Académique Documents
Professionnel Documents
Culture Documents
ECONOMETRIE
Lahcen AIT DAOUD
ECONOMETRIE
Chapitre 3 : Régression Linéaire Multiple
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 .
1. Introduction
• Le modèle de régression linéaire multiple est une généralisation de
la régression simple.
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).
3
22/06/2022
𝒏
𝟐
𝒊
𝒊 𝟏
Où
4
22/06/2022
Donc,
𝟏
9
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
6
22/06/2022
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
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
16
8
22/06/2022
Estimation de 𝜶 :
𝟏
𝜶= 𝑿𝑿 𝑿𝒀
𝟐𝟒
𝟓
𝟏 𝟏𝟐𝟎 𝟏𝟏
𝜶= −𝟓𝟓 = −
𝟐𝟓 𝟓
𝟏𝟓
𝟑
17
𝟓
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
ECONOMETRIE
Chapitre 3 : Régression Linéaire Multiple
4. Propriétés de l’estimateur
L’estimateur obtenu en utilisant le méthode de moindres carrés ordinaires a
deux propriétés importantes :
𝐥𝐢𝐦
𝒏→
𝛀𝜶 =𝟎
20
10
22/06/2022
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
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
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
13
22/06/2022
𝑆𝐶𝐸 𝑆𝐶𝑅
𝑅 = = 1−
𝑆𝐶𝑇 𝑆𝐶𝑇
(𝒀 − 𝒀)′(𝒀 − 𝒀) 𝒆𝒆
𝑹𝟐 = = 𝟏−
𝒀−𝒀 𝒀−𝒀 𝒀−𝒀 𝒀−𝒀
𝒀′𝒀 𝒆𝒆
𝑹𝟐 = =𝟏−
𝒀𝒀 𝒀𝒀
28
14
22/06/2022
𝑆𝐶𝐸 𝑛−1
𝑅 = =1− 1−𝑅
𝑆𝐶𝑇 𝑛−𝑘−1
29
Exercice
Soit le modèle à trois variables explicatives :
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
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
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
17
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
B. 𝑿 𝑿 𝟏
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
C.𝑿 𝒀
𝟏 𝟏 … 𝟏 𝟏𝟐 𝟐𝟒𝟖
𝟐 𝟏 … 𝟕 𝟏𝟒 = 𝟏𝟔𝟐𝟐
𝟒𝟓 𝟒𝟑 … 𝟐𝟗 ⋮ 𝟗𝟐𝟎𝟐
𝟏𝟐𝟏 𝟏𝟑𝟐 … 𝟏𝟖𝟎 𝟐𝟏 𝟑𝟕𝟓𝟗𝟐
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
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
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 ...).
41
Exercice
3. Estimation sur Eviews
A- Création d'un fichier de travail (Workfile) à partir d’une source de données
externe : EXCEL
42
21
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
43
Exercice
3. Estimation sur Eviews
A- Création d'un fichier de travail (Workfile) à partir d’une source de données
externe : EXCEL
44
22
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
45
Exercice
3. Estimation sur Eviews
B- Estimation et résultats
46
23
22/06/2022
Exercice
3. Estimation sur Eviews
B- Estimation et résultats
Indiquez l’équation à estimer soit par: liste,
Formule
Exercice
3. Estimation sur Eviews
𝝈 𝜶𝒋
𝒀
𝝈𝜺 𝝈𝒚
𝒆𝟐𝒊 = 𝒆 𝒆
48
24
22/06/2022
ECONOMETRIE
Chapitre 3 : Régression Linéaire Multiple
• 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
25
22/06/2022
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
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
Exercice
Les résultats de l’exercice 1
54
27
22/06/2022
Exercice
55
Exercice
56
28
22/06/2022
𝒕𝒄 = 𝟐, 𝟖𝟐 > 𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
58
29
22/06/2022
𝒕𝒄 > 𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
59
Pour 𝜶𝟐 :
𝜶𝟐 −𝟎, 𝟑𝟖
𝒕𝒄 = = = 𝟐, 𝟒𝟒
𝝈 𝜶𝟐 𝟎, 𝟏𝟔
𝒕𝒄 > 𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
60
30
22/06/2022
Pour 𝜶𝟑 :
𝜶𝟑 −𝟎, 𝟎𝟒
𝒕𝒄 = = = 𝟎, 𝟕𝟏
𝝈 𝜶𝟑 𝟎, 𝟎𝟓
𝒕𝒄 > 𝒕𝟎,𝟎𝟓
𝟏𝟎 = 𝟐, 𝟐𝟐𝟖
𝑷 𝑿 ≥ 𝒕𝒄 = ? ?
Pour la constante 𝐂, on calcule :
𝑷 𝑿 ≥ 𝟐, 𝟖𝟐 = ? ?
62
31
22/06/2022
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
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
𝟏𝟎 𝟔, 𝟕𝟒𝟓 𝟏𝟎 𝟔, 𝟕𝟒𝟓
𝑰𝑪 = ;
𝟐𝟎, 𝟔𝟗 𝟑, 𝟓𝟓
65
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 :
8. Analyse de la variance
B. Tableau d’analyse de la variance :
Source de Carrés
Somme des carrés ddl
la variance moyens
𝑆𝐶𝑅
Résidu 𝑺𝑪𝑹 = 𝒆²𝒕 = 𝒆 𝒆 n–k-1
𝑛−𝑘−1
68
34
22/06/2022
69
𝑯𝟎 ∶ 𝜶𝟏 = 𝜶𝟐 = 𝜶𝟑 … 𝜶𝒌 = 𝟎
𝑯𝟏: 𝒊𝒍 𝒆𝒙𝒊𝒔𝒕𝒆 𝒂𝒖 𝒎𝒐𝒊𝒏𝒔 𝒖𝒏 𝒅𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒏𝒐𝒏 𝒏𝒖𝒍
70
35
22/06/2022
∑ 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.
36
22/06/2022
73
𝑅 𝟎, 𝟕𝟎𝟐
𝐹 = 𝑘 = 3 = 7,878 > 𝐹( ,, = 3,71
1−𝑅 1 − 𝟎, 𝟕𝟎𝟐 )
𝑛 − 𝑘 − 1 14 − 3 − 1
37
22/06/2022
75
38
22/06/2022
39
22/06/2022
e. Conclusion.
40
22/06/2022
41
22/06/2022
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
86
43
22/06/2022
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
88
44
22/06/2022
10. Eviews
89
45