Ch3 PDF

22/06/2022
Université Cadi Ayyad Marrakech
Faculté des Sciences Juridiques Economiques

et Sociales
MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE
3ème Semestre (Promotion 3)
ECONOMETRIE
Lahcen AIT DAOUD
Année Universitaire 2021/2022

et Sociales
ECONOMETRIE
Chapitre 3 : Régression Linéaire Multiple
Lahcen AIT DAOUD
1
22/06/2022
1. Introduction
Le but premier de ce troisième chapitre est la
modélisation (l’explication) dans un but prédictif,
d’une variable quantitative Y par p variables
quantitatives X1, X2, ..., Xp .
Ces dernières sont liées linéairement avec Y.
Il s’agit là de ce qu’on appelle :

la régression linéaire multiple.
1. Introduction
• Le modèle de régression linéaire multiple est une généralisation de
la régression simple.
• C’est un outil statistique mis en œuvre pour l’étude de données

multidimensionnelles.
– Estimer les paramètres du modèle avec des estimateurs de meilleur

qualité (BLEUE) : 𝜶𝟎 , 𝜶𝟏 , 𝜶𝟐 … … 𝜶𝒑;
– Mesurer le pouvoir explicatif global du modèle;
– Faire de la prévision en construisant des intervalles de prévision.
2
22/06/2022
2. Modèle
• Une variable quantitative Y (V. à expliquer ou endogène) est mise en
relation avec p variables quantitatives X1, X2, ..., Xp (V. explicatives ,
exogènes ou régresseurs).
• On mesure sur n individus ces p+1 variables représentées par des

vecteurs de ℛ 𝒏 : Y, X1, X2, ..., Xp
• L’écriture du modèle linéaire est alors comme suit :
𝒚𝒊 = 𝜶𝟎 + 𝜶𝟏 𝒙𝒊𝟏 + 𝜶𝟏 𝒙𝒊𝟐 + ⋯ + 𝜶𝒑 𝒙𝒊𝒑 + 𝜺𝒊 𝒂𝒗𝒆𝒄 𝟏 ≤ 𝒊 ≤ 𝒏
2. Modèle : Ecriture matricielle
𝒚𝟏 𝟏 𝒙𝟏𝟏 … 𝒙𝟏𝒋 … 𝒙𝟏𝒑 𝜶𝟎 𝜺𝟏

𝒚𝟐 𝟏 𝒙𝟐𝟏 … 𝒙𝟐𝒋 … 𝒙𝟐𝒑 𝜶𝟏 𝜺𝟐
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝒚𝒊 = 𝟏 𝒙𝒊𝟏 … 𝒙𝒊𝒋 … 𝒙𝒊𝒑 𝜶𝒋 + 𝜺𝒊
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝒚𝒏 𝟏 𝒙𝒏𝟏 … 𝒙𝒏𝒋 … 𝒙𝒏𝒑 𝜶𝒑 𝜺𝒏
𝒀 (𝒏, 𝟏) 𝑿 (𝒏, 𝒑 + 𝟏) 𝜶 (𝒑 + 𝟏, 𝟏) 𝜺 (𝒏, 𝟏)
3
22/06/2022
3. Estimation des paramètres : Les hypothèses

On supposera vrai les hypothèses suivantes :
• H1 : Les valeurs de la variable X sont observées sans erreur.
• H2 : E(𝜺𝒊) = 0, l’espérance mathématique de l’erreur est nulle.
• H3 : E(𝜺𝟐𝒊 ) = 𝝈𝟐𝜺 , la variance de l’erreur est constante (∀i) (homoscédasticité).
• H4 : E(𝜺𝒊 𝜺𝒊’) = 0 si i ≠ i’, les erreurs sont non corrélées (ou encore
indépendantes, absence d’autocorrélation des erreurs).
• H5 : 𝑪𝒐𝒗(𝒙𝒊, 𝜺𝒊 ) = 𝟎 , l’erreur est indépendante des variables explicatives.
• H6 : absence de colinéarité entre les variables explicatives, cela implique que
la matrice (𝑿 𝑿) est régulière et que la matrice inverse 𝑿 𝑿 𝟏 existe.
(𝑿 𝑿)
• H7 : tend vers une matrice finie non singulière.
𝒏
• H8 : n > k + 1, le nombre d’observations est supérieur au nombre des séries

7
explicatives.
3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Comme vous avez vu dans le chapitre 1, il s’agit , afin d’estimer
α, de minimiser la somme des carrées des résidus (ei) :
𝒏
𝟐
𝒊
𝒊 𝟏
Où
4
22/06/2022
Donc,
𝟏
9
𝒏 𝒙𝒊𝟏 … 𝒙𝒊𝒋 … 𝒙𝒊𝒑
𝒙𝒊𝟏 𝒙𝟐𝒊𝟏 … 𝒙𝒊𝟏𝒙𝒊𝒋 … 𝒙𝒊𝟏𝒙𝒊𝒑
𝑿𝑿= ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝒙𝒊𝒋 𝒙𝒊𝒋𝒙𝒊𝟏 … 𝒙𝟐𝒊𝒋 … 𝒙𝒊𝒋𝒙𝒊𝒑
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝒙𝒊𝒑 𝒙𝒊𝒑𝒙𝒊𝟏 … 𝒙𝒊𝒑 𝒙𝒊𝒋 … 𝒙𝟐𝒊𝒑
(𝒑 + 𝟏, 𝒑 + 𝟏)
10
5
22/06/2022
𝒚𝒊
𝒙𝒊𝟏𝒚𝒊
𝑿𝒀= ⋮
𝒙𝒊𝒋 𝒚𝒊
⋮
𝒙𝒊𝒑 𝒚𝒊
(𝒑 + 𝟏, 𝟏)
11

Exemple :
Soit le modèle suivant : 𝒀 = 𝑿𝜶 + 𝜺
Avec :
𝟏 𝟎 𝟐 𝟔
𝑿= 𝟏 𝟏 −𝟏 𝐞𝐭 𝐘 = 𝟐
𝟏 𝟐 𝟏 𝟏
1. Calculer :
𝟏
– 𝑿 𝒀, 𝑿 𝑿 𝒆𝒕 𝑿 𝑿
2. Déduire n et calculer la variance de X et celle de Y
3. Estimer :
– 𝜶
4. Calculer :
– 𝒀 et 𝒆 12
6
22/06/2022

Exemple : 𝒀 = 𝑿𝜶 + 𝜺
𝟏 𝟎 𝟐 𝟔
𝑿= 𝟏 𝟏 −𝟏 𝐞𝐭 𝐘 = 𝟐
𝟏 𝟐 𝟏 𝟏
Calcule de 𝑿 𝒀
𝟏 𝟏 𝟏 𝟔 𝟗
𝑿𝒀= 𝟎 𝟏 𝟐 𝟐 = 𝟒
𝟐 −𝟏 𝟏 𝟏 𝟏𝟏
Calcule de 𝑿 𝑿
𝟏 𝟏 𝟏 𝟏 𝟎 𝟐 𝟑 𝟑 𝟐
𝑿𝑿= 𝟎 𝟏 𝟐 𝟏 𝟏 −𝟏 = 𝟑 𝟓 𝟏
𝟐 −𝟏 𝟏 𝟏 𝟐 𝟏 𝟐 𝟏 𝟔
Calcule de 𝑿 𝑿 𝟏
𝟏
𝟏
𝑿𝑿 = 𝑪𝒐𝒎 𝑿 𝑿 ′ 13
𝒅𝒆𝒕 𝑿 𝑿

Exemple :
𝟑 𝟑 𝟐
𝑿𝑿= 𝟑 𝟓 𝟏
𝟐 𝟏 𝟔
Calcule de 𝑿 𝑿 𝟏
𝟏
𝟏
𝑿𝑿 = 𝑪𝒐𝒎 𝑿 𝑿 𝒅𝒆𝒕 𝑿 𝑿 = 𝟐𝟓
𝒅𝒆𝒕 𝑿 𝑿
𝟐𝟗 −𝟏𝟔 −𝟕 𝟐𝟗 −𝟏𝟔 −𝟕
𝑪𝒐𝒎 𝑿 𝑿 = −𝟏𝟔 𝟏𝟒 𝟑 et 𝑪𝒐𝒎 𝑿 𝑿 ′ = −𝟏𝟔 𝟏𝟒 𝟑
−𝟕 𝟑 𝟔 −𝟕 𝟑 𝟔
Donc
𝟐𝟗 −𝟏𝟔 −𝟕
𝟐𝟓 𝟐𝟓 𝟐𝟓
𝟏 −𝟏𝟔 𝟏𝟒 𝟑
𝑿𝑿 =
𝟐𝟓 𝟐𝟓 𝟐𝟓
−𝟕 𝟑 𝟔
𝟐𝟓 𝟐𝟓 𝟐𝟓 14
7
22/06/2022

Exemple :
𝟑 𝟑 𝟐
𝑿𝑿= 𝟑 𝟓 𝟏
𝟐 𝟏 𝟔
Taille de l’échantillon n = 3
Calcule de la variance de X :
𝟐
∑ 𝒙𝟐𝟏𝒊 ∑ 𝒙𝟐𝟏𝒊 ∑ 𝒙𝟏𝒊
𝑽 𝒙𝟏 = − 𝒙𝟐 = −
𝒏 𝒏 𝒏
𝟐
𝟓 𝟑 𝟐
𝑽 𝒙 = − =
𝟑 𝟑 𝟑
15

Exemple :
𝟗 𝟔
𝑿𝒀= 𝟒 et 𝐘 = 𝟐
𝟏𝟏 𝟏
Calcule de la variance de Y :
𝟐
∑ 𝒚𝟐𝒊 ∑ 𝒚𝟐𝒊 ∑ 𝒚𝒊
𝑽 𝒚 = − 𝒚𝟐 = −
𝒏 𝒏 𝒏
𝟐
𝟒𝟏 𝟗 𝟒𝟐
𝑽 𝒚 = − =
𝟑 𝟑 𝟗
16
8
22/06/2022

Exemple :
𝟐𝟗 𝟏𝟔 𝟕
𝟗 𝟐𝟓 𝟐𝟓 𝟐𝟓
𝟏 𝟏𝟔 𝟏𝟒 𝟑
𝑿𝒀= 𝟒 et 𝑿 𝑿 =
𝟐𝟓 𝟐𝟓 𝟐𝟓
𝟏𝟏 𝟕 𝟑 𝟔
𝟐𝟓 𝟐𝟓 𝟐𝟓
Estimation de 𝜶 :
𝟏
𝜶= 𝑿𝑿 𝑿𝒀
𝟐𝟒
𝟓
𝟏 𝟏𝟐𝟎 𝟏𝟏
𝜶= −𝟓𝟓 = −
𝟐𝟓 𝟓
𝟏𝟓
𝟑
17
𝟓

Exemple :
𝟏 𝟏𝟐𝟎 𝟏 𝟎 𝟐 𝟔
𝜶= −𝟓𝟓 , 𝑿= 𝟏 𝟏 −𝟏 𝒆𝒕 𝐘 = 𝟐
𝟐𝟓
𝟏𝟓 𝟏 𝟐 𝟏 𝟏
Calcule de 𝒀:
𝒀 = 𝑿𝜶
𝟏 𝟎 𝟐 𝟏 𝟏𝟐𝟎 𝟔
𝒀= 𝟏 𝟏 −𝟏 −𝟓𝟓 = 𝟐
𝟐𝟓
𝟏 𝟐 𝟏 𝟏𝟓 𝟏
Calcule de 𝒆 :
𝒆 =𝒀−𝒀
𝟔 𝟔 𝟎
𝒆= 𝟐 − 𝟐 = 𝟎
𝟏 𝟏 𝟎 18
9
22/06/2022

et Sociales
ECONOMETRIE
Lahcen AIT DAOUD
4. Propriétés de l’estimateur
L’estimateur obtenu en utilisant le méthode de moindres carrés ordinaires a
deux propriétés importantes :
– Ils est sans biais:

𝑬 𝜶 =𝜶
– Il est convergents :
𝐥𝐢𝐦
𝒏→
𝛀𝜶 =𝟎
Ces types d’estimateurs sont dit ‘BLUE’

best linear unbiased estimators.
20
10
22/06/2022
4. Propriétés de l’estimateur : Démonstration

Puisque, 𝜶 = 𝑿 𝑿 𝟏𝑿 𝒀 et 𝒀 = 𝑿𝜶 + 𝜺; on obtient l’écriture :
𝜶 = 𝑿 𝑿 𝟏 𝑿 𝑿𝜶 + 𝜺
𝜶 = 𝑿 𝑿 𝟏 𝑿 𝑿𝜶 + 𝑿 𝑿 𝟏 𝑿 𝜺
𝜶 = 𝜶 + 𝑿 𝑿 𝟏𝑿 𝜺
a. Le biais :
𝟏
𝑬 𝜶 =𝜶+ 𝑿 𝑿 𝑿 𝑬(𝜺)
𝑬 𝜶 =𝜶
21

b. Matrice des variances covariances de l’estimateur :
La matrice des variances covariances de l’estimateur notée 𝛀𝜶 est donnée par
:
𝛀𝜶 = 𝑬 𝜶 − 𝜶 𝜶 − 𝜶 ′
Or, on sait que :
𝜶=𝜶+ 𝑿 𝑿 𝟏𝑿 𝜺
Donc,
𝜶−𝜶 = 𝑿 𝑿 𝟏𝑿 𝜺 𝒆𝒕 𝜶 − 𝜶 ′ = 𝜺 𝑿 𝑿 𝑿 𝟏 ( 𝑿𝑿 𝟏 et symétrique)
Alors,
𝜶−𝜶 𝜶−𝜶 = 𝑿 𝑿 𝟏𝑿 𝜺𝜺 𝑿 𝑿 𝑿 𝟏
D’où;
𝟏 𝟏
𝛀𝜶 = 𝑿 𝑿 𝑿 𝑬 𝜺𝜺 𝑿 𝑿 𝑿
𝑬(𝜺𝜺’) ? 22
11
22/06/2022

𝑬 𝜺𝟐𝟏 𝑬 𝜺𝟏 𝜺𝟐 … 𝑬 𝜺𝟏 𝜺𝒏
𝑬 𝜺𝟐 𝜺𝟏 𝑬 𝜺𝟐𝟐 … 𝑬 𝜺𝟐 𝜺𝒏
𝑬 𝜺𝜺 = 𝛀𝜺 =
⋮ ⋮ 𝑬 𝜺𝒊 𝜺𝒊 ⋮
𝑬 𝜺𝒏 𝜺𝟏 𝑬 𝜺𝒏 𝜺𝟐 … 𝑬 𝜺𝟐𝒏
D’après les hypothèses H3 et H4 nous avons :
𝝈𝟐𝜺 𝟎 … 𝟎
𝟎 𝝈𝟐𝜺 … 𝟎
𝑬 𝜺𝜺 = 𝛀𝜺 = = 𝝈𝟐𝜺 𝑰𝒏
⋮ ⋮ 𝝈𝟐𝜺 ⋮
𝟎 𝟎 … 𝝈𝟐𝜺
𝑬 𝜺𝜺 = 𝛀𝜺 = 𝝈𝟐𝜺 𝑰𝒏 c’est la matrice des variances et covariances de l’erreur

23
ε

Finalement,
𝟏 𝟏
𝛀𝜶 = 𝑿 𝑿 𝑿 𝑬 𝜺𝜺 𝑿 𝑿 𝑿
𝛀𝜶 = 𝝈𝟐𝜺 𝑿 𝑿 𝟏
𝑿𝑿 𝑿𝑿 𝟏
𝛀𝜶 = 𝝈𝟐𝜺 𝑿 𝑿 𝟏
𝝈𝟐𝜺 ?
24
12
22/06/2022
5. Estimateur de la variance
c. Estimation de 𝝈𝟐𝜺 et étude de la convergence de l’estimateur de α :
Après un calcul matriciel, il apparaît que nous pouvons estimer sans biais 𝝈𝟐𝜺
par :
𝟐
𝒆𝒆 ∑ 𝒆𝟐𝒊
𝝈𝜺 = =
𝒏−𝒌−𝟏 𝒏−𝒌−𝟏
En remplaçant la variance de l’erreur par son estimateur, nous obtenons :
𝟐 𝟏
𝜶 𝜺
Donc,
𝟏
𝝈𝟐𝜺 𝑿 𝑿
lim 𝛀𝜶 = lim =𝟎
𝒏→ 𝒏→ 𝒏 𝒏 25
6. Qualité d’ajustement du modèle

A. Equation d’analyse de la variance :
• Comme pour le modèle de régression simple, l’équation fondamentale

d’analyse de la variance :
𝟐 𝟐 𝟐
𝒚𝒕 − 𝒚 = 𝒚𝒕 − 𝒚 + 𝒚𝒕 − 𝒚𝒕
SCT = SCE + SCR
La variabilité totale = la variabilité expliquée + la variabilité des résidus
Cette équation va nous permettre de juger de la qualité de l’ajustement d’un

modèle.
Plus la variance expliquée est proche de la variance totale, meilleur est
l’ajustement de la nuage de points par la droite de moindres carrés. 26
13
22/06/2022

B. Coefficient de détermination :
SCT = SCE + SCR

𝑆𝐶𝑇 𝑆𝐶𝐸 𝑆𝐶𝑅 𝑆𝐶𝐸 𝑆𝐶𝑅
= + 1= +
𝑆𝐶𝑇 𝑆𝐶𝑇 𝑆𝐶𝑇 𝑆𝐶𝑇 𝑆𝐶𝑇
𝑆𝐶𝐸 𝑆𝐶𝑅
𝑅 = = 1−
𝑆𝐶𝑇 𝑆𝐶𝑇
R² mesure la proportion de la variance de Y expliquée par la régression de Y sur X.

0 ≤ 𝑅 ≤ 1, plus la valeur de R² est proche de 1, plus le modèle est plus significatif27

B. Coefficient de détermination : calcul matriciel
(𝒀 − 𝒀)′(𝒀 − 𝒀) 𝒆𝒆
𝑹𝟐 = = 𝟏−
𝒀−𝒀 𝒀−𝒀 𝒀−𝒀 𝒀−𝒀
Dans le cas de données centrées
𝒀′𝒀 𝒆𝒆
𝑹𝟐 = =𝟏−
𝒀𝒀 𝒀𝒀
28
14
22/06/2022

B. Coefficient de détermination corrigé :
• Cas ou le degré de liberté est faible:
• Exemple : Dans le cas d’un modèle où le nombre d’observations est égal au
nombre de variables explicatives (degré de liberté = 0), le R2 = 1 .
Cependant, le pouvoir explicatif de ce modèle est nul
• Il convient de corriger le R2 afin de tenir compte du relativement faible
nombre d’observations comparé au nombre de facteurs explicatifs par le
calcul d’un R2 « corrigé » noté 𝑅 :
𝑆𝐶𝐸 𝑛−1
𝑅 = =1− 1−𝑅
𝑆𝐶𝑇 𝑛−𝑘−1
Remarque : si n est grand 𝑅 ≅ 𝑅
29
Exercice
Soit le modèle à trois variables explicatives :
𝒚𝒕 = 𝒂𝟎 + 𝒂𝟏 𝒙𝟏𝒕 + 𝒂𝟐 𝒙𝟐𝒕 + 𝒂𝟑𝒙𝟑𝒕 + 𝜺𝒕
1) Mettre le modèle sous forme matricielle en spécifiant bien les dimensions

de chacune des matrices.
2) Estimer les paramètres du modèle.
3) Calculer l’estimation de la variance de l’erreur ainsi que les écarts types

de chacun des coefficients.
4) Calculer le R2 et le 𝑹𝟐 corrigé
30
15
22/06/2022
Exercice
Tableau des valeurs observées de y , x1 , x2 et x3
t y x1 x2 x3
1 12 2 45 121
2 14 1 43 132
3 10 3 43 154
4 16 6 47 145
5 14 7 42 129
6 19 8 41 156
7 21 8 32 132
8 19 5 33 147
9 21 5 41 128
10 16 8 38 163
11 19 4 32 161
12 21 9 31 172
13 25 12 35 174
14 21 7 29 180 31
Exercice
1. Forme matricielle
Nous disposons de 14 observations et 3 variables explicatives, le modèle peut
donc s’écrire :
𝟏𝟐 𝟏 𝟐 𝟒𝟓 𝟏𝟐𝟏 𝜶𝟎 𝜺𝟏
𝟏𝟒 = 𝟏 𝟏 𝟒𝟑 𝟏𝟑𝟐 𝜶𝟏 𝜺𝟐
⋮ ⋮ ⋮ ⋮ ⋮ 𝜶𝟐 + ⋮
𝟐𝟏 𝟏 𝟕 𝟐𝟗 𝟏𝟖𝟎 𝜶𝟑 𝜺𝟏𝟒
𝒀 (𝟏𝟒, 𝟏) 𝑿 (𝟏𝟒, 𝟒) 𝜶 (𝟒, 𝟏) 𝜺 (𝟏𝟒, 𝟏)
32
16
22/06/2022
Exercice
2. Estimation des paramètres du modèle
Nous savons que : 𝜶 = 𝑿 𝑿 𝟏𝑿 𝒀
Pour estimer les paramètres du modèle, on doit calculer : 𝑿 𝑿, 𝑿 𝑿 𝟏 et 𝑿 𝒀
A. 𝑿 𝑿
𝟏 𝟏 … 𝟏 𝟏 𝟐 𝟒𝟓 𝟏𝟐𝟏
𝟐 𝟏 … 𝟕 𝟏 𝟏 𝟒𝟑 𝟏𝟑𝟐 =
𝟒𝟓 𝟒𝟑 … 𝟐𝟗 ⋮ ⋮ ⋮ ⋮
𝟏𝟐𝟏 𝟏𝟑𝟐 … 𝟏𝟖𝟎 𝟏 𝟕 𝟐𝟗 𝟏𝟖𝟎
𝟏𝟒 𝟖𝟓 𝟓𝟑𝟐 𝟐𝟎𝟗𝟒
𝟖𝟓 𝟔𝟑𝟏 𝟑𝟏𝟐𝟔 𝟏𝟑𝟏𝟑𝟐
𝟓𝟑𝟐 𝟑𝟏𝟐𝟔 𝟐𝟎𝟔𝟔𝟔 𝟕𝟖𝟔𝟖𝟑
𝟐𝟎𝟗𝟒 𝟏𝟑𝟏𝟑𝟐 𝟕𝟖𝟔𝟖𝟑 𝟑𝟏𝟕𝟗𝟓𝟎
33
Exercice
B. 𝑿 𝑿 𝟏
B1. Déterminant de 𝑿 𝑿
𝒅𝒆𝒕 𝑿 𝑿 = 𝟏𝟒𝟐𝟕𝟎𝟔𝟗𝟒𝟖𝟑
B2. Comatrice de 𝑿 𝑿
28782057869 21499749 -330295538 -108706778
21499749 18844306 1704494 -1341716
-330295538 1704494 5187458 821169
-108706778 -1341716 821169 572626
B3. Transposée de la comatrice de 𝑿 𝑿
Puisque 𝑿 𝑿 est symétrique alors 𝑪𝒐𝒎(𝑿 𝑿) = 𝑪𝒐𝒎(𝑿 𝑿)𝒕

34
17
22/06/2022
Exercice
B. 𝑿 𝑿 𝟏
B4. Calcul de la matrice inverse

𝟏
𝟏
𝑿𝑿 = 𝒄𝒐𝒎(𝑿 𝑿)𝒕
𝒅𝒆𝒕(𝑿 𝑿)
20,16864505 0,01506566 -0,23145021 -0,07617483
0,015065664 0,0132049 0,0011944 -0,00094019
-0,231450215 0,0011944 0,00363504 0,00057542
-0,076174832 -0,00094019 0,00057542 0,00040126

35
Exercice
C.𝑿 𝒀
𝟏 𝟏 … 𝟏 𝟏𝟐 𝟐𝟒𝟖
𝟐 𝟏 … 𝟕 𝟏𝟒 = 𝟏𝟔𝟐𝟐
𝟒𝟓 𝟒𝟑 … 𝟐𝟗 ⋮ 𝟗𝟐𝟎𝟐
𝟏𝟐𝟏 𝟏𝟑𝟐 … 𝟏𝟖𝟎 𝟐𝟏 𝟑𝟕𝟓𝟗𝟐
D. Calcul des estimateurs

𝟑𝟐, 𝟖𝟗𝟏𝟑𝟐
𝟏𝑿 𝟎, 𝟖𝟎𝟏𝟗𝟎𝟎
𝜶= 𝑿𝑿 𝒀=
− 𝟎, 𝟑𝟖𝟏𝟑𝟔
− 𝟎, 𝟎𝟑𝟕𝟏𝟑
36
18
22/06/2022
Exercice
3. Calcul de 𝝈𝟐𝜺 et de 𝛀𝜶
𝒆 𝒆
Nous savons que : 𝛀𝜶 = 𝝈𝟐𝜺 𝑿 𝑿 𝟏 et 𝝈𝟐𝜺 =
𝒏 𝒌 𝟏
𝒆 𝒆
A.𝝈𝟐𝜺 =
𝒏 𝒌 𝟏
𝒆 = 𝒀 − 𝒀 = 𝒀 − 𝑿𝜶
-0,84119
1,60642
-3,18052
1,60505
-3,69773
1,12152 𝟔𝟕,𝟒𝟒𝟕𝟔𝟔𝟖𝟖
e= -1,20184 𝒆 𝒆 = 𝟔𝟕, 𝟒𝟒𝟕𝟔𝟔𝟖𝟖 𝝈𝟐𝜺 =
𝟏𝟒 𝟑 𝟏
0,14217
4,48758
-2,76265
1,08253
-0,8999
𝝈𝟐𝜺 = 𝟔, 𝟕𝟒𝟓
2,2941
0,23822
37
Exercice
3. Calcul de 𝝈𝟐𝜺 et de 𝛀𝜶
𝒆 𝒆
Nous savons que : 𝛀𝜶 = 𝝈𝟐𝜺 𝑿 𝑿 𝟏 et 𝝈𝟐𝜺 =
𝒏 𝒌 𝟏
B.𝛀𝜶 = 𝝈𝟐𝜺 𝑿 𝑿 𝟏
136,0328092 0,10161439 -1,56107774 -0,51378148

0,10161439 0,08906395 0,00805596 -0,00634136
-1,561077742 0,00805596 0,02451751 0,0038811
-0,513781484 -0,00634136 0,0038811 0,00270641
𝜎 = 136,0328 𝜎 = 11,66331039
𝜎 = 0,0890 𝜎 = 0,29843585
𝜎 = 0,0245 𝜎 = 0,15658069
𝜎 = 0,0027 𝜎 = 0,05202313 38
19
22/06/2022
Exercice
3. Calcul du 𝑹𝟐 et 𝑹𝟐 ajusté
(𝒀 − 𝒀)′(𝒀 − 𝒀) 𝒆𝒆
Nous savons que : 𝑹𝟐 = = 𝟏−
𝒀−𝒀 𝒀−𝒀 𝒀−𝒀 𝒀−𝒀
𝒆 𝒆 = 67,4476688
Et
𝟏𝟐 𝟏𝟕, 𝟕𝟏𝟒𝟐𝟖 −𝟓, 𝟕𝟏𝟒𝟐𝟖
𝟏𝟒 𝟏𝟕, 𝟕𝟏𝟒𝟐𝟖 −𝟑, 𝟕𝟏𝟒𝟐𝟖
𝒀−𝒀 = − =
⋮ ⋮ ⋮
𝟐𝟏 𝟏𝟕, 𝟕𝟏𝟒𝟐𝟖 𝟑, 𝟐𝟖𝟓𝟕𝟏
𝒀−𝒀 𝒀 − 𝒀 = 𝟐𝟐𝟔, 𝟖𝟓𝟕𝟏𝟒𝟑

39
Exercice
3. Calcul du 𝑹𝟐 et 𝑹𝟐 ajusté
Alors :
𝒆𝒆 67,4476688
𝑹𝟐 = 𝟏 − =𝟏− = 0,7026866
𝒀−𝒀 𝒀−𝒀 226,857143
𝑺𝑪𝑬 𝒏 𝟏
Nous savons que : 𝑹𝟐 = =𝟏− 𝟏 − 𝑹𝟐
𝑺𝑪𝑻 𝒏 𝒌 𝟏
𝑹𝟐 = 𝟎, 𝟔𝟏𝟑𝟒𝟗𝟐𝟓𝟖
40
20
22/06/2022
Exercice
3. Estimation sur Eviews
A- Création d'un fichier de travail (Workfile) à partir d’une source de données
externe : EXCEL
 EViews peut créer un nouveau workfile, en ouvrant des données à partir d'une
variété de formats (Excel ®, HTML, CSV, ASCII, RAT, Stata, SPSS, SAS, etc ...).
 EViews reconnaît automatiquement le format et la structure des fichiers.
 Il suffit d'ouvrir le fichier dans EViews et laissez l'application faire le reste.
41
Exercice
externe : EXCEL
 Il y a plusieurs façons d'ouvrir un fichier dans EViews:

– Faites glisser / déposer un fichier dans la fenêtre principale de EViews (C’est
la méthode la plus simple).
42
21
22/06/2022
Exercice
externe : EXCEL
 Il y a plusieurs façons d'ouvrir un fichier

dans EViews:
– Cliquez sur File→ Open → Foreign
Data as Workfile.
43
Exercice
externe : EXCEL
 Il y a plusieurs façons d'ouvrir un fichier dans EViews:

– Copier / Coller comme un nouveau Workfile dans le bureau EViews.
44
22
22/06/2022
Exercice
externe : EXCEL
• Dans tous les cas, la boîte de

dialogue EXCEL apparaît :
• Cliquez sur terminer pour charger
les données.
45
Exercice
B- Estimation et résultats
• L’estimation ou la régression dans EViews est effectuée en utilisant l'objet

Equation.
• Il y a Plusieurs façons pour faire une régression OLS (méthode des moindres
carrés ordinaires) :
1. Dans le menu de la page (Espace de travail), sélectionnez
Object → new object → Equa on
2. Dans le menu principal, sélectionnez
Quick→ Estimate Equation
3. Sur la fenêtre de commande taper :
ls suivie de la variable Y, C (constante) et ensuite les variables X
46
23
22/06/2022
Exercice
B- Estimation et résultats
 Indiquez l’équation à estimer soit par: liste,
Formule
• Pour les deux premier cas, la boîte de

dialogue Equation Estimation apparaît.
• Dans cette boîte de dialogue on doit
déterminer trois choses :
1. La spécification de l'équation.
2. La méthode d'estimation.
3. L'échantillon.
 Spécifier votre méthode d'estimation  Précisez votre échantillon

47
Exercice
𝝈 𝜶𝒋
𝒀
𝝈𝜺 𝝈𝒚
𝒆𝟐𝒊 = 𝒆 𝒆
48
24
22/06/2022

et Sociales
ECONOMETRIE
Lahcen AIT DAOUD
7. Tests statistiques sur les paramètres estimés

Rappel : lois statistiques
• Loi du χ2 (khi-deux)
Soit Z1, Z2, . . . , Zv une suite de variables aléatoires indépendantes
de même loi N(0, 1). Alors la variable aléatoire ∑𝒗𝒊 𝟏 𝒁𝟐𝒊 suit une loi
appelée loi du Khi-deux à ν degrés de liberté, notée χ2(ν).
• Loi de Student
Soient Z et Q deux variables aléatoires indépendantes telles que Z
𝒁
suit N(0, 1) et Q suit χ2(ν). Alors la variable aléatoire 𝑻 = suit
𝑸
𝒗
une loi appelée loi de Student à ν degrés de liberté, notée St(ν).
Pour ν = 1, la loi de Student s’appelle loi de Cauchy, ou loi de Lorentz. 50
25
22/06/2022

A- Comparaison d’un paramètre 𝜶𝒊 à une valeur fixée 𝜶 = 𝟎
- Le test d’hypothèses est le suivant :
H0 : 𝜶𝒊 = 𝟎
H1 : 𝜶𝒊 ≠ 𝟎
- Degrés de liberté :
𝒏−𝒌−𝟏
- Sous l’hypothèse H0 :
𝜶𝒊
𝒕𝒄 = suit une loi de Student à n − k − 1 degrés de liberté
𝝈 𝜶𝒊
- Règle de décision :
𝜶/𝟐
Si 𝒕𝒄 > 𝒕𝒏 𝒌 𝟏 alors nous rejetons l’hypothèse H0, 𝜶𝒊 est
significativement différent de 0 au seuil de α. 51

B- Intervalle de confiance de la variance de l’erreur
La variance de l’erreur permet de déterminer une fourchette de

variation de l’amplitude de l’erreur. Pour un intervalle à (1 − α)%, il
est donné par :
𝟏 − 𝒌 − 𝒏 𝝈² 𝜺 𝟏 − 𝒌 − 𝒏 𝝈²𝜺
𝑰𝑪 = ;
𝝌𝟐𝟏 𝝌𝟐𝟐
Avec
𝜶
• 𝝌𝟐𝟏 à n − k − 1 degrés de liberté et de probabilité d’être dépassée
𝟐
𝜶
• 𝝌𝟐𝟐 à n − k − 1 degrés de liberté et 𝟏 − de probabilité d’être
𝟐
dépassée.
52
26
22/06/2022

C- Exercice
En reprenant les données du tableau 1 et les résultats de
l’exercice 1, on demande de répondre aux questions suivantes :
1. Les variables explicatives sont-elles significativement

contributives pour expliquer la variable endogène ?
2. Quel est l’intervalle de confiance pour la variance de

l’erreur?
(Les seuils choisis seront de 5 %.)

53
Exercice
Les résultats de l’exercice 1
54
27
22/06/2022
Exercice
55
Exercice
56
28
22/06/2022

C- Exercice
Il convient de calculer les trois ratios de Student et de les comparer à la valeur
lue dans la table de Student pour un seuil de 5 % :
Pour 𝜶𝟎 :
𝜶𝟎
𝒕𝒄 = suit une loi de Student à 14 − 3 − 1 = 10 degrés de liberté
𝝈𝜶𝟎
𝟑𝟐, 𝟖𝟗
𝒕𝒄 = = 𝟐, 𝟖𝟐
𝟏𝟏, 𝟔𝟔
𝒕𝒄 > 𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
Ce qui signifie que 𝜶𝟎 ≠ 𝟎, la constante est contributive à l’explication de Y

57

C- Exercice
𝒕𝒄 = 𝟐, 𝟖𝟐 > 𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
Ce qui signifie que 𝜶𝟎 ≠ 𝟎, la constante est contributive à l’explication de Y
58
29
22/06/2022

C- Exercice
De même pour les trois autres variables :
Pour 𝜶𝟏 :
𝜶𝟏 𝟎, 𝟖𝟎
𝒕𝒄 = = = 𝟐, 𝟔𝟗
𝝈 𝜶𝟏 𝟎, 𝟐𝟗
𝒕𝒄 > 𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
Ce qui signifie que 𝜶𝟏 ≠ 𝟎, la variable 𝑿𝟏 est contributive à l’explication de Y
59

C- Exercice
Pour 𝜶𝟐 :
𝜶𝟐 −𝟎, 𝟑𝟖
𝒕𝒄 = = = 𝟐, 𝟒𝟒
𝝈 𝜶𝟐 𝟎, 𝟏𝟔
𝒕𝒄 > 𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
Ce qui signifie que 𝜶𝟐 ≠ 𝟎, la variable 𝑿𝟐 est contributive à l’explication de Y
60
30
22/06/2022

C- Exercice
Pour 𝜶𝟑 :
𝜶𝟑 −𝟎, 𝟎𝟒
𝒕𝒄 = = = 𝟎, 𝟕𝟏
𝝈 𝜶𝟑 𝟎, 𝟎𝟓
𝒕𝒄 > 𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
Ce qui signifie que 𝜶𝟑 = 𝟎, la variable 𝑿𝟑 n’est pas contributive à l’explication

de Y
il convient donc de retirer 𝑿𝟑 de ce modèle et de procéder à une nouvelle
estimation. 61

C- Exercice
𝑷 𝑿 ≥ 𝒕𝒄 = ? ?
Pour la constante 𝐂, on calcule :
𝑷 𝑿 ≥ 𝟐, 𝟖𝟐 = ? ?
62
31
22/06/2022

C- Exercice
Pour la constante 𝐂, on calcule :
𝑷 𝑿 ≥ 𝟐, 𝟖𝟐 = ? ?
Sur la table de la loi de Student, avec un degré de liberté v = 10 :
• La valeur 𝟐, 𝟖𝟐 est comprise entre les valeurs 2,7638 et 3,1693 qui
correspondent à α1= 0,02 et α2=0,01.
• L'interpolation linéaire permet de déduire la valeur de α entre α1 et α2
𝟎, 𝟎𝟏 − 𝟎, 𝟎𝟐
𝜶= 2,82 − 2,7638 + 𝟎, 𝟎𝟐 = 𝟎, 𝟎𝟏𝟖𝟔
3,1693 − 2,7638
63

C- Exercice
Intervalle de confiance :
𝑰𝑪𝜶𝒊 = 𝜶𝒊 ± 𝒕𝟎,𝟎𝟓
𝒏 𝒌 𝟏 𝝈𝜶𝒊
𝑰𝑪𝜶𝟎 = 𝟔, 𝟗𝟎; 𝟓𝟖, 𝟖𝟖
𝑰𝑪𝜶𝟏 = 𝟎, 𝟏𝟒; 𝟏, 𝟒𝟕
𝑰𝑪𝜶𝟐 = −𝟎, 𝟕𝟑; −𝟎, 𝟎𝟑
𝑰𝑪𝜶𝟑 = −𝟎, 𝟏𝟓; 𝟎, 𝟎𝟖
𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
64
32
22/06/2022

C- Exercice
2. L’intervalle de confiance de la variance de l’erreur à un seuil
(1 − α)% = 95% (α = 0,05) pour 10 degrés de liberté :
𝟏 − 𝒌 − 𝒏 𝝈 ²𝜺 𝟏 − 𝒌 − 𝒏 𝝈²𝜺
𝑰𝑪 = ;
𝝌𝟐𝟎,𝟎𝟐𝟓 𝝌𝟐𝟎,𝟗𝟕𝟓
𝟏𝟎 𝟔, 𝟕𝟒𝟓 𝟏𝟎 𝟔, 𝟕𝟒𝟓
𝑰𝑪 = ;
𝟐𝟎, 𝟔𝟗 𝟑, 𝟓𝟓
65

C- Exercice
2. L’intervalle de confiance de la variance de l’erreur à un seuil
(1 − α)% = 95% (α = 0,05) pour 10 degrés de liberté :
𝟏 − 𝒌 − 𝒏 𝝈 ²𝜺 𝟏 − 𝒌 − 𝒏 𝝈²𝜺
𝑰𝑪 = ;
𝝌𝟐𝟎,𝟎𝟐𝟓 𝝌𝟐𝟎,𝟗𝟕𝟓
𝟏𝟎 𝟔, 𝟕𝟒𝟓 𝟏𝟎 𝟔, 𝟕𝟒𝟓
𝑰𝑪 = ;
𝟐𝟎, 𝟔𝟗 𝟑, 𝟓𝟓
𝑰𝑪 = 𝟑, 𝟐𝟔; 𝟏𝟗
Soit 𝟑, 𝟐𝟔 ≤ 𝝈²𝜺 ≤ 𝟏𝟗.
La variance de l’erreur 𝝈²𝜺 (inconnue) a 95% de chance de se situer à
l’intérieur de cet intervalle. 66
33
22/06/2022
8. Analyse de la variance
A. Equation d’analyse de la variance :
• Nous reprenons l’équation fondamentale d’analyse de la variance :
SCT = SCE + SCR

𝒀−𝒀 ′ 𝒀−𝒀 = 𝒀−𝒀 ′ 𝒀−𝒀 +𝒆 𝒆
La variabilité totale = la variabilité expliquée + la variabilité des résidus
La régression est jugée significative si la variabilité expliquée

est significativement différente de 0
67
8. Analyse de la variance
B. Tableau d’analyse de la variance :
Source de Carrés
Somme des carrés ddl
la variance moyens
Variable 𝑺𝑪𝑬 = 𝒚𝒕 − 𝒚 𝟐 = 𝒀−𝒀 ′ 𝒀−𝒀 𝑆𝐶𝐸

explicative
k
𝑘
𝑆𝐶𝑅
Résidu 𝑺𝑪𝑹 = 𝒆²𝒕 = 𝒆 𝒆 n–k-1
𝑛−𝑘−1
𝑺𝑪𝑻 = 𝒚𝒕 − 𝒚 𝟐 = 𝒀−𝒀 ′ 𝒀−𝒀

Total n-1
68
34
22/06/2022
9. Tests statistiques sur la signification globale du

modèle
Rappel lois statistiques :
• Loi de Fisher-Snedecor
Soient Q1 et Q2 deux variables aléatoires indépendantes telles que Q1 suit χ2(ν1) et

𝑸𝟏
𝒗𝟏
Q2 suit χ2(ν2) alors la variable aléatoire 𝑭 = 𝑸𝟐 suit une loi de Fisher-Snedecor
𝒗𝟏
à (ν1, ν2) degrés de liberté, notée F(ν1, ν2).
69

modèle
A. Construction du test
Nous allons nous interroger maintenant sur la signification globale
du modèle de la régression (Autrement dit, si l’ensemble des
variables explicatives a une influence sur la variable à expliquer).
Ce test peut être formulé de la manière suivante :
Existe-t-il au moins une variable explicative significative ?
Soit le test d’hypothèses :
𝑯𝟎 ∶ 𝜶𝟏 = 𝜶𝟐 = 𝜶𝟑 … 𝜶𝒌 = 𝟎
𝑯𝟏: 𝒊𝒍 𝒆𝒙𝒊𝒔𝒕𝒆 𝒂𝒖 𝒎𝒐𝒊𝒏𝒔 𝒖𝒏 𝒅𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒏𝒐𝒏 𝒏𝒖𝒍
70
35
22/06/2022

modèle
B. Test de Fisher
L’hypothèse de normalité des erreurs implique que sous l’hypothèse
H0 :
Fc suit une loi de Fisher (rapport de deux loi de chi-deux).
∑ 𝒚𝒕 − 𝒚 𝟐 𝑅
𝐹 = 𝑘 = 𝑘
∑ 𝒆²𝒕 1−𝑅
𝑛−𝑘−1 𝑛−𝑘−1
Nous comparons donc ce F calculé au F théorique à k et (n − k − 1)
degrés de liberté :
Si Fc > F nous rejetons l’hypothèse H0, le modèle est globalement
71
explicatif.

modèle
C. Exercice
En reprenant les données de l’exercice, dont nous rappelons les résultats de
l’estimation du modèle :
𝒚𝒕 = 𝟑𝟐, 𝟖𝟗 + 𝟎, 𝟖𝒙𝟏𝒕 −𝟎, 𝟑𝟖𝒙𝟐𝒕 −𝟎, 𝟎𝟑𝒙𝟑𝒕 +𝒆𝒕
•
𝑨 (𝟏𝟏, 𝟔𝟔) (𝟎, 𝟐𝟗) (𝟎, 𝟏𝟓) (𝟎, 𝟎𝟓) 𝑨
• 𝑹² = 𝟎, 𝟕𝟎𝟐 , 𝒏 = 𝟏𝟒 𝐞𝐭 . = 𝑬𝒄𝒂𝒓𝒕 − 𝑻𝒚𝒑𝒆

Tester les hypothèses suivantes.
1- L’ajout des variables explicatives X2 et X3 améliore-t-il significativement la
qualité de l’estimation par rapport à X1 seul ?
2- Peut-on considérer le modèle (à trois variables explicatives) comme stable sur
l’ensemble de la période, ou doit-on procéder à deux estimations, l’une de la
période 1 à 7, et l’autre de la période 8 à 14 ?
3- Un économiste suggère que dans ce modèle α1 = 1 et α2 = α3 , qu’en pensez-
72
vous ?
36
22/06/2022

modèle
C. Exercice
73

modèle
C. Exercice
1- L’ajout des variables explicatives X2 et X3 améliore-t-il significativement la
qualité de l’estimation par rapport à x1 seul ?
Effectuons tout d’abord le test de Fisher afin de tester la signification
globale de la régression à trois variables :
𝑅 𝟎, 𝟕𝟎𝟐
𝐹 = 𝑘 = 3 = 7,878 > 𝐹( ,, = 3,71
1−𝑅 1 − 𝟎, 𝟕𝟎𝟐 )
𝑛 − 𝑘 − 1 14 − 3 − 1
Le modèle est globalement significative. 74
37
22/06/2022

modèle
C. Exercice
𝑅 𝟎, 𝟕𝟎𝟐
𝐹 = 𝑘 = 3 = 7,878 > 𝐹( ,, = 3,71
1−𝑅 1 − 𝟎, 𝟕𝟎𝟐 )
𝑛 − 𝑘 − 1 14 − 3 − 1
75

modèle
C. Exercice
1- L’ajout des variables explicatives x2 et x3 améliore-t-il significativement la
a. Calcul de la variabilité totale, expliquée et résiduelle sur le

modèle complet (Calculs précédents).
𝑺𝑪𝑻 = 𝟐𝟐𝟔, 𝟖𝟔, 𝑺𝑪𝑬 = 𝟏𝟓𝟗, 𝟒𝟏, 𝑺𝑪𝑹 = 𝟔𝟕, 𝟒𝟓
b. Calcul de la variabilité totale, expliquée et résiduelle sur le

modèle à une seule variable explicative X1 (Nouvelle régression)
𝑺𝑪𝑻𝟏 = 𝟏𝟏𝟕, 𝟔𝟓, 𝑺𝑪𝑬𝟏 = 𝟏𝟏𝟕, 𝟔𝟓 𝑺𝑪𝑹𝟏 = 𝟏𝟎𝟗, 𝟐𝟎 76
38
22/06/2022

modèle
C. Exercice
Ce test se ramène à un test par analyse de la variance

Le fait d’ajouter des variables explicatives dans un modèle entraîne
automatiquement une augmentation de SCE (et donc une diminution de
SCR).
On souhaite donc
- Tester que la différence entre SCE et SCE1 soit significativement positive
Ou
- Tester que la différence entre SCR1 et SCR soit significativement positive,
Il s’agit du même test 77

modèle
C. Exercice
c. Tableau d’analyse de la variance

Carrés
Source de la variance Somme des carrés ddl
moyens
X1 𝑺𝑪𝑬𝟏 = 𝟏𝟏𝟕, 𝟔𝟓 1 117,65
X1, X2, X3 𝑺𝑪𝑬 = 𝟏𝟓𝟗, 𝟒𝟏 3 53,14
Résidu (modèle complet) 𝑺𝑪𝑹 = 𝟔𝟕, 𝟒𝟓 10 6,74

Total (modèle complet) 𝑺𝑪𝑻 = 𝟐𝟐𝟔, 𝟖𝟔 13
78
39
22/06/2022

modèle
C. Exercice
d. Calcul du Fisher empirique.

𝑆𝐶𝐸 − 𝑆𝐶𝐸1 159,41 − 117,65
𝐹 = 𝑘 − 𝑘1 = 3−1 = 3,09 < 𝐹 ,
= 4,10
𝑆𝐶𝑅 67,45 ,
𝑛−𝑘−1 14 − 3 − 1
Ou bien,
𝑆𝐶𝑅1 − 𝑆𝐶𝑅 109,2 − 67,45
𝐹 = 𝑘 − 𝑘1 = 3−1 = 3,09 < 𝐹 ,
= 4,10
𝑆𝐶𝑅 67,45 ,
𝑛−𝑘−1 14 − 3 − 1
79

modèle
C. Exercice
e. Conclusion.
Nous acceptons l’hypothèse H0. Il n’y a donc pas de différence

significative entre les deux variances expliquées.
Au seuil de 5 %, l’ajout des variables explicatives X2 et X3

n’améliore pas de manière significative le pouvoir explicatif du
modèle. 80
40
22/06/2022

modèle
C. Exercice
2- Peut-on considérer le modèle (à trois variables explicatives) comme stable
sur l’ensemble de la période, ou doit-on procéder à deux estimations, l’une de
la période 1 à 7, et l’autre de la période 8 à 14 ?
Ce test de stabilité des coefficients (Test de Chow) se ramène à la
question suivante :
Existe-t-il une différence significative entre la somme des carrés
des résidus (SCR) de l’ensemble de la période et l’addition de la
somme des carrés des résidus calculée à partir des deux sous-
périodes (SCR1 + SCR2) ?
Avant d’effectuer ce test on doit tout d’abord calculer SCR1 et SCR2 et

donc estimer deux modèles sur chacune les deux sous-périodes 81

modèle
C. Exercice
a. Estimation des modèles et calcul de SCR1 et SCR2
– L’estimation sur une seule période, nous donne :
𝑺𝑪𝑻 = 𝟐𝟐𝟔, 𝟖𝟔, 𝑺𝑪𝑬 = 𝟏𝟓𝟗, 𝟒𝟏, 𝑺𝑪𝑹 = 𝟔𝟕, 𝟒𝟓
– L’estimation sur la période 1 à 7 , nous donne :

𝑺𝑪𝑻𝟏 = 𝟖𝟖, 𝟖𝟓, 𝑺𝑪𝑬𝟏 = 𝟔𝟏, 𝟓𝟒 𝑺𝑪𝑹𝟏 = 𝟐𝟕, 𝟑𝟏
– L’estimation sur la période 8 à 14, nous donne :

𝑺𝑪𝑻𝟐 = 𝟒𝟓, 𝟒𝟑, 𝑺𝑪𝑬𝟐 = 𝟐𝟒, 𝟕𝟎 𝑺𝑪𝑹𝟐 = 𝟐𝟎, 𝟕𝟑
82
41
22/06/2022

modèle
C. Exercice
b. Calcul du Fisher empirique
𝑺𝑪𝑹 − 𝑺𝑪𝑹𝟏 + 𝑺𝑪𝑹𝟐

𝒏 − 𝒌 − 𝟏 − 𝒏𝟏 − 𝒌 − 𝟏 + 𝒏𝟐 − 𝒌 − 𝟏
𝑭𝒄 =
𝑺𝑪𝑹𝟏 + 𝑺𝑪𝑹𝟐
𝒏𝟏 − 𝒌 − 𝟏 + 𝒏𝟐 − 𝒌 − 𝟏
𝟔𝟕, 𝟒𝟓 − 𝟐𝟕, 𝟑𝟏 + 𝟐𝟎, 𝟕𝟑

𝑭𝒄 = 𝟒 = 𝟎, 𝟔𝟎𝟔 < 𝑭𝟎,𝟎𝟓
𝟐𝟕, 𝟑𝟏 + 𝟐𝟎, 𝟕𝟑 𝟒;𝟔 = 𝟒, 𝟓𝟑
𝟔 83

modèle
C. Exercice
c. Conclusion
L’hypothèse H0 est acceptée, les coefficients sont
significativement stables sur l’ensemble de la période.
Attention !
Le test de Chow est biaisé en cas d’hétéroscédasticité
Rappel : H3 : 𝑬 𝜺𝟐𝒕 = 𝝈𝟐𝜺 , la variance de l’erreur est constante
(∀t) (homoscédasticité) 84
42
22/06/2022

modèle
C. Exercice
vous ?
H0 : α1 = 1 et α2 = α3
Si cette hypothèse est vérifiée, le modèle peut s’écrire comme suite :
𝒚𝒕 = 𝒂𝟎 + 𝟏𝒙𝟏𝒕 + 𝒂𝟐 𝒙𝟐𝒕 + 𝒂𝟐 𝒙𝟑𝒕 + 𝜺𝒕
𝒚𝒕 − 𝒙𝟏𝒕 = 𝒂𝟎 + 𝒂𝟐 𝒙𝟐𝒕 + 𝒙𝟑𝒕 + 𝜺𝒕
𝒛𝟏𝒕 = 𝒂𝟎 + 𝒂𝟐 𝒛𝟐𝒕 + 𝜺𝒕
Il convient de constituer la nouvelle variable à expliquer, Z1t , et

la nouvelle variable explicative Z2t , puis d’effectuer la régression
de Z1t sur Z2t. 85

modèle
C. Exercice
vous ?
a. Estimation du nouveau modèle et calcul de SCR1

– L’estimation initiale, nous donne :
𝑺𝑪𝑻 = 𝟐𝟐𝟔, 𝟖𝟔, 𝑺𝑪𝑬 = 𝟏𝟓𝟗, 𝟒𝟏, 𝑺𝑪𝑹 = 𝟔𝟕, 𝟒𝟓
– L’estimation du nouveau modèle, nous donne :
𝑺𝑪𝑻𝟏 = 𝟏𝟎𝟗, 𝟐𝟏, 𝑺𝑪𝑬𝟏 = 𝟎, 𝟒𝟐𝟓 𝑺𝑪𝑹𝟏 = 𝟏𝟎𝟖, 𝟕𝟖
86
43
22/06/2022

modèle
C. Exercice
vous ?
b. Calcul du Fisher empirique
𝑺𝑪𝑹𝟏 − 𝑺𝑪𝑹
𝒏 − 𝒌𝟏 − 𝟏 − 𝒏 − 𝒌 − 𝟏
𝑭𝒄 =
𝑺𝑪𝑹
𝒏−𝒌−𝟏
𝟏𝟎𝟖, 𝟕𝟖 − 𝟔𝟕, 𝟒𝟓
𝑭𝒄 = 𝟐 = 𝟑, 𝟎𝟔 < 𝑭𝟎,𝟎𝟓
𝟔𝟕, 𝟒𝟓 𝟐;𝟏𝟎 = 𝟒, 𝟏𝟎
𝟏𝟎 87

modèle
C. Exercice
vous ?
c. Conclusion
L’hypothèse H0 est acceptée
Les contraintes envisagées sur les coefficients sont compatibles

avec les données.
88
44
22/06/2022
10. Eviews
89
45

Ch3 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ch3 PDF

Transféré par

Droits d'auteur :

Formats disponibles

22/06/2022

Université Cadi Ayyad Marrakech

Faculté des Sciences Juridiques Economiques

MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE

3ème Semestre (Promotion 3)

Année Universitaire 2021/2022

Université Cadi Ayyad Marrakech

Faculté des Sciences Juridiques Economiques

MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE

3ème Semestre (Promotion 3)

Lahcen AIT DAOUD

Année Universitaire 2021/2022

Chapitre 3 : Régression Linéaire Multiple

Ces dernières sont liées linéairement avec Y.

Il s’agit là de ce qu’on appelle :

Chapitre 3 : Régression Linéaire Multiple

• C’est un outil statistique mis en œuvre pour l’étude de données

– Estimer les paramètres du modèle avec des estimateurs de meilleur

– Mesurer le pouvoir explicatif global du modèle;

– Faire de la prévision en construisant des intervalles de prévision.

Chapitre 3 : Régression Linéaire Multiple

• On mesure sur n individus ces p+1 variables représentées par des

• L’écriture du modèle linéaire est alors comme suit :

𝒚𝒊 = 𝜶𝟎 + 𝜶𝟏 𝒙𝒊𝟏 + 𝜶𝟏 𝒙𝒊𝟐 + ⋯ + 𝜶𝒑 𝒙𝒊𝒑 + 𝜺𝒊 𝒂𝒗𝒆𝒄 𝟏 ≤ 𝒊 ≤ 𝒏

Chapitre 3 : Régression Linéaire Multiple

2. Modèle : Ecriture matricielle

𝒚𝟏 𝟏 𝒙𝟏𝟏 … 𝒙𝟏𝒋 … 𝒙𝟏𝒑 𝜶𝟎 𝜺𝟏

𝒀 (𝒏, 𝟏) 𝑿 (𝒏, 𝒑 + 𝟏) 𝜶 (𝒑 + 𝟏, 𝟏) 𝜺 (𝒏, 𝟏)

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Les hypothèses

• H8 : n > k + 1, le nombre d’observations est supérieur au nombre des séries

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

𝒏 𝒙𝒊𝟏 … 𝒙𝒊𝒋 … 𝒙𝒊𝒑

𝒙𝒊𝟏 𝒙𝟐𝒊𝟏 … 𝒙𝒊𝟏𝒙𝒊𝒋 … 𝒙𝒊𝟏𝒙𝒊𝒑

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Chapitre 3 : Régression Linéaire Multiple

3. Estimation des paramètres : Méthode des moindres carrés ordinaire

Université Cadi Ayyad Marrakech

Faculté des Sciences Juridiques Economiques

MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE

3ème Semestre (Promotion 3)

Lahcen AIT DAOUD

Année Universitaire 2021/2022

Chapitre 3 : Régression Linéaire Multiple

– Ils est sans biais: