Université de Tunis Année universitaire

Institut Supérieur de Gestion 2020/2021

TD ECONOMETRIE
3èm Finance
Série 1: Modèle de Régression Simple

Exercice I

Soit le modèle suivant ;

yt = a + bxt + εt

1) Définir un modèle économétrique et dire que représentent les variables yt et xt .

2) Donner la signification du terme  t et expliquer pour quelles raisons doit-on l’introduire dans le modèle.
3) Rappeler et discuter les hypothèses de la méthode des moindres carrés ordinaires (MCO).
On vous donne les informations suivantes
∑YX=184500 ∑Y2=26350 ∑X2=1400000 n=7 𝑦̅=60 𝑥̅ = 400
4) Par la méthode MCO, estimer les coefficients du modèle.
5) Déterminer la qualité d’ajustement.
6) Montrer dans le cas de ce modèle que :
 et  0
𝑦̅ = 𝑦̅̂

Exercice II

Soit le modèle linéaire suivant :

log Di  a  b log Ri   i i  1,...., N
Où Di est la dépense alimentaire du ménage i et Ri son revenu disponible. L’estimateur par les MCO de ce
modèle, sur un échantillon de 20 ménages, a donné les résultats suivants :
logˆ Di  2.78  0.25log Ri
(2.64) (0.089)
SCR=107.878 SCT=155.22
1) Discuter la significativité statistique des paramètres a et b .
2) Donner une interprétation économique des paramètres a et b .
3) Calculer le coefficient de détermination R 2 . Interpréter.
4) Tester la significativité globale du modèle.

Exercice III

Afin d’étudier comment varie le coût de maintenance d’un véhicule utilitaire en fonction de l’âge de celui-ci, une entreprise a
collecté les données ci-dessous :
Age (en mois) 15 8 36 41 16 8 21 21 53 10 32 17 58 6 20
Coût 48 43 77 89 50 40 56 62 100 47 71 58 102 35 60
Les valeurs suivantes ont été calculées :
 15 15 15 15 15

 xi  362,
i 1
 xi2  12490,
i 1
 yi  938,  yi2  64926,
i 1 i 1
x y
i 1
i i  27437, N  15.

On cherche à estimer les coefficients d’une régression linéaire entre les variables x et y de la forme :
yi  b  axi   i avec les hypothèses habituelles sur les perturbations.
1) Rappeler les hypothèses fondamentales d’application des MCO.
2) Estimer les paramètres du modèle.
3) Calculer les coefficients de corrélation linéaire.
4) Dresser le tableau d’analyse de l’analyse de la variance ANOVA.
5) Calculer la variance estimée des erreurs et donner la matrice de variance-covariance.
6) Donner les intervalles de confiance au niveau   0.05 pour  2 , a et b .
7) Tester la significativité des paramètres a et b au risque   0.05 .
8) Tester individuellement au seuil de 5% les hypothèses suivantes :
i. H0 : a=-0.2 contre H1 : a-0.2
ii. H0 : b=20 contre H1 : b20

9) Déterminer une prévision du coût de maintenance pour un véhicule de 4 ans avec son intervalle de confiance à
95%.
Exercice IV
Une société investit des fonds importants dans la publicité, sur les 8 dernières années d’activité elle constate un
accroissement de ses parts de marché. Elle souhaite savoir si ses deux phénomènes sont liés, pour cela le responsable de
marketing utilise les données suivantes sur des couples d’observations (dépenses de publicité xt , parts de marché yt ) :
t  1,...,8 x t  45.5,  xt2  349.625, x y t t  33.036,  yt  3.65,  yt2  3.401
1) Etablir le modèle économétrique permettant de vérifier cette relation.
2) Trouver les estimateurs MCO aˆ et bˆ des coefficients a et b de ce modèle.
3) Calculer les variances estimées de ces estimations.
4) Calculer R 2 . Interpréter
5) Former des intervalles de confiances pour a et b au seuil de 5%. Ces coefficients sont-ils
significatifs au seuil de 5% ? (tcritique=2.447).

Exercice V

Pour un échantillon de 10 entreprises, on dispose de l’output suivant qui donne la relation linéaire entre les rendements de la
détention d’une action en 2005 (en DT) et les profits distribués en 2004 (en Mille DT)

. reg rendements pro_ts_distribués

Source SS df MS Number of obs = 10

F( 1, 8) = 393.48
Model 267.61501 1 267.61501 Prob > F = 0.0000
Residual 5.44101115 8 .680126394 R-squared = 0.9801
Adj R-squared = 0.9776
Total 273.056022 9 30.3395579 Root MSE = .8247

rendements Coef. Std. Err. t P>|t| [95% Conf. Interval]

pro_ts_dis~s .3064123 .0154471 19.84 0.000 .2707913 .3420333

_cons 5.887163 .3388914 17.37 0.000 5.105679 6.668648

Interpréter les résultats obtenus de point de vue statistique et économique.