Académique Documents
Professionnel Documents
Culture Documents
L’analyse de la variance a pour objet de dériver un indicateur synthétique, appelé coe¢ cient de
détermination R2 , qui évalue la qualité de l’ajustement réalisé en appliquant le critère des moindres
carrés. Il indique donc dans quelle mesure, la variable explicative X nous permet d’améliorer nos
connaissances sur la variable endogène Y .
Démonstration :
X
n X
SCR = (yt y^t )2 = e2t
t=1
24
Cours Econométriee 3 Fin 2020/2021
avec
et = yt y^t = yt ^ ^ xt
= yt y ^x ^ xt
= (yt y) ^ (xt x)
donc
X X
n X
n
2 X
n
e2t = (yt y)2 2^ (xt x) (yt y) + ^ (xt x)2
t=1 t=1 t=1
Pn ^ Pn 2
or t=1 (xt x) (yt y) = t=1 (xt x) ; on obtient
X X
n X
n
e2t = (yt y)2 ^2 (xt x)2
t=1 t=1
Pour prouver que SCT = SCE + SCR, il su¢ t alors de montrer que :
X
n X
n
^2 (xt x) = 2
(^
yt y)2
t=1 t=1
X
n X
n
2
(^
yt y) 2
= ^ + ^ xt ^ + ^x
t=1 t=1
2 X
n
= ^ (xt x)2
t=1
L’équation de la variance nous permettra de dé…nir le coe¢ cient de détermination, qui permet
de mesurer la qualité de l’ajustement linéaire. Le coe¢ cient de détermination est dé…ni par
SCE SCR
R2 = =1
SCT SCT
et l’on a 0 R2 1 . Plus R2 est proche de 1, plus la variance expliquée est proche de la variance
totale, et donc plus la qualité de l’ajustement du nuage de points par la droite des moindres carrés
est meilleure.
25
Cours Econométriee 3 Fin 2020/2021
Remarque : dans le cas d’un modèle de régression simple (une seule variable explicative) le
coe¢ cient de détermination est égal au carré du coe¢ cient de corrélation linéaire simple entre X et
Y.
Exemple :
Nous reprenons l’exemple précédent.
1) Construire le tableau de l’analyse de la variance
2) Calculer le coe¢ cient de détermination
Solution
X
n
SCR = e2t = 38:0443
t=1
X
n
2 X
n
SCE = (^
yt y)2 = ^ (xt x)2
t=1
!t=1
2 X
n
= ^ x2t nx2
t=1
2)
SCE 56:356
R2 = = = 0:597
SCT 94:4
Nous avons introduit la notion de la corrélation dans le chapitre premier. Il s’agit d’une mesure
du degré de liaison entre deux variables. Il est à noter que dans le cadre d’une régression linéaire,
la position des variables est symétrique ; l’analyse de la corrélation ne permet pas de distinguer la
variable endogène de la variable exogène.
26
Cours Econométriee 3 Fin 2020/2021
Le coe¢ cient de corrélation linéaire de Bravais – Pearson, noté rXY , est un coe¢ cient paramé-
trique qui donne la mesure du degré de liaison linéaire entre deux variables quantitatives X et Y
normalement distribuées. Il est donné par le rapport entre leur covariance et le produit non nul de
leurs écarts–types. Ainsi, il standardise la covariance et la corrige de l’in‡uence des unités de mesure
des variables.
Formellement, le rXY est donné par la formule :
P
cov(X; Y ) Xt X Yt Y
rXY = = qP t qP
X Y 2 2
t Xt X t Yt Y
Hypothèses fortes au calcul du rXY
Le calcul du coe¢ cient de corrélation linéaire de Bravais – Pearson entre les variables X et Y
n’est adapté qu’au strict respect des hypothèses suivantes :
– Les variables X et Y doivent être quantitatives ;
– Les variables X et Y doivent être gaussiennes ;
– La relation entre X et Y doit être linéaire
X;Y
t =r
(1 2
X;Y )
n 2
Si t > ta=2;n 2 ; l’hypothèse H0 est rejetée, le coe¢ cient de corrélation est donc signi…cativement
di¤érent de 0 ;
Si t < ta=2;n 2 , l’hypothèse H0 n’est pas rejetée, le coe¢ cient de corrélation n’est pas donc
signi…cativement di¤érent de 0.
27
Cours Econométriee 3 Fin 2020/2021
En principe, le coe¢ cient de Bravais - Pearson n’est applicable que pour mesurer la relation
entre deux variables X et Y ayant une distribution de type gaussien (normale) et ne comportant
pas de valeur exceptionnelles. Si ces conditions ne sont pas véri…ées (cas fréquent ...) l’emploi de ce
coe¢ cient peut aboutir à des conclusions erronées sur la présence ou l’absence d’une relation.
On notera également que l’absence d’une relation linéaire ne signi…e pas l’absence de toute relation
entre les deux variables étudiées.
Ce test consiste à tester la signi…cativité conjointe de tous les paramètres estimés du modèle. Les
hypothèses du test sont :
L’hypothèse de normalité des erreurs implique que sous l’hypothèse H0 , F suit une loi de Fisher
(rapport de deux chi-deux) à 1 et (n 2) degrés de liberté.
F ! F(1;n 2)
Au seuil de signi…cation a%; nous comparons donc ce F calculé au F théorique : si F > Fa;(1;n 2)
nous rejetons l’hypothèse H0 , le modèle est globalement signi…catif.
Remarques :
– Le test de signi…cativité globale ne porte que sur les paramètres associés aux variables exogènes.
– Tester la signi…cativité de la régression et tester la signi…cativité individuelle de la pente ( )
sont équivalents dans la régression simple.
28
Cours Econométriee 3 Fin 2020/2021
La valeur issue de la loi de Fisher au seuil de 5%, F0:05;(1;8) ; est telle que P (F(1;8) < F0:05;(1;8) ) =
1 0:05 = 0:95: C’est donc la quantile d’ordre 0.95. D’après la table de la loi de Fisher, on obtien
F0:05;(1;8) = 5:318:
On a F > F0:05;(1;8) ; alors on rejette H0 et donc le modèle est globalement signi…catif à 5%.
yt = ^ + ^ xt + et
si la valeur de la variable explicative xt est connue en n + 1; c’est à dire xn+1 est disponible, la
prévision est donnée par :
y^n+1 = ^ + ^ xn+1
Cette prévision est-elle sans biais ?
L’erreur de prévision est égale à
= ( ^) + ^ xn+1 + "n+1
h i
V (en+1 ) = V ( ^) + ^ xn+1 + "n+1
29
Cours Econométriee 3 Fin 2020/2021
or
2
V ^ = P
(xt x)2
P 2 P
2 xt 2( (xt x)2 + nx2 )
V (^ ) = P = P
n (xt x)2 n (xt x)2
2 1 x2
= +P
n (xt x)2
2
= + x2 V ( ^ )
n
x
Cov ^ ; ^ = 2
P = xV ( ^ )
(xt x)2
d’où
2
V (en+1 ) = + x2 V ( ^ ) + x2n+1 V ^ 2xn+1 xV ( ^ ) + 2
n
1
= + 1 2 + (xn+1 x)2 V ( ^ )
n
!
1 (xn+1 x)2 2
= +1+ P 2
n (xt x)
soit
y^n+1 yn+1
r ! Tn 2 (Student à n 2 d:d:l:)
2
1 Pn+1 x)2
(x
^ n
+1+ (xt x)
Exemple : En reprenant l’exemple précédent, on suppose que les valeurs de X11 et X12 sont
respectivement 9 et 13: Déterminer la prévision de Y pour ces deux dates ainsi que l’intervalle de
prédiction au seuil de 95 %.
Solution :
Les prévisions sont calculées par l’utilisation du modèle estimé.
30
Cours Econométriee 3 Fin 2020/2021
n = 10
t a2 ;n 2 = t0:025;8 = 2:306
p
^ = 4:7555 = 2: 180 7
x = 8:6
X X
(xt x)2 = x2t nx2 = 1024 10 (8:6)2 = 284:4
d’où
v !
u
u 1 (9 8:6)2
IC95% (y11 ) = 11:578 2:306 2: 180 7t +1+
10 284:4
= 11:578 2:306 2:2877
= [6:3025; 16: 8536]
et
v !
u
u 1 (13 8:6)2
IC95% (y12 ) = 13:358 2:306 2: 180 7t +1+
10 284:4
= 13:358 2:306 2:3568
= [7:9231; 18:793]
31