𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛 "𝐹𝑖𝑡𝑡𝑒𝑑 𝑣𝑎𝑙𝑢𝑒" 𝑛𝑒 𝑟𝑒𝑝𝑟é𝑠𝑒𝑛𝑡𝑒 𝑝𝑎𝑠 𝑙'𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑖𝑜𝑛 𝑑𝑒 𝑦 𝑝𝑎𝑟 𝑙𝑒 𝑚𝑜𝑑è𝑙𝑒 (ŷ)

Si on rejette Ho et qu’il y a de l’autocorrélation alors les estimateurs (b0, b1, b2, b3, b4) des
MCO ne sont plus “BLUE” (Best linear Unbiased Estimator).

Les méthodes de Prais-Winsten et Cochrane-Orcutt permettent de prendre en compte

l’autocorrélation d’ordre 1 dans une régression linéaire.

On observe que les signes des coefficients sont identiques à ceux de l’estimation par les
MCO et comme précédemment tous les coefficients sont significatifs au seuil de 10%.
Le R² est de 77% dans les deux estimations ce qui est assez élevé. Le modèle explique
bien les variations du nombre de tractions que réalise l’athlète.

On voit que les deux modèles sont globalement significatifs (P-value de Fisher =0).

Finalement, on réalise un test de Durbin-Watson pour vérifier s’il n’y a plus d’autocorrélation.

Il faut donc chercher une autre méthode d’estimation pour ce modèle.

Cependant, cette valeur étant très élevée et sachant que nous avons utilisé des données
temporelles, cela pourrait être signe de la présence d’autocorrélation des résidus.
Pour la constante :

Si l’individu dort une heure et le nombre de calories mangées était de 1000 (calories = 1 car
en milliers!!!) alors le nombre de tractions serait de exp(bo).

Attention : ln(0) n’est pas défini donc on peut pas étudier le cas où l'individu ne dort pas et
ou il mange 0 calorie. Mais ln(1)=0 et 1^b1=1 donc on peut étudier ce cas.

Plusieurs méthodes possibles :

- b2 n’est pas significatif au seuil de 10% donc les calories n’ont pas d’impact sur la
performance de l’athlète (p-value =10,9% > 10). S’il mange 2000 calories => 10
tractions et s’il mange 4000 calories toujours 10 tractions.
On pouvait aussi estimer ln(temps_sommeil) et remplacer dans l’équation.

tc = |-54| > t table = 1,64

donc on rejette H0 et on conclut que b1 ≠ b2+4.