Catalogue

exercices······································································································································· 1
Corrections ····································································································································4
Faculté des Sciences Juridiques
Économiques et Sociales-OUJDA

Module : Méthodes économétriques

Option : S6 Économie et Gestion
Année Universitaire : 2020/2021
Professeur : D.DRIOUCHI

◦
Feuille de T.D. n 1.
(Régression linéaire simple)

Exercice 1 : Les ventes V d'une entreprise sont une fonction croissante de ses dépenses de
publicité PUB, mais au fur et à mesure que les dépenses de publicité augmentent, l'accroisse-
ment(Dérivée) des ventes devient de plus en plus faible, d'autant plus que le niveau de départ
des dépenses publicitaires est élevé. La relation entre les ventes V et les dépenses de publicité
PUB est-elle bien représentée par une des spécications suivantes, et laquelle ?
1) Vt = β1 + β2 P U Bt . Avec β1 > 0 , β2 > 0
2) Vt = β1 P U Btβ2 . Avec β1 > 0, 0 < β2 < 1
3) Vt = ln(β1 P U Btβ2 ). Avec β1 > 0, 0 > β2 > −1

Exercice 2 : On se donne les valeurs du tableau suivant ;

xt 54 53 59 66 63 62 65 60 59 65 70 65
yt 20 19 21 21 23 20 25 24 28 27 31 33
Nous désirons estimer la relation : yt = a0 + a1 xt + t avec t = 1 · · · , n
Avec :
yt =variable à expliquer ou variable exogène,
xt =variable à explicative ou variable endogène,
a0 , a1 : paramètres du modèle à estimer,
n : nombre d'observations,
t =erreur.
1) Rappeler le rôle du terme de l'erreur et calculer les estimations des paramètres a0 , a1 , en
déduire la série des résidus.
2) Estimer la variance résiduelle et les écarts types des coecients a0 , a1 .
3) Tracer le graphique yt en fonction de xt , commenter et calculer le coecients de corrélation
linéaire rxy ? est-il signicativement diérent de 0.(réaliser un test sur rxy )
4)Tester à un seuil de 5% l'hypothèse H0 : a1 = 0 contre a1 6= 0. Pourquoi cette hypothèse
est-elle très importante à tester ?Doner un intervalle de conance pour a1 à 95%
5)Tester à un seuil de 5% l'hypothèse H0 : a1 = 0.5 contre a1 6= 0.5.Puis l'hypothèse H0 :
a1 = 0.5 contre a1 > 0.5
6) Calculer les sommes SCR, SCT, et SCE. En déduire R2 et conclure.
7) Pour les périodes t = 13 et t = 14 nous connaissons les valeurs prévues de x13 = 72 et
x14 = 62. Calculer les prévisions et leurs écarts types.En déduire leurs intervalles de conance
à 95%
.
Exercice 3 : On mesure le revenu annuel Rt et l'épargne annuelle Et sur une période de 12
années, pour une catégorie socioprofessionnelle donnée. On obtient (en milliers d'euros) :

1
 R = 4827.
P12
1
P12 2
R̄ = Rt = 19, 7
Pi=1
12 P12i=1 2 t
i=1 Et = 456.
1 12
Ē = 12 i=1 Et = 6, 1

i=1 Et Rt = 1480.
P12
On suppose que les variables Et et Rt sont liées par le modèle
Et = aRt + b + εt

où les εt sont des v.a. indépendantes, de loi N (0, σ 2 ).

1) Calculer les estimateurs â et b̂ des MCO de a et b.
2) Tester l'hypothèse H0 : a = 0.
3) Calculer le coecient de détermination R2 .Conclusion ?

Exercice 4 : On dispose des statistiques annuelles de 1946 à 1970 inclus, pour les USA,
aux prix de 1958, donnant le revenu
P par habitant Rt et la consommation par habitant Ct :
P1590, 80 ;2C̄ = 1429, 521; P
1
R̄ = 25
(Rt − R̄)(Ct − C̄) = 271738, 5
1
25
(Rt − R̄) = 314098 ; 25 (Ct − C̄)2 = 245581, 5
On propose le modèle :
Ct = aRt + b + εt
1) Estimer les paramètres a et b.
2) Calculer le coecient de corrélation linéaire r et le coecient de détermination R2 .
3) Tester l'hypothèse a = 0.
4) Calculer un intervalle de conance de b.

Exercice 5 : Soit les résultats d'une estimation économétrique yt = 1.251xt − 32, 85 + et .

2
n = 20, R = 0.23, σ̂ = 10.66.
1) A partir des informations connues, on demande de retrouver les statistiques suivantes : SCR,
SCT, et SCE , la statistique de Student et l'écart-type du coecient aˆ1 .
2) Le coecient de la variable x est t-il signicativement >1.

Examen session normale 2017 : Au cours du dernier exercice comptable, on a relevé pour
10 entreprises des services et de l'industrie, en millions d'euros le bénéce net réalisé Y, l'in-
vestissement en capital X. les données de l'échantillon sont sur le tableau suivant ;
xt 22 2 6 25 30 17 13 14 6 16
yt 18 19 5 6 15 4 19 21 16 7
Nous désirons estimer la relation : yt = a0 + a1 xt + t avec t = 1 · · · , n
Avec :
yt =le bénéce net,
xt =l'investissement en capital,
a0 , a1 : paramètres du modèle à estimer,
n : nombre d'observations,
t =erreur.
On
P10suppose les résultats suivants : ȳP= 13 et x̄ = 15.1
t=1 (xt − x̄) = 714.9, V(y)=40.4 t=1 (xt − x̄)(yt − ȳ) = −82 et t=1 (et ) = 394.708.
2 10 P10 2

1) Rappeler le rôle du terme de l'erreur et calculer les estimations des paramètres a0 , a1 par la
MCO.Interpréter les résultats trouvés.
2) Estimer la variance résiduelle σb2 et les écarts types des coecients a0 , a1 .

2
3)Tester à un seuil de 5% l'hypothèse H0 : a1 = 0 contre a1 6= 0. Pourquoi cette hypothèse
est-elle très importante à tester ? Donner un intervalle de conance pour a1 à 95%
4) Calculer SCT, et SCE. En déduire R2 .
5) En tenant compte de ce qui a précédé, conclure sur la validité du modèle et sur l'inuence
réelle de l'investissement du capital sur le bénéce

Examen session Normale 2018 :Un agronome cherche à estimer la relation liant la pro-
duction du blé yt au taux de minéraux xt se trouvant dans la terre en formalisant la relation
suivante :
yi = a0 + a1 xi + εi

A partir d'une étude statistique sur 85 parcelles de terre un économètre lui fournit les résultats
suivants :
ybi = 132, 80 − 1, 1xi + ei avec i = 1. · · · .85

Les ratios des statistiques de Student Ta0 = 4, 3, Ta1 = 10, 2 et 85

P 2
P85 2
i=1 ( y
bi − y i ) = i=1 ei =
6234, 32.
1)Tester à un seuil de 5% l'hypothèse H0 : a1 = 0 contre a1 6= 0. Pourquoi cette hypothèse
est-elle très importante à tester ? interpréter le résultat obtenu(on donne le quantile de la lois
de student t83;0.05 = 1, 96).
2)Donner un intervalle de conance de a1 avec α = 5%.
3)A partir de la relation Ta1 , calculer le coecient de corrélation linéaire r et en déduire le
coecient de détermination R2 .En interprétant les résultats trouvés conclure sur le modèle.
4)Calculer σ̂2 , SCT et SCE et en déduire la statistique de Fisher F.
5)Dresser le tableau de l'analyse de la variance.

3
Faculté des Sciences Juridiques
Économiques et Sociales Année Universitaire 2020/2021
OUJDA

Méthodes Économétriques
S6 : Économie et Gestion

Professeur :D.DRIOUCHI

Correction des exercices

Correction exo2
1) le terme d'erreur ϵt représente tout ce qui n'est pas expliqué par le modèle, il doit vérier
des hypothèses pour arriver à réaliser les tests, ces hypothèse sont :
H1 : les ϵt sont centrés c.a.d E(ϵt ) = 0 ∀t ( les erreurs sont centrées et qu'on a oublié un terme
pertinent.)
H2 : les ϵt sont de variance constante c.a.d V (ϵt ) = σ 2 ∀t ( c'est que la variance ne varie pas en
fonction des individus).
H3 :les ϵt sont indépendantes ( une observation n'a pas d'inuence sur une autre observation)
c.a.d Cov(ϵt , ϵt′ ) = 0 ∀ t ̸= t′ et qu'il y a indépendance entre les erreurs et la variable xt ,
Cov(xt , ϵt ) = 0.
H4 les ϵt suivent une loi normale N (0, 1).

Les estimateurs
∑ de ao et a1 sont donnés par la méthode des MCO par :
t=1 (xt − x̄)(yt −
12
ȳ)
aˆ1 = ∑12 et aˆ0 = ȳ − aˆ1 x̄.
t=1 (xt − x̄)
2

En calculant les diérentes sommes , on trouves que x̄ = 61.8 et ȳ = 24.3 et que la somme
∑12 ∑12 157
t=1 (xt − x̄) = 274.25 et t=1 (xt − x̄)(yt − ȳ) = 157. On en déduit donc que aˆ1 =
2
=
274.25
0.572 et que aˆ0 = 24, 3 − 0.572.61.8 = −11, 07
On rappelle le modèle théorique yt = a0 + a1 xt + ϵt .
Le modèle estimé est yt = aˆ0 + aˆ1 xt + et .
Le modèle ajusté yˆt = aˆ0 + aˆ1 xt .
La série des résidus est donné par :
et = yt − yˆt = yt − (aˆ0 + aˆ1 xt ) = yt − (−11.07 + 0.572xt )
Par exemple pour t = 2, e2 = y2 − (−11.07 + 0.572x2 ) = 19 − (−11.07 + 0.572.53)∑= −0.32
On réalise tous les calculs de (e1 , · · · , e12 ) c'est la série des résidus et on calcule 12 2
t=1 (et ) =
(e21 + e21 · · · + e212 = 140, 79 qui va nous servir à calculer la variance estimée de l'erreur.
∑12 ∑12 2
SCR t=1 (yt − y
ˆt )2 (e ) 140.79
2) On a σ̂ = 2
= = t=1 t = = 14.079.
n−2 n−2 n−2 12 − 2 = 10
Pour calculer les écart-types de a0 et a1 on doit calculer d'abord leurs variances qui sont don-
nées par :
σϵ2
V ar(aˆ1 ) = ∑n ) et.
t=1 (xt − x̄)
2

1 x̄2
V ar(aˆ0 ) = σϵ2 ( + ∑n ).
t=1 (xt − x̄)
n 2
∑
Par le calcule et puisque σϵ2 = 14.079, 12 t=1 (xt − x̄) = 274.25, et x̄ = 61.8 on a alors.
2

14, 079 1 (61, 8)2

V ar(aˆ1 ) = = 0, 053 et V ar(aˆ0 ) = 14.079[ + ] = 196.92
274, 25 12 274, 25

1
 √ √
Les écart-types sont donc V ar(aˆ1 ) = σaˆ1 = 0.226 et V ar(aˆ0 ) = σaˆ0 = 14.03.

3) la calcul du coecient ∑
de corrélation linéaire est donné par :
Cov(X, Y ) 12
(xt − x̄)(yt − ȳ) 57
rxy = = √∑ t=1 ∑ =√ √ = 0.62.
σx σy 274.25 230.67
12
(x
t=1 t − x̄) 2 12
(y
t=1 t − ȳ)2
∑12 ∑12
Avec t=1 (xt − x̄) = 274, 25 et t=1 (yt − ȳ)2 = 230.67
2

On remarque que xt et yt évoluent dans le même sens puisque Cov(xt , yt est > 0.Pour savoir si
r (ou aussi rxy ou ρxy qui est une estimation de r est signicativement diérent de 0 on réalise
le test.
H0 ; rxy = 0
H1 ; rxy ̸= 0
ρ
On pose T ∗ = √ xy sous H0 , T ∗ ,→ Tn−2 .
1 − ρ2xy
n−2
α α
On accepte H0 si | T ∗ |≤ cα avec = P (Tn−2 > cα ) =⇒ P (Tn−1 ≤ cα ) = 1− ⇒ cα = tn−2; 1− α2
2 2
donc nalement on accepte H0 si T ∗ ∈ [−tn−2; 1− α2 ; tn−2; 1− α2 ].
On a n = 12 ⇒ tn−2; 1− α2 = t10; 0.975 = 2.228etr = 0.62, donc
√
∗ 12 − 2 = 100.62
Tobs = √ = 2.53
(1 − 0.62)2
On a Tobs
∗
/ [−2.228; 2, 228] ⇒ donc accepte H1 ; rxy ̸= 0 et r est signicativement diérent de 0.
∈

4) On teste H0 a1 = 0 contre H1 : a1 ̸= 0.
aˆ − a0 aˆ1
On pose comme statistique du test Ta1 = √ 1 =
V ar(aˆ1 ) σ̂
√ ∑n
t=1 (xt − x̄)
2

Sous H0 , Ta1 ,→ T10 .

Donc on accepte H0 si | Ta1 |≤ cα sinon on accepte H1 .
α α
avec = P (Tn−2 > cα ) =⇒ P (Tn−1 ≤ cα ) = 1 − =⇒ cα = tn−2; 1− α2 = t10; 0.975 = 2.228.
2 2
On calcule donc Tobs = 0.572
0,226
= 2.53 > t10; 0.975 = 2.228 on accepte donc H1 et a1 ̸= 0.

Cette hypothèse est très importante car le paramètre a1 sert à déterminer la part de la va-
riable expliquée par rapport à la variable explicative, si par hasard on validait l'hypothèse
H0 ; (a1 = 0, ceci veut dire que la relation entre xt et yt n'existe pas ou n'est pas pertinente.
Par ailleurs on avait démontré dans la question précédente que rxy ̸= 0, ceci preuve que les deux
propositions sont équivalentes rxy ̸= 0 ⇔ a1 ̸= 0, on a trouvé la même valeur des statistiques
utilisées pour ces deux tests, et ça été dit dans le cours.
L'intervalle de conance de a1 de coecient de sécurité 1 − α est donné par ;
σ̂ σ̂
=⇒ a ∈ [aˆ1 −tn−2; 1− α2 . v , aˆ1 +tn−2; 1− α2 . v ] = [0.572−2.228.0, 226; 0.572+
u n u n
u∑ u∑
t (xt − x̄)2 t (xt − x̄)2
t=1 t=1
2.228.0, 226] = [0.07; 1.08]
Le coecient théorique inconnu a1 a donc 95% de chance de se situer dans cet intervalle.

5)On teste H0 a1 = 0.5 contre H1 : a1 ̸= 0.5.

2
 aˆ − a0
On pose comme statistique du test Ta1 = √ 1
V ar(aˆ1 )
Sous H0 , Ta1 ,→ T10 .
Donc on accepte H0 si | Ta1 |≤ cα sinon on accepte H1 .
α α
avec = P (Tn−2 > cα ) ⇒ P (Tn−1 ≤ cα ) = 1 − ⇒ cα = tn−2; 1− α2 = t10; 0.975 = 2.228.
2 2
0.572 − 0.5
On calcule donc Tobs = = 0.32 < t10; 0.975 = 2.228 on accepte donc H0 et a1 = 0.5.
0, 226
Pour le test H0 a1 = 0.5 contre H1 : a1 > 0.5.
aˆ − a0
On pose comme statistique du test Ta1 = √ 1 et sous H0 , Ta1 ,→ T10 .
V ar(aˆ1 )
On accepte H0 si Ta1 ≤ cα et on accepte Ta1 > cα avec avec α = P (Tn−2 > cα ) ⇒ P (Tn−1 ≤
cα ) = 1 − α ⇒ cα = tn−2; 1−α = t10; 0.95 = 1.812.
Comme Tobs = 0.572−0.5
0,226
= 0.32 < t10; 0.95 = 1.812, on accepte donc H0 .
SCR SCR SCR
6) On sait que r2 = R2 = 1 − ⇒ 1 − R2 = ⇒ SCT = comme r = 0.62, on
SCT SCT 1 − R2
140.79
a donc r2 = R2 = 0.3844 et donc SCT = = 228.70.
1 − 0.384 = 0.651
Et comme SCT = SCR + SCE =⇒ SCE = SCT − SCR = 228, 70 − 140, 79 = 87, 9.
On remarque ici que même si la relation entre xt et yt il est très faible, et le R21 = 0.38 ceci
veut dire que le modèle n'est pas très explicatif, il y a que 38% de la variable xt qui explique
xt .
7) Le modèle de prévision s'écrit ŷt+h = aˆ1 xt+h + aˆ0 .
L'horizon h est ici est égale à 2 puisque n=12.
on a x13 = 72 et x14 = 62 donc :
ŷ13 = 0.572x13 − 11.02 = 0.572.72 − 11.02 = 30.20
ŷ13 = 0.572x14 − 11.02 = 0.572.62 − 11.02 = 24.48
L'intervalle de conancev
est donné par : v
u1 − u1 xt+h − x̄
u x x̄ u
+ 1].
t+h
IC = [ŷt+h − tn−2; 1− α2 σ̂ϵ u + n + 1; ŷt+h + tn−2; 1− α2 σ̂ϵ u + n
un ∑ u n ∑
t (xt − x̄)2 + t (xt − x̄)2
t=1 t=1
√
xt+h −x̄
il sut de chercher σ̂ϵ 1
n
+ ∑n + 1.
t=1 (xt −x̄) +
2
√
On
v a calculé dans 2) ˆ2 = 14.079 ⇒ σ̂ϵ = 14.079 = 3.75. et
σ
u1
ϵ
√
u xt+h − x̄ 1 72 − 61.8
u + n +1 = + + 1 = 4.20 et puisque tn−2; 1− α2 = t10; 0.975 =
un ∑ 12 274, 25
t (xt − x̄)2 +
t=1
2.228 donc IC = [30, 20 − 2, 228.4, 20; 30, 20 + 2, 228.4, 20] = [20, 85 − 39, 55].
on refait la même chose pour l'intervalle de prévision de x14 .On doit calculer ;
v
u1 √
u xt+h − x̄ 1 62 − 61.8
u + n +1= + + 1 = 3.83 et donc
un ∑ 12 274, 25
t (xt − x̄) +
2

t=1
IC = [24.48 − 2, 228.3, 83; 24.48 + 2, 228.3, 83] = [15, 94 − 33].

Correction exo3
Pour cet exercice il faut se placer dans le context de l'énoncé avec les données qu'on a pour
pouvoir chercher les estimateurs.On a le modèle Et = aRt + b + εt .

3
1) Les
∑estimateurs de a et b donnés
∑ par la MCO sont ;
t=1 (Rt − R̄)(Et − t=1 Rt Et − nĒ R̄
12 12
Ē)
â = ∑12 = ∑ .
t=1 (Rt − R̄) t=1 Rt − nR̄
2 12 2 2
1480 − 12 × 19.7 × 6.1 37.96
donc aobs
ˆ = = = 0, 223
4827 − 12 × (19.72 ) 169.92
Interprétation : une augmentation d'une unité de revenu va engendrer une augmentation de
0.223 unités d'épargne. Si nos données sont en dirhams un revenu de plus de 100 dh va engen-
drer 22.3 dh d'épargne.
b̂ = Ē − âR̄ ⇒ bobs = 6.1 − 0.223 × 19.7 = 1.70.
â â
2) Pour le test de H0 : a = 0 on pose comme statistique Ta = √ =
V ar(â) σ̂
v
u n
u∑
t (Rt − R̄)2
t=1
Sous H0 , Ta1 ,→ T10 .
Donc on accepte H0 si | Ta1 |≤ cα sinon on accepte H1 .
α α
avec = P (Tn−2 > cα ) ⇒ P (Tn−1 ≤ cα ) = 1 − ⇒ cα = tn−2; 1− α2 = t10; 0.975 = 2.228.
2 2
Le seul problème
∑ ∑ de σ̂ , on a par dénition
ici est le calcul ∑
t=1 (Et − Ê) = 10 [ t=1 (Et − Ē) − t=1 (Ê − Ē) = 10 (SCT − SCE) (puisque
1 12 1 12 12 1
σ̂ 2 = 10 2 2 2

SCR = SCT ∑ − SCE)

Avec SCT = 12 t=1 Et − 12Ē =
2 2
456 − 12 × (6.1)2 = 9.48 et
∑12 ∑ ∑12 ∑12
SCE = t=1 (âRt + b̂ − Ē)2 = 12 t=1 (âR t + b̂ − (Ē − â R̄)2
= â2
t=1 (Rt − R̄)2
= â2
t=1 (Rt −
2

12R̄ = 0.223 × 169, 92 = 8, 45 et donc nalement

2 2

1 (SCT − SCE) (9, 48 − 8, 45)

σ̂ 2 = SCR = = = 0.1.
10 √ 10 10
0.223 169.92
Tobs = √ = 9.19 on remarque bien que Tobs = 9.19 > 2.228 on adopte donc
0.1
H1 ; a ̸= 0.

3) on a R2 = SCE
SCT
= 8.45
9.48
= 0.891.
La valeur est assez proche de 1. 89% de la variance observée de Et est expliquée par Rt . 11%
sont attribuées à des facteurs inobservables, donc le modèle est très explicatif.
Correction exo4
1) On se place toujours dans le context des données de l'exercice on le modèle étudié est le
modèle
∑ consommation revenu Ct = aRt + b + ϵ.
t=1 (Rt − R̄)(Ct −
25
C̄) 271738.5
â = ∑25 avec les données qu'on a aobs
ˆ = = 0.865. et
t=1 (Rt − R̄)
2 314098
â = C̄ − âR̄ = 1429, 52 − 0.865 × 1590, 80 = 53, 256

2) Nous avons △(Ĉt ) = â △ (Rt ) car la variation de Ct est provoquée par le coecient a
⇒ △(Ĉt ) = 0.865 △ (Rt ) = 0.865 × 0.08 = 0.0692. La consommation augmente de 6, 92% soit
un peu moins que le revenu.

3) On a le coecient de corrélation
∑ linéaire est donné par :
Cov(Ct , Rt ) 25
(Rt − R̄)(Ct − C̄)
rxy = = √∑25 t=1 ∑25 = √314098
271738,5
√ = 0.9784.
t=1 (Rt − R̄) t=1 (Ct − C̄)
σCt σRt 2 2 245581,5

et puisque r2 = R2 =⇒ R2 = 0.9784 × 0.9784 = 0.9573 ; On remarque qu'on a un très bon

4
modèle et que les variables consommations revenu sont corrélées positivement.

4) On veut réaliser le test H0 ; a = 0, puisque on a calculé dans la question précédente le

coecient de corrélation linéaire r, on va utiliser la statistique utilisant ce coecient, on pose
donc : √
â r n−2
Ta = = √ .
v σ̂
1−r
2
u n
u∑
t (xt − x̄)2
t=1
Sous H0 : Ta ,→ Tn−2 et on accepte H0 si Ta ∈ [−tn−2; 1− α2 ; tn−2; 1− α2 ] = [−t23; 0.975 , t23; 0.975 ].
√ √
r n−2 0.9784 25 − 2 = 23
D'après la table de la loi de Student on a t23; 0.975 = 2.069 et Ta,obs = √ = √ =
1 − r2 1 − 0.97842
22.70 on remarque que Ta,obs = 22, 70 ∈ / [−2, 069; 2, 069] donc on accepte H1 de très loin et a ̸= 0

5) Pour la construction de l'intervalle de conance de b, de coecient de sécurité 1 − α on

sait que.
b̂ − b b̂ − b
√ =√ ,→ T23 .
2( 1 + ∑ R̄2
V ar(b̂) σ 25
t=1 (Rt −R̄)
25 2

L'intervalle de conance √ de coecient de sécurité 1 − α est donné par :

| b̂ − b |≤ tn−2; 1− 2 .σ̂ 25 + ∑25 (R −R̄)2 .
1 x̄ 2
α

v
t=1 t
v
u u
u1 R̄ 2 u1 R̄2
On a donc IC = [b̂ − t23; 1− 2 .σ̂ u + 25
α ; b̂ + t23; 1− 2 .σ̂ u + n
α
u 25 ∑
]
u 25 ∑
t t (Rt − R̄)2
(Rt − R̄)2
t=1 t=1

Pour α = 5% on a t23; 1− α2 =2.069 , il reste à calculer σ̂ , on sait que σˆ2 = SCR

n−2
= 231
(SCT −SCE) =
1
(1−R )SCT =⇒ σˆ2 = 23 (1−0.9573)314098 = 0.001858×314098×25 = 14589 ⇒ σ̂ = 120, 78
2 1
23 v √
u
u1 R̄2 1 1590, 82
et comme u + 25 = + = 0, 2,l'intervalle de conance est donc
u 25 ∑ 25 25 × 314098
t (Rt − R̄)2
t=1
IC = [1.70 − 2.069 × 0.2 × 120, 78; −1.70 − 2.069 × 0.2 × 120, 78] = [1, 70 − 50; 1, 70 + 50] =
[−48, 30 − 51, 70]
Correction exo5
Cet exercice permet de manipuler quelques formules concernant les statistiques demandées.
SCR
On d'après les données σˆϵ2 = ⇒ σˆϵ2 (n − 2) = SCR ⇒ SCR = 18 × (10.66)2 = 2045, 44
n−2
SCE SCT − SCR SCR SCR SCR
On a aussi = = 1− =⇒ (1 − R2 = =⇒ SCT = =
SCT SCT SCT SCT 1 − R2
2045, 44
= 2656, 42.
1 − 0.23
Finalement SCE = √ SCT − SCR = √2656, 42 − 2045, 44 = 610, 98 ≃ 611.
r n−2 0.479 8
On a aussi Ta = √ = = 2.32
1−R 2 1 − 0.23
â â 1.251
et comme Ta = =⇒ σˆa = = = 0.54
σˆa Ta 2.32
2) On veut tester H0 ; a = 1 contre H0 ; a > 1.
â − 1
On pose Ta = sous H0 ; Ta ,→ T18 on accepte H1 si Ta > t18,1−α = t18,0.95 si on suppose
σˆa

5
qu'on réalise le test à 5%.
1, 25 − 1
D'après la table de la loi de Student on a t18,0.95 = 1.734 et Ta,obs = = 0.46 < t18,0.95 =
0.54
1.734, donc on accepte H0 et on rejette H1 le coecient de la variable n'est pas signicativement
diérent de 0.