Cours : P.

MENDY ; Coord et Rp : Awa TRAORE DIAW UNIVERSITE CHEIKH ANTA DIOP DE DAKAR Année académique 2019/2020
Licence 3 Gestion FACULTE DES SCIENCES ECONOMIQUES ET DE GESTION
DEPARTEMENT ECONOMIE

Correction TD d’Econométrie

NB : Chers Collègues, ceci est un corrigé indicatif, prière de vérifier les calculs. SVP.

Régression Linéaire

Exercice 1

1. Le graphique ci-dessus présente le nuage de points de yt en fonction de xt .

40
30
20
10
0
0 20 40 60 80

Le graphique du nuage de points semble aligné et identique et témoigne de l’existence d’une association
linéaire positive presque parfaite entre la variable à expliquer ( yt ) et la variable explicative xt , ce qui autorise
l’estimation de la relation les liant par les MCO.

Le coefficient de corrélation linéaire simple est donné par la formule suivante :

t n t n t n t n

cov(x, y )
 (x t  x)( y t  y ) n x t y t   x t  y t
 xy   t 1
 t 1 t 1 t 1

 x y t n t n t n t n

 (x
t 1
t  x) 2 (y
t 1
t  y) 2 n x t2  ( x t ) 2 n y t2  ( y t ) 2
t 1 t 1

Avec : xt et yt : valeurs des deux historiques à l’instant t , cov ( xt , y t ) : covariance entre xt et y t variable
explicative ou variable exogène, x et y : moyenne de x et de y , n : nombre d’observations.
Nous présenterons le tableau ci-dessus, le calcul d’un coefficient de corrélation.

Le coefficient de corrélation empirique (c'est-à-dire calculé à partir des observations empiriques connues)
est égal à :

t n

(cov x, y )
 (x t  x)( y t  y )
157,00
 xy  t 1
  0,62
 x y t n t n
274,25 230,67

 ( x t  x)
t 1
2
 ( y t  y)
t 1
2

Le test d’hypothèses porte sur le coefficient de corrélation rxy théorique (inconnu), il est le suivant :

1
H 0 : rxy  0 contre H 0 : rxy  0
Pour savoir si le coefficient de corrélation est significativement différent de 0, il convient de calculer la t
statistique :

 xy
t* 
(1   xy
2
)
n2


Si t  t n  2 lu dans une table de Student pour un seuil de  % et à n  2 degrés de liberté (si le nombre de
*

degrés de liberté est supérieur à 30, on peut approximer la loi de Student par une loi normale), nous rejetons
l’hypothèse H 0 , le coefficient de corrélation linéaire est significativement différent de 0 ; dans le cas
contraire, l’hypothèse H 0 d’un coefficient de corrélation linéaire nul est acceptée H 0 .

Soit : 0,62 .
t*   2,53  t10
0 , 05
 2,228
(1  0,62 2 )
12  2

Nous rejetons l’hypothèse H 0 , le coefficient de corrélation est significativement, au seuil de 5%, différent

de 0.

(1) (3) (3) (4) (5) (6) (7) (8)

t yt xt yt  y xt  x (4)*(5) (4)*(4) (5)*(5)

1 20 54 -4,3 -7.8 33,58 18,78 60,06

2 19 53 -5,3 -8,8 46,67 28,44 76,56

3 21 59 -3,3 -2,8 9,17 11,11 7,56

4 21 66 -3,3 4,3 -14,17 11,11 18,06

5 23 63 -1,3 1,3 -1,67 1,78 1,56

6 20 62 -4,3 0,3 -1,08 18,78 0,06

7 25 65 07 3,3 2,17 0,44 10,56

8 24 60 3,3 -1,8 0,58 0,11 3,06

9 28 59 3,7 -2,8 -10,08 13,44 7,56

10 27 65 2,7 3,3 8,67 7,11 10,56

11 31 70 6,7 8,3 55,00 44,44 68,06

12 33 65 8,7 3,3 28,17 75,11 10,56

24,3
Moyenne 61,8 Somme 157,00 230,67 274,25

2. Le terme d’erreur  t représente tout ce qui n’est pas expliqué par le modèle (la variable explicative).
Afin d’obtenir des estimateurs de a 0 et a1 sans biais et convergents, nous faisons des hypothèses
sur l’erreur  t .
- L’espérance mathématique de l’erreur nulle : E( t )  0
La variance de l’erreur est constante : Var ( t )   
2
-

2
- L’indépendance des erreurs : Cov ( t ,  t ' )  E( t ,  t )  0 pour t  t '
- L’indépendance entre l’erreur et les valeurs de x t : Cov ( t ,  t ' )  0
On note que l’erreur  t est i.i.d (indépendamment et identiquement distribué).
Afin de construire une théorie des tests statistiques et faire référence à des lois de probabilité,
nous faisons l’hypothèse supplémentaire que l’erreur suit une loi normale. On note alors que
l’erreur  t est n.i.d (normalement et identiquement distribué).
Soit à estimer les paramètres du modèle : yt  a0  a1 xt   t

Le modèle est spécifié en série temporelle car les observations t  1,.......n représente
l’évolution dans le temps des variables yt et xt .
L’estimateur des moindres carrés ordinaires sans biais est convergent est donnée par :

t n

^ (y
t 1
t  y t )( x t  x t )
157,00
a1  t n
  0,572
274,25
 (x
t 1
t  xt )2

aˆ  y  aˆ1 x  24,3  0,572 * 61,8  11,017

La série ajustée, notée ŷt à l’aide des paramètres estimés s’écrit donc :

yˆ t  aˆ0  aˆ1 x t
Nous en déduisons le résidu noté et qu’il ne faut confondre avec le terme  t qui est et
restera inconnu :

et  yt  yˆ t   ( aˆ 0  aˆ1 xt )  yt  ( 11,07  0,572 * xt )

Par exemple t  2 : e2  y 2  (11,07  0,572 * xt )  19  11,07  0,572 * 53)   0,32

Les différentes écritures du modèle sont donc :

Le modèle théorique : yt  a0  a1 xt   t
^ ^ ^
Le modèle estimé : y t  a 0  a1 x t  et
^ ^ ^
La série ajustée : y t  a 0  a1 x t
t n

^ e 2
t
140,79
3. La variance résiduelle est donc donnée par :  2  t 1
  14,079
n2 12  2
NB : Il ne faut pas confondre la variance résiduelle et la variance de l’erreur qui est et restera
inconnue.

Nous en déduisons les variances de chacun des coefficients :

3
  
 2 
  14,079 61,8 2 
^
  
1 x 1
 2 2

    196,92
n  274,25 
^
n
 12 
 (x
a0
 t  x) 2 
 t 1 

^
 2 14,079
2  ^
n
  0,0513
274,25
 (x
a1
t  x) 2
t 1

Les écarts types des coefficients sont donc égaux à :

^ ^
 ^  14,03  ^  0,226
a0 a1

Exercice 2
1- L’estimateur des moindres carrés ordinaires sans biais et convergent est donné par :
n n

^ (y
i 1
i  y )( x i  x ) y
t 1
i xi  n y x
250  102 * 6,86 * 0,49
a1      0,97
n n
120  102 * 0,49 * 0,49
 (x x
2
i  x) 2 2
t  nx
i 1 i 1

^
^ ^
a 0  y  a1 x  6,86  0,97 * 0,49  7,34

n n

En effet :
x
i 1
i
50 et
y i
700
x   0,49 y i 1
  6,86
n 102 n 102

2- La somme des carrés totaux est égal à :

n 2 n

( y y
2
SCT  i  y)  2
i  ny  10000  102 * 6,86 2  5199,92
i 1 i 1

Or SCR  180 , on en déduit, d’après l’équation fondamentale d’analyse de la variance, la somme des
carrés expliqués : SCE  SCT  SCR  5199,92  180  5019,92

Le coefficient de détermination est égal à : R 2  SCE  0,965

SCT

3- La variance résiduelle est donnée par :

n

^ e 2
t
180
  2 i 1
  1,80
n2 102  2

D’où ^
 2 1,8
2    0,0188
120  102 * 0,49 * 0,49
^
n

 (x
a1
t  x) 2

i 1

4- a) H 0 : a1  0 Contre l’hypothèse H 1 : a1  0

4
 ^

Sous H 0 (a1  0) le ratio de Student a  0 suit une loi Student à n  2  100 degrés de liberté. Soit
^
2 ^
a1

^
a
 0,97 , nous rejetons l’hypothèse H 0 , le coefficient théorique et
t*  ^
  7,08  t 0, 05  1,96
0,137
 2
^
a1

inconnu a1 est donc significativement différent de 0. La probabilité critique du test est donné par
t  c  7,08   c  0,0 . Nous avons 0% de risque de nous tromper en rejetant l’hypothèse H 0 .

b) H 0 : a1  1 contre l’hypothèse H 1 : a1  1

Sous H 0 (a1  1) le ratio de Student a  1 suit une loi Student à n  2  100 degrés de liberté.
^
2 ^
a1

^
a 1
Soit  0,97  1 , nous rejetons l’hypothèse H 0 , le coefficient
t*  ^
  0,20  t 0, 05  1,96
0,137
 2
^
a1

théorique et inconnu a1 n’est donc pas significativement différent de - 1. La probabilité critique du


test est donné par t  c  0,20   c  84% . Nous avons 84% de risques de nous tromper en
rejetant l’hypothèse H 0 .

c) H 0 : a1  0,5 contre l’hypothèse H 1 : a1  0,5

^
a  0,5
Sous H 0 (a1  1) le ratio de Student suit une loi Student à n  2  100 degrés de liberté. Soit
^
 2
^
a1

^
a  0,5
 0,97  0,5 (attention le test est unilatéral !), nous rejetons
t*  ^
  3,44  t 0, 05  1,65
0,137
 2
^
a1

l’hypothèse H 0 , le coefficient théorique et inconnu a1 est donc significativement différent de – 0,5. La

probabilité critique du test est donné par t   3,44   c  0,04% . Nous avons 84% de risques de nous
c

tromper en rejetant l’hypothèse H 0 .

Régression Multiple

Exercice 3
Soit le modèle suivant :
y  a  bx1  cx2  u

qui une fois estimé par les MCO fournit les résultats suivants :

5
 2  29 0 0
y  4  0. 4 x1  0. 9 x2 ; R2  , u' u  520 ;  
15 X ' X   0 50 10 
 0 10 80 
 
 1
 
avec X  e, x1 , x2  où e    
 1
 
1. Calculer la matrice de variance-covariance estimée de ̂

 
Vˆ ˆ  ˆ 2  X ' X 
1
avec ˆ 2  SCR
n p

Calculons la SCR : SCR  uˆ ' uˆ  520

Il nous faut aussi n et p. On sait que p le nombre de paramètres est égal à 3. Reste à trouver n.
Remarquons que dans la matrice X ' X on a :
 e 'e e ' x1 e ' x2   1
  Or e ' e  1, ,1    n On en déduit facilement n à partir de
X ' X   x1 ' e x1 ' x1 x1 ' x2    
 x 'e x ' x x ' x   1
 2 2 1 2 2   
l’élément 1,1 de la matrice X ' X :
On en déduit ainsi que :
SCR 520
ˆ 2 
  20
n  p 29  3
Déterminons à présent la matrice de variance-covariance :
 
Vˆ ˆ  ˆ 2  X ' X 
1

1
X 'X  com  X ' X 
1

det( X ' X )
Calculons le déterminant de X ' X :
det( X ' X )  29*50*80  0*10*0  0*0*10  0*50*0  10*10* 29  80*0*0  11600  2900  113100

Calculons la commatrice de X ' X :

 50 *80  10 *10 0 *80  0 *10 0 *10  50 * 0   3900 0 0 
   
com  X ' X    0 *80  0 *10 29 *80  0 * 0 29 *10  0 * 0    0 2320 290 
 0 *10  0 * 50 29 *10  0 * 0 29 * 50  0 * 0   0 290 1450 

D’où
 3900 0 0   780 0 0 
 
Vˆ ˆ 
20 
113100 
0 2320

290  
1 
1131 
0 464

58 
290  58 290 
 0 1450   0
a
 
Dans la mesure où    b  on en déduit que :
c
 
 Vˆ  aˆ  ˆ (aˆ , bˆ)
Cov ˆ (aˆ , cˆ)   0.69
Cov
  0 0 
 
Vˆ ˆ   Cov

ˆ ( aˆ , bˆ)  
Vˆ bˆ ˆ (bˆ, cˆ)   
Cov
 
0 0.41

0.05 
 0 0.05 0.25 
 Cov ˆ (bˆ, cˆ) Vˆ  cˆ    
 ˆ ( aˆ , cˆ) Cov 
Nous sommes à présent en mesure de tester la significativité de chaque paramètre du modèle.

2. Tester la significativité du coefficient b :

.

6
Le test est de la forme :
H 0 : b  0
contre
H a : (b  0)
La statistique du test est :
ˆ
b 0.4 0.4
0 
tbcal    0.62
 
ˆ
Vˆ b 0.41 0.64

et la zone de rejet au seuil  est de la forme :

ZR : tbcal
 0  t / 2  n  p 

ici au seuil  =5% on a t0.025  26  2.060 . Il est clair que nous ne sommes pas dans la zone de rejet. On
ne rejette donc pas au seuil de 5% l’hypothèse nulle H 0 :  b  0  . En d’autres termes, au seuil de 5% b n’est
pas significativement différent de 0.
Au seuil  =10% on a t0.05  26  1.706 . Il est clair que nous ne sommes pas dans la zone de rejet. On
ne rejette donc pas au seuil de 10% l’hypothèse nulle H 0 :  b  0  . En d’autres termes, au seuil de 10% b
n’est pas significativement différent de 0.

3. Testez l'hypothèse
H0:(b+c=1)
Contre Ha:(b+c  1)
aux seuils de 5 %.

A l'aide d'un test de Student

La statistique du test est de la forme :
bˆ  cˆ 0.4  0.9  1 0.4  0.9  1 0.3
 x 1 
tbcal     0.4

Vˆ bˆ  cˆ   
Vˆ bˆ  Vˆ  cˆ   2.Cov
ˆ bˆ, cˆ   0.41  0.25  2.( 0.05) 0.75

et la zone de rejet est

ZR : tbcal c 1  t / 2  n  p 
ici au seuil  =5% on a t0.025  26  2.060 . Il est clair que nous ne sommes pas dans la zone de rejet. On
ne rejette donc pas au seuil de 5% l’hypothèse nulle H 0 :  b  c  1 .
Au seuil  =10% on a t0.05  26  1.706 . Nous ne sommes pas dans la zone de rejet. On ne rejette donc
pas au seuil de 10% l’hypothèse nulle H 0 :  b  c  1 .

4. Testez l'hypothèse
b 0
H0 : 
  
  
 c  0
contre
b 0
Ha :
  
0 
 c   
aux seuils de 5 %.
Remarquons que nous sommes ici dans le cas particulier d’un test de nullité jointe de tous les coefficients
sauf la constante. La statistique du test est dans ce cas particulier de la forme :
R2 n  p 2 /15 26
W ''   . 2
1  R p  1 13 /15 2
2

La zone de rejet est de la forme :

ZR : W ''  F  p  1, n  p 
avec au seuil de 5% F0.05  2, 26  F0.05  2, 25  3.39

7
Il est claire que nous ne sommes pas dans la zone de rejet. On ne rejette donc pas au seuil de 5% l’hypothèse
b 0
nulle H 0 :        .
 c  0
N’ayant pas la table au seuil de 10% on se limite ici au seul test au seuil de 5%

Exercice 4
1. La somme des carrés due à la régression pour l’ensemble des trois variables est égale à :

981,326 + 190,232 + 129,431 = 1300,989

Nous pouvons ainsi calculer la somme ainsi :

1743,281 – 442,292 = 1300,989

2. La proportion de la variation dans le niveau d’anxiété est égale à :

SC reg 1300,989
R2    0,746 ou encore 74,60%
SCtot 1743,281

3. Pour répondre à cette question, il faudrait s’assurer que les trois hypothèses du modèle sont vérifiées.
Par contre, nous ne pourrons pas le faire ici puisque nous ne connaissons pas les valeurs des
observations. Donc nous allons supposer que les trois hypothèses sont vérifiées mais dans la pratique,
il faudrait vérifier absolument.
Pour conclure que dans l’ensemble, les trois variables ont un effet significatif sur le niveau d’anxiété, il faut
faire un test de Fisher. Le modèle est :

Y   0  1 X 1   2 X 2   3 X 3  

Où  est la variable résiduelle sur laquelle les trois hypothèses sont faites.

L’hypothèse nulle :

H 0 : 1   2   3  0

Contre l’hypothèse alternative

H 1 :  j  1, 2, ou 3,  j  0

Calculons la statistique du test de Fisher observé qui est égale à :

SC reg / ddl 1300,989 / 3

Fobs    17,649
SCtot / ddl 442,292 /(22  3  1  18)

Le quantile de la loi de Fisher critique lu dans la table des quantiles de la loi de Fisher à 95% est égal à :

Fc ,3,18  3,159908

La statistique du test de Fisher observée est plus grande que le quantile de la loi de Fisher critique, à 95%.
Donc nous sommes dans la zone de rejet de l’hypothèse nulle H 0 . Donc nous décidons de refuser
l’hypothèse nulle H 0 et par conséquent d »accepter l’hypothèse alternative H 1 , c'est-à-dire :

 j  1, 2, ou 3,  j  0

8
4.

Source de variation Somme des carrés ddl

981,326 1
Régression due à X1
Résiduelle 761,955 20
Totale 1743,281 21

5.Même remarque qu’à la question 3 de cet exercice

a- Le modèle est :
Y   0  1 X 1  
L’hypothèse nulle
H 0 : 1  0
Contre l’hypothèse alternative
H 1 : 1  0
Calculons la statistique du test de Fisher observée qui est égale à :

SC reg / ddl 981,326 / 3

Fobs    25,758
SCtot / ddl 761,955 /(22  1  1  20)

Le quantile de la loi de Fisher critique lu dans la table des quantiles de la loi de Fisher à 95% est égal à :

Fc ,1, 20  4,351244

La statistique du test de Fisher observée est plus grande que le quantile de la loi de Fisher critique. Donc
nous sommes dans la zone de rejet de l »hypothèse nulle H 0 . Donc nous décidons de refuser l’hypothèse
nulle H 0 et par conséquent d’accepter l’hypothèse alternative H 1 , c'est-à-dire : 1  0

b- Le modèle est :
Y   0  1 X 1   2 X 2  

L’hypothèse nulle
H0 : 2  0
Contre l’hypothèse alternative
H1 :  2  0

SCreg / ddl 190.232 / 1

Fobs    6.332
SCtot / ddl 571.723(22  2  1)

Fc ,1,19  4,38075 , on accepte H 1 .

c-
Y   0  1 X 1   2 X 2  3 X 3  

9
Fobs  5.267 et Fc,1,18  4,41
6.La valeur du coefficient associée à l’estimation du modèle spécifié est égale :

(5a) R 2  SCreg  0.563 (5b) R 2  0.672 (5c) R 2  0.746

SCtot

7. Le modèle qui semble le mieux adapté est le modèle (5c), car la valeur du coefficient de corrélation est
plus élevée.

Exercice 5

La FIFA veut analyser la relation du poids en fonction de celle de la taille et de l’âge des buteurs dans les
différents championnats Européens de Football. On suppose que les résidus sont indépendants et suivent
une loi N(0;σ2). On estime ce modèle par les moindres carrés ordinaires et le site de la FIFA nous donne
des informations sur une période bien définie, T =23.

On s'intéresse au modèle (1) suivant :

Yt  1Wt   2 Z t   3  ut (1) Pour t  1,2,...,23

avec Y désigne le poids, W, la taille et Z l’âge des butteurs et u le terme résiduel.

1. Rappelez les hypothèses que doit vérifier le terme résiduel pour appliquer les MCO

H1 : le modèle est linéaire en ses paramètres

H2 : L’espérance du résidu est nulle : E(u)=0
H3 : V (u)   2 I ceci couvre deux sous hypothèses :
- Homoscédatsicité du résidu : V  ui    2 , i  1, ,n
- Absence d’autocorrélation des résidus : Cov ui , u j  0, i, j  1,   , n; i  j
H4 : La matrice X est de plein rang colonne
H5 : Les variables explicatives ne sont pas corrélées avec le terme d’erreur Cov  u, X   0
Remarque l’hypothèse H6 n’est pas nécessaire
H6 : u ~ N 0,  I
2
 
2. Une fois estimé, le modèle fournit les résultats suivants :
Yt  0. 51Wt  0. 35 Zt  27. 3
(0.0179) (0.056) (1.2)

23
R²=0,937 ;  (Y  Y )
t 1
t t
2
 317 . 46 ; (.) sont les écarts-types

a) Interprétez le coefficient de détermination et les coefficients associés aux variables explicatives

- Le R² est proche de 1, ce qui suggère que le modèle présente plutôt une bonne qualité
d’ajustement. Environ 93,7% de l’évolution du poids des buteurs sont expliquées par leur taille et
leur âge.
- Toute augmentation de 1% de la taille des buteurs est expliquée par 0.51 de leur poids.
- Toute augmentation de 1% de l’âge des joueurs est expliquée par 0.35 de leur poids.
b) Déterminez les termes de l’équation d’analyse de la variance et calculez  2 .
 Y 
23 23

 uˆ
2
SCR  2
i  i  Yˆi  317.46
i 1 i 1

10
Pour déterminer la SCT il suffit de remarquer que
SCR SCR SCR 317.46 317.46
R2  1    1  R é  SCT     5039.05
SCT SCT 1  R 2 1  0.937 0.063

Le SCE s’obtient alors assez naturellement :

SCE  SCT  SCR  5039.05  317.46  4721.59
SCT=SCE+SCR= 5039.05

Calculez  2 .
SCR 317.46
ˆ 2    15.88
n p 23  3

3. Testez la significativité de chaque paramètre au seuil de 5%

- Test de significativité sur le coefficient α1 :
Le test est de la forme :
H0:( α1=0)
vs
H1:( α1≠0)
La statistique du test est :

ˆ1 0.51
t cal    28.49
V (ˆ1 ) 0.0179
ici au seuil  =5% on a tα lue sur table de Student est égale à 2.086.
On rejette au seuil de 5% l’hypothèse nulle H0. En d’autres termes, au seuil de 5% α1 est significativement
différent de 0.
- Test de significativité sur le coefficient α2 :
Le test est de la forme :
H0:( α2=0)
vs
H1:( α2≠0)
La statistique du test est :

ˆ 2 0.35
t cal    6.25
V (
ˆ2 ) 0.056

ici au seuil  =5% on a tα lue sur table de Student est égale à 2.086.
On rejette au seuil de 5% l’hypothèse nulle H0. En d’autres termes, au seuil de 5% α2 est significativement
différent de 0.
- Test de significativité sur le coefficient α3 :
Le test est de la forme :
H0:( α3=0)
vs
H1:( α3≠0)
La statistique du test est :

ˆ 3 27.3
t cal    22.75
V (ˆ 3 ) 1.2
ici au seuil  =5% on a tα lue sur table de Student est égale à 2.086.
On rejette au seuil de 5% l’hypothèse nulle H0. En d’autres termes, au seuil de 5% α3 est significativement
différent de 0.
4. Testez la significativité du modèle au seuil de 5%
H0:( α1 =α2 =α3=0)
vs
H1:( α1 =α2 =α3≠0)

11
 R2 n  k 1
F( k ,nk 1) 
1  R2 k
0.937 23  2  1
Fcal   148.730
1  0.937 2

ici au seuil  =5% on a tα lue sur table de Fisher est égale à 3.49.
On rejette au seuil de 5% l’hypothèse nulle H0. En d’autres termes, au seuil de 5% α3 le modèle est
globalement significatif.
5. On s'intéresse à présent au modèle (2) suivant :
Yt  1Wt  2 Rt  3  vt (2)

avec Rt  2 Zt  3Wt  2
a) Donnez les valeurs estimées de 1 ,  2 et  3 en fonction de  1 ,  2 et  3 . Déduisez-en
les valeurs de  1 ,  2 et  3
Yt  1Wt   2 Rt   3  vt  1Wt   2  2Z t  3Wt  2    3  vt
  1  3 2  Wt  2  2 Z t    3  2  2   vt
En identifiant variable par variable on en déduit que :
 1  1  3 2

  2  2 2
    2 
 3 3 2

on en déduit alors que :

 0.51  ˆ1  3ˆ2  ˆ1  0.015

 

 0.35  2 ˆ2   ˆ2  0.175
 ˆ ˆ  ˆ
 27.3   3  2  2
   3  26.95


b) Calculez  2 pour le modèle (2)

Le modèle (2) n’est qu’une reparamétrisation du modèle (1). Fondamentalement, nous avons
exactement les mêmes variables explicatives et la même variable expliqué. Le terme résiduel est
alors identique dans les deux modèles ainsi que la variance résiduelle : ˆ 2  15.88
Pour le R 2 la même remarque s’applique. Il est identique à celui du modèle (1).
c) Donnez la valeur de la variance de  1
Remarquons que
3
ˆ1  ˆ1  3ˆ2  ˆ1  ˆ 2
2
On en déduit que :    3
2


9
V ˆ1  V  ˆ1  ˆ 2   V ˆ1   V ˆ 2   3Cov ˆ1 , ˆ 2 
 4

12