Université Cheikh Anta Diop de Dakar (UCAD)

FASEG L3 Gestion

Année 2022-2023
Fiche 1 TD L3 Gestion : Modèle linéaire

NB : Chers collègues ci-dessous une proposition du corrigé. Merci de

vérifier les calculs

1 Régresion simple
Exercice 1 : Régression simple
Soit le modèle simple linéaire définie par :

y i = β 0 + β 1 x1 + εi (1)

Table 1. Données du problèmes

x y x − x̄ (x − x̄)2 y − ȳ (y − x̄)2
0 6
1 2
2 3
3 1
4 0
P5 P5 P5 P5 P5 P5
i=1 xi i=1 yi i=1 (xi − x̄) i=1 (xi − x̄)2 i=1 (yi − ȳ) i=1 (yi − ȳ)2

1. Compléter le tableau ci-dessus[1].

Table 2. Données du problèmes

x y x − x̄ (x − x̄)2 y − ȳ (y − x̄)2
0 6 -2 4 3.6 12.96
1 2 -1 1 -0.4 0.16
2 3 0 0 0.6 0.36
3 1 1 1 -1.4 1.96
4 0 2 4 -2.4 5.96
10 12 0 10 0 21.2

2. Estimer les paramètres β0 et β1 .

n ∗ Cov(x, y
β̂1 = = −1.3; β̂0 = ȳ − β̂1 x̄ = 5
n ∗ V (x)
 UCAD 2

3. calculer les valeurs estimées ŷi et ε̂i .

Table 3. Données du problèmes

x y ŷ ¯ 2 ε̂2
ε̂ (ŷ − ŷ)
0 6 5 1 6.76 1
1 2 3.7 -1.7 1.69 2.89
2 3 2.4 0.6 0 0.36
3 1 1.1 -0.1 1.69 0.01
4 0 -0.2 0.2 6.76 0.04
10 12 12 0 16.9 4.3

4. Grapher la droite de régression au milieu du nuage de points.

Droite de régression

6
5
4
3
2
1
0

0 1 2 3 4
x

y Valeurs estimées

5. Le point (x̄, ȳ) appartient-il à la droite de régession ? Justifier votre réponse.

Rep
Calculons l’ordonnée de x̄ à partir de la droite de regression :
ŷ(x̄) = 5 − 1.3 ∗ 2 = 2.4 = ȳ
Donc (x̄, ȳ) ∈ ŷ(x).
Justification

y = ŷ + ε
E(y) = E(ŷ) + E(ε)
| {z }
=0
E(y) = E(ŷ) ⇒ ȳ = ŷ¯ : Loi forte des grands nombres

Exercice 2 : Estmation du MEDAF

On veut estimer le Modèle d’évaluation des actifs financiers (MEDAF) ou Le
”Capital Asset Pricing Model”. Le MEDAF est un modèle important dans le do-
maine de la finance. Il explique les variations du taux de rendement d’un actif en
fonction du taux de rendement d’un portefeuille composé de toutes les actions cotées
sur un marché boursier. On l’appelle le portefeuille de marché. Généralement, le taux
de rendement des placements est mesuré relativement à son coût d’opportunité, c’est
le rendement de l’actif sans risque. La différence qui en résulte s’appelle la prime
de risque, puisque c’est le gain ou la perte d’un investissement risqué. Le CAPM
indique que le risque de l’actif j (r̄j –rf ) est proportionnelle au risque du marché
(r̄m − rf ). Il est défini par :
r̄j –rf = βj (r̄m − rf ) (2)
 UCAD 3

où r̄j et rf sont les rendements espérés de l’actif j et le taux sans risque, respective-
ment, r̄m est le rendement espéré du portefeuille de marché et βj est le jème ”bêta”
de l’actif j. Le βj s’interprète comme le taux d’intérêt propre à l’actif. Sa valeur est
importante pour les investisseurs car elle révèle de la volatilité de l’actif. Il mesure la
sensibilité de la rentabilité de l’actif j par rapport aux variations de la bourse entière.
Par conséquent, si bêta inférieur à 1 cela implique que le l’actif est ”défensif ”, étant
donné que sa variation est inférieure à celle du marché. Un bêta supérieur à 1 indique
un ”actif agressif ”. Les investisseurs recherchent généralement une estimation du
bêta d’une action avant de l’acheter. Le modèle CAPM présenté ci-dessus [2] est
le modèle ” économique” dans ce cas le ”modèle économétrique” s’obtient en in-
cluant une constante dans le modèle (même si la théorie suppose que celle-ci est
statistiquement non significative) [3] :
r̄j–rf = αj + βj (r̄m − rf ) + εi (3)
1. Expliquez pourquoi le modèle économétrique ci-dessus est un modèle de
régression simple comme celui décrit en cours.
2. Pour estimer le paramètre les βj on utilise les données mensuelles de rende-
ment espérés de six sociétés US (Microsoft, General Electric (GE), General
Mator (GE), IBM, Disney et Exxon-Mobil), le taux de rendement du porte-
feuille de marché (MKT) et le taux de rendement mensuel sans risque (rf).
Les 132 observations couvrent la période de janvier 1998 à décembre 2008.
Estimer le modèle CAPM [4] pour chaque entreprise et commenter les va-
leurs :
r̄ij –rf = αj + βj (r̄mi − rf i ) + εi (4)
où i est l’indice mensuelle et j l’indice de l’actif associé à la firme. βj (r̄mi −rf i )
est la prime de risque du marché.

Table 4. Résultats des estimations des six firmes

Variables Disney GE GM IBM MSF XOM

β̂1j 0.898 0.899 1.261 1.188 1.319 0.414
(7.26) (9.10) (6.24) (9.40) (8.20) (4.61)
β̂0j -0.001 -0.001 -0.012 0.006 0.006 0.008
(-0.19) (-0.25) (-1.19) (0.96) (0.79) (1.82)
N 132 132 132 132 132 132

Notes : (.) : les t de students ; en gras les firmes offensives

3. Selon la théorie financière, la constante introduite dans le modèle est statis-

tiquement non significative. Vérifier cette hypothèse pour chaque firme.
Réponse
Selon les t de students associés aux constantes aucun n’est significatif au seuil
de 5% : hypothèse vérifiée.
4. Estimer le modèle pour chaque entreprise sous l’hypothèse nulle αj = 0.
Les estimations des valeurs de βj changent-elles beaucoup ? Les valeurs es-
timées des β1j pour les modèles avec constante et sans constante sont iden-
tiques car les constantes ne sont pas significatives.
5. Donner l’expression de l’elasticité du risque de l’actif par rapport au risque
de marché.
d(yij ) xij xij
j = × = β1j
d(yij ) yij yij
 UCAD 4

Table 5. Résultats des estimations des six firmes

Coefficients Disney GE GM IBM MSF XOM

β̂1j 0.898 0.899 1.262 1.188 1.319 0.413
(7.29) (9.14 ) (6.23) (9.40) (8.21) (4.57
N 132 132 132 132 132 132

Notes : (.) : les t de students ; en gras les firmes offensives

6. Calculer sa valeur estimée au point moyen (x̄, ȳ)

x̄
ˆj = β̂1j
ȳ
Application numériques

Table 6. Elasticités

Coefficients Disney GE GM IBM MSF XOM

ˆj -0,1136 -0,1122 -0,0176 0,0344 0,0367 0,0086

Table 7. Information sur les actifs des firmes

Variables Disney GE GM IBM MSF XOM rmrf

P132
yij -0,17113 -0,1734 -1,5519 0,7466 0,7763 1,0312 -0,0216
Pi=1
132 2
i=1 yij
P132
0,8559 0,6366 2,13467 1,0735 1,5673 0,3811 0,3064
i=1 yijxi 0,2751 0,2755 0,3867 0,3639 0,4039 0,1266
N 132 132 132 132 132 132 132

avec
yij = (r̄ij –rf ) : lerisquedel0 actif jàaumoisi
xi = (r̄mi − rf i ) : lerisquedemarchéaumoisi

2 Régression Multiple
Modélisation des Ventes en fonction du prix et des
annonces
On veut estimer les ventes mensuelles d’un vendeur d’Humberger en centaines
de milliers en fonction du prix et de la publicité. Les estimations sont représentées
dans l’équation [5]
V entest = 119 − 70.90prixt + 1.8pubt + εt (5)
avec :
SCE= 1396,5389 ; SCR= 1718,9429 ; N= 75. La matrice de variance cova-
riance des paramètres estimés est donnée par :
V P rix P ub Const
P rix 1.201
P ub −0.19740 0.4667
Cons −6.7950 −0.7484 40.3432
Note : Matrice de variance covariance
 UCAD 5

1. Calculer R2 et R̄2 .
SCE n−1
R2 = = 0.4483 R̄2 = 1 − (1 − R2 ) = 0.4329
SCE + SCR n−k−1
Le R̄2 permet de comparer des modèles linéaires entre eux, même
si le nombre de variables explicatives diffèrent. En particulier,
il permet de dire s’il faut retirer une variable explicative : si le
R̄2 diminue lorsqu’on retire une variable explicative, il faut la
remettre.

2.1 Test sur les paramètres

2. Calculer l’intervalle de confiance au seuil de 5% des paramètres associés aux
variables prix et pub. En déduire leur si gnificativité.

Iprix = [−10.09268; −5.723032]

Ipub = [.500659; 3.22451]

0 ∈/ Iprix et 0 ∈
/ Ipub donc les paramètres associés aux prix et ventes sont
statistiquement tous différents de 0 au seuil de 5%.
3. Tester la significativité global des paramètres du modèle.
R2 N − k − 1
Fc = ∼ F (k, N − k − 1
1 − R2 k
Application numérique

Fc = 29.25 > 3.1239074 = F0.05 (2, 72) Lemodèleestglobalementsignif icatif

2.2 Test sur les résidus

Test de Normalité

4. Faites un test de normalité de Jaque-Berra sur les résidus au seuil de 5%.

Définir les hypothyèses à tester.
Application numériques

Table 8. Skewness et Kustosis du terme d’erreur

Skewness : γ̂1 = -.0715393

Kurtosis :γ̂2 = 3.174344

H01 : γ1 = 0 et H02 : γ2 − 3 = 0 vs H11 : γ1 6= 0 ou H22 : γ2 − 3 6= 0

La statistique de Jarque et Bera teste simultanément l’asymétrie et l’aplatis-

sement mesurés par γ1 et γ2 .
 2
(γ̂2 − 3)2

γ̂1
JB = n + ∼ χ2 (2) (6)
6 24

JB= 0.55 ¡ 5.991 valeuur critique du χ2 (2) au seuil de 5%. Non rejet de H0 .
 UCAD 6

Test d’hétérocédasticité
Soit la régression auxiliaire suivante :
ε̂2t = β0 + βprix + β2 pub + β3 prix2 + β4 pub2 + β5 prix ∗ pub + et (7)
où et est un bruit blanc.
5. soit l’hypothèse nulle définie par :
H0 : β1 = β2 = . . . = β5 = 0
Sous H0 l’equation [refhet1] devient :
ε̂2t = β0 + et (8)

Expliquer pourquoi β0 doit être positif sous H0 . Sous H0 .

Réponse
E(ε̂2t ) = β0 = V (ε̂2t )car
E(et ) = 0

6. Que permet de tester H0 . Formuler les hypothèses du test.

Les estimations des modèles [refhet1] et [refhet2] nous a permis d’obtenir les infor-
mations suivantes :

Table 9. SCR, SCE, R2

Hypthèses SCE SCR R2 N

H0 0 85662.3524 0 75
H1 5182.4528 80479.8996 0.0605 75

7. Expliquer pourquoi la SCE et R2 sont nuls sous H0 .

Réponse
SCE est nulle parce on a aucune variable explicative dans le modèle d’ou la nuliité
du R2
8. Construire la statistique de White et de Fisher sous H0 . Conclure au seuil de 5%.
W = N ∗R2 ∼ χ2 (5) Application : W = 75∗0.0605 = 4.5375 < 11.070498; N onrejetde
H0

F = SCE/k R2 n−k−1
V F = 0.89 < Fc (5, 69) = 2.3475499 N onrejetdeH0
SCR/n−K= ∼F (k,n−k−1)
1−R2 k

Conclusion : Leserreurssonthomocédastiques.

Les résultats des estimations

ˆε2t = −583.686232.253prixt −46.197pubt −21.446prix2 0.823pub2t 0.823pub2 6.372prix∗pub+et (−0.94)(1.0

(9)
ˆε2t = 22.919 + et (5.83) (10)
(.) : les t de students
 UCAD 7

Calcul du montant optimal de publicité

Pour calculer le montant optimal de publicité on introduit dans l’équation [5] le

carré de la publicité. Les résultats des estimations sont reprséntés dans l’équation
[11]

v entest = 109.719−7.64prixt 12.15124pubt −2.767964pub2t +εt (16.14)(−7.30)(3.42)(−2.94)

(11)
2
Notes :pub2 : le carré de la publicité ; R = 0.0343 ; N= 75 ;
9. Déterminer le montant optimal de la publicité qui maximise les ventes d’humberger.
Remarque :
Le vendeur continuera à faire des annonces jusqu’au point où un franc
supplémentaire de pub ajoute un franc supplémentaire de vente.
Soit le modèle à estimer :

V entes = β0 + β1 prix + β2 pub + β3 pub2 + +ε

∂E(V entes)
= β2 + 2β3 pub = 1 d0 aprèslaremarque
∂pub
Le montant maximum de pub qui maximise les ventes est :

1 − β̂2
pub∗ = = 2.0143396 ∗ 105
2 ∗ β̂3

Figure 1. V entes = β̂2 pub + β̂3 pub2

Ventes en fonction uniquement de la publicité
14
12
Ventes
8
610

.5 1 1.5 2 2.5 3
Dépenses en publicité (100000 CFA)