Université A- mira de Bejaia

Faculté des sciences économiques, sciences de gestion et sciences commerciales

Techniques
EnseignantQuantitatives Appliquées
Mr : Mousli
Solution de la série n°02
Solution de l’exercice n°01:
1) Estimation des paramètres :
La méthode des MCO donne l’estimateur ˆ par : ̂   X X  X Y donc :
1

 ˆ0   n ˆ
 X 2t   Yt   0   10 180 120   570 
1
 X1t
1
  
 ˆ    X
  
1  1t  X 12t  X 1t X 2t    X1tYt    ˆ1   180 3816 2684  11216 
 ˆ2    X 2t  X 1t X 2t
 
 X 22t    X 2tYt   ˆ2  120 2684 1944   7740 
 ˆ0   1,363  0,177 0,160  570   31,98 
      
  ˆ1     0,177 0,032  0,033 11216    0,65 
  
 ˆ2   0,160  0,033 0,036  7740   1,11 
 
2) Calcul de ˆ 2 et de ˆ 2ˆ :

ˆ   2 eee
2
t

, nous devons donc calculer le résidu « e »
n  k 1 n  k 1
e  Y  Yˆ  Y  Xˆ

e  Y  ˆ  ˆ X  ˆ X
t t 0 1 1t 2 2t 
et  Yt  31,98  0,65 X 1t  1,11X 2t 
Par exemple e1 : e1  40  31,98  0,65  6  1,11 4  0,32  e12  0,1024

Donc : ˆ 2 
e
13,67
 1,95
2
t

n  k 1 7
La matrice des variances et covariances estimées des coefficients nous est donnée par :
ˆ ˆ  ˆ 2  X X 1
 

 1,363  0,177 0,160 

 
ˆ  1,95  0,177 0,032  0,033 
̂
 0,160  0,033 0,036 
 
Les variances des coefficients de régression se trouvent sur la première diagonale :
ˆ 2ˆ  1,95  1,363  2,66  ˆ ˆ  1,63
0 0

ˆ  1,95  0,032  0,06  ˆ ˆ  0,25

2
ˆ
1 1

ˆ 2
ˆ 2
 1,95  0,036  0,07  ˆ ˆ  0,26
2

3) Test de signification pour les paramètres estimés:

En général, ̂ 0 ne présente pas grand intérêt
H 0 : i  0
Le test peut être formulé à partir des deux hypothèses suivantes : 
H1 : i  0
La statistique du test

1
 ˆi  i ˆi
Tc   St n - k - 1ddl
 Sii  0 : Tc  St n - k - 1ddl

 ˆ i
 ˆ
i

ˆ1 0,65 ˆ 1,11

T1    2,6 T2  2   4,26
 ˆ1
0,25  ˆ 0,26
2

Comme t1 et t2 dépassent tous deux t75%  2,365 (avec 7 degré de liberté au seuil de 5%),
donc 1 et  2 sont statistiquement significatifs au seuil de 5%.
4) Le calcul de Coefficient de détermination multiple R 2 et R 2 corrigé:
n

SCE SCR e 2
i
13,6704
R2  1 1 i 1
1  1  0,0084  0,9916  99,16%
 Y  Y 
n
SCT SCT 2 1634
i
i 1

n 1 10  1
Le R 2  1 
n  k 1
 
1  R2  1 
10  3
1  0,9916  0,9892  98,93%
Nous remarquons la baisse du coefficient de détermination lorsque nous le corrigeons par le
degré de liberté.
5) Test de la signification globale (Le test de Fisher global) :
Le test de Fisher global peut être formulé comme suit :
H0 : 0  1   2  0

H1 : il  au moins un coefficien t non nul
 F k , n  k  1
SCE k
La statistique du test : Fc 
SCR / n  k  1
R2 k 0,9916 / 2
Fc    413,17
 
1  R n  k  1 1  0,9916 / 7
2

Comme la valeur calculée de Fc dépasse, la valeur tabulée F52%,7   4,74 donc on accepte H1 et
le modèle est globalement significatif.
Solution de l’exercice n°02:
1) forme matricielle :
Nous disposons de 14 observations et 3 variables explicatives, le modèle peut donc s’écrire :
Y  X   Avec :
12 1 2 45 121  1 
14 1 1 43 132   0    
     1   2 
10  1 3 43 154      
     2   
           

21 1 7 29 180  3  14 
Y141  X 144  4 1   141
2) Estimation des paramètres :
La méthode des MCO donne l’estimateur ˆ par : ̂   X X  X Y donc :
1

2
 1
 ˆ0    1 1 1  1  1 2 45 121    1
 
1 1  1  12
   2  1  
3  7  1 1 43 132    2  1 3  7  14
ˆ
 1   

 ˆ     45 43 43  29  1 3 43 154    45 43 43  29  10
 2       

   
 
     
 
ˆ         
 
 3   121 132 154  180 1 7 29 180   121 132 154  180 21
 ˆ0   20,16864 0,015506  0,23145  0,07617  248   32,89132 
   0,015506 0,013204 0,001194  0,00094    
 ˆ1     1622   0,801900 
 ˆ     0,23145 0,001194 0,003635 0,000575   
  2    0,07617  0,00094 0,000575 0,000401
 9202  0,38136 
   
ˆ      0,03713 
3     37592   

Les calculs que nous venons de développer sont longs et fastidieux et mettent en évidence
l’intérêt incontestable d’utiliser un ordinateur.
3) Calcul de ˆ 2 et de ˆ 2ˆ :

ˆ 2  e ee
2
t

, nous devons donc calculer le résidu e
n  k 1 n  k 1
e  Y  Yˆ  Y  Xˆ
t t 
e  Y  ˆ  ˆ X  ˆ X  ˆ X
0 1 1t 2 2t 3t 3t 
et  Yt  32,89  0,80 X 1t  0,38 X 2t  0,03 X 3t 
Par exemple e1 : e1  12  32,89  0,80  2  0,38  45  0,03  121  0,84  e12  0,71

Donc : ˆ   2 67,45 e
 6,745
2
i

n  k 1 10
La matrice des variances et covariances estimées des coefficients nous est donnée par :
ˆ ˆ  ˆ 2  X X 1
 

 20,16864 0,015506  0,23145  0,07617 

 
 0,015506 0,013204 0,001194  0,00094 
ˆ  6,745  0,23145 0,001194 0,003635 0,000575 
̂  
  0,07617  0,00094 0,000575 0,000401 
 
 
Les variances des coefficients de régression se trouvent sur la première diagonale :
ˆ 2ˆ  6,745  20,17  136,04  ˆ ˆ  11,66 ,
0
ˆ 2ˆ  6,745  0,013  0,087  ˆ ˆ  0,29
0 1 1

ˆ 2ˆ  6,745  0,0036  0,024  ˆ ˆ  0,15 ,

2 2
ˆ 2ˆ  6,745  0,0004  0,0026  ˆ ˆ  0,05
3 3

2 2
4) Le calcul de R et R corrigé.
e 2

 Y  Y 
t
67,45
 226,86 1   0,702
2
R2 t

 Y  Y 
t 2
t t
226,86
t

n 1 14  1
Le R  1 
2

n  k 1

1  R2  1  
14  4
1  0,702   0,613
Nous remarquons la baisse du coefficient de détermination lorsque nous le corrigeons par le
degré de liberté.

3
Solution de l’exercice n°03:
1) Il convient de calculer les 3 ratios de student et de les comparer à la valeur lue dans la table
de student pour un seuil de 5%
ˆ 0,80 ˆ  0,38 ˆ  0,03
T1  1   2,75 T2  2   2,53 T3  3   0,6
 ˆ 1
0,29  ˆ 0,15
2
 ˆ 0,05
3

On a T1 et T2  t 2 , 5%
10  2,228 donc les variables X1etX 2 sont explicatives
Et on a T3  t  2,228 donc la variable X 3 n’est pas contributive à l’explication de Y, il
2 , 5%
10

convient donc de la retirer de ce modèle et de procéder à une nouvelle estimation.

2) calcul des IC pour 1 ,  2 et  3 :
ˆ  1 ˆ  1 
Nous savons que : 1  St n - 2ddl soit 1  tn  k 1
 ˆ 1
 ˆ 1

L’IC nous est donné par :

ˆ1  1
 ˆ

 tn2k 1  1  ˆ1   ˆ  tn2k 1
1

1

Donc pour un niveau de confiance 95% on a :

1  0,80  2,228  0,29  0,14;1,45, nous constatons que 0 ne figure pas dans cet intervalle de
confiance, ce qui est cohérent avec la question précédente
De la même manière on trouve :
2   0,71;0,04
3   0,14;0,08
La valeur 0 n’appartient pas à l’IC à 95% de 1 et  2 , donc ces deux coefficients sont
significativement différents de 0, en revanche, 0 appartient à l’IC de  3 , ce coefficient n’est
pas significativement différent de 0.
3) nous posons le test suivant :
H0 : 1  1

H1 : 1  1
ˆ1  1 0,80  1
Sous H0,   0,68  t105%  1,81  acceptation de H0, donc le coefficient n’est pas
 ˆ
1
0,29
significativement inférieure à 1.
(1,81 table de student unilatérale ou bien student bilatéral   10% )
5) Test de la signification globale (Le test de Fisher global) :
Le test de Fisher global peut être formuler comme suit :
H0 : 0  1   2  3  0

H1 : il  au moins un coefficien t non nul
 F k , n  k  1
SCE k
La statistique du test : Fc 
SCR / n  k  1
R2 k 0,702 / 3
Fc    7,878
 
1  R n  k  1 1  702 / 10
2

Comme la valeur calculée de Fc dépasse, la valeur tabulée F35,%10  6,55 donc on accepte H1 et
le modèle est globalement significatif.