Académique Documents
Professionnel Documents
Culture Documents
Chapitre2 MRLM
Chapitre2 MRLM
Royaume du Maroc
Haut Commissariat au Plan
Institut National de Statistique
C HAPITRE
et d’Economie Appliquée 2. MODÈLE LINÉAIRE STANDARD
ASPECTS THÉORIQUES
MUSTAPHA BERROUYNE
INGÉNIEUR EN CHEF PRINCIPAL
ENSEIGNANT À L’INSEA
7. QUALITE DE L’AJUSTEMENT
8. RESUME
a0
y1 1 x1,1 x1, p 1
= 1+ a
yn 1 x1,n xn, p n
a p
y = Xa +
t, 𝐒 = 𝐘 − 𝐗 𝐚 ′
𝐘 − 𝐗 𝐚 = 𝐘 ′ − 𝐚′ 𝐗′ 𝐘 − 𝐗 𝐚
= 𝐘 ′ 𝐘 − 𝐘 ′ 𝐗 𝐚 − 𝐚′ 𝐗 ′ 𝐘 + 𝐚′ 𝐗 ′ 𝐗 𝐚 ′ ′ ′ ′′
𝐘 𝐗 𝐚 = 𝐘 𝐗 𝐚 =𝐚 𝐗 𝐘 (Scalaire)
➔ 𝐒 = 𝐘 ′ 𝐘 − 𝟐𝐚′ 𝐗 ′ 𝐘 + 𝐚′ 𝐗 ′ 𝐗 𝐚
Mustapha BERROUYNE 5 CHAPITRE 2. MODELE LINEAIRE STANDARD
2. ESTIMATION
𝛛𝐒
La condition du premier ordre s’écrit : =𝟎
𝛛𝐚
𝛛𝐒
= 𝟎 ➔ − 𝟐 𝐗′ 𝐘 + 𝟐 𝐗′ 𝐗 𝐚 = 𝟎
𝛛𝐚
′ ′
➔ 𝐗 𝐗 𝐚 = 𝐗 𝐘 (𝟐)
➔ 𝐗′ 𝐘 − 𝐗 𝐚 = 𝟎 ➔ 𝐗 ′ 𝐮 = 𝟎 (3)
➔ Les résidus sont orthogonaux à X.
𝛛²𝐒
Les conditions du deuxième ordre s’écrivent : >𝟎
𝛛²𝐚
𝛛²𝐒
En effet, = 𝟐 𝐗′ 𝐗 > 𝟎
𝛛²𝐚
Mustapha BERROUYNE 6 CHAPITRE 2. MODELE LINEAIRE STANDARD
2. ESTIMATION
𝐗 ′ = 𝟎 (3)
(𝟑) ➔ il existe (p+1) contraintes :
1 1 1
𝐭=𝟏 𝐭
𝐧
=𝟎
➔
𝐭=𝟏 𝐱 𝐭𝐢 𝐭 = 𝟎 𝐢 = 𝟏, … , 𝐩
𝐧
x x2 p xnp
1p
1 1 1 1 x11 x1 p
′
𝐗𝐗=
1
x xnp x1n xnp
1p x2 p
n
x 1t x
pt
𝐗′ 𝐗 =
2
x pt x pt x1t pt
x
Mustapha BERROUYNE 7 CHAPITRE 2. MODELE LINEAIRE STANDARD
2. ESTIMATION
yt
1 1 1 y1
y x1t yt
𝐗′ 𝐘 = 2 =
x
1, p x2 , p xn , p x y
un pt t
n
x1t x pt a0
a1
yt
x1t yt
=
x x 2pt
pt x ap
pt 1tx x pt yt
Comme 𝐗 ′ 𝐗 la matrice carrée d’ordre (p+1) des produits croisés des
variables explicatives est symétrique semi-définie positive et s’il n y a pas
de colinéarité parfaite entre variables explicatives, alors elle est inversible
et on a :
Soit, 𝐚 = 𝐗 𝐗 ′ −𝟏 ′
𝐗𝐘
Mustapha BERROUYNE 8 CHAPITRE 2. MODELE LINEAIRE STANDARD
2. ESTIMATION
EXEMPLE D’APPLICATION Avec STATA
marque consom prix cylindrée puissance poids
Daihatsu Cuore 5,7 11600 846 32 650
Suzuki Swift 1.0 GLS 5,8 12490 993 39 790
Fiat Panda Mambo L 6,1 10450 899 29 730
VW Polo 1.4 60 6,5 17140 1390 44 955
Opel Corsa 1.2i Eco 6,8 14825 1195 33 895
Subaru Vivio 4WD 6,8 13730 658 32 740
Toyota Corolla 7,1 19490 1331 55 1010
Opel Astra 1.6i 16V 7,4 25000 1597 74 1080
Peugeot 306 XS 108 9,0 22350 1761 74 1100
Renault Safrane 2.2. V 11,7 36600 2165 101 1500
Seat Ibiza 2.0 GTI 9,5 22500 1983 85 1075
VW Golt 2.0 GTI 9,5 31580 1984 85 1155
Citroen ZX Volcane 8,8 28750 1998 89 1140
Fiat Tempra 1.6 Liberty 9,3 22600 1580 65 1080
Fort Escort 1.4i PT 8,6 20300 1390 54 1110
Honda Civic Joker 1.4 7,7 19900 1396 66 1140
Volvo 850 2.5 10,8 39800 2435 106 1370
Ford Fiesta 1.2 Zetec 6,6 19740 1242 55 940
Hyundai Sonata 3000 11,7 38990 2972 107 1400
Lancia K 3.0 LS 11,9 50800 2958 150 1550
Mazda Hachtback V 10,8 36200 2497 122 1330
Opel Omega 2.5i V6 11,3 47700 2496 125 1670
Peugeot 806 2.0 10,8 36950 1998 89 1560
Nissan Primera 2.0 9,2 26950 1997 92 1240
Seat Alhambra 2.0 11,6 36400 1984 85 1635
Toyota Previa salon 12,8 50900 2438 97 1800
Volvo 960 Kombi aut 12,7 49300 2473 125 1570
Mustapha BERROUYNE 9 CHAPITRE 2. MODELE LINEAIRE STANDARD
2. ESTIMATION
EXEMPLE D’APPLICATION AVEC STATA
Proposition 1.
- 𝐘 est la projection orthogonale de y sur Vect(X) ;
- Matriciellement, 𝐘 = 𝐗 𝐚 = 𝐗 (𝐗 ′ 𝐗)−𝟏 𝐗′𝐘.
- 𝐌𝐱𝟐 = 𝐌𝐱 𝐌𝐱 = 𝟏 − 𝐏𝐱 𝟏 − 𝐏𝐱 = 𝟏 − 𝐏𝐱 − 𝐏𝐱 + 𝐏𝐱𝟐 = 𝟏 − 𝐏𝐱 = 𝐌𝐱
Mustapha BERROUYNE 14 CHAPITRE 2. MODELE LINEAIRE STANDARD
5. PROPRIETES STATISTIQUES
DE L'ESTIMATEUR DES MCO
Soit l’estimateur 𝒂 = 𝐗′ 𝐗 −𝟏
𝐗′𝐘
1. 𝒂 est sans biais.
𝐘=𝐗𝐚+𝛆
Preuve
𝒂 = 𝐗′ 𝐗 −𝟏 ′
𝐗 𝐘 = 𝐗′ 𝐗 −𝟏 ′
𝐗 (𝐗𝐚 + 𝛆)
′ −𝟏 ′ ′ −𝟏 ′
= 𝐗𝐗 𝐗 𝐗𝐚 + 𝐗 𝐗 𝐗𝛆
= 𝐚 + 𝐗′ 𝐗 −𝟏 ′
𝐗𝛆 𝐄 𝛆 = 𝟎 "H2"
𝐄(𝒂 ) = 𝐚 + 𝐗 ′ 𝐗 −𝟏 ′
𝐗 𝐄(𝛆)
𝐄(𝒂 ) = 𝐚
Mustapha BERROUYNE 15 CHAPITRE 2. MODELE LINEAIRE STANDARD
5. PROPRIETES STATISTIQUES
DE L'ESTIMATEUR DES MCO
𝐘=𝐗𝐚+𝐮
2. L'estimateur 𝒂 est convergent.
Preuve
Preuve
Calculons d'abord la matrice de variances-covariances de l'erreur , noté 𝜺 .
Calculons d'abord la matrice de variances-covariances
𝟏
𝟐
= 𝐄 ′ = 𝐄 𝟏 𝟐 … 𝐧
⋮
𝐧
= 𝛔𝟐 ′
𝛆 𝐗 𝐗
−𝟏
𝐗′ 𝐗 𝐗′ 𝐗 −𝟏
= 𝛔𝟐 ′
𝛆 𝐗 𝐗
−𝟏
𝐈𝐩+𝟏,𝐩+𝟏
Mustapha BERROUYNE 17 CHAPITRE 2. MODELE LINEAIRE STANDARD
5. PROPRIETES STATISTIQUES
DE L'ESTIMATEUR DES MCO
2. L'estimateur 𝒂 est convergent.
Preuve
Var(𝐚) = 𝛔𝟐 𝛆 𝐗 ′
𝐗 −𝟏
Calculons d'abord la matrice de variances-covariances
𝟐 𝟐 ′ −𝟏
Donc, il est important de bien estimer 𝛔𝛆 , car Var(𝐚) = 𝛔𝛆 𝐗 𝐗 en dépend.
𝐧 𝟐
𝐭=𝟏 𝐞𝐭 𝐞′ 𝐞
𝟐
On peut montrer que : 𝛔𝛆 = = , où e = = 𝐘 − 𝐘
𝐧−(𝐩+𝟏) 𝐧−(𝐩+𝟏)
𝟐
Remarquons que lorsque n est assez grand, 𝛔𝛆 tend vers 0 et par suite
l’estimateur 𝐚 est convergent.
Mustapha BERROUYNE 18 CHAPITRE 2. MODELE LINEAIRE STANDARD
5. PROPRIETES STATISTIQUES
DE L'ESTIMATEUR DES MCO
2. L'estimateur 𝒂 est convergent.
𝐧 𝟐
𝐞 𝐞′ 𝐞
Montrons que 𝛔𝟐
𝛆 =
𝐭=𝟏 𝐭
=
𝐧−(𝐩+𝟏) 𝐧−(𝐩+𝟏)
𝐄(𝛔𝟐𝛆 ) = 𝐄 𝐞′ 𝐞 = 𝐄 𝐓𝐫 𝐌𝐱 𝛆′ 𝛆 = 𝐓𝐫(𝐌𝐱 𝐄 𝛆′ 𝛆 )
𝐄 𝛆′ 𝛆 = 𝛔𝟐𝛆 𝐈𝐧 𝐄 𝛔𝟐𝛆 = 𝛔𝟐𝛆 𝐈𝐧𝐓𝐫(𝐌𝐱)
′ −𝟏 ′ ′ ′ −𝟏
𝐓𝐫 𝐌𝐱 = 𝐓𝐫 𝐈𝐧 − 𝐗 𝐗 𝐗 𝐗 = 𝐓𝐫 𝐈𝐧 − 𝐓𝐫(𝐗 𝐗 𝐗 𝐗 )
𝐓𝐫 𝐌𝐱 = 𝐓𝐫 𝐈𝐧 − 𝐓𝐫 𝐈𝐩+𝟏 = 𝐧 − (𝐩 + 𝟏)
𝐄(𝛔𝟐
𝛆 ) = 𝐧 − (𝐩 + 𝟏) 𝛔 𝟐
𝛆
𝐧 𝟐
𝐞
Un estimateur sans biais de 𝛔𝟐𝛆 est 𝐧−(𝐩+𝟏) CQFD 𝐭=𝟏 𝐭
𝟏 𝟐 𝟏 𝟐 𝟏 𝟐
(𝐘𝐭 − 𝐘) = (𝐘𝐭 − 𝐘) + 𝛆𝐭
𝐧 𝐧 𝐧
𝟐 𝟐 𝟐
(𝐘𝐭 − 𝐘) = (𝐘𝐭 − 𝐘) + 𝛆𝐭
2. Cet estimateur existe est unique sous l’hypothèse H1 que les vecteurs des
variables explicatives soient linéairement indépendant.
3. On a vu sous quelle condition l’estimateur des mco est un estimateur sans
biais du paramètre économique a dans le modèle linéaire y = xa+ : Il s’agit
de l’hypothèse H2 que l’espérance des résidus conditionnellement aux
variables observables est nulle.
On peut alors tester des hypothèses dites simples (nullité d’un paramètre).
Ces tests sont appelés test de Student.
On2. Lapeutdeuxième
aussi sur lafaçon
base deestcette hypothèse
d’étudier les estimer le modèle
propriétés en imposantde
asymptotiques
des contraintesc’estlinéaires
l’estimateur, sur lesleparamètres
à dire lorsque et tester l’hypothèse
nombre d’observations que ces
devient grand.
On montre
contraintes aussi
sont que, sans
acceptées. spécifier la loi des résidus mais en faisant des
hypothèses suffisamment fortes, on peut spécifier la loi asymptotique de
Les tests mis en oeuvres sont alors des test dits de Fisher.
l’estimateur.
Mustapha BERROUYNE 31 CHAPITRE 2. MODELE LINEAIRE STANDARD