est aléatoire, il représente et permet de synthétisé l’ensemble
des influences sur 𝑌 qui 𝑋 ne peut expliquer.
Cet aléa va posséder des propriétés remarquables. On suppose que cette variable comporte et rassemble un nombre
important et indépendant de fluctuation sans qu’aucune d’entre elle ne soit importante vis-à-vis des autres. Il n’y a donc
pas de domination pour une seule fluctuation.
Page 6 sur 50
Econométrie [Tapez ici] L3 Economie
Dans ce cours, on se place dans une série de modèle chronologique avec 𝜀𝑡 qui est une variable explicative aléatoire qui
donne place à l’erreur ou l’aléa avec une absence de relation exact qui donne lieu à un intervalle de confiance.
En ce sens, notre problème est d’estimer 𝛼 et 𝛽 du modèle en connaissant les observations des variables explicatives 𝑋
et de la variable expliquée 𝑌.
Lorsque l’on va estimé 𝛼, on le notera 𝛼̂ et lorsque l’on va estimé 𝛽, on le notera 𝛽̂ . On a donc la relation suivante :
𝑌̂ = 𝛼̂ + 𝛽̂ 𝑋𝑡
Il est bon de noter que 𝑌 ≠ 𝑌̂, mais si la relation linéaire est bonne, on a 𝑌 ≃ 𝑌̂.
Ainsi, on va chercher 𝑌 − 𝑌̂ = 𝑒𝑡 ≠ 𝜀𝑡
Page 7 sur 50
Econométrie [Tapez ici] L3 Economie
On cherche ainsi :
2 2
min ∑ 𝑒𝑡2 = min ∑(𝑌𝑡 − 𝑌̂𝑡 ) = min ∑(𝑌𝑡 − 𝛼̂ − 𝛽̂ 𝑋𝑡 ) = min 𝜙( 𝛼̂, 𝛽̂ )
𝑡 𝑡 𝑡
On va donc dériver pour avoir le minimum :
𝛾𝜙(𝛼̂, 𝛽̂ )
=0
𝛾𝛼̂
𝛾𝜙(𝛼̂, 𝛽̂ )
=0
{ 𝛾𝛽̂
𝛾𝜙(𝛼̂, 𝛽̂ )
= −2 ∑(𝑌𝑡 − 𝛼̂ − 𝛽̂ 𝑋𝑡 ) = 0
𝛾𝛼̂
𝑡
⇔ −2 ∑(𝑌𝑡 − (𝑌̅ − 𝛽̂ 𝑋𝑡 ) − 𝛽̂ 𝑋𝑡 ) 𝑋𝑡 = 0
𝑡
Ainsi, on a :
𝛾 ′ 𝜙(𝛼̂, 𝛽̂ )
=2
𝛾𝛼̂
𝛾 ′ 𝜙(𝛼̂, 𝛽̂ )
= 2 ∑ 𝑋𝑡2
𝛾𝛽̂
{ 𝑡
On a donc bien nos deux dérivés secondes qui sont positive, et en ce sens, les valeurs trouvés pour nos estimateurs sont
bien les minimums au sens de la méthode des Moindres Carrés Ordinaire.
On peut donc dire que :
2 2
min ∑ 𝑒𝑡2 = min ∑(𝑌𝑡 − 𝑌̂𝑡 ) = min ∑(𝑌𝑡 − 𝛼̂ − 𝛽̂ 𝑋𝑡 )
𝑡 𝑡 𝑡
2
𝐶𝑜𝑣(𝑋, 𝑌)
= min ∑ (𝑌𝑡 − (𝑌̅ − 𝛽̂ 𝑋𝑡 ) − ( ) 𝑋𝑡 )
𝑉𝑎𝑟(𝑋)
𝑡
⇔ 𝑦̂ = −𝑌̅ + 𝛼 ̂ 𝑥𝑡 + 𝛽
̂+𝛽 ̂𝑋̅
̂𝑋
⇔ 𝑦̂ = −𝑌̅ + (𝑌̅ − 𝛽 ̂ 𝑥𝑡 + 𝛽
̅) + 𝛽 ̂𝑋̅ 𝑐𝑎𝑟 𝛼 ̂𝑋
̂ = (𝑌̅ − 𝛽 ̅)
̂ 𝑥𝑡
⇔ 𝑦̂ = 𝛽
⇔ ∑ 𝑥𝑡 𝑦𝑡 = 𝛽̂ ∑ 𝑥𝑡2
𝑡 𝑡
∑𝒕 𝒙𝒕 𝒚𝒕
⇔ ̂=
𝜷
∑𝒕 𝒙𝟐𝒕
On a donc pour les valeurs centrées d’ordre 1 :
𝜶 ̅−𝜷
̂=𝒀 ̂𝑿̅
{ ̂ ∑𝒕 𝒙 𝒕 𝒚 𝒕
𝜷=
∑𝒕 𝒙𝟐𝒕
Page 9 sur 50
Econométrie [Tapez ici] L3 Economie
En ce sens, on a :
1
𝛼̂ = 𝑌̅ − 𝛽̂ 𝑋̅ = ∑ 𝑌𝑡 − 𝑋̅ ∑ 𝑤𝑡 𝑌𝑡
𝑛
𝑡 𝑡
𝟏
̅ 𝒘𝒕 ) 𝒀𝒕
= ∑( − 𝑿
𝒏
𝒕
Comme 𝛼̂ = 𝑓(𝑌𝑡 ) alors 𝛼̂ et 𝛽̂ sont des fonction de variables aléatoires et obéissent donc à une loi Normale. Et comme
ils obéissent à une loi Normale, alors on peut faire des intervalles de confiance.
Page 10 sur 50
Econométrie [Tapez ici] L3 Economie
𝛽̂ = ∑ 𝑤𝑡 𝑌𝑡 𝑎𝑣𝑒𝑐 𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡
𝑡=1
Ainsi, selon les propriétés précédentes :
𝑛 𝑛
𝐸[𝛽̂ ] = 𝐸 [∑ 𝑤𝑡 𝑌𝑡 ] = 𝐸 [∑ 𝑤𝑡 (𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡 )]
𝑡=1 𝑡=1
𝑛 𝑛 𝑛
= 𝐸 [𝛼 ∑ 𝑤𝑡 + 𝛽 ∑ 𝑤𝑡 𝑋𝑡 + ∑ 𝑤𝑡 𝜀𝑡 ]
𝑡=1 𝑡=1 𝑡=1
𝑛
= 𝐸 [0 + 𝛽 × 1 + ∑ 𝑤𝑡 𝜀𝑡 ]
𝑡=1
On en déduit que :
𝒏
̂ = 𝜷 + ∑ 𝒘𝒕 𝜺𝒕
𝜷
𝒕=𝟏
𝐸[𝛽̂ ] = 𝛽 + 𝐸 [∑ 𝑤𝑡 𝜀𝑡 ] = 𝛽 + ∑ 𝑤𝑡 × 𝐸[𝜀𝑡 ]
𝑡=1 𝑡=1
̂] = 𝜷
⇔ 𝑬[𝜷
Ainsi, l’espérance de notre estimateur de 𝛽 est égal à 𝛽 lui-même, notre estimateur est donc bien sans biais.
Maintenant, il faut faire de même pour l’autre estimateur :
𝑛
1
̅ 𝑤𝑡 ) 𝑌𝑡
𝛼̂ = ∑ ( − 𝑋
𝑛
𝑡=1
Page 11 sur 50
Econométrie [Tapez ici] L3 Economie
Ainsi, notre deuxième estimateur est aussi sans biais car son espérance est égale à elle-même.
Pour résumer, on a :
𝐸[𝛼
̂] = 𝛼
{ ̂] = 𝛽
𝐸[𝛽
𝐸[𝛽̂ ] = 𝛽 𝑒𝑡 𝛽̂ = 𝛽 + ∑(𝑤𝑡 𝜀𝑡 )
𝑡=1
Pour revenir et simplifier, on peut faire :
𝑛 2
2
𝑉[𝛽̂ ] = 𝐸 [𝛽̂ − 𝐸[𝛽̂ ]] = 𝐸 [(𝛽 + ∑(𝑤𝑡 𝜀𝑡 )) − (𝛽)]
𝑡=1
𝑛 2
= 𝐸 [∑(𝑤𝑡 𝜀𝑡 )]
𝑡=1
𝑛 𝑛 𝑛
Nous avons ici, l’hypothèse d’homoscédasticité et l’hypothèse de non autocorrélation, on sait que :
𝐸[𝜀𝑡 ] = 𝜎𝜀2 𝑒𝑡 𝐸[(𝜀𝑡 𝜀𝑡′ )] = 0
Cela revient à avoir :
𝑛
Page 12 sur 50
Econométrie [Tapez ici] L3 Economie
Maintenant, après la variance de l’estimateur de 𝛽, il faut faire de même pour calculer la variance de 𝛼 qui est :
2
𝑉[𝛼̂] = 𝐸[𝛼̂ − 𝐸[𝛼̂]]
Or, on a selon les calculs précédents :
𝑛
1
𝐸[𝛼̂] = 𝛼 𝑒𝑡 𝛼̂ = 𝛼 + ∑ ( − 𝑋̅𝑤𝑡 ) 𝜀𝑡
𝑛
𝑡=1
∑𝒏 (𝑿𝟐𝒕 )
̂ ] = 𝝈𝟐𝜺 [ 𝒕=𝟏
⇔ 𝑽[𝜶 ]
𝒏 ∑𝒏𝒕=𝟏(𝒙𝒕 )
Pour résumer on a donc les variances de nos estimateurs 𝛼 et 𝛽. Ce qui nous donne :
𝟏
̂ ] = 𝝈𝟐𝜺 ×
⇔ 𝑽[𝜷
∑𝒏𝒕=𝟏(𝒙𝟐𝒕 )
∑𝒏𝒕=𝟏(𝑿𝟐𝒕 )
̂ ] = 𝝈𝟐𝜺 [
⇔ 𝑽[𝜶 ]
𝒏 ∑𝒏𝒕=𝟏(𝒙𝒕 )
Maintenant que l’on connait nos variances, on peut définir la covariance des deux :
𝐶𝑜𝑣(𝛼̂; 𝛽̂ ) = 𝐸[(𝛼̂ − 𝛼)(𝛽̂ − 𝛽)]
Or, on sait par les propriétés précédentes que :
𝑛
1 ̅
𝛼
̂ −𝛼 = ∑( −𝑋 𝑤𝑡 ) 𝜀 𝑡
𝑛
𝑡=1
𝑛
̂ − 𝛽 = ∑(𝑤𝑡 𝜀𝑡 )
𝛽
{ 𝑡=1
Ainsi :
𝑛 𝑛
1
⇔ 𝐶𝑜𝑣(𝛼̂; 𝛽̂ ) = 𝐸 [∑ ∑ (( − 𝑋̅𝑤𝑡 ) 𝜀𝑡 × 𝑤𝑡 ′ 𝜀𝑡 ′ )]
′
𝑛
𝑡=1 𝑡 =1
𝑛 𝑛
1
̅ 𝑤𝑡 ) 𝑤 ′ ) 𝐸[𝜀𝑡 , 𝜀 ′ ]
= ∑ ∑ (( − 𝑋 𝑡 𝑛 𝑡
𝑡=1 𝑡′ =1
Or :
𝐸[𝜀𝑡 , 𝜀𝑡′ ] = 0 ∀𝑡 ≠ 𝑡′
{
𝐸[𝜀𝑡, 𝜀𝑡′ ] = 𝜎2𝜀 ∀𝑡 = 𝑡′
On a donc pour le premier cas l’hypothèse de non autocorrélation, et dans le deuxième cas l’hypothèse
d’homoscédasticité. Pour poursuivre, on garde notre hypothèse où ∀𝑡 = 𝑡 ′ . Donc :
𝑛
1
⇔ 𝐶𝑜𝑣(𝛼̂; 𝛽̂ ) = ∑ (( − 𝑋̅𝑤𝑡 ) 𝑤𝑡 ) 𝐸[𝜀𝑡2 ]
′
𝑛
𝑡 =1
𝑛 𝑛
1
= 𝜎𝜀2 ∑(𝑤𝑡 ) − 𝑋̅ ∑(𝑤𝑡2 )
𝑛⏟
𝑡=1 𝑡=1
[ =0 ]
𝑛
1
= 𝜎𝜀2 [ × 0 − 𝑋̅ ∑(𝑤𝑡2 )]
𝑛
𝑡=1
𝑋̅
= −𝜎𝜀2 ×
∑𝑛𝑡=1(𝑥𝑡2 )
Pour résumer, on a :
̅
𝑿
̂ ) = 𝝈𝟐𝜺 ×
̂; 𝜷
𝑪𝒐𝒗(𝜶
∑𝒏𝒕=𝟏(𝒙𝟐𝒕 )
Page 14 sur 50
Econométrie [Tapez ici] L3 Economie
On va maintenant démontrer que ces estimateurs sont à variance minimale. Pour cela, on considère un estimateur
linéaire quelconque que l’on note 𝛽̃ de 𝛽 par rapport à 𝑌, tel que :
𝑛
𝛽̃ = ∑ 𝑐𝑡 𝑌𝑡
𝑡=1
𝛽̃ = ∑ 𝑐𝑡 𝑌𝑡 = ∑ 𝑐𝑡 (𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡 )
𝑡=1 𝑡=1
Ainsi :
𝑛 𝑛 𝑛
𝐸[𝛽̃ ] = 𝛼 ∑ 𝑐𝑡 + 𝛽 ∑ 𝑐𝑡 𝑋𝑡 + ∑(𝑐𝑡 ) ⏟
𝐸[𝜀𝑡 ]
𝑡=1 𝑡=1 𝑡=1 =0
On a donc :
𝑛
∑ 𝑐𝑡 = 0 𝑝𝑜𝑢𝑟 𝑎𝑣𝑜𝑖𝑟 𝛼 = 0
𝑡=1
𝑛
∑ 𝑐𝑡 𝑋𝑡 = 1 𝑝𝑜𝑢𝑟 𝑎𝑣𝑜𝑖𝑟 β = 0
{ 𝑡=1
On en déduit que :
𝑛
𝛽̃ = 𝛽 + ∑ 𝑐𝑡 𝑋𝑡
𝑡=1
Et que :
2
𝑉[𝛽̃ ] = 𝐸 [𝛽̃ − 𝐸[𝛽̃ ]]
̃ − 𝛽 ]2
= 𝐸[𝛽
𝑛 2 𝑛
= 𝐸 [∑ 𝑐𝑡 𝑋𝑡 ] } 𝑐𝑎𝑟 𝛽̃ = 𝛽 + ∑ 𝑐𝑡 𝑋𝑡
𝑡=1 𝑡=1
𝑛 𝑛 𝑛
On a donc :
𝒏
̃] =
⇔ 𝑽[𝜷 𝝈𝟐𝜺 ∑(𝒄𝟐𝒕 )
𝒕=𝟏
Mais comme on ne peut pas agir sur 𝜎𝜀2 qui est le paramètre du modèle, 𝑉[𝛽̃ ] sera minimale si ∑𝑛𝑡=1(𝑐𝑡2 ) est minimale.
On a donc maintenant un problème de minimisation sous contrainte.
On cherche donc :
𝑛
𝑛 ∑ 𝑐𝑡 = 0
𝑡=1
min ∑(𝑐𝑡2 ) = 0 𝑠𝑎𝑐ℎ𝑎𝑛𝑡 𝑞𝑢𝑒 𝑛
𝑡=1
∑ 𝑐𝑡 𝑋𝑡 = 1
{ 𝑡=1
Page 15 sur 50
Econométrie [Tapez ici] L3 Economie
𝛿𝜙 𝛿𝜙 𝛿𝜙
⇔ =0 =0 =0
𝛿𝑐𝑡 𝛿𝜆 𝛿𝜇
Pour comprendre sur la dérivée du Lagrangien :
⇔ 𝜙 = 𝜎𝜀2 (𝑐21 + 𝑐22 + ⋯ + 𝑐2𝑛 ) − 𝜆(𝑐1 + 𝑐2 + ⋯ + 𝑐𝑛 ) − 𝜇(𝑥1 𝑋1 + 𝑐2 𝑋2 + ⋯ + 𝑐𝑛 𝑋𝑛 − 1)
𝛿𝜙
= 2𝜎2𝜀 𝑐1 − 𝛼 − 𝜇𝑋1
𝛿𝑐1
𝛿𝜙
= 2𝜎2𝜀 𝑐2 − 𝛼 − 𝜇𝑋2
𝛿𝑐2
⋮
𝛿𝜙
= 2𝜎2𝜀 𝑐𝑡 − 𝛼 − 𝜇𝑋𝑡
{ 𝛿𝑐𝑡
On a donc :
𝛿𝜙 𝜆 + 𝜇𝑋𝑡
= 0 ⇔ 2𝜎2𝜀 𝑐𝑡 − 𝛼 − 𝜇𝑋𝑡 = 0 ⇔ 𝑐𝑡 =
𝛿𝑐𝑡 2𝜎2𝜀
𝑛 𝑛
𝛿𝜙
=0 ⇔ − ∑ 𝑐𝑡 = 0 ⇔ ∑ 𝑐𝑡 = 0
𝛿𝜆
𝑡=1 𝑡=1
𝑛 𝑛
𝛿𝜙
= 0 ⇔ − ∑ 𝑐𝑡 𝑋𝑡 − 1 = 0 ⇔ ∑ 𝑐𝑡 𝑋𝑡 = 1
{ 𝛿𝜇 𝑡=1 𝑡=1
Ainsi, on a :
𝑛 𝑛 𝑛
𝜆 + 𝜇𝑋𝑡
∑ 𝑐𝑡 = ∑ = 𝑛𝜆 + 𝜇 ∑ 𝑋𝑡 = 0
𝑡=1 𝑡=1
2𝜎2𝜀 𝑡=1
Alors :
𝜇 ∑𝑛𝑡=1 𝑋𝑡
⇔𝜆=− ̅
= −𝜇𝑋
𝑛
Et comme :
𝜆 + 𝜇𝑋𝑡 −𝜇𝑋̅ + 𝜇𝑋𝑡 𝜇(𝑋𝑡 − 𝑋̅ ) 𝜇. (𝑥𝑡 )
𝑐𝑡 = = −𝑐𝑡 = = =
2𝜎𝜀2 2𝜎𝜀2 2𝜎𝜀2 2𝜎𝜀2
∑ 𝑥𝑡 𝑋𝑡 = ∑ 𝑥𝑡2
𝑡=1 𝑡=1
Page 16 sur 50
Econométrie [Tapez ici] L3 Economie
On en déduit que :
2𝜎𝜀2 𝜇𝑥𝑡 𝑥𝑡
𝜆 = −𝜇𝑋̅ 𝜇= 𝑐𝑡 = = 𝑛
∑𝑛𝑡=1 𝑥𝑡2 2
2𝜎𝜀 ∑𝑡=1 𝑥𝑡2
Or :
𝒙𝒕 𝒙𝒕
𝒄𝒕 = 𝒏 𝒘𝒕 = 𝒏
∑𝒕=𝟏 𝒙𝟐𝒕 ∑𝒕=𝟏 𝒙𝟐𝒕
⇔ 𝒄𝒕 = 𝒘𝒕
En ce sens, on peut calculer la somme des carrés des écarts résiduels à la droite de régression
𝑛 𝑛
2
∑ 𝑒𝑡2 = ∑(𝑦𝑡 − 𝛽̂ 𝑥𝑡 )
𝑡=1 𝑡=1
𝑛 𝑛 𝑛 𝑛
2
⇔ ∑ 𝑒𝑡2 = (𝛽̂ − 𝛽) ∑ 𝑥𝑡2 + ∑(𝜀𝑡 − 𝜀̅ )2 − 2(𝛽̂ − 𝛽) ∑ 𝑥𝑡 (𝜀𝑡 − 𝜀̅)
𝑡=1 𝑡=1 𝑡=1 𝑡=1
Donc :
𝑛 𝑛 𝑛 𝑛
2
⇔ 𝐸 [∑ 𝑒𝑡2 ] = 𝐸 [(𝛽̂ − 𝛽) ∑ 𝑥𝑡2 ] + 𝐸 [∑(𝜀𝑡 − 𝜀̅)2 ] + 𝐸 [−2(𝛽̂ − 𝛽) ∑ 𝑥𝑡 (𝜀𝑡 − 𝜀̅)]
𝑡=1 𝑡=1 𝑡=1 𝑡=1
Page 17 sur 50
Econométrie [Tapez ici] L3 Economie
Pour faciliter le calcul de cette espérance de la somme des carrés des écarts résiduels, on va calculer séparément les 3
espérances de l’expression.
On a le premier élément :
𝑛 𝑛
2 2
𝐸 [(𝛽̂ − 𝛽) ∑ 𝑥𝑡2 ] = ∑ 𝑥𝑡2 𝐸[(𝛽̂ − 𝛽)]
𝑡=1 𝑡=1
𝑛 𝑛
𝜎𝜀2
= ∑(𝑥𝑡2 ) × 𝑉[𝛽̂ ] = ∑(𝑥𝑡2 ) × = 𝝈𝟐𝜺
∑𝑛𝑡=1(𝑥𝑡2 )
𝑡=1 𝑡=1
𝑛 𝑛 𝑛
= 𝐸 [(𝛽̂ − 𝛽) ∑(𝑥𝑡 𝜀𝑡 )]
𝑡=1
Mais, on sait déjà que :
𝑛 𝑛
∑𝑛 (
̂ − 𝛽 = ∑(𝑥𝑡 𝜀𝑡 ) = ∑(𝑤𝑡 𝜀𝑡 ) = 𝑡=1 𝑥𝑡 𝜀𝑡
)
{𝛽 𝑛 2
∑𝑡=1(𝑥𝑡 )
𝑡=1 𝑡=1
Alors :
𝑛 𝑛
∑𝑛𝑡=1(𝑥𝑡 𝜀𝑡 )
𝐸 [(𝛽̂ − 𝛽) ∑(𝑥𝑡 𝜀𝑡 )] = 𝐸 [ 𝑛 × ∑(𝑥𝑡 𝜀𝑡 )]
∑𝑡=1(𝑥𝑡2 )
𝑡=1 𝑡=1
∑𝑛𝑡=1(𝑥𝑡 𝜀𝑡 )2
= 𝐸[ 𝑛 ]
∑𝑡=1(𝑥𝑡2 )
𝑛 𝑛 𝑛
1
= 𝑛 × 𝐸 [∑(𝑥𝑡 𝜀𝑡 )2 + 2 ∑ ∑ 𝐸[𝜀
⏟ 𝑡 𝜀𝑡 ′ ]]
∑𝑡=1(𝑥𝑡2 ) ′
𝑡=1 𝑡=1 𝑡 =1 =0
𝑛
1
= × [∑(𝑥𝑡2 ) × ⏟
𝐸[𝜀𝑡2 ]]
∑𝑛𝑡=1(𝑥𝑡2 )
𝑡=1 =𝜎𝜀2
Page 18 sur 50
Econométrie [Tapez ici] L3 Economie
𝑛 𝑛
1
⇔ 𝐸 [(𝛽̂ − 𝛽) ∑(𝑥𝑡 𝜀𝑡 )] = 𝑛 × [∑(𝑥𝑡2 ) × 𝜎𝜀2 ] = 𝝈𝟐𝜺
∑𝑡=1(𝑥𝑡2 )
𝑡=1 𝑡=1
On a donc notre estimateur qui est sans biais, et pour la suite, on pose :
𝒏 𝟐
̂𝟐 = ∑𝒕=𝟏 𝒆𝒕
𝝈 𝑎𝑣𝑒𝑐 𝐸[𝜎̂2 2
𝜺 𝜀 ] = 𝜎𝜀
(𝒏 − 𝟐)
Page 19 sur 50
Econométrie [Tapez ici] L3 Economie
1.
𝛿 ln ℒ ∑𝑛𝑡=1(𝑌𝑡 − 𝛼̃ − 𝛽̃ 𝑋𝑡 )
=0⇔ =0
𝛿𝛼̃ 2𝜎𝜀2
𝑛 𝑛
2.
𝑛
𝛿 ln ℒ 1
= 0 ⇔ 2 ∑ 𝑋𝑡 (𝑌𝑡 − 𝛼̃ − 𝛽̃ 𝑋𝑡 ) = 0
𝛿𝛽̃ 𝜎𝜀
𝑡=1
𝑛 𝑛 𝑛
Ainsi, on arrive aux mêmes équations normales qu’avec la méthode des MCO :
̃ ̂
{𝜷 = 𝜷
𝜶
̃ =𝜶̂
Donc, les estimateurs des MCO sont identiques aux estimateurs obtenus par la méthode du maximum de vraisemblance.
Enfin, il nous reste à déterminer :
𝑠𝑖 𝑋 = 𝜎𝜀2 ⇔ √𝑋 = 𝜎𝜀
𝛿 ln ℒ
= 0 {𝛿 ln ℒ 𝛿 ln √𝑋 1 1
𝛿𝜎̃2 = = =
𝜀
𝛿𝜎̃2
𝜀
𝛿𝑋 2𝑋 2𝜎𝜀2
Donc, ici :
𝑛 2
𝛿 ln ℒ 𝑛 (𝑌𝑡 − 𝛼̃ − 𝛽̃ 𝑋𝑡 )
=0⇔− +∑ =0
𝛿𝜎̃2𝜀 2𝜎̃2 𝜀2𝜎̃2 𝑡=1 𝜀
𝑛
⇔ −𝑛𝜎̃2 ̃ − 𝛽̃ 𝑋𝑡 ) = 0
𝜀 + ∑(𝑌𝑡 − 𝛼
𝑡=1
Page 20 sur 50
Econométrie [Tapez ici] L3 Economie
̃2
∑𝑛𝑡=1(𝑌𝑡 − 𝛼̃ − 𝛽̃ 𝑋𝑡 )
⇔ 𝜎𝜀 =
𝑛
𝒏
⇔𝝈̃𝟐 = ∑𝒕=𝟏(𝒆𝒕 )
𝜺
𝒏
𝜎̂
𝜀
2
(𝑛 − 2) ≡ 𝒳 2 (𝑛 − 2)
𝜎𝜀2
̂ ∑𝑛𝑡=1(𝑒𝑡2 ) ∑𝑛𝑡=1(𝑒𝑡2 )
2
⇔ 𝜎𝜀 = ⇒ ≡ 𝒳 2 (𝑛 − 2)
(𝑛 − 2) 𝜎̂
𝜀
2
Toutefois, ici on a :
𝑛
∑𝑛 (𝑒 2 )
⇔ 𝜎̃
𝜀
̃2 ≡ ∑(𝑒 2 )
2 = 𝑡=1 𝑡 ⇒ 𝑛𝜎
𝜀 𝑡
(𝑛)
𝑡=1
Donc :
𝑛
∑(𝑒𝑡2 ) = 𝑛𝜎̃
𝜀
2
𝑡=1
𝑛 ̃𝟐
𝒏𝝈
∑(𝑒𝑡2 ) = (𝑛 − 2)𝜎̂
𝜺
𝜀
2 ⇔ 𝓧𝟐 (𝒏 − 𝟐) ≡
𝝈𝟐𝜺
𝑡=1
𝑛
∑(𝑒𝑡2 ) = 𝜎𝜀2 𝒳 2 (𝑛 − 2)
{ 𝑡=1
Page 21 sur 50
Econométrie [Tapez ici] L3 Economie
Section 4 – Loi des estimateurs, intervalle de confiance et tests d’hypothèses des paramètres
du modèle
Comme les estimateurs sont des fonctions linéaires de 𝑌𝑡 , et comme 𝑌𝑡 dépend de 𝜀𝑡 car 𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡 . Et qu’en
outre, les 𝜀𝑡 sont aléatoires et obéissent à une loi normale, alors les estimateurs aléatoires de 𝛼 et 𝛽 qui sont 𝛼̂ et 𝛽̂
obéissent aux aussi à une loi normale. En ce sens, on a :
𝛼̂ = 𝑁(𝐸[𝛼̂]; 𝜎 𝛼̂ ) 𝑒𝑡 𝛽̂ = 𝑁(𝐸[𝛽̂ ]; 𝜎 𝛽̂ )
Mais, comme nous l’avons précédemment, nos estimateurs sont sans biais, on a donc :
𝐸[𝛼̂] = 𝛼̂
} ⇔ 𝛼̂ = 𝑁(𝛼̂; 𝜎𝛼̂ ) 𝑒𝑡 𝛽̂ = 𝑁(𝛽̂ ; 𝜎𝛽̂ )
𝐸[𝛽̂ ] = 𝛽̂
Et comme :
Σ𝑋𝑡2
𝜎𝛼̂ = σε √
𝑛Σ𝑥𝑡2 Σ𝑋𝑡2
⇔ 𝛼̂ = 𝑁 (𝛼̂; σε √ ) 𝑒𝑡 𝛽̂ = 𝑁
1 𝑛Σ𝑥𝑡2
𝜎𝛽̂ = σε √ 2
Σ𝑥𝑡 }
Et enfin, on a :
𝑛𝜎̃
𝜀
2
= 𝒳 2 (𝑛 − 2)
𝜎𝜀2
1
𝛽̂ ≡ 𝑁 (𝛽, 𝜎𝜀 √ 2 )
Σ𝑥𝑡
𝒏
̂−𝜷
𝜷
⇔ 𝑻(𝒏 − 𝟐) = . √∑ 𝒙𝟐𝒕
̂𝟐
𝝈 𝜺 𝒕=𝟏
Page 22 sur 50
Econométrie [Tapez ici] L3 Economie
𝑛
𝛽̂ − 𝛽
= 𝑃𝑟𝑜𝑏 𝑡𝑝 < . √∑ 𝑥𝑡2 < 𝑡 𝑃
2 ̂
𝜎𝜀2 1−
2
𝑡=1
[ ]
𝜎̂
𝜀
2 𝜎̂
𝜀
2
= 𝑃𝑟𝑜𝑏 𝑡𝑝 . < 𝛽̂ − 𝛽 < 𝑡 𝑃.
2 1−
2
√∑𝑛𝑡=1 𝑥𝑡2 √∑𝑛𝑡=1 𝑥𝑡2
[ ]
𝜎̂
𝜀
2 𝜎̂
𝜀
2
= 𝑃𝑟𝑜𝑏 𝛽̂ − 𝑡 𝑃. < 𝛽 < 𝛽̂ − 𝑡𝑝 .
1− 2
2
√∑𝑛𝑡=1 𝑥𝑡2 √∑𝑛𝑡=1 𝑥𝑡2
[ ]
Ici, on a isolé 𝛽 et on a changé le sens des inégalités pour rendre 𝛽 positif. On a donc :
𝒕𝒑 ̂𝟐
𝝈
̂±| 𝟐 𝜺
𝟏 − 𝒑 = 𝑷𝒓𝒐𝒃 𝜷 ∈ 𝜷 𝒕 𝒑
.
𝟏−
𝟐 √∑𝒏𝒕=𝟏 𝒙𝟐𝒕
[ ( )]
B – Intervalle de confiance de 𝛼
On sait par définition que 𝛼 répond à une loi normale, alors :
Σ𝑋𝑡2
𝛼̂ ≡ 𝑁 (𝛼, 𝜎𝜀 √ )
𝑛Σ𝑥𝑡2
𝜎̂
𝜀
2
{(𝑛 − 2) ≡ 𝜒 2 (𝑛 − 2)
𝜎𝜀 2
La loi de Student nous donne alors :
𝛼̂ − 𝛼
Σ𝑋 2
𝜎𝜀 √ 𝑡2
𝑛Σ𝑥𝑡
⇔ 𝑇(𝑛 − 2) =
̂2
√ (𝑛 − 2)𝜎𝜀2
(𝑛 − 2)𝜎𝜀
Page 23 sur 50
Econométrie [Tapez ici] L3 Economie
̂ − 𝜶 𝒏𝚺𝒙𝟐𝒕
𝜶
⇔ 𝑻(𝒏 − 𝟐) = .√
̂𝜺
𝝈 𝚺𝑿𝟐𝒕
Ainsi, par définition :
𝛼̂ − 𝛼 𝑛Σ𝑥𝑡2
= 𝑃𝑟𝑜𝑏 [𝑡𝑝 < . √ 2 < 𝑡 𝑃]
2 𝜎
̂𝜀 Σ𝑋𝑡 1−
2
Σ𝑋𝑡2 Σ𝑋𝑡2
̂𝜀 √
= 𝑃𝑟𝑜𝑏 [𝑡𝑝 . 𝜎 < 𝛼
̂ − 𝛼 < 𝑡 𝑃 . 𝜎
̂𝜀 √ ]
2 𝑛Σ𝑥𝑡2 1−
2 𝑛Σ𝑥𝑡2
Σ𝑋𝑡2 Σ𝑋𝑡2
= 𝑃𝑟𝑜𝑏 [𝛼̂ − 𝑡 𝑃 . 𝜎
̂𝜀 √ < 𝛼̂ < 𝛼̂ − 𝑡𝑝 . ̂
𝜎𝜀 √ ]
1−
2 𝑛Σ𝑥𝑡2 2 𝑛Σ𝑥𝑡2
Ici, on a isolé 𝛼 et on a changé le sens des inégalités pour rendre 𝛼 positif. On a donc :
𝒕𝒑 𝚺𝑿𝟐𝒕
𝟐
̂ ± |𝒕
𝟏 − 𝒑 = 𝑷𝒓𝒐𝒃 [𝜶 ∈ (𝜶 ̂√
.𝝈 𝜺 )]
𝟏−
𝒑 𝒏𝚺𝒙𝟐𝒕
𝟐
𝜎̂
𝜀
2
= 𝑃𝑟𝑜𝑏 [𝜒𝑃2 < (𝑛 − 2) 2
< 𝜒1− 𝑝]
2 𝜎𝜀2 2
Ici, on a isolé 𝜎𝜀2 et on a changé le sens des inégalités pour rendre 𝜎𝜀2 positif. On a donc :
̂𝟐
𝝈 ̂𝟐
𝝈
𝜺 𝜺
𝟏 − 𝒑 = 𝑷𝒓𝒐𝒃 [(𝒏 − 𝟐) < 𝝈𝟐𝜺 < (𝒏 − 𝟐) ]
𝝌𝟐 𝒑 𝝌𝟐𝑷
𝟏−
𝟐 𝟐
Page 24 sur 50
Econométrie [Tapez ici] L3 Economie
2 – Test d’hypothèse
A – Le test 1 d’hypothèse sur 𝛽
On fait donc le test d’hypothèse sur 𝛽 en sachant :
𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡
𝑛
𝛽̂ − 𝛽
𝑇(𝑛 − 2) = . √∑ 𝑥𝑡2
̂
𝜎𝜀2
𝑡=1
{
La régression existe que si elle à une pente, c’est-à-dire que 𝛽 ≠ 0. Par conséquent, si 𝛽 = 0, alors notre modèle est
non valide.
En ce sens, tester l’hypothèse revient à poser les hypothèses 𝐻𝑖 suivantes :
𝐻0 ⇔ 𝛽 = 0 𝐻1 ⇔ 𝛽 ≠ 0
On part donc de la loi de Student, où on test l’hypothèse 0 :
𝑛
𝛽̂ − 0
⇔ 1 − 𝑝 = 𝑃𝑟𝑜𝑏 𝑡𝑝 < . √∑ 𝑥𝑡2 < 𝑡 𝑃
2 𝜎̂
𝜀
2
𝑡=1
1−
2
[ ]
Ici, on encadre la valeur estimée :
𝜎̂
𝜀
2 𝜎̂
𝜀
2
⇔ 1 − 𝑝 = 𝑃𝑟𝑜𝑏 𝑡𝑝 . < 𝛽̂ < 𝑡 𝑃.
2 1−
2
√∑𝑛𝑡=1 𝑥𝑡2 √∑𝑛𝑡=1 𝑥𝑡2
[ ]
Alors :
𝒕𝒑 ̂𝟐
𝟐 𝝈 𝜺
̂∈
⇔ 𝟏 − 𝒑 = 𝑷𝒓𝒐𝒃 𝜷 |𝒕 .
𝑷
𝟏−
𝟐 √∑𝒏𝒕=𝟏 𝒙𝟐𝒕
[ ( )]
𝑛
𝛽̂ − 0
⇔ 1 − 𝑝 = 𝑃𝑟𝑜𝑏 𝑡𝑝 < . √∑ 𝑥𝑡2 < 𝑡 𝑃
2 ̂
𝜎𝜀2 1−
2
𝑡=1
[ ]
Page 25 sur 50
Econométrie [Tapez ici] L3 Economie
𝛽̂
⇔ 1 − 𝑝 = 𝑃𝑟𝑜𝑏 [𝑡𝑝 < < 𝑡 𝑃]
2 𝜎̂2 1−2
̂
𝛽
̂
𝜷
⇔ 𝟏 − 𝒑 = 𝑷𝒓𝒐𝒃 [| | < 𝒕 𝑷]
𝝈̂𝟐
̂
𝜷
𝟏−
𝟐
(𝛼̂ − 0) √𝑛Σ𝑥𝑡2
⇔ 1 − 𝑝 = 𝑃𝑟𝑜𝑏 [𝑡𝑝 < . < 𝑡 𝑃]
2 𝜎̂𝜀 √Σ𝑋𝑡2 1−
2
2 2
̂√Σ𝑋
𝜎𝜀 𝑡 𝜎
̂√Σ𝑋
𝜀 𝑡
⇔ 1 − 𝑝 = 𝑃𝑟𝑜𝑏 [𝑡𝑝 . < 𝛼̂ < 𝑡 𝑃. ]
1−
2 √𝑛Σ𝑥𝑡2 2 √𝑛Σ𝑥𝑡2
Alors :
𝒕𝒑
𝟐 𝚺𝑿𝟐𝒕
̂ ∈ (|
⇔ 𝟏 − 𝒑 = 𝑷𝒓𝒐𝒃 [𝜷 ̂√
.𝝈 )]
𝒕 𝑷 𝜺
𝒏𝚺𝐱𝐭𝟐
𝟏−
𝟐
Page 26 sur 50
Econométrie [Tapez ici] L3 Economie
𝜎̂2𝜀
𝜒 2 (𝑛 − 2) ≡ (𝑛 − 2) 2
𝜎 𝜀
Alors :
𝜎̂
𝜀
2
= 𝑃𝑟𝑜𝑏 [𝜒𝑝2 < (𝑛 − 2) 2 < 𝜒1−
2
𝑝]
2 𝜎𝜀 2
Page 27 sur 50
Econométrie [Tapez ici] L3 Economie
3 – Etude de la corrélation
Le coefficient de corrélation linéaire est un coefficient qui mesure le degré de covariance linéaire, c’est-à-dire qu’il
mesure la manière dont varie l’ensemble des variables entre elles.
En ce sens, ce coefficient est noté 𝑟𝑋,𝑌 , et est représenté par :
𝐶𝑜𝑣(𝑋, 𝑌) 𝐶𝑜𝑣(𝑋, 𝑌)
𝑟𝑋,𝑌 = =
𝜎𝑋 𝜎𝑌 𝑠𝑋 𝑠𝑌
A – Propriétés de la corrélation
Les propriétés de 𝑟 sont les suivantes :
- 𝑟 ∈ [−1; 1]
- 𝑟 est sans dimension et n’a pas d’unité, il peut calculer des variables qui n’ont pas la même unité
- 𝑟 est symétrique, ⇒ 𝑟𝑋,𝑌 = 𝑟𝑌,𝑋 = 𝑟
- 𝑟 n’est pas affecté par les changements de variables : 𝑟𝑋,𝑦 = 𝑟𝑌,𝑥 = 𝑟
B – Calcul de la corrélation
On sait que :
𝐶𝑜𝑣(𝑋, 𝑌) Σ𝑥𝑡 𝑦𝑡
𝛽̂ = =
𝜎𝑋 Σ𝑥𝑡2
𝐶𝑜𝑣(𝑋, 𝑌) Σ𝑥𝑡 𝑦𝑡
𝑟𝑋,𝑌 = =
{ 𝜎𝑋 𝜎𝑌 √Σ𝑥𝑡2 √Σ𝑦𝑡2
Alors, en remplaçant les termes par 𝛽 :
√𝛴𝑥𝑡2
𝑟𝑋,𝑌 = 𝛽̂
√𝛴𝑦𝑡2
𝒔𝑿
̂
⇔ 𝒓𝑿,𝒀 = 𝜷
𝒔𝒀
4 – Analyse de la variance
A – Calcul de l’analyse
On sait par les calculs précédents que :
𝑒𝑡 = 𝑌𝑡 − 𝑌̂𝑡 = 𝑦𝑡 − 𝑦̂𝑡
{
𝑦̂𝑡 = 𝛽̂ 𝑥𝑡
Ainsi :
𝑛 𝑛
= ∑(𝑦̂2 2
𝑡 ) + ∑(𝑒𝑡 ) + 2 ∑(𝑦
̂𝑡 𝑒𝑡 )
𝑡=1 𝑡=1 𝑡=1
= 𝛽̂ [∑(𝑦𝑡 − 𝑥𝑡 ) − 𝛽̂ ∑(𝑥𝑡2 )]
𝑡=1 𝑡=1
Page 28 sur 50
Econométrie [Tapez ici] L3 Economie
= 𝛽̂ × 0 = 0
∑ 𝑦𝑡2 = ∑(𝑦̂2 2
𝑡 ) + ∑(𝑒𝑡 )
𝑡=1 𝑡=1 𝑡=1
𝒏 𝒏 𝒏
𝟐
̅ )𝟐 = ∑(𝒀
⇔ ∑(𝒀𝒕 − 𝒀 ̂𝒕 − 𝒀 ̂𝒕 )𝟐
̅ ) + ∑(𝒀𝒕 − 𝒀
𝒕=𝟏 𝒕=𝟏 𝒕=𝟏
On a donc la variance totale qui est égale à la variance expliquée ajoutée à la variance résiduelle.
La fluctuation totale des valeurs de 𝑌 autour de la moyenne de l’échantillon peut être décomposée en deux éléments
distinct :
- Variance expliquée : c’est la variation des valeurs de 𝑌̂ autour de la moyenne. On nomme cela la variance
expliquée par la régression. On dit que c’est la somme des carrés expliquées par l’influence linéaire de 𝑋.
- Variance résiduelle : c’est la variation des valeurs de 𝑌 autour de la droite des moindres carrées.
𝑄1 = ∑ 𝑦𝑡2
𝑡=1
𝑛
Variance expliquée ̂2
= 𝛽 ∑ 𝑥𝑡2 𝐷𝐷𝐿 = 1 𝑄1 /1
𝑡=1
𝑛
2
= ∑(𝑌̂𝑡 − 𝑌̅)
𝑡=1
𝑛
𝑄2 = ∑(𝑒𝑡2 )
𝑡=1
Variance résiduelle 𝑛 𝐷𝐷𝐿 = (𝑛 − 2) 𝑄2 /2
= ∑(𝑌𝑡 − 𝑌̂𝑡 )
𝑡=1
𝑛
𝑄3 = ∑ 𝑦𝑡2 𝐷𝐷𝐿 = 𝑄1 + 𝑄2
𝑡=1
Variance totale 𝑛 = 1 + (𝑛 − 2) 𝐼𝑛𝑢𝑡𝑖𝑙𝑒
= ∑(𝑌𝑡 − 𝑌̅)2 = (𝑛 − 1)
𝑡=1
Page 29 sur 50
Econométrie [Tapez ici] L3 Economie
5 – Le coefficient de détermination
A – Le calcul du coefficient
On sait que la variance totale est égale à la somme de la variance expliquée et de la variance résiduelle. Si la variance
expliquée est inférieure à celle de la variance résiduelle, alors la part de la variance de 𝑋 (𝑣(𝑋)) est plus faible que la
part de la variance résiduelle.
𝑛 𝑛 𝑛
⇔ ∑ 𝑦𝑡2 = ∑ 𝑦̂2 2
𝑡 + ∑ 𝑒𝑡
𝑡=1 𝑡=1 𝑡=1
Si on divise notre équation part Σ𝑦𝑡2 , on obtient :
Σ𝑦𝑡2 Σ𝑦̂
𝑡
2
Σ𝑒𝑡2
⇔ = +
Σ𝑦𝑡2 Σ𝑦𝑡2 Σ𝑦𝑡2
𝛽̂ 2 Σ𝑥𝑡2 Σ𝑒𝑡2
⇔1= + 2
Σ𝑦𝑡2 Σ𝑦𝑡
Mais on sait par définition que :
√Σ𝑥𝑡2
{𝑟 = 𝛽̂
√𝑦𝑡2
Ainsi, cela nous donne la relation suivante :
Σ𝑒𝑡2 Σ𝑒𝑡2
1 = 𝑟2 + ⇔ 𝑟 2
= 1 −
Σ𝑦𝑡2 Σ𝑦𝑡2
𝑉𝑅
⇔ 𝑟2 = 1 −
𝑉𝑇
𝑽𝑬
⇔ 𝒓𝟐 =
𝑽𝑻
Ce n’est pas la valeur approximative de la variance totale qu’il faut prendre mais bien sa valeur calculée donnée par la
somme des 𝑦𝑡2 .
Le coefficient de corrélation 𝑟 2 mesure donc la part de la variance expliquée dans la variance totale, donc si notre 𝑟 2
est grand, alors on a une bonne relation linéaire. Par exemple, si 𝑟 2 = 0.8 alors, on a 80% de la variance expliquée de 𝑌
qui est expliquée par 𝑋.
Il faut maintenant tester le coefficient de corrélation linéaire
𝑛
𝛽̂ − 𝛽
𝑇(𝑛 − 2) = √∑ 𝑥𝑡2
𝜎
̂𝜀
𝑡=1
𝑠𝑦 √Σ𝑦𝑡2
𝟏. 𝛽̂ = 𝑟 =𝑟
𝑠𝑥 √𝑥𝑡2
Σ𝑒𝑡2
̂𝜀 = √
𝟐. 𝜎
𝑛−2
Σ𝑒𝑡2
𝟑. 1 = 𝑟 2 + 2
{ Σ𝑦𝑡
Page 30 sur 50
Econométrie [Tapez ici] L3 Economie
∑ 𝑒𝑡2 = (1 − 𝑟 2)
∑ 𝑦𝑡2
𝑡=1 𝑡=1
De cette nouvelle définition, on utilise l’équation 2 :
Σ𝑒𝑡2 (1 − 𝑟 2 )Σ𝑦𝑡2
𝜎𝜀 = √
̂ =
𝑛−2 𝑛−2
Alors, en reprenant la formule de la loi du Student, et en remplaçant on obtient :
𝑛
𝛽̂ − 𝛽 √Σ𝑦𝑡2 √𝑛 − 2
𝑇(𝑛 − 2) = √∑ 𝑥𝑡2 = 𝑟 × × √𝑥𝑡2
𝜎
̂𝜀 √𝑥𝑡2 √1 − 𝑟²√Σ𝑦 2
𝑡=1 𝑡
𝟏
⇔ 𝑻(𝒏 − 𝟐) = . √𝒏 − 𝟐
√𝟏 − 𝒓𝟐
= 𝑁 (𝛼 + 𝛽𝑋0 , √𝑉(𝑌̂0 ))
On va donc cherche à déterminer la racine carrée de la variance de l’estimateur de 𝑌0 . On sait aussi mathématiquement
que, si on sort une constante de la variance, alors elle devient un facteur au carrée du reste de la variance. On a :
𝑉[𝑌̂0 ] = 𝑉[𝛼̂ + 𝛽̂ 𝑋0 ]
= 𝑉[𝛼̂] + 𝑋02 𝑉[𝛽̂ ] + 2𝑋0 𝐶𝑜𝑣(𝛼̂ + 𝛽̂ )
Page 32 sur 50
Econométrie [Tapez ici] L3 Economie
On sait que :
Σ𝑋2𝑡
̂ ] = 𝜎2𝜀
𝑉[𝛼
𝑛Σ𝑥2𝑡
̂ ] = 𝜎2𝜀 1
𝑉[𝛽
Σ𝑥2𝑡
̅
𝑋
𝐶𝑜𝑣(𝛼 ̂) = −
̂+𝛽 𝜎2𝜀
{ Σ𝑥2𝑡
Alors :
̂]
𝑉[𝛼 ̂]
𝑉[𝛽 𝐶𝑜𝑣(𝛼 ̂)
̂ +𝛽
⏞ Σ𝑋 2 ⏞ 1 ⏞ 𝑋̅
𝑡
𝑉[𝑌̂0 ] = 𝜎𝜀2 + 𝑋0
2 2
𝜎𝜀 + 2𝑋0 − 2 𝜎𝜀2
𝑛Σ𝑥𝑡2 Σ𝑥𝑡2 Σ𝑥𝑡
Pour rappel :
𝑛 𝑛 𝑛 𝑛
∑ 𝑥𝑡2 = ∑ 𝑋𝑡2 ̅2
− 𝑛𝑋 ⇔ ∑ 𝑋𝑡2 = ∑ 𝑥𝑡2 + 𝑛𝑋̅ 2
𝑡=1 𝑡=1 𝑡=1 𝑡=1
Alors, en remplaçant :
̂]
𝑉[𝛼 ̂]
𝑉[𝛽 𝐶𝑜𝑣(𝛼 ̂)
̂ +𝛽
⏞ Σ𝑥 2 + 𝑛𝑋̅ 2 ⏞ 1 ⏞ 𝑋̅
𝑡
𝑉[𝑌̂0 ] = 𝜎𝜀2 + 𝑋0
2 2
𝜎𝜀 + 2𝑋0 − 2 𝜎𝜀2
𝑛Σ𝑥𝑡2 Σ𝑥𝑡2 Σ𝑥𝑡
1 𝑋̅ 2
1 𝑋̅
= 𝜎𝜀2 ( + 2 ) + 𝑋02 𝜎𝜀2 2 + 2𝑋0 − 2 𝜎𝜀2
𝑛 Σ𝑥𝑡 Σ𝑥𝑡 Σ𝑥𝑡
1 𝑋̅ 2 + 𝑋02 + 2𝑋0 𝑋̅ 𝟏 (𝑿𝟎 − 𝑿̅ )𝟐
= 𝜎𝜀2 [ + ] = 𝝈 𝟐
𝜺 [ + ]
𝑛 Σ𝑥𝑡2 𝒏 𝚺𝒙𝟐𝒕
1 (𝑋0 − 𝑋̅)2
𝑌̂0 = 𝑁 (𝛼 + 𝛽𝑋0 , 𝜎𝜀 √[ + ])
𝑛 Σ𝑥𝑡2
B – Intervalle de confiance
On a donc, 𝜎𝜀 qui est inconnu, on passe donc par la loi de Student :
𝜎̂
𝜀
2
(𝑛 − 2) ≡ 𝜒 2 (𝑛 − 2)
𝜎𝜀2
Alors :
𝑌0
𝑌̂0 − ⏞
(𝛼 + 𝛽𝑋0 )
1 (𝑋 − 𝑋̅)2
𝜎𝜀 √[𝑛 + 0 2 ]
Σ𝑥𝑡
𝑇(𝑛 − 2) =
(𝑛 ̂2
√ − 2) 𝜎𝜀2
(𝑛 − 2) 𝜎𝜀
Page 33 sur 50
Econométrie [Tapez ici] L3 Economie
Après simplification :
𝑌̂0 − (𝛼 + 𝛽𝑋0 )
𝑇(𝑛 − 2) =
1 (𝑋 − 𝑋̅)2
𝜎𝜀 √[ + 0 2 ]
̂
𝑛 Σ𝑥𝑡
(𝑌̂0 − (𝛼 + 𝛽𝑋0 ))
= 𝑃𝑟𝑜𝑏 𝑡𝑝 < < 𝑡1−𝑝
2 2
1 (𝑋 − 𝑋̅)2
𝜎𝜀 √[𝑛 + 0 2 ]
̂
[ Σ𝑥𝑡 ]
Alors, en isolant notre 𝑌0
𝟏 (𝑿𝟎 − 𝑿̅ )𝟐
̂𝟎 ± 𝒕𝑷 × ̂
𝟏 − 𝒑 = 𝑷𝒓𝒐𝒃 [𝜶 + 𝜷𝑿𝟎 ∈ (𝒀 𝝈𝜺 √[ + ])]
𝟐 𝒏 𝚺𝒙𝟐𝒕
1 (𝑋0 − 𝑋̅)2
1 − 𝑝 = 𝑃𝑟𝑜𝑏 [𝑌̂0 ∈ (𝑌0 ± 𝑡𝑃 × ̂
𝜎𝜀 √[1 + + ])]
2 𝑛 Σ𝑥𝑡2
𝑌̂0 = ∑ 𝑐𝑡 𝑌𝑡
𝑡=1
2
{𝑉[𝑌̂0 ] = 𝐸[𝑌̂0 − 𝐸[𝑌̂0 /𝑋0 ] ]
Page 34 sur 50
Econométrie [Tapez ici] L3 Economie
Or :
𝑛 𝑛 𝑛
Pour que 𝑌̂0 soit de variance minimale, et comme 𝜎𝜀2 est donnée, il faut que Σct2 soit minimal sous les contraintes :
1. Σ𝑐𝑡 = 1
2. Σ𝑐𝑡 𝑋𝑡 = 𝑋0
La fonction de Lagrange pour minimiser est alors la suivante :
𝑛 𝑛 𝑛
𝜙= ∑ 𝑐𝑡2 − 𝜆 (∑ 𝑐𝑡 − 1) − 𝜇 (∑(𝑐𝑡 𝑋𝑡 ) − 𝑋0 )
𝑡=1 𝑡=1 𝑡=1
On a :
𝛿𝜙
= 2𝑐𝑡 − 𝜆 − 𝜇𝑋𝑡 = 0
𝛿𝑐𝑡
𝑛
𝛿𝜙
= − ∑ 𝑐𝑡 + 1 = 0
𝛿𝜆
𝑡=1
𝑛
𝛿𝜙
= − ∑(𝑐𝑡 𝑋𝑡 ) + 𝑋0 = 0
{ 𝛿𝜇
𝑡=1
D’après l’équation 1, on en déduit que :
(𝜆 + 𝜇𝑋𝑡 )
𝑐𝑡 =
2
Alors, en utilisation l’équation 2, et en remplaçant :
𝑛 𝑛
(𝜆 + 𝜇𝑋𝑡 )
− ∑ 𝑐𝑡 + 1 = 0 ⇔ ∑ =1
2
𝑡=1 𝑡=1
𝑛
⇔ 𝑛𝜆 + 𝜇 ∑ 𝑋𝑡 = 2
𝑡=1
2
⇔ 𝜆 = − 𝜇𝑋̅
𝑛
De cela, on donne :
2
(𝑛 − 𝜇𝑋̅) + 𝜇𝑋𝑡 𝟏 𝝁
𝑐𝑡 = = + 𝒙𝒕
2 𝒏 𝟐
Page 35 sur 50
Econométrie [Tapez ici] L3 Economie
𝑛 𝑛
𝑋𝑡 𝜇
⇔ ∑ ( ) + ∑(𝑥𝑡 𝑋𝑡 ) = 𝑋0
𝑛 2
𝑡=1 𝑡=1
Or, on sait que :
𝑛 𝑛
{∑(𝑥𝑡 𝑋𝑡 ) = ∑(𝑥2𝑡 )
𝑡=1 𝑡=1
Alors :
𝑛 𝑛
𝑋𝑡 𝜇
⇔ ∑ ( ) + ∑(𝑥𝑡2 ) = 𝑋0
𝑛 2
𝑡=1 𝑡=1
̅)
𝟐(𝑿𝟎 − 𝑿
⇔𝝁=
𝚺𝒙𝟐𝒕
Ainsi, le meilleur estimateur linéaire sans biais de 𝛼 + 𝛽𝑋0 est 𝛼̂ + 𝛽̂ 𝑋0 où 𝛼̂ et 𝛽̂ sont les estimateurs de la méthode
des moindres carrés ordinaires.
On peut donc calculer la variance de 𝑌̂0
Page 36 sur 50
Econométrie [Tapez ici] L3 Economie
Dans notre modèle, on a donc 𝑘 qui est le nombre de paramètre, ce qui implique donc 𝑘 − 1 variables.
Page 37 sur 50
Econométrie [Tapez ici] L3 Economie
Alors, on a :
̂ = (𝑿′ 𝑿)−𝟏 . 𝑿′ 𝒀
𝜷
Propriétés :
1. 𝐸[𝛽̂ ] = 𝛽
2. La matrice des variances-covariances est noté Ω𝛽̂ , elle a une structure particulière qui est :
̂1 ) 𝐶𝑜𝑣(𝛽
𝑉𝑎𝑟(𝛽 ̂1 , 𝛽
̂2 ) … 𝐶𝑜𝑣(𝛽
̂1 , 𝛽
̂𝑘 )
̂ ̂ ̂ … 𝐶𝑜𝑣(𝛽
̂2 , 𝛽
̂𝑘 )
Ω𝛽̂ = 𝐶𝑜𝑣(𝛽2 , 𝛽1 ) 𝑉𝑎𝑟(𝛽2 )
⋮ ⋮ ⋱ ⋮
̂𝑛 , 𝛽
[𝐶𝑜𝑣(𝛽 ̂1 ) 𝐶𝑜𝑣(𝛽 ̂2 ) ⋯
̂𝑛 , 𝛽 ̂𝑘 ) ]
𝑉𝑎𝑟(𝛽
3. Ω𝛽̂ = 𝜎𝜀2 . (𝑋 ′ 𝑋)−1
4. Les 𝛽̂ sont des estimateurs convergents et il faut que :
(𝑋 ′ 𝑋) → 0 ∀𝑛 → +∞
5. Les 𝛽̂ sont des estimateurs à variance minimal, il faut que :
𝑒′𝑒 Σ𝑒𝑡2
𝜎̂
𝜀
2 = =
𝑛−𝑘 𝑛−𝑘
̂̂ ) = 𝜎̂2 × 𝐷𝑖𝑎𝑔(𝑋 ′ 𝑋)−1
⇒ 𝑉𝑎𝑟(𝛽 𝜀
⇔ 𝑉𝑎𝑟(𝛽̂ ) = 𝜎̂2 ′
𝜀 × 𝐷𝑖𝑎𝑔(𝑋 𝑋)
−1
(𝛽̂𝑗 − 𝛽𝑗 )
= 𝑃𝑟𝑜𝑏 [𝑡𝑝 < < 𝑡1−𝑝 ]
2 𝜎̂2 ′
𝜀 √𝐷𝑖𝑎𝑔(𝑋 𝑋)
−1 2
B – Deuxième test
𝛽̂
𝑡𝑐 = ≡ 𝑇(𝑛 − 𝑘)
𝜎𝛽̂
𝑗
∑ 𝑦𝑡2 = ∑ 𝑦̂2 2
𝑡 + ∑ 𝑒𝑡
𝑡=1 𝑡=1 𝑡=1
⇔ 𝑦 𝑦 = 𝛽̂ 𝑥 ′ 𝑦 + 𝑒 ′ 𝑒
′
On note 𝑟 2 le coefficient de détermination. Pour information, un coefficient de corrélation se fait uniquement entre
deux variables. Ici, notre coefficient de détermination est multiple.
On peut calculer les coefficients de corrélation linéaire simple entre deux variables, et ces coefficients se trouvent dans
une matrice des coefficients de corrélation linéaire simple.
𝑟11 ⋯ 𝑟1 𝑘
𝑟̃ = [ ⋮
⏟ 1 ⋮ ]
(𝑘,𝑘) 𝑟𝑘1 ⋯ 𝑟𝑘𝑘
On a 𝑟𝑘 𝑘 = 1 ∀𝑘 ∈ (1,2, … , 𝑛)
Page 39 sur 50
Econométrie [Tapez ici] L3 Economie
𝛽̂𝑥 ′ 𝑦
𝑘 − 1 ≡ 𝐹(𝑘 − 1, 𝑛 − 𝑘)
𝑒′𝑒
𝑛−𝑘
On peut l’affirmer car on connait déjà :
𝛽̂ 𝑥 ′ 𝑦
𝑟2 = ⇔ 𝛽̂ 𝑥 ′ 𝑦 = 𝑟 2 𝑦 ′ 𝑦
𝑦′𝑦
𝑒′𝑒
𝑟 = 1 − ′ ⇔ 𝑒 ′ 𝑒 = (1 − 𝑟 2 )𝑦′𝑦
2
{ 𝑦𝑦
On pose donc :
𝐻0 ⇔ 𝑒 2 = 0 𝐻1 ⇔ 𝑒 2 ≠ 0
La règle de décision est :
- Si 𝐹𝑐 < 𝐹1−𝑝 (𝑘 − 1, 𝑛 − 𝑘), alors 𝐻0 est acceptée au risque 𝑝
- Si 𝐹𝑐 ≥ 𝐹1−𝑝 (𝑘 − 1, 𝑛 − 𝑘), alors 𝐻0 n’est pas acceptée au risque 𝑝
𝑌̂0 = 𝐶 ′ 𝛽̂ ≡ 𝑁 ( 𝐶 ′ 𝛽, 𝜎𝜀 √𝐶 ′ (𝑋 ′ 𝑋)−1 𝐶)
On cherche donc notre intervalle de confiance avec le Student
𝐶 ′ 𝛽̂ − 𝐶 ′ 𝛽
𝜎𝜀 √𝐶 ′ (𝑋 ′ 𝑋)−1 𝐶 𝐶 ′ 𝛽̂ − 𝐶 ′ 𝛽
𝑇(𝑛 − 𝑘) ≡ =
𝜎
̂√𝐶 ′ (𝑋 ′ 𝑋)−1 𝐶
̂2 𝜀
√(𝑛 − 𝑘) 𝜎𝜀2
(𝑛 − 𝑘) 𝜎𝜀
Alors, on a :
𝐶 ′ 𝛽̂ − 𝐶 ′ 𝛽
1 − 𝑝 = 𝑃𝑟𝑜𝑏 [𝑡𝑝 < < 𝑡1−𝑝 ]
2 𝜎
̂√𝐶 ′ (𝑋 ′ 𝑋)−1 𝐶 2
𝜀
′ ′ ̂
= 𝑃𝑟𝑜𝑏 [𝐶
⏟ 𝛽 ∈ [𝐶
⏟ 𝜎𝜀 ′ (𝑋 ′ 𝑋)−1 𝐶]]
𝛽 ± 𝑡𝑝 . ̂√𝐶
2
𝑌0 𝑌0
Page 40 sur 50
Econométrie [Tapez ici] L3 Economie
′ ̂ ′
1 − 𝑝 = 𝑃𝑟𝑜𝑏 [𝐶
⏟ 𝛽 ∈ [𝐶
⏟ 𝛽 ± 𝑡𝑝 . 𝜎
̂√1
𝜀 + 𝐶 ′ (𝑋 ′ 𝑋)−1 𝐶]]
2
𝑌0 𝑌0
Page 41 sur 50
Econométrie [Tapez ici] L3 Economie
1 – Le test Skewness-Kurtosis
A – Le test de symétrie normale
On pose une hypothèses qui est : 𝐻0 : 𝑠𝑦𝑚é𝑡𝑟𝑖𝑒 𝑛𝑜𝑟𝑚𝑎𝑙𝑒.
On va donc utiliser le coefficient de Pearson, qui est aussi nommé coefficient 𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠 sur les logiciels économétriques.
Ce coefficient est :
1/2
𝛽1 ≡ 𝑁(0, √6/𝑛)
Alors :
1/2
𝛽1
≡ 𝑁(0,1)
√6/𝑛
La règle de décision est :
1/2
𝛽1
- Si | | < 𝑢1−𝑝 , alors 𝐻0 est acceptée, on a donc une symétrie normale
√6/𝑛 2
1/2
𝛽1
- Si | | ≥ 𝑢1−𝑝 , alors 𝐻0 n’est pas acceptée, on n’a donc pas de symétrie normale
√6/𝑛 2
B – Le test d’aplatissement
Pour ce test, on pose une hypothèses qui est : 𝐻0 : 𝑎𝑝𝑙𝑎𝑡𝑖𝑠𝑠𝑒𝑚𝑒𝑛𝑡 𝑛𝑜𝑟𝑚𝑎𝑙.
Le Kurtosis est :
24
𝛽2 ≡ 𝑁 (3, √ )
𝑛
𝛽2 − 3
⇔ ≡ 𝑁(0,1)
√24
𝑛
La règle de décision est :
𝛽2 −3
- Si | | < 𝑢1−𝑝 , alors 𝐻0 est acceptée, on a donc un aplatissement normal
√24/𝑛 2
𝛽2 −3
- Si | | ≥ 𝑢1−𝑝 , alors 𝐻0 n’est pas acceptée, on n’a donc pas d’aplatissement normal
√24/𝑛 2
Ainsi, pour conclure sur la normalité des résidus, il faut avoir à la fois l’hypothèse de symétrie normale et l’hypothèse
d’aplatissement normal vérifiée.
Page 42 sur 50
Econométrie [Tapez ici] L3 Economie
On dit qu’il y a un bruit blanc lorsque la chronique des résidus vérifie l’hypothèse de non-autocorrélation et
d’homoscédasticité.
De plus, s’il y a une vérification
de normalité, on dit qu’il y a un
bruit blanc normal.
Page 43 sur 50
Econométrie [Tapez ici] L3 Economie
4 – Le test d’autocorrélation
A – Le test de Durbin-Watson
On va procéder, avec le test de Durbin-Watson, à un processus d’auto régression d’ordre 1. On a :
𝜀𝑡 = 𝜌𝜀𝑡−1 + 𝜂𝑡 𝑎𝑣𝑒𝑐 |𝜌| < 1
Alors, on émet l’hypothèse suivante :
𝐻0 ∶ 𝜌 = 0 (𝑎𝑏𝑠𝑒𝑛𝑐𝑒 𝑑 ′ 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟é𝑙𝑎𝑡𝑖𝑜𝑛)
Ainsi :
Σ(𝑒𝑡+1 − 𝑒𝑡 )2
𝐷𝑊 =
Σ𝑒2𝑡
Toutefois, si 𝑛 → +∞
Σ(𝑒𝑡+1 − 𝑒𝑡 )
⇔ 𝐷𝑊 = 2(1 − 𝜌̂) 𝑎𝑣𝑒𝑐 𝜌̂ =
Σ𝑒𝑡2
B – Le test de Ljung-Box
On va procéder, avec le test de Ljung-Box, à un processus d’auto corrélation d’ordre supérieur à 1, on a :
𝜀𝑡 = 𝜌1 𝜀𝑡−1 + 𝜌2 𝜀𝑡−2 + ⋯ + 𝜌𝑘 𝜀𝑡−𝑘 + 𝜂𝑡 𝑎𝑣𝑒𝑐 𝜂𝑡 ∼ 𝐵𝑟𝑢𝑖𝑡𝐵𝑙𝑎𝑛𝑐
On pose les hypothèses suivantes :
𝐻0 ∶ ∀𝑘 | 𝜌1 = 𝜌2 = ⋯ = 𝜌𝑘 = 0 𝐻1 ∶ ∀𝑖 ∈ (1, 𝑘), 𝜌𝑖 ≠ 𝜌𝑗
On donne un 𝑄𝑠𝑡𝑎𝑡 qui est :
𝑛
𝑟𝑘2
𝑄𝑠𝑡𝑎𝑡 = 𝑛(𝑛 + 2) ∑ 𝑎𝑣𝑒𝑐 𝑘 𝑙𝑒 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑟𝑒𝑡𝑎𝑟𝑑𝑠
𝑛−𝑘
𝑘=1
La règle de décision est :
- Si 𝑄𝑠𝑡𝑎𝑡 < 𝜒 2 (𝑘), alors 𝐻0 est acceptée au risque 𝑝
- Si 𝑄𝑠𝑡𝑎𝑡 ≥ 𝜒 2 (𝑘), alors 𝐻0 n’est pas acceptée au risque 𝑝
Page 44 sur 50
Econométrie [Tapez ici] L3 Economie
Les conséquences sont que les estimateurs de la méthode des moindres carrés ordinaux restent sans biais, mais ils ne
sont plus de variance minimale, donc il y a une remise en cause de l’estimation du modèle linéaire général par les MCO,
et donc la prévision obtenue ne sera pas optimale.
Alors, on a :
𝑎
̂1
𝑡𝑐1 = ≡ 𝑇(𝑛 − 2)
𝜎𝑎̂1
La règle de décision est :
- Si |𝑡𝑐 | < 𝑡1−𝑝 (𝑛 − 2), alors 𝐻0 est acceptée
2
- Si |𝑡𝑐 | ≥ 𝑡1−𝑝 (𝑛 − 2), alors 𝐻0 est acceptée
2
B – Le test de ARCH
Ce test Auto Regressive Conditional Homoscedasticity nous donne s’il y a hétéroscédasticité :
2 2 2
𝜀𝑡2 = 𝜙1 𝜀𝑡−1 + 𝜙2 𝜀𝑡−2 + ⋯ + 𝜙𝐾 𝜀𝑡−𝐾 + 𝜂𝑡
S’il y a homoscédasticité alors, cette relation n’existe pas :
⇔ 𝜙1 = 𝜙2 = ⋯ = 𝜙𝐾 = 0
Donc s’il existe un 𝜙𝑛 ≠ 0, alors il y a hétéroscédasticité.
Page 45 sur 50
Econométrie [Tapez ici] L3 Economie
C – Le test de Breusch-Pagan
S’il y a hétéroscédasticité, alors on a :
𝜀𝑡2 = 𝛼1 + 𝛼2 𝑋2𝑡 + 𝛼3 𝑋3𝑡 + ⋯ + 𝛼𝑘 𝑋𝑘𝑡 + 𝜂𝑡
Il y a donc une relation entre l’aléa et chaque variable explicative. On pose donc :
𝐻0 ⇔ 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑘 = 0 𝐻1 ⇔ ∃𝑘 | 𝛼𝑘 ≠ 0
Alors :
2 (𝑘
𝐿𝑀 = 𝑛𝑟 2 ≡ 𝜒1−𝑝 − 1)
Avec 𝑘 − 1 le nombre de variable explicative
La règle de décision est :
- Si 𝑛𝑟 2 < 𝜒1−𝑝
2 (𝑘
− 1), alors 𝐻0 est acceptée au risque 𝑝, il y a donc homoscédasticité.
2 2 (𝑘
- Si 𝑛𝑟 ≥ 𝜒1−𝑝 − 1), alors 𝐻0 n’est pas acceptée au risque 𝑝, il y a donc hétéroscédasticité.
D – Le test de White
White dans son test sans terme croisé considère :
𝜀𝑡2 = 𝛼1 + 𝛼2 𝑋2𝑡 + 𝛽2 𝑋2𝑡 + 𝛼3 𝑋3𝑡 + 𝛽3 𝑋3𝑡 + ⋯ + 𝛼𝑘 𝑋𝑘𝑡 + 𝛽𝑘 𝑋𝑘2𝑡 + 𝜂𝑡
White dans son test avec terme croisé considère :
𝜀𝑡2 = 𝛼1 + 𝛼2 𝑋2𝑡 + 𝛽2 𝑋2𝑡 + 𝛼3 𝑋3𝑡 + 𝛽3 𝑋3𝑡 + ⋯ + 𝛾1 𝑋2𝑡 𝑋3𝑡 + 𝛾2 𝑋2𝑡 𝑋4𝑡 + ⋯ + 𝛼𝑘 𝑋𝑘𝑡 + 𝛽𝑘 𝑋𝑘2𝑡 + 𝜂𝑡
On pose donc :
𝐻0 ⇔ 𝛼1 = 𝛼2 = 𝛽2 = 𝛾1 = ⋯ = 0 𝐻1 ⇔ ∃𝑘 | 𝛾𝑘 , 𝛼𝑘 , 𝛽𝑘 = 0
On a :
𝑛𝑟 2 ≡ 𝜒(𝑛𝑏𝑉𝑎𝑟𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒)
Alors :
𝑟 2 (𝑛 − (𝑛𝑏𝑉𝑎𝑟𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒))
𝐹𝑠𝑡𝑎𝑡 = ≡ 𝐹1−𝑝 (𝑛𝑏𝑉𝑎𝑟𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒, 𝑛 − (𝑛𝑏𝑉𝑎𝑟𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒))
1 − 𝑟2 𝑛𝑏𝑉𝑎𝑟𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒
Page 46 sur 50
Econométrie [Tapez ici] L3 Economie
E – Le test de Goldfeld-Quandt
Il s’applique lorsque 𝜎𝜀 s’accroit proportionnellement avec l’une des variables explicatives du modèle.
On ordonne donc les observations des différentes variables du modèle en fonction des valeurs croissantes d’une de ces
variables du modèle. On néglige les observations centrales de l’échantillon obtenu.
Soit 𝑚 ce nombre d’observation que l’on a négligé.
On obtient donc deux sous-échantillons, l’un correspond aux valeurs les plus faibles et l’autre correspond aux valeurs
les plus fortes.
En ce sens, il reste (𝑛 − 𝑚)/2 observations les plus faibles et (𝑛 − 𝑚)/2 observations les plus fortes.
On applique donc la méthode des 𝑀𝐶𝑂 sur les (𝑛 − 𝑚)/2 observations les plus fortes et les plus faibles. On va aussi
noter 𝑆𝐶𝑅1 la somme des carré des résidus du premier échantillon des valeurs les plus faibles et 𝑆𝐶𝑅2 la somme des
carré des résidus du second échantillon des valeurs les plus fortes. On effectue ensuite :
𝑆𝐶𝑅2 𝑛 − 𝑚 − 2𝑘 𝑛 − 𝑚 − 2𝑘
≡ 𝐹1−𝑝 ( , )
𝑆𝐶𝑅1 2 2
Alors, on pose :
𝐻0 : 𝐻𝑜𝑚𝑜𝑠𝑐é𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑡é 𝐻1 : 𝐻é𝑡é𝑟𝑜𝑠𝑐é𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑡é
𝑛−𝑚−2𝑘 𝑛−𝑚−2𝑘
- Si 𝐹𝑠𝑡𝑎𝑡 < 𝐹1−𝑝 ( , ), alors 𝐻0 est acceptée au risque 𝑝, il y a donc homoscédasticité
2 2
𝑛−𝑚−2𝑘 𝑛−𝑚−2𝑘
- Si 𝐹𝑠𝑡𝑎𝑡 ≥ 𝐹1−𝑝 ( , ), alors 𝐻0 n’est pas acceptée au risque 𝑝, il y a donc hétéroscédasticité
2 2
Section 4 – La multi-colinéarité
1 - Définition
Dans le modèle linéaire général simple (MLGS), on a supposé que les variables 𝑋𝑗 sont linéairement indépendantes,
ainsi : 𝑅𝑎𝑛𝑔(𝑋) = 𝑘.
On dit qu’il y a multi-colinéarité parfaite entre plusieurs variables explicatives s’il existe une combinaison linéaire des
observations de plusieurs variables qui donne le vecteur des observation d’une autre variable. Le coefficient 𝑟 2 entre
ces variables est égale à 1.
S’il y a multi-colinéarité, alors 𝑅𝑎𝑛𝑔(𝑋) < 𝑘.
Dans le cas de colinéarité, ou même de multi-colinéarité parfaite, il est nécessaire de modifier notre modèle de départ
en supprimant dans la régression, la ou les variables explicatives responsables de la colinéarité.
Dans la pratique, il y a une tendance vers la colinéarité parfaite et se traduit par un 𝑟 qui tend vers 1. Dans ce cas, on
parle de quasi colinéarité.
3 – Le test d’Haitvosky
Ce test a observé le contenu de la matrice des coefficients de corrélation linéaire simple entre les variables explicatives.
Cette matrice permet la détection de colinéarité simple entre les deux variables explicatives, mais pas de multi-
colinéarité.
Haitvosky a travaillé sur la détermination des coefficients de corrélation. Ce test repose sur la nullité de la matrice des
coefficients de corrélation simple entre les variables explicatives. Si le déterminant de cette matrice est nul, alors il y a
de la colinéarité.
Page 47 sur 50
Econométrie [Tapez ici] L3 Economie
Page 48 sur 50
Econométrie [Tapez ici] L3 Economie
1 – Le test d’ANACOVA
Ce test porte sur la comparaison entre la somme des carrés des résidus sur chaque sous-période sur la période globale.
On nomme :
Σ𝑒𝑡2
𝑆𝐶𝑅0 = 𝑠𝑢𝑟 𝑡𝑜𝑢𝑡𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒
𝑛
Σ𝑒𝑡2
𝑆𝐶𝑅1 = 𝑠𝑢𝑟 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 1
𝑛1
Σ𝑒𝑡2
𝑆𝐶𝑅2 = 𝑠𝑢𝑟 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 2
{ 𝑛2
La période se scinde donc en deux sous-périodes et on a donc :
𝑆𝐶𝑅𝑎 = 𝑆𝐶𝑅1 + 𝑆𝐶𝑅2
On note 𝐵𝑗1 le coefficient du modèle linéaire sur la 1ère période et on note 𝐵𝑗2 le coefficient du modèle linéaire sur la 2nd
période. Et on pose :
𝐻0 ⇔ 𝐵𝑗1 = 𝐵𝑗2 𝐻1 ⇔ 𝐵𝑗1 ≠ 𝐵𝑗2
Alors :
(𝑆𝐶𝑅0 − 𝑆𝐶𝑅𝑎 ) 𝑛 − 2𝑘
𝐹𝑠𝑡𝑎𝑡 = × ≡ 𝐹1−𝑝 (𝑘, 𝑛 − 2𝑘)
𝑆𝐶𝑅𝑎 𝑘
La règle de décision est :
- Si 𝐹𝑠𝑡𝑎𝑡 < 𝐹1−𝑝 (𝑘, 𝑛 − 2𝑘), alors 𝐻0 est acceptée au risque 𝑝, il y a donc stabilité
- Si 𝐹𝑠𝑡𝑎𝑡 ≥ 𝐹1−𝑝 (𝑘, 𝑛 − 2𝑘), alors 𝐻0 n’est pas acceptée au risque 𝑝, il n’y a donc pas de stabilité
Page 49 sur 50
Econométrie [Tapez ici] L3 Economie
Alors :
1 1+𝑟
𝑧 = Argth(𝑟) = ln ( )
2 1−𝑟
On a donc deux sous-périodes avec 𝑟1 et 𝑟2 et nous donne donc 𝑧1 et 𝑧2 tel que :
1 1 + 𝑟1 1 1 + 𝑟2
𝑧1 = ln ( ) 𝑧2 = ln ( )
2 1 − 𝑟1 2 1 − 𝑟2
On note :
𝑧1′ = Argth(𝜌1 ) 𝑧2′ = Argth(𝜌2 )
On pose donc :
𝐻0 ⇔ 𝑑′ = 0 (𝑑′ = 𝑧1′ − 𝑧2′ ) 𝐻1 ⇔𝑧1′ ≠ 𝑧2′
Alors :
𝑑̂
𝑑̂ = 𝑧1 − 𝑧2 ⇒ 𝑡𝑠𝑡𝑎𝑡 =
σ𝑑̂
𝑧1 − 𝑧2
⇔
√𝑉(𝑧1 ) + 𝑉(𝑧1 )
1 1+𝑟 1 1+𝑟
[2 ln (1 − 𝑟1 )] − [2 ln (1 − 𝑟2 )]
1 2
⇔ ≡ 𝑇1−𝑝 (𝑛1 + 𝑛2 − 2𝑘)
1 1
√(
𝑛1 − 3) + (𝑛2 − 3)
La règle de décision est :
- Si |𝑡𝑠𝑡𝑎𝑡𝑖 | < 𝑇1−𝑝 (𝑛1 + 𝑛2 − 2𝑘), alors 𝐻0 est acceptée au risque 𝑝, il y a donc stabilité
- Si |𝑡𝑠𝑡𝑎𝑡𝑖 | ≥ 𝑇1−𝑝 (𝑛1 + 𝑛2 − 2𝑘), alors 𝐻0 n’est pas acceptée au risque 𝑝, il n’y a donc pas de stabilité
4 – Conclusion
Il y a donc robustesse du modèle s’il est valide et stable.
Si ce n’est pas le cas, il est bon de revoir les variables explicatives de notre modèle afin de représenter au mieux la réalité
économique.
Page 50 sur 50