Académique Documents
Professionnel Documents
Culture Documents
FASEG L3 Gestion
Année 2022-2023
Fiche 1 TD L3 Gestion : Modèle linéaire
1 Régresion simple
Exercice 1 : Régression simple
Soit le modèle simple linéaire définie par :
y i = β 0 + β 1 x1 + εi (1)
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
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
n ∗ Cov(x, y
β̂1 = = −1.3; β̂0 = ȳ − β̂1 x̄ = 5
n ∗ V (x)
UCAD 2
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
6
5
4
3
2
1
0
0 1 2 3 4
x
y Valeurs estimées
y = ŷ + ε
E(y) = E(ŷ) + E(ε)
| {z }
=0
E(y) = E(ŷ) ⇒ ȳ = ŷ¯ : Loi forte des grands nombres
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 6. Elasticités
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.
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
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)
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.
∂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
.5 1 1.5 2 2.5 3
Dépenses en publicité (100000 CFA)