Lors de la séance 1, nous avons commencé un rappel sur le contenu du

module Econométrie qu’on enseigne normalement en Licence, car certains

étudiants n’ont suivi aucun cours d’économétrie auparavant. On continue avec
ce rappel. On a déjà expliqué les fondements de l’économétrie en tant que
discipline d’analyse économique. Arrivés aux principales étapes d’une démarche
économétrique, on a présenté comment on construit un modèle économétrique
(forme fonctionnelle et hypothèses). Ensuite, on a présenté les deux principales
méthodes d’estimation à savoir la méthode MCO et la méthode MVS. Surtout la
méthode MCO fournit les estimateurs les plus efficaces (estimateurs B.L.U.E).

La troisième étape est aussi très importante et consiste à réaliser des tests
statistiques relatifs aux résultats d’estimation obtenus. Il y a plusieurs tests
disponibles dont certains sont indispensables.

Pratiquement et dès qu’on sort des résultats d’estimation, ce qu’on doit

regarder en premier lieu ce sont les signes des coefficients des estimateurs
obtenus pour voir s’ils sont conformes à la théorie ou à la réalité du modèle
économétrique utilisé.

. * Estimation MCO
.
. reg Production Capital Travail

Source SS df MS Number of obs = 28

F( 2, 25) = 2443.83
Model 2.2454617 2 1.12273085 Prob > F = 0.0000
Residual .011485353 25 .000459414 R-squared = 0.9949
Adj R-squared = 0.9945
Total 2.25694706 27 .083590632 Root MSE = .02143

Production Coef. Std. Err. t P>|t| [95% Conf. Interval]

Capital .3217222 .1075335 2.99 0.006 .1002529 .5431915

Travail 3.225871 .439283 7.34 0.000 2.321151 4.130591
_cons -13.70173 1.817496 -7.54 0.000 -17.44494 -9.958529

1
 Lorsqu’on a estimé la fonction de production ci-dessus, on devait
s’attendre à ce que les coefficients associés aux variables capital et travail soient
positifs. Cà laisse entendre que lorsque l’un des deux facteurs de production
augmente (+0.32 et +3.22), la production augment naturellement. On aurait eu
des problèmes si on a obtenu plutôt des coefficients de signe négatif. Il faut
signaler aussi que les variables du modèle sont toutes transformées en
logarithme ce qui montre que les coefficients obtenus indiquent, en fait, les
élasticités des facteurs capital et travail, respectivement. A partir de là, on peut
penser que cette économie est caractérisée par une dominance travail, car
l’augmentation de 1% du facteur travail fait accroitre la production de 3.22%
tandis que une augmentation de 1% du facteur capital ferait accroitre la
production de seulement 0.32%, donc 10 fois moins. Il faut noter que les
données concernent la Tunisie sur une période de 28 ans. La fonction de
production utilisée est du type Cobb-Douglas agrégée. Lorsqu’on l’exprime en
forme logarithmique, on aboutit à modèle économétrique linéaire dans les
paramètres.

Après cette appréciation générale des résultats des estimations, certains

constats doivent être confirmés par des tests statistiques. On commence par
regarder les aspects globaux des résultats obtenus à travers le test de
significativité globale. Ce test permet d’apprécier statistiquement la qualité
d’ensemble ou globale du modèle retenu, autrement dit un modèle linéaire avec
plusieurs variables explicatives. Ceci se traduit par la présence ou non de toutes
les variables explicatives dans l’équation qui a été estimée. On retient le corps
d’hypothèses qui suit comme base du travail :

⎧H 0 : β1 =  = βk = 0
⎨
⎩H1 : ∃ au moins βi ≠ 0

2
On voit bien que sous l’hypothèse nulle tous les coefficients s’annulent sauf la
constante pour dire toutes variables sont absentes de l’équation. Par contre, sous
l’hypothèse alternative, il existe au moins un coefficient qui ne s’annule pas, ce
qui veut dire que la régression est globalement significative. La statistique du
test est la suivante :
SCE
F= k → F( k ,n −k −1)
SCR
n − k −1
SCE est la variabilité expliquée par le modèle et SCR est la variabilité résiduelle.
Ces deux grandeurs sont définies comme suit :
n
( )
2 n
SCE = ∑ ŷi − Ŷ = ∑ (ŷi − Y )
i=1 i=1
2

n
2
SCR = ∑ (yi − ŷi ) = εˆ ʹ′εˆ
i=1

On accepte l’hypothèse nulle si la valeur estimée de la statistique est inférieure à

la valeur tabulée pour une loi de Fisher, car la statistique du test suit justement
une loi de Fisher. La régression est globalement significative lorsqu’on accepte
plutôt l’hypothèse alternative H1.
Dans l’exemple ci-dessus, vous pouvez retrouver les éléments suivants :
SCE = 2.24 ; SCR = 0.011 ; F = 2443.83

Un autre outil statistique d’analyse globale s’appelle le coefficient de

détermination, noté R², et qui représente la proportion de la variation totale qui
est expliquée par la droite de régression. Il est défini par la formule suivante :
SCR
R2 = 1−
SCT

3
Ce coefficient est compris dans l’intervalle [0,1] et autant il s’approche de 1
autant on peut conclure que le modèle sous sa forme linéaire reproduit le mieux
possible le modèle théorique développé au départ.

Si jamais on modifie le modèle de base (taille de l’échantillon ou

composition des variables explicatives), on ne peut pas utiliser le coefficient à
des fins de comparaison entre des spécifications où n change et/ou k change. On
passe à un coefficient de détermination ajusté défini comme sui :
SCR
n −1
R2 = 1− n − k −1 = 1− (
1− R2 )
SCT n − k −1
n −1
• Caractéristiques:

k = 1 ⇒ R2 ≈ R2
k > 1 ⇒ R2 ≥ R2
• Lorsque le nombre de variables explicatives k est petit par rapport à n, les
deux coefficients diffèrent peu.

2 k
• Inconvénient → R 2 peut être négatif lorsque R <
n −1

Maintenant aux tests individuels sur les coefficients de régression. Il y a

plusieurs types. Vous les trouverez dans le fichier joint.