Regression Lineaire Multiple EconomEtrie

BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://www.facebook.com/OMEGACENTER2014
M1/L3 (ÉCONOMÉTRIE)
Série Corrigée N°2

Modèle de Régression Linéaire Multiple
Énoncé de l'Exercice 1 : (IHET SC2011)

Pendant 23 ans, on a relevé sur une parcelle de terre agricole les rendements de la culture de blé
(symbolisé 𝒀), la température moyenne (variable 𝑿𝟏 ) et le niveau des précipitations (variable 𝑿𝟐 ).
L’ajustement de ce modèle conduit aux résultats suivants :
𝟐𝟑
𝟐 𝟐
𝒚𝒊 = 𝟎, 𝟓𝟏𝟐𝒙𝒊𝟏 − 𝟎, 𝟑𝟓𝟎𝒙𝒊𝟐 + 𝟐𝟕, 𝟑 ; 𝒊 = 𝟏, 𝟐 … , 𝟐𝟑 ; 𝑹 = 𝟎, 𝟗𝟑𝟕 ; 𝑺𝑪𝑻 = 𝒚𝒊 − 𝒚 = 𝟑𝟏𝟕, 𝟒𝟔
𝒊=𝟏
On donne, en plus
𝟎, 𝟎𝟎𝟎𝟗 −𝟎, 𝟎𝟖 −𝟎, 𝟑

′ −𝟏 𝟎, 𝟎𝟎𝟐𝟓 𝟎, 𝟎𝟐
𝑿𝑿 =
𝟎, 𝟐
1) Déduire l’estimateur de 𝝈𝟐 .
2) Déduire les variances des estimateurs 𝜷𝟏 et 𝜷𝟐 (les coefficients associés à 𝒙𝟏 et 𝒙𝟐
respectivement).
3) Effectuer les tests de significativité individuelle de 𝜷𝟏 et 𝜷𝟐 , sachant que le 𝒕-tabulé
est 𝒕𝟓% 𝟐𝟎 = 𝟐, 𝟎𝟒𝟐.
4) Peut-on affirmer que le coefficient de la température est deux fois plus élevé que celui des
précipitations, en valeur absolue ?
Corrigé :
1)
𝒏 𝟐
𝟐
𝝃′ 𝝃
𝒊=𝟏 𝝃𝒊 𝑺𝑪𝑹 𝟐 𝟐
𝟏 − 𝑹𝟐 𝑺𝑪𝑻
𝝈 = = = 𝒐ù 𝑺𝑪𝑹 = 𝟏 − 𝑹 𝑺𝑪𝑻 ⟹ 𝝈 =
𝒏−𝒌 𝒏−𝒌 𝒏−𝒌 𝒏−𝒌
A.N
𝟐𝟑
𝟐
𝒏 = 𝟐𝟑, 𝒌 = 𝟑, 𝑹 = 𝟎, 𝟗𝟑𝟕 𝒆𝒕 𝑺𝑪𝑻 = 𝒚𝒊 − 𝒚 𝟐
= 𝒀𝒄 ′ 𝒀𝒄 = 𝟑𝟏𝟕, 𝟒𝟔
𝒊=𝟏
𝟏 − 𝟎, 𝟗𝟑𝟕 × 𝟑𝟏𝟕, 𝟒𝟔
𝝈𝟐 = = 𝟎, 𝟒𝟐𝟖𝟔 ⟹ 𝝈 = 𝟎, 𝟔𝟓𝟒𝟕
𝟐𝟑 − 𝟑
1
Adresse : 38, av de l'environnement Manouba Centre, Manouba
2)
𝝈𝟐𝜷𝟎 𝑪𝒐𝒗 𝜷𝟎 , 𝜷𝟏 𝑪𝒐𝒗 𝜷𝟎 , 𝜷𝟐
𝝈𝟐𝜷 = 𝝈𝟐 𝑿′ 𝑿 −𝟏
= 𝝈𝟐𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐
𝝈𝟐𝜷𝟐
A.N
𝟎, 𝟎𝟎𝟎𝟗 −𝟎, 𝟎𝟖 −𝟎, 𝟑
𝝈𝟐𝜷 = 𝟎, 𝟒𝟐𝟖𝟔 𝟎, 𝟎𝟎𝟐𝟓 𝟎, 𝟎𝟐
𝟎, 𝟐
−𝟒
𝟑, 𝟖𝟓𝟒𝟕 × 𝟏𝟎 −𝟑𝟒𝟐, 𝟖𝟖 × 𝟏𝟎−𝟒 −𝟏𝟐𝟖𝟓, 𝟖 × 𝟏𝟎−𝟒
= 𝟏𝟎, 𝟕𝟏𝟓 × 𝟏𝟎−𝟒 𝟖𝟓, 𝟕𝟐 × 𝟏𝟎−𝟒
𝟖𝟓𝟕, 𝟐 × 𝟏𝟎−𝟒
Ce qui donne :
𝝈𝟐𝜷𝟏 = 𝟏𝟎, 𝟕𝟏𝟓 × 𝟏𝟎−𝟒 ⟹ 𝝈𝜷𝟏 = 𝟑, 𝟐𝟕𝟑 × 𝟏𝟎−𝟐
et
𝝈𝟐𝜷𝟐 = 𝟖𝟓𝟕, 𝟐 × 𝟏𝟎−𝟒 ⟹ 𝝈𝜷𝟐 = 𝟐𝟗, 𝟐𝟖 × 𝟏𝟎−𝟐
3)
 On se propose de tester : 𝑯𝟏𝟎 : 𝜷𝟏 = 𝟎 contre 𝑯𝟏𝟏 : 𝜷𝟏 ≠ 𝟎 sous un niveau de significativité 𝜶 = 𝟓%
𝜷𝟏 − 𝜷𝟏
𝑻= ↝ 𝝉 𝒏 − 𝒌 𝒔𝒆𝒓𝒂 𝒍𝒂 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏
𝝈𝜷𝟏
𝜷𝟏 −𝟎
On rejette 𝑯𝟏𝟎 si 𝑻𝟎 = > 𝒕𝟏−𝜶 𝒏 − 𝒌
𝝈𝜷 𝟐
𝟏
Or 𝑻𝟎 = 𝟗, 𝟎𝟕 et 𝒕𝟏−𝜶 𝒏 − 𝒌 = 𝒕𝟎,𝟗𝟕𝟓 𝟐𝟎 = 𝟐, 𝟎𝟖𝟔 ⟹ 𝑻𝟎 > 𝒕𝟏−𝜶 𝒏 − 𝒌

𝟐 𝟐
D’où 𝜷𝟏 est statistiquement significatif
 On se propose maintenant de tester : 𝑯𝟐𝟎 : 𝜷𝟐 = 𝟎 contre 𝑯𝟐𝟏 : 𝜷𝟐 ≠ 𝟎 sous un niveau de
significativité 𝜶 = 𝟓%
𝜷𝟐 − 𝜷𝟐
𝝈𝜷𝟐
𝜷𝟐 −𝟎
On rejette 𝑯𝟐𝟎 si 𝑻𝟎 = > 𝒕𝟏−𝜶 𝒏 − 𝒌
𝝈𝜷 𝟐
𝟐
Or 𝑻𝟎 = 𝟏, 𝟏𝟗𝟓 et 𝒕𝟏−𝜶 𝒏 − 𝒌 = 𝒕𝟎,𝟗𝟕𝟓 𝟐𝟎 = 𝟐, 𝟎𝟖𝟔 ⟹ 𝑻𝟎 ≯ 𝒕𝟏−𝜶 𝒏 − 𝒌

𝟐 𝟐
D’où 𝜷𝟐 n’est pas statistiquement significatif
4) On se propose maintenant de tester : 𝑯𝟎 : 𝜷𝟏 = 𝟐𝜷𝟐 contre 𝑯𝟏 : 𝜷𝟏 ≠ 𝟐𝜷𝟐 sous un niveau de
significativité 𝜶 = 𝟓% ou encore 𝑯𝟎 : 𝜷𝟏 − 𝟐𝜷𝟐 = 𝟎 contre 𝑯𝟏 : 𝜷𝟏 − 𝟐𝜷𝟐 ≠ 𝟎
𝜷𝟏 − 𝟐𝜷𝟐 − 𝜷𝟏 − 𝟐𝜷𝟐
𝝈 𝜷𝟏 −𝟐𝜷𝟐
Rappelons que 𝑽 𝒂𝑿 + 𝒃𝒀 = 𝒂𝟐 𝑽 𝑿 + 𝒃𝟐 𝑽 𝒀 + 𝟐𝒂𝒃𝑪𝒐𝒗 𝑿, 𝒀
Ainsi 𝝈𝟐𝜷𝟏 −𝟐𝜷𝟐 = 𝝈𝟐𝜷𝟏 + 𝟒 𝝈𝟐𝜷𝟐 − 𝟒𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = 𝟑𝟎, 𝟗𝟔𝟕 × 𝟏𝟎−𝟐 ⟹ 𝝈 𝜷𝟏 −𝟐𝜷𝟐 = 𝟎, 𝟓𝟓𝟕
𝜷𝟏 −𝟐𝜷𝟐 −𝟎
On rejette 𝑯𝟎 si 𝑻𝟎 = > 𝒕𝟏−𝜶 𝒏 − 𝒌
𝝈 𝜷 −𝟐𝜷 𝟐
𝟏 𝟐
2
Or 𝑻𝟎 = 𝟐, 𝟏𝟕𝟔 et 𝒕𝟏− 𝒏 − 𝒌 = 𝒕𝟎,𝟗𝟕𝟓 𝟐𝟎 = 𝟐, 𝟎𝟖𝟔 ⟹ 𝑻𝟎 > 𝒕𝟏−𝜶 𝒏 − 𝒌
𝜶
𝟐 𝟐
On peut affirmer –avec un niveau de significativité 𝜶 = 𝟓% que le coefficient de la température est deux
fois plus élevé que celui des précipitations.
Énoncé de l'Exercice 2 : (ISG SP2008)

On considère le modèle de régression multiple :
𝑲
𝒚𝒊 = 𝜷 𝟎 + 𝜷𝒌 𝒙𝒊𝒌 + 𝝃𝒊 ; 𝒊 = 𝟏, 𝟐 … , 𝒏
𝒌=𝟏
1)
a) Mettre le modèle sous forme matricielle en fonction du vecteur 𝒊 = 𝟏, 𝟏, … 𝟏 ′ et de la
matrice 𝑿 = 𝒙𝟏 , 𝒙𝟐 , … 𝒙𝑲
b) Donner l’expression du vecteur 𝜷𝒄 estimateur MCO de 𝜷𝒄 en fonction de 𝑴𝟎 , où 𝑴𝟎 est la
matrice qui transforme les observations en écarts par rapport aux moyennes des colonnes
𝟏
de la matrice𝑿. 𝑴𝟎 = 𝑰𝒏 − 𝒏 𝒊𝒊′
2) Dans la régression précédente le calcul du vecteur 𝜷𝒄 revient à régresser la variable 𝒀 centrée
par rapport aux variables explicatives 𝒙𝟏 , 𝒙𝟐 , … 𝒙𝑲 centrées dans le cadre d’un modèle linéaire
sans constante.
a) Est-ce qu’on obtient le même résultat si seule la variable 𝒀 est centrée ?
Est-ce qu’on obtient le même résultat si uniquement les variables explicatives sont centrées ?
Corrigé :
Rappel de cours : Complément d’algèbre matricielle
𝒙𝟏 𝒚𝟏
𝒔𝒐𝒊𝒆𝒏𝒕 𝒖 = ⋮ 𝒆𝒕 𝒗 = ⋮ , 𝒍𝒆 𝒑𝒓𝒐𝒅𝒖𝒊𝒕 𝒔𝒄𝒂𝒍𝒂𝒊𝒓𝒆 𝒆𝒏𝒕𝒓𝒆 𝒖 𝒆𝒕 𝒗 𝒆𝒔𝒕 𝒖𝒏 𝒔𝒄𝒂𝒍𝒂𝒊𝒓𝒆 ∶
𝒙𝒏 𝒚𝒏
𝒚𝟏 𝒙𝟏 𝒏
𝒖 𝒗 = 𝒗 𝒖 = 𝒙𝟏
′ ′ … 𝒙𝒏 ⋮ = 𝒚𝟏 … 𝒚𝒏 ⋮ = 𝒙 𝒊 𝒚𝒊
𝒚𝒏 𝒙𝒏 𝒊=𝟏
𝒙𝟏 𝒏
𝒖 ′ 𝒖 = 𝒙𝟏 … 𝒙𝒏 ⋮ = 𝒙𝒊 𝟐
𝒙𝒏 𝒊=𝟏
3
𝒙𝟏 𝟏 𝒏
′
𝒊𝒖=𝒖𝒊= 𝟏 ′
… 𝟏 ⋮ = 𝒙𝟏 … 𝒙𝒏 ⋮ = 𝒙𝒊
𝒙𝒏 𝟏 𝒊=𝟏
𝒏
𝟏 𝟏 ′ 𝟏
𝒙= 𝒙𝒊 = 𝒊 𝒖 = 𝒖′ 𝒊
𝒏 𝒏 𝒏
𝒊=𝟏
𝟏 𝟏 𝟏 𝟏
⋯ 𝒏
𝒏 𝒏 𝒏 𝒏 𝟏
𝟏 𝟏 𝟏 𝟏 𝒙𝒊
⋯ 𝒙𝟏 𝒏 𝒙
𝟏 𝒏 𝒏 𝒏 𝒏 𝒊=𝟏
𝒊𝒙 = 𝒊𝒊′ 𝒖 = ⋮ ⋮ ⋱ ⋮ ⋮ ⋮ = ⋮ = ⋮
𝒏 𝟏 𝟏 𝟏 𝟏 𝒙𝒏 𝒏
𝟏 𝒙
⋯ 𝒙𝒊
𝒏 𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏 𝒊=𝟏
⋯
𝒏 𝒏 𝒏 𝒏
𝟏 ′ 𝟏 ′ 𝒙𝟏 − 𝒙
𝟎 ⋮
𝒖 − 𝒊𝒙 = 𝑰𝒏 𝒖 − 𝒊𝒊 𝒖 = 𝑰𝒏 − 𝒊𝒊 𝒖 = 𝑴 𝒖 =
𝒏 𝒏 𝒙𝒏 − 𝒙
𝟏 𝟏 𝟏 𝟏
𝟏− − ⋯ − −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− 𝟏− ⋯ − −
𝟏 𝒏 𝒏 𝒏 𝒏
𝒐ù 𝑴𝟎 = 𝑰𝒏 − 𝒊𝒊′ = ⋮ ⋮ ⋱ ⋮ ⋮
𝒏 𝟏 𝟏 𝟏 𝟏
− − ⋯ 𝟏− −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− − ⋯ − 𝟏−
𝒏 𝒏 𝒏 𝒏
𝟎 𝒏
𝒆𝒔𝒕 𝒖𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒊𝒅𝒆𝒎𝒑𝒐𝒕𝒆𝒏𝒕𝒆 𝒊. 𝒆. 𝑴 = 𝑴 ∀ 𝒏 ∈ ℕ 𝒆𝒕 𝒔𝒚𝒎é𝒕𝒓𝒊𝒒𝒖𝒆 𝒊. 𝒆. 𝑴𝟎 ′ = 𝑴𝟎
𝟎 ∗
𝒒𝒖𝒊 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒆 𝒍𝒆𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒆𝒏 é𝒄𝒂𝒓𝒕𝒔 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝒎𝒐𝒚𝒆𝒏𝒏𝒆𝒔 𝒅𝒆𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔
𝟎
𝑴𝟎 𝒊 = ⋮ 𝒆𝒕 𝒊′ 𝑴𝟎 = 𝟎 … 𝟎
𝟎
𝒏
𝟐 ′
𝒙𝒊 − 𝒙 = 𝒖 − 𝒊𝒙 𝒖 − 𝒊𝒙 = 𝑴𝟎 𝒖 ′
𝑴𝟎 𝒖 = 𝒖′ 𝑴𝟎 𝒖
𝒊=𝟏
𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚 = 𝑴𝟎 𝒖 ′
𝑴𝟎 𝒗 = 𝒖′ 𝑴𝟎 𝒗
𝒊=𝟏
4
1)
a)
𝑲 𝑲
𝑴𝟏 : 𝒚𝒊 = 𝜷𝟎 + 𝜷𝒌 𝒙𝒊𝒌 + 𝝃𝒊 ; 𝒊 = 𝟏, 𝟐 … , 𝒏 ⟺ 𝒚𝒊 − 𝜷𝟎 = 𝜷𝒌 𝒙𝒊𝒌 + 𝝃𝒊 ; 𝒊 = 𝟏, 𝟐 … , 𝒏
𝒌=𝟏 𝒌=𝟏
Une écriture matricielle du modèle sera :
𝒚𝟏 − 𝜷 𝟎 𝒙𝟏𝟏 ⋯ 𝒙𝟏𝒌 𝜷𝟏 𝝃𝟏 𝒚𝟏 − 𝜷 𝟎
⋮ = ⋮ ⋯ ⋮ ⋮ + ⋮ ⟺ ⋮ = 𝑿𝜷𝒄 + 𝝃
𝒚𝒏 − 𝜷 𝟎 𝒙𝒏𝟏 ⋯ 𝒙𝒏𝒌 𝜷𝒌 𝝃𝒏 𝒚𝒏 − 𝜷 𝟎
𝒙𝟏𝟏 ⋯ 𝒙𝟏𝒌 𝜷𝟏 𝝃𝟏
𝒐ù 𝑿 = ⋮ ⋯ ⋮ ,𝜷 = ⋮
𝒄
𝒆𝒕 𝝃 = ⋮
𝒙𝒏𝟏 ⋯ 𝒙𝒏𝒌 𝜷𝒌 𝝃𝒏
𝒚𝟏 𝜷𝟎 𝟏 𝒚𝟏
Ainsi ⋮ − ⋮ = 𝑿𝜷 + 𝝃 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝒀 − 𝜷𝟎 ⋮ = 𝑿𝜷 + 𝝃 𝒂𝒗𝒆𝒄 𝒀 = ⋮
𝒄 𝒄
𝒚𝒏 𝜷𝟎 𝟏 𝒚𝒏
𝟏
Notons 𝒊 = ⋮
𝟏
On obtient finalement : 𝑴𝟏 : 𝒀 = 𝜷𝟎 𝒊 + 𝑿𝜷𝒄 + 𝝃
b) Vérifions que 𝑴𝟎 est une matrice idempotente i.e. 𝑴𝟎 𝒏

= 𝑴𝟎 ∀ 𝒏 ∈ ℕ∗ et que 𝑴𝟎 est
une matrice symétrique :
 𝑴𝟎 𝟏 = 𝑴𝟎 donc la propriété est vraie pour 𝒏 = 𝟏
Supposons 𝑴𝟎 𝒑
= 𝑴𝟎 𝒑𝒐𝒖𝒓 𝒕𝒐𝒖𝒕 𝒑 = 𝟏, 𝟐 … , 𝒏 et vérifions que 𝑴𝟎 𝒏+𝟏
= 𝑴𝟎 :
𝑴𝟎 𝒏+𝟏
= 𝑴𝟎 𝒏 𝑴𝟎 = 𝑴𝟎 𝑴𝟎 = 𝑴𝟎 𝟐
= 𝑴𝟎
𝑫′ 𝒐ù ∀ 𝒏 ∈ ℕ∗ ; 𝑴𝟎 𝒏
= 𝑴𝟎 et 𝑴𝟎 est une matrice idempotente
𝟏 ′ 𝟏 𝟏
 𝑴𝟎 ′
= 𝑰𝒏 − 𝒏 𝒊𝒊′ = 𝑰′𝒏 − 𝒏 𝒊𝒊′ ′
= 𝑰𝒏 − 𝒏 𝒊𝒊′ = 𝑴𝟎 ⟺ 𝑴𝟎 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒔𝒚𝒎é𝒕𝒓𝒊𝒒𝒖𝒆
Par la suite 𝑴𝟏 ⟺ 𝑴𝟎 𝒀 = 𝑴𝟎 𝜷𝟎 𝒊 + 𝑿𝜷𝒄 + 𝝃
Avec :
𝟏 ′
𝑴𝟎 = 𝑰𝒏 − 𝒊𝒊
𝒏
𝟏 ⋯ 𝟎 𝟏 𝟏
= ⋮ ⋱ ⋮ − ⋮ 𝟏, 𝟏, … 𝟏
𝒏
𝟎 ⋯ 𝟏 𝟏
5
𝟏 ⋯ 𝟎 𝟏 𝟏 ⋯ 𝟏
= ⋮ ⋱ ⋮ − ⋮ ⋯ ⋮
𝒏
𝟎 ⋯ 𝟏 𝟏 ⋯ 𝟏
𝟏 𝟏 𝟏 𝟏
𝟏− − ⋯ − −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− 𝟏− ⋯ − −
𝒏 𝒏 𝒏 𝒏
𝟎
𝑴 = ⋮ ⋮ ⋱ ⋮ ⋮
𝟏 𝟏 𝟏 𝟏
− − ⋯ 𝟏− −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− − ⋯ − 𝟏−
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
𝟏− − ⋯ − −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏 𝒚𝟏
− 𝟏− ⋯ − − 𝒚𝟐
𝒏 𝒏 𝒏 𝒏
𝑨𝒊𝒏𝒔𝒊: 𝑴𝟎 𝒀 = ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
𝟏 𝟏 𝟏 𝟏 𝒚𝒏−𝟏
− − ⋯ 𝟏− − 𝒚𝒏
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− − ⋯ − 𝟏−
𝒏 𝒏 𝒏 𝒏
𝒏
𝟏
𝒚𝟏 − 𝒚𝒊
𝒏
𝒊=𝟏
𝒏
𝟏
𝒚𝟐 − 𝒚𝒊
𝒏
𝒊=𝟏
= ⋮
𝒏
𝟏
𝒚𝒏−𝟏 𝒚𝒊
𝒏
𝒊=𝟏
𝒏
𝟏
𝒚𝒏 𝒚𝒊
𝒏
𝒊=𝟏
𝒚𝟏 − 𝒚
𝒚𝟐 − 𝒚
= ⋮
𝒚𝒏−𝟏 − 𝒚
𝒚𝒏 − 𝒚
𝒚𝟏 − 𝒚
𝒚𝟐 − 𝒚
𝒏𝒐𝒕𝒐𝒏𝒔 𝒀𝒄 = ⋮ 𝒅𝒐𝒏𝒄 𝒐𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 𝒀𝒄 = 𝑴𝟎 𝒀
𝒚𝒏−𝟏 − 𝒚
𝒚𝒏 − 𝒚
6
𝝃𝟏 − 𝝃
𝝃𝟐 − 𝝃
𝑫𝒆 𝒎ê𝒎𝒆, 𝝃𝒄 = ⋮ = 𝑴𝟎 𝝃
𝝃𝒏−𝟏 − 𝝃
𝝃𝒏 − 𝝃
𝒐𝒏 𝒂 𝒂𝒖𝒔𝒔𝒊
𝟏 𝟏 𝟏 𝟏
𝟏−𝒏 −𝒏 ⋯ −𝒏 −𝒏
𝒙𝟏𝟏 𝒙𝟏𝟐 ⋯ 𝒙𝟏,𝒌−𝟏 𝒙𝟏𝒌
𝟏 𝟏 𝟏 𝟏
−𝒏 𝟏−𝒏 ⋯ −𝒏 −𝒏 𝒙𝟐𝟏 𝒙𝟐𝟐 ⋯ 𝒙𝟐,𝒌−𝟏 𝒙𝟐𝒌
𝑴𝟎 𝑿 = ⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮
−𝒏
𝟏
−𝒏
𝟏
⋯ 𝟏−𝒏
𝟏
−𝒏
𝟏 𝒙𝒏−𝟏,𝟏 𝒙𝒏−𝟏,𝟐 ⋯ 𝒙𝒏−𝟏,𝒌−𝟏 𝒙𝒏−𝟏,𝒌
𝒙𝒏𝟏 𝒙𝒏𝟐 ⋯ 𝒙𝒏,𝒌−𝟏 𝒙𝒏𝒌
𝟏 𝟏 𝟏 𝟏
−𝒏 −𝒏 ⋯ −𝒏 𝟏−𝒏
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
𝒙𝟏𝟏 − 𝒙𝒊𝟏 𝒙𝟏𝟐 − 𝒙𝒊𝟐 ⋯ 𝒙𝟏,𝒌−𝟏 − 𝒙𝒊,𝒌−𝟏 𝒙𝟏𝒌 − 𝒙𝒊𝒌
𝒏 𝒏 𝒏 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
𝒙𝟐𝟏 − 𝒙𝒊𝟏 𝒙𝟐𝟐 − 𝒙𝒊𝟐 ⋯ 𝒙𝟐,𝒌−𝟏 − 𝒙𝒊,𝒌−𝟏 𝒙𝟐𝟏 − 𝒙𝒊𝒌
𝒏 𝒏 𝒏 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
= ⋮ ⋮ ⋯ ⋮ ⋮
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
𝒙𝒏−𝟏,𝟏 − 𝒙𝒊𝟏 𝒙𝒏−𝟏,𝟐 − 𝒙𝒊𝟐 ⋯ 𝒙𝒏−𝟏,𝒌−𝟏 − 𝒙𝒊,𝒌−𝟏 𝒙𝒏−𝟏,𝒌 − 𝒙𝒊𝒌
𝒏 𝒏 𝒏 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
𝒙𝒏𝟏 − 𝒙𝒊𝟏 𝒙𝒏𝟐 − 𝒙𝒊𝟐 ⋯ 𝒙𝒏,𝒌−𝟏 − 𝒙𝒊,𝒌−𝟏 𝒙𝒏𝒌 − 𝒙𝒊𝒌
𝒏 𝒏 𝒏 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒙𝟏𝟏 − 𝒙𝟏 𝒙𝟏𝟐 − 𝒙𝟐 ⋯ 𝒙𝟏,𝒌−𝟏 − 𝒙𝒌−𝟏 𝒙𝟏𝒌 − 𝒙𝒌

𝒙𝟐𝟏 − 𝒙𝟏 𝒙𝟐𝟐 − 𝒙𝟐 ⋯ 𝒙𝟐,𝒌−𝟏 − 𝒙𝒌−𝟏 𝒙𝟐𝟏 − 𝒙𝒌
𝒄 𝟎
𝑺𝒐𝒊𝒕 𝑿 = 𝑴 𝑿 = ⋮ ⋮ ⋯ ⋮ ⋮
𝒙𝒏−𝟏,𝟏 − 𝒙𝟏 𝒙𝒏−𝟏,𝟐 − 𝒙𝟐 ⋯ 𝒙𝒏−𝟏,𝒌−𝟏 − 𝒙𝒌−𝟏 𝒙𝒏−𝟏,𝒌 − 𝒙𝒌
𝒙𝒏𝟏 − 𝒙𝟏 𝒙𝒏𝟐 − 𝒙𝟐 ⋯ 𝒙𝒏,𝒌−𝟏 − 𝒙𝒌−𝟏 𝒙𝒏𝒌 − 𝒙𝒌
𝑫′ 𝒂𝒖𝒕𝒓𝒆𝒑𝒂𝒓𝒕 𝑴𝟎 𝜷𝟎 𝒊 = 𝜷𝟎 𝑴𝟎 𝒊
𝟏 ′
= 𝜷𝟎 𝑰 𝒏 − 𝒊𝒊 𝒊
𝒏
𝒏
𝟏 𝟏
= 𝜷𝟎 𝒊 − 𝒊 𝒊′ 𝒊 𝒄𝒂𝒓 𝒊′ 𝒊 = 𝟏, 𝟏, … 𝟏 ⋮ = 𝟏=𝒏
𝒏 𝒏
𝟏 𝒊=𝟏
𝑨𝒊𝒏𝒔𝒊 𝑴𝟎 𝜷𝟎 𝒊 = 𝟎
𝑬𝒏 𝒆𝒇𝒇𝒆𝒕 𝑴𝟏 ⟺ 𝑴𝟎 𝒀 = 𝑴𝟎 𝜷𝟎 𝒊 + 𝑿𝜷𝒄 + 𝝃
⟺ 𝑴𝟎 𝒀 = 𝑴𝟎 𝜷𝟎 𝒊 + 𝑴𝟎 𝑿𝜷𝒄 + 𝑴𝟎 𝝃
𝟎
7
⟺ 𝒀𝒄 = 𝑿𝒄 𝜷𝒄 + 𝝃𝒄
On obtient par conséquent :

−𝟏
𝜷𝒄𝑴𝟏 = 𝑿𝒄 ′ 𝑿𝒄 𝑿𝒄 ′ 𝒀𝒄
′ −𝟏 ′
= 𝑴𝟎 𝑿 𝑴𝟎 𝑿 𝑴𝟎 𝑿 𝑴𝟎 𝒀
−𝟏
′ 𝟎′ 𝟎 ′
= 𝑿 𝑴 𝑴 𝑿 𝑿′ 𝑴𝟎 𝑴𝟎 𝒀
𝑴𝟎 𝑴𝟎
−𝟏
′ 𝟎 𝟐
= 𝑿 𝑴 𝑿 𝑿′ 𝑴𝟎 𝟐
𝒀
𝑴𝟎 𝑴𝟎
D’où
−𝟏
𝜷𝒄𝑴𝟏 = 𝑿′ 𝑴𝟎 𝑿 𝑿′ 𝑴𝟎 𝒀
2)
a)
𝑴𝟐 : 𝒀𝒄 = 𝑿𝜷𝒄 + 𝝃
−𝟏
𝜷𝒄𝑴𝟐 = 𝑿′ 𝑿 𝑿′ 𝑴𝟎 𝒀
b)
𝑴𝟑 : 𝒀 = 𝑿𝒄 𝜷𝒄 + 𝝃
−𝟏
𝜷𝒄𝑴𝟑 = 𝑿′ 𝑴𝟎 𝑿 𝑿′ 𝒀
Il est clair que l’expression du vecteur 𝜷𝒄 change d’un modèle à un autre.
Énoncé de l'Exercice 3 : (ISG SP2008)

On considère le modèle de régression multiple avec constante : 𝒀 = 𝑿𝜷 + 𝝃 . On procède à la
transformation suivante des variables explicatives: 𝒁 = 𝑿𝑻 , où 𝑻 est une matrice inversible.
1) Donner l’expression des vecteurs des résidus de la régression de 𝒀 sur 𝑿 et de 𝒀 sur 𝒁

respectivement 𝒆𝟏 = 𝑴𝑿𝒀 et 𝒆𝟐 = 𝑴𝒁𝒀
2) Que peut-on conclure quant à la qualité d’ajustement des deux régressions
3) Quel est le lien entre ce résultat et le problème de changement d’unité de mesure des variables
8
Corrigé :
1)
𝓜𝟏 : 𝒀 = 𝑿𝜷𝟏 + 𝝃 ; 𝒆𝟏 = 𝑴𝑿𝒀 = 𝒀 − 𝒀𝟏 = 𝒀 − 𝑿𝜷𝟏 ; 𝒐ù 𝜷𝟏 = 𝑿′ 𝑿 −𝟏

𝑿′ 𝒀
𝒁 = 𝑿𝑻 𝒆𝒕 𝑻 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆 𝒅𝒐𝒏𝒄 𝑿 = 𝒁𝑻−𝟏
𝑷𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 𝓜𝟏 ⟺ 𝒀 = 𝒁𝑻−𝟏 𝜷𝟏 + 𝝃 = 𝒁 𝑻−𝟏 𝜷𝟏 + 𝝃

𝜷𝟐
𝑫𝒐𝒏𝒄 𝓜𝟐 : 𝒀 = 𝒁𝜷𝟐 + 𝝃 𝒆𝒕 𝒆𝟐 = 𝑴𝒁𝒀 = 𝒀 − 𝒀𝟐 = 𝒀 − 𝒁𝜷𝟐 ; 𝒐ù 𝜷𝟐 = 𝒁′ 𝒁 −𝟏

𝒁′ 𝒀
2)
𝑺𝒐𝒊𝒆𝒏𝒕 𝑹𝟐𝟏 𝒆𝒕 𝑹𝟐𝟐 𝑳𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒆𝒔 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏𝒔 𝒓𝒆𝒔𝒑𝒆𝒄𝒕𝒊𝒗𝒆𝒔
𝒅𝒆 𝒀 𝒔𝒖𝒓 𝑿 𝒆𝒕 𝒅𝒆 𝒀 𝒔𝒖𝒓 𝒁
′
𝑺𝑪𝑹𝟏 = 𝒆′𝟏 𝒆𝟏 = 𝑴′𝑿𝒀 𝑴𝑿𝒀 = 𝒀 − 𝑿𝜷𝟏 𝒀 − 𝑿𝜷𝟏 = 𝒀′ 𝒀 − 𝜷′𝟏 𝑿′ 𝒀
′
𝑬𝒕 𝑺𝑪𝑹𝟐 = 𝒆′𝟐 𝒆𝟐 = 𝑴′𝒁𝒀 𝑴𝒁𝒀 = 𝒀 − 𝒁𝜷𝟐 𝒀 − 𝒁𝜷𝟐 = 𝒀′ 𝒀 − 𝜷′𝟐 𝒁′ 𝒀
′
= 𝒀′ 𝒀 − 𝒁′ 𝒁 −𝟏
𝒁′ 𝒀 𝒁′ 𝒀
𝜷𝟐
−𝟏 ′
= 𝒀′ 𝒀 − 𝑿𝑻 ′
𝑿𝑻 𝑿𝑻 ′ 𝒀 𝑿𝑻 ′ 𝒀
= 𝒀′ 𝒀 − 𝑻′ 𝑿′ 𝑿 𝑻 −𝟏
𝑻′ 𝑿′ 𝒀 ′
𝑻′ 𝑿′ 𝒀
′
′ −𝟏 ′ −𝟏 ′ −𝟏 ′ ′
= 𝒀 𝒀− 𝑻 𝑿𝑿 𝑻 𝑻 𝑿𝒀 𝑻′ 𝑿′ 𝒀
𝑰𝒌
= 𝒀′ 𝒀 − 𝑻−𝟏 𝑿′ 𝑿 −𝟏
𝑿′ 𝒀 𝑻′ 𝑿′ 𝒀
𝜷𝟏
′
= 𝒀′ 𝒀 − 𝑻−𝟏 𝜷𝟏 𝑻′ 𝑿′ 𝒀
= 𝒀′ 𝒀 − 𝜷′𝟏 𝑻′ −𝟏 ′
𝑻 𝑿′ 𝒀
𝑰𝒌
′
𝑫′ 𝒐ù 𝑺𝑪𝑹𝟐 = 𝒀′ 𝒀 − 𝜷′𝟏 𝑿′ 𝒀 = 𝑺𝑪𝑹𝟏 𝒆𝒕 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒂 𝑺𝑪𝑻𝟐 = 𝑺𝑪𝑻𝟏 = 𝒀𝒄 𝒀𝒄 , 𝒅𝒐𝒏𝒄 𝑹𝟐𝟐 = 𝑹𝟐𝟏
Ce qui prouve que 𝑹𝟐 n’est pas affecté par ces changements d’unité de mesure.
2) On a 𝜷𝟐 = 𝑻−𝟏 𝜷𝟏 𝒐𝒖 𝜷𝟏 = 𝑻𝜷𝟐
9
𝟏 𝟏 𝟏 ′
Et puisque 𝚫𝒚𝒊 = 𝒃𝟏 𝚫𝒙𝟏 + 𝒃𝟐 𝚫𝒙𝟐 + ⋯ 𝒃𝒌 𝚫𝒙𝒌 𝒐ù 𝒃𝟎 𝒃𝟏𝟏 ⋯ 𝒃𝟏𝒌 = 𝜷𝟏
𝟏
′
Et on a aussi 𝚫𝒚𝒊 = 𝒃𝟐𝟏 𝚫𝒙𝟏 + 𝒃𝟐𝟐 𝚫𝒙𝟐 + ⋯ 𝒃𝟐𝒌 𝚫𝒙𝒌 𝒐ù 𝒃𝟐𝟎 𝒃𝟐𝟏 ⋯ 𝒃𝟐𝒌 = 𝜷𝟐
𝒕𝟏𝟏 𝒕𝟏𝟐 ⋯ 𝒕𝟏,𝒌 𝒕𝟏,𝒌+𝟏

𝒕𝟐𝟏 𝒕𝟐𝟐 ⋯ 𝒕𝟐,𝒌 𝒕𝟐,𝒌+𝟏
𝑵𝒐𝒕𝒐𝒏𝒔 𝑻 = ⋮ ⋮ ⋯ ⋮ ⋮ 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆
𝒕𝒌,𝟏 𝒕𝒌,𝟐 ⋯ 𝒕𝒌,𝒌 𝒕𝒌,𝒌+𝟏
𝒕𝒌+𝟏,𝟏 𝒕𝒌+𝟏,𝟐 ⋯ 𝒕𝒌+𝟏,𝒌 𝒕𝒌+𝟏,𝒌+𝟏
𝒕𝟏𝟏 𝒕𝟏𝟐 ⋯ 𝒕𝟏,𝒌 𝒕𝟏,𝒌+𝟏

𝒃𝟏𝟎 𝒃𝟐𝟎
𝒕𝟐𝟏 𝒕𝟐𝟐 ⋯ 𝒕𝟐,𝒌 𝒕𝟐,𝒌+𝟏
𝑨𝒊𝒏𝒔𝒊 𝜷𝟏 = 𝑻𝜷𝟐 ⇔ 𝒃𝟏𝟏 = ⋮ ⋮ ⋯ ⋮ ⋮ 𝒃𝟐𝟏
⋮ 𝒕𝒌,𝟏 𝒕𝒌,𝟐 ⋯ 𝒕𝒌,𝒌 𝒕𝒌,𝒌+𝟏 ⋮
𝒃𝟏𝒌 𝒕𝒌+𝟏,𝟏 𝒕𝒌+𝟏,𝟐 ⋯ 𝒕𝒌+𝟏,𝒌 𝒕𝒌+𝟏,𝒌+𝟏 𝒃𝟐𝒌
𝒌+𝟏
𝒃𝟐𝟎 𝒕𝟏𝒋
𝒋=𝟏
𝒃𝟏𝟎 𝒌+𝟏 𝒌 + 𝟏 𝒕𝟏 𝒃𝟐𝟎
⇔ 𝒃𝟏𝟏 = 𝒃𝟐𝟏 𝒕𝟐𝒋 = 𝒌 + 𝟏 𝒕𝟐 𝒃𝟐𝟎
⋮ 𝒋=𝟏 ⋮
𝒃𝟏𝒌 ⋮ 𝒌 + 𝟏 𝒕𝒌+𝟏 𝒃𝟐𝟎
𝒌+𝟏
𝒃𝟐𝒌 𝒕𝒌+𝟏,𝒋
𝒋=𝟏
𝒑𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 ∀ 𝒊 = 𝟏, 𝟐 … , 𝒌, 𝒌 + 𝟏 , 𝒃𝟏𝒊 = 𝒌 + 𝟏 𝒕𝒊 𝒃𝟐𝒊
𝑶𝒓 𝒔𝒊 𝒙𝒊 𝒑𝒂𝒔𝒔𝒆 à 𝒍𝒂 𝒗𝒂𝒍𝒆𝒖𝒓 𝒙𝒊 + 𝚫𝒙𝒊 𝒕𝒐𝒖𝒕𝒆 𝒄𝒉𝒐𝒔𝒆 é𝒕𝒂𝒏𝒕 é𝒈𝒂𝒍𝒆 𝒑𝒂𝒓 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔
𝒂𝒍𝒐𝒓𝒔 𝒚 𝒗𝒂𝒓𝒊𝒆 𝒅𝒆 𝚫𝒚𝒊 = 𝒃𝟏𝒊 𝚫𝒙𝒊 = 𝒃𝟐𝒊 𝚫𝒛𝒊
Donc non seulement la qualité d’ajustement des deux régressions reste elle-même, mais aussi la
variation de la variable à expliquer 𝒚 ne sera pas affectée par les changements d'unité.
Énoncé de l'Exercice 4 : (ISG SC2006)

On considère deux modèles de production :
𝒌
𝜷𝟏
𝑴𝟏 : 𝒚𝒕 = 𝒆 𝒙𝒕𝒊 𝜷𝒊 𝒆𝝃𝒕
𝒊=𝟐
𝑴𝟐 : 𝒚𝒕 = 𝜶𝟏 + 𝜶𝒊 𝒙𝒕𝒊 + 𝜻𝒕
𝒊=𝟐
10
Où 𝒚 est la production, et les 𝒙𝒊 ; 𝒊 = 𝟐, 𝟑 … , 𝒌 sont les facteurs de production.
1)
a) Donner le modèle 𝑴𝟑 qui correspond à la forme log-linéaire du modèle 𝑴𝟏 .
b) Déterminer 𝜼𝒊 l’élasticité de la production par rapport au facteur 𝒙𝒊 ; 𝒊 = 𝟐, 𝟑 … , 𝒌
selon le modèle 𝑴𝟏
2) Déterminer 𝜹𝒊 l’élasticité de la production par rapport au facteur 𝒙𝒊 ; 𝒊 = 𝟐, 𝟑 … , 𝒌 selon le
modèle 𝑴𝟐 . Commenter
Sur la base d’un échantillon de 𝟒𝟓 observations, on a estimé ce modèle 𝑴𝟑 par la méthode des
moindres carrés pour le cas de deux facteurs de productions : 𝒙𝟐 le capital et 𝒙𝟑 le travail. Les résultats
sont :
𝟎, 𝟕𝟓 𝟏𝟓 −𝟓
𝜷𝒄 = , 𝑺𝑪𝑹 = 𝟐𝟓 , 𝝈𝟐𝜷𝒄 = 𝟏𝟎−𝟒
𝟎, 𝟑𝟎 𝟏𝟎
3) Donner le tableau d’analyse de la variance

4) Tester au risque de 𝟓% l’hypothèse que l’élasticité capital est égale à l’élasticité travail
Tester au risque de 𝟓% l’hypothèse des rendements d’échelle constants
Corrigé :
1)
a)
𝒌 𝒌 𝒌
𝜷𝟏 𝜷𝒊 𝝃𝒕 𝜷𝒊 𝝃𝒕
𝑴𝟏 : 𝒚𝒕 = 𝒆 𝒙𝒕𝒊 𝒆 ⇔ 𝐥𝐧 𝒚𝒕 = 𝜷𝟏 + 𝐥𝐧 𝒙𝒕𝒊 𝒆 = 𝜷𝟏 + 𝜷𝒊 𝐥𝐧 𝒙𝒕𝒊 + 𝝃𝒕
𝒊=𝟐 𝒊=𝟐 𝒊=𝟐
𝑴𝟏 ⇔ 𝑴𝟑 : 𝐥𝐧 𝒚𝒕 = 𝜷𝟏 + 𝜷𝟐 𝐥𝐧 𝒙𝒕𝟐 + 𝜷𝟑 𝐥𝐧 𝒙𝒕𝟑 + ⋯ + 𝜷𝒌 𝐥𝐧 𝒙𝒕𝒌 + 𝝃𝒕 ; 𝒕 = 𝟏, 𝟐 … , 𝑻
b)
𝜼𝒊 Étant l’élasticité de la production par rapport au facteur 𝒙𝒊 ; 𝒊 = 𝟐, 𝟑 … , 𝒌 selon le modèle 𝑴𝟏
𝒅𝒚 𝒚
𝜼𝒊 =
𝒅𝒙𝒊 𝒙𝒊
𝒅 𝐥𝐧 𝒚 𝟏 𝒅𝒚
= 𝒅 𝐥𝐧 𝒚 =
𝒅𝒚 𝒚 𝒚
𝑶𝒓 ⇒
𝒅 𝐥𝐧 𝒙𝒊 𝟏 𝒅𝒙𝒊
= 𝒅 𝐥𝐧 𝒙𝒊 =
𝒅𝒙𝒊 𝒙 𝒙
𝒅 𝐥𝐧 𝒚 𝒅𝒚 𝒚 ′
𝒆𝒕 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒂 𝜷𝒊 = ⇒ 𝜷𝒊 = 𝒅 𝒐ù 𝜼𝒊 = 𝜷𝒊 ; 𝒊 = 𝟐, 𝟑 … , 𝒌
𝒅 𝐥𝐧 𝒙𝒊 𝒅𝒙𝒊 𝒙𝒊
11
2)
𝒌
𝑴𝟐 : 𝒚𝒕 = 𝜶𝟏 + 𝜶𝒊 𝒙𝒕𝒊 + 𝜻𝒕
𝒊=𝟐
𝜹𝒊 L’élasticité de la production par rapport au facteur 𝒙𝒊 ; 𝒊 = 𝟐, 𝟑 … , 𝒌 selon le modèle 𝑴𝟐
𝒅𝒚 𝒚 𝒅𝒚 𝒙𝒊 𝒅𝒚 𝒙𝒊
𝜹𝒊 = = 𝒐𝒓 = 𝜶𝒊 ⇒ 𝜹𝒊 = 𝜶𝒊 ; 𝒊 = 𝟐, 𝟑 … , 𝒌
𝒅𝒙𝒊 𝒙𝒊 𝒅𝒙𝒊 𝒚 𝒅𝒙𝒊 𝒚
Pour le modèle 𝑴𝟏 l’élasticité 𝜼𝒊 est constante et on a vérifié que 𝜼𝒊 = 𝜷𝒊

𝒙𝒊
Quant au modèle 𝑴𝟐 , il est évident que le rapport n’est jamais constant par la suite l’élasticité 𝜹𝒊 sera
𝒚
variable.
3) 𝑴𝟑 : 𝐥𝐧 𝒚𝒕 = 𝜷𝟏 + 𝜷𝟐 𝐥𝐧 𝒙𝒕𝟐 + 𝜷𝟑 𝐥𝐧 𝒙𝒕𝟑 + 𝝃𝒕 ; 𝒕 = 𝟏, 𝟐 … , 𝑻 = 𝟒𝟓
Les deux facteurs de productions sont : 𝒙𝟐 le capital et 𝒙𝟑 le travail.
𝐥𝐧 𝒚𝟏 𝐥𝐧 𝒚𝟏 − 𝒍𝒏𝒚 𝟏 𝒍𝒏 𝒙𝟏𝟐 𝒍𝒏 𝒙𝟏𝟑

⋮ 𝒄
𝑺𝒐𝒊𝒕 ∶ 𝒁 = 𝒍𝒏 𝒀 = ,𝒁 = ⋮ ,𝑿 = ⋮ ⋮ ⋮ ,
𝐥𝐧 𝒚𝑻 𝐥𝐧 𝒚𝑻 − 𝒍𝒏𝒚 𝟏 𝒍𝒏 𝒙𝑻𝟐 𝒍𝒏 𝒙𝑻𝟑
𝐥𝐧 𝒙𝟏𝟐 − 𝒍𝒏𝒙𝟐 𝐥𝐧 𝒙𝟏𝟑 − 𝒍𝒏𝒙𝟑

𝑽 𝒍𝒏𝒙𝟐 𝑪𝒐𝒗 𝒍𝒏𝒙𝟐 , 𝒍𝒏𝒙𝟑
𝑿𝒄 = ⋮ ⋮ , 𝑿𝒄 ′ 𝑿𝒄 = 𝑻
𝑽 𝒍𝒏𝒙𝟑
𝐥𝐧 𝒙𝑻𝟐 − 𝒍𝒏𝒙𝟐 𝐥𝐧 𝒙𝑻𝟑 − 𝒍𝒏𝒙𝟑
𝑪𝒐𝒗 𝒍𝒏𝒙𝟐 , 𝒍𝒏𝒚

𝒆𝒕 𝑿𝒄 ′ 𝒁𝒄 =
𝑪𝒐𝒗 𝒍𝒏𝒙𝟑 , 𝒍𝒏𝒚
′ −𝟏 𝑺𝑪𝑹 ′ −𝟏 𝑻−𝟑
𝒐𝒓 𝝈𝟐𝜷𝒄 = 𝝈𝟐 𝑿𝒄 𝑿𝒄 𝒆𝒕 𝝈𝟐 = 𝒂𝒊𝒏𝒔𝒊 𝑿𝒄 𝑿𝒄 = 𝝈𝟐𝜷𝒄
𝑻−𝟑 𝑺𝑪𝑹
−𝟏
𝑻−𝟑
𝑷𝒐𝒖𝒓 𝒄𝒂𝒍𝒄𝒖𝒍𝒆𝒓 𝑺𝑪𝑬 𝒐𝒏 𝒅𝒐𝒊𝒕 𝒅′ 𝒂𝒃𝒐𝒓𝒅 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒆𝒓 𝑿𝒄 ′ 𝑿𝒄 = 𝝈𝟐𝜷𝒄
𝑺𝑪𝑹
−𝟏 −𝟏
𝒄′ 𝒄′ 𝒄′
𝑻−𝟑 𝒄′
𝑻−𝟑 𝟏𝟓 −𝟓
𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝑺𝑪𝑬 = 𝜷 𝑿 𝑿 𝜷 =𝜷 𝒄 𝒄
𝝈𝟐𝜷𝒄 𝒄
𝜷 =𝜷 𝟏𝟎 −𝟒
𝜷𝒄
𝑺𝑪𝑹 𝑺𝑪𝑹 𝟏𝟎
𝟏𝟎𝟒 𝑺𝑪𝑹 𝒄 ′ 𝟏𝟓 −𝟓 −𝟏
𝑺𝑪𝑬 = 𝜷 𝜷𝒄
𝑻−𝟑 𝟏𝟎
𝟏𝟓 −𝟓 𝟏𝟓 −𝟓 𝟏𝟎 𝟓 𝟏𝟓 −𝟓 −𝟏 𝟏 𝟏𝟎 𝟓
𝒐𝒓 = 𝟏𝟐𝟓 𝒆𝒕 𝑪𝒐𝒎 = ⇒ =
−𝟓 𝟏𝟎 𝟏𝟎 𝟏𝟓 𝟏𝟎 𝟏𝟐𝟓 𝟏𝟓
𝟏𝟓 −𝟓 −𝟏 𝟏 𝟐 𝟏
=
𝟏𝟎 𝟐𝟓 𝟑
12
𝟏 𝟏𝟎𝟒 × 𝟐𝟓 𝟐 𝟏 𝟎, 𝟕𝟓
𝑺𝑪𝑬 = × 𝟎, 𝟕𝟓 𝟎, 𝟑𝟎 ⇒ 𝑺𝑪𝑬 = 𝟒𝟑𝟗, 𝟐𝟗
𝟐𝟓 𝟒𝟓 − 𝟑 𝟑 𝟎, 𝟑𝟎
𝑺𝒐𝒖𝒔 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝜷𝟏 ≠ 𝟎 𝑶𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 ∶ 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 ⇒ 𝑺𝑪𝑻 = 𝟒𝟔𝟒, 𝟐𝟗
Tableau d’analyse de variance:
Source de la variabilité Somme des carrés Degré de liberté Carrés moyens
Régression 𝑺𝑪𝑬 = 𝟒𝟑𝟗, 𝟐𝟗 𝒌−𝟏=𝟑−𝟏=𝟐 𝑺𝑪𝑬 𝒌 − 𝟏 = 𝟐𝟏𝟗, 𝟔𝟓
Résidus 𝑺𝑪𝑹 = 𝟐𝟓 𝑻 − 𝒌 = 𝟒𝟓 − 𝟑 = 𝟒𝟐 𝝈𝟐 = 𝑺𝑪𝑹 𝑻 − 𝒌 = 𝟎, 𝟔
Total 𝑺𝑪𝑻 = 𝟒𝟔𝟒, 𝟐𝟗 𝑻 − 𝟏 = 𝟒𝟓 − 𝟏 = 𝟒𝟒 𝑺𝑪𝑻 𝑻 − 𝟏 = 𝟏𝟎, 𝟓𝟓
4) 𝒙𝟐 étant la variable explicative représentant le capital et 𝒙𝟑 celle qui représente le travail
Or 𝜼𝟐 = 𝜷𝟐 est l’élasticité de la production par rapport au capital 𝒙𝟐
Et 𝜼𝟑 = 𝜷𝟑 est l’élasticité de la production par rapport au travail 𝒙𝟑
Donc on se propose de tester 𝑯𝟎 : 𝜷𝟐 = 𝜷𝟑 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 : 𝜷𝟐 ≠ 𝜷𝟑 ou encore
𝑯𝟎 : 𝜷𝟐 − 𝜷𝟑 = 𝟎 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 : 𝜷𝟐 − 𝜷𝟑 ≠ 𝟎 Sous un niveau de signification 𝜶 = 𝟓%
Statistique de décision :
𝜷𝟐 − 𝜷𝟑 − 𝜷𝟐 − 𝜷𝟑 𝜷𝟐 − 𝜷𝟑 − 𝜷𝟐 − 𝜷𝟑
𝑻= = ↝𝝉 𝑻−𝒌
𝑽 𝜷𝟐 − 𝜷𝟑 𝝈𝟐𝜷 + 𝝈𝟐𝜷 − 𝟐𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟑
𝟐 𝟑
𝜷𝟐 − 𝜷𝟑 − 𝟎
𝑯𝟎 𝒔𝒆𝒓𝒂 𝒓𝒆𝒋𝒆𝒕é𝒆 𝒔𝒊 𝑻𝟎 > 𝒕𝟏−𝜶 𝑻 − 𝒌 𝒂𝒗𝒆𝒄 𝑻𝟎 =
𝟐
𝝈𝟐𝜷 + 𝝈𝟐𝜷 − 𝟐𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟑
𝟐 𝟑
𝜷𝟐 𝟎, 𝟕𝟓
𝜷𝒄 = = ⇒ 𝜷𝟐 = 𝟎, 𝟕𝟓 𝒆𝒕 𝜷𝟑 = 𝟎, 𝟑𝟎
𝜷𝟑 𝟎, 𝟑𝟎
𝝈𝟐𝜷𝟐 𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟑 𝟏𝟓 −𝟓
𝒂𝒗𝒆𝒄 𝝈𝟐𝜷𝒄 = = 𝟏𝟎−𝟒
𝝈𝟐𝜷𝟑 𝟏𝟎
⇒ 𝝈𝟐𝜷𝟐 = 𝟏𝟓 × 𝟏𝟎−𝟒 , 𝝈𝟐𝜷𝟑 = 𝟏𝟎−𝟑 𝒆𝒕 𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟑 = −𝟓 × 𝟏𝟎−𝟒
𝑻𝟎 = 𝟕, 𝟐𝟕
𝒕𝟏−𝜶 𝑻 − 𝒌 = 𝒕𝟎,𝟗𝟕𝟓 𝟒𝟐 = 𝟐, 𝟎𝟏 ⇒ 𝑻𝟎 > 𝒕𝟏−𝜶𝟐 𝑻 − 𝒌
𝟐
D’où on rejette l’hypothèse d’égalité des deux élasticités avec un seuil de signification de 5 %
13
5)
𝑶𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒅𝒆 𝒕𝒆𝒔𝒕𝒆𝒓 𝑯𝟎 : 𝜷𝟐 + 𝜷𝟑 = 𝟏𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 : 𝜷𝟐 + 𝜷𝟑 ≠ 𝟏 𝐬𝐨𝐮𝐬 𝐮𝐧 𝐧𝐢𝐯𝐞𝐚𝐮 𝐝𝐞
𝐬𝐢𝐠𝐧𝐢𝐟𝐢𝐜𝐚𝐭𝐢𝐨𝐧 𝜶 = 𝟓%
Statistique de décision :
𝜷𝟐 + 𝜷𝟑 − 𝜷𝟐 + 𝜷𝟑 𝜷𝟐 + 𝜷𝟑 − 𝜷𝟐 + 𝜷𝟑
𝑻= = ↝𝝉 𝑻−𝒌
𝑽 𝜷𝟐 + 𝜷𝟑 𝝈𝟐𝜷 + 𝝈𝟐𝜷 + 𝟐𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟑
𝟐 𝟑
𝜷𝟐 + 𝜷𝟑 − 𝟏
𝑯𝟎 𝒔𝒆𝒓𝒂 𝒓𝒆𝒋𝒆𝒕é𝒆 𝒔𝒊 𝑻𝟎 > 𝒕𝟏−𝜶 𝑻 − 𝒌 𝒂𝒗𝒆𝒄 𝑻𝟎 =
𝟐
𝝈𝟐𝜷 + 𝝈𝟐𝜷 + 𝟐𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟑
𝟐 𝟑
𝟎, 𝟕𝟓 + 𝟎, 𝟑𝟎 − 𝟏
𝑻𝟎 = = 1,29
𝑶𝒓 𝟏𝟓 × 𝟏𝟎−𝟒 + 𝟏𝟎−𝟑 + 𝟐 × −𝟓 × 𝟏𝟎−𝟒
𝒕𝟏−𝜶 𝑻 − 𝒌 = 𝒕𝟎,𝟗𝟕𝟓 𝟒𝟐 = 𝟐, 𝟎𝟏
𝟐
D’où on accepte l’hypothèse des rendements d’échelle constants.
14

Regression Lineaire Multiple EconomEtrie

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Regression Lineaire Multiple EconomEtrie

Transféré par

Droits d'auteur :

Formats disponibles

BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191

Série Corrigée N°2

Énoncé de l'Exercice 1 : (IHET SC2011)

𝟎, 𝟎𝟎𝟎𝟗 −𝟎, 𝟎𝟖 −𝟎, 𝟑

Or 𝑻𝟎 = 𝟗, 𝟎𝟕 et 𝒕𝟏−𝜶 𝒏 − 𝒌 = 𝒕𝟎,𝟗𝟕𝟓 𝟐𝟎 = 𝟐, 𝟎𝟖𝟔 ⟹ 𝑻𝟎 > 𝒕𝟏−𝜶 𝒏 − 𝒌

Or 𝑻𝟎 = 𝟏, 𝟏𝟗𝟓 et 𝒕𝟏−𝜶 𝒏 − 𝒌 = 𝒕𝟎,𝟗𝟕𝟓 𝟐𝟎 = 𝟐, 𝟎𝟖𝟔 ⟹ 𝑻𝟎 ≯ 𝒕𝟏−𝜶 𝒏 − 𝒌

Énoncé de l'Exercice 2 : (ISG SP2008)

Une écriture matricielle du modèle sera :

On obtient finalement : 𝑴𝟏 : 𝒀 = 𝜷𝟎 𝒊 + 𝑿𝜷𝒄 + 𝝃

b) Vérifions que 𝑴𝟎 est une matrice idempotente i.e. 𝑴𝟎 𝒏

Par la suite 𝑴𝟏 ⟺ 𝑴𝟎 𝒀 = 𝑴𝟎 𝜷𝟎 𝒊 + 𝑿𝜷𝒄 + 𝝃

𝒙𝟏𝟏 − 𝒙𝟏 𝒙𝟏𝟐 − 𝒙𝟐 ⋯ 𝒙𝟏,𝒌−𝟏 − 𝒙𝒌−𝟏 𝒙𝟏𝒌 − 𝒙𝒌

On obtient par conséquent :

Il est clair que l’expression du vecteur 𝜷𝒄 change d’un modèle à un autre.

Énoncé de l'Exercice 3 : (ISG SP2008)

1) Donner l’expression des vecteurs des résidus de la régression de 𝒀 sur 𝑿 et de 𝒀 sur 𝒁

𝓜𝟏 : 𝒀 = 𝑿𝜷𝟏 + 𝝃 ; 𝒆𝟏 = 𝑴𝑿𝒀 = 𝒀 − 𝒀𝟏 = 𝒀 − 𝑿𝜷𝟏 ; 𝒐ù 𝜷𝟏 = 𝑿′ 𝑿 −𝟏

𝒁 = 𝑿𝑻 𝒆𝒕 𝑻 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆 𝒅𝒐𝒏𝒄 𝑿 = 𝒁𝑻−𝟏

𝑷𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 𝓜𝟏 ⟺ 𝒀 = 𝒁𝑻−𝟏 𝜷𝟏 + 𝝃 = 𝒁 𝑻−𝟏 𝜷𝟏 + 𝝃

𝑫𝒐𝒏𝒄 𝓜𝟐 : 𝒀 = 𝒁𝜷𝟐 + 𝝃 𝒆𝒕 𝒆𝟐 = 𝑴𝒁𝒀 = 𝒀 − 𝒀𝟐 = 𝒀 − 𝒁𝜷𝟐 ; 𝒐ù 𝜷𝟐 = 𝒁′ 𝒁 −𝟏

𝑺𝒐𝒊𝒆𝒏𝒕 𝑹𝟐𝟏 𝒆𝒕 𝑹𝟐𝟐 𝑳𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒆𝒔 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏𝒔 𝒓𝒆𝒔𝒑𝒆𝒄𝒕𝒊𝒗𝒆𝒔

𝒕𝟏𝟏 𝒕𝟏𝟐 ⋯ 𝒕𝟏,𝒌 𝒕𝟏,𝒌+𝟏

𝒕𝟏𝟏 𝒕𝟏𝟐 ⋯ 𝒕𝟏,𝒌 𝒕𝟏,𝒌+𝟏

𝒑𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 ∀ 𝒊 = 𝟏, 𝟐 … , 𝒌, 𝒌 + 𝟏 , 𝒃𝟏𝒊 = 𝒌 + 𝟏 𝒕𝒊 𝒃𝟐𝒊

𝑶𝒓 𝒔𝒊 𝒙𝒊 𝒑𝒂𝒔𝒔𝒆 à 𝒍𝒂 𝒗𝒂𝒍𝒆𝒖𝒓 𝒙𝒊 + 𝚫𝒙𝒊 𝒕𝒐𝒖𝒕𝒆 𝒄𝒉𝒐𝒔𝒆 é𝒕𝒂𝒏𝒕 é𝒈𝒂𝒍𝒆 𝒑𝒂𝒓 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔

𝒂𝒍𝒐𝒓𝒔 𝒚 𝒗𝒂𝒓𝒊𝒆 𝒅𝒆 𝚫𝒚𝒊 = 𝒃𝟏𝒊 𝚫𝒙𝒊 = 𝒃𝟐𝒊 𝚫𝒛𝒊

Énoncé de l'Exercice 4 : (ISG SC2006)

3) Donner le tableau d’analyse de la variance

Tester au risque de 𝟓% l’hypothèse des rendements d’échelle constants

𝑴𝟏 ⇔ 𝑴𝟑 : 𝐥𝐧 𝒚𝒕 = 𝜷𝟏 + 𝜷𝟐 𝐥𝐧 𝒙𝒕𝟐 + 𝜷𝟑 𝐥𝐧 𝒙𝒕𝟑 + ⋯ + 𝜷𝒌 𝐥𝐧 𝒙𝒕𝒌 + 𝝃𝒕 ; 𝒕 = 𝟏, 𝟐 … , 𝑻

𝜼𝒊 Étant l’élasticité de la production par rapport au facteur 𝒙𝒊 ; 𝒊 = 𝟐, 𝟑 … , 𝒌 selon le modèle 𝑴𝟏

𝜹𝒊 L’élasticité de la production par rapport au facteur 𝒙𝒊 ; 𝒊 = 𝟐, 𝟑 … , 𝒌 selon le modèle 𝑴𝟐

Pour le modèle 𝑴𝟏 l’élasticité 𝜼𝒊 est constante et on a vérifié que 𝜼𝒊 = 𝜷𝒊

Les deux facteurs de productions sont : 𝒙𝟐 le capital et 𝒙𝟑 le travail.

𝐥𝐧 𝒚𝟏 𝐥𝐧 𝒚𝟏 − 𝒍𝒏𝒚 𝟏 𝒍𝒏 𝒙𝟏𝟐 𝒍𝒏 𝒙𝟏𝟑

𝐥𝐧 𝒙𝟏𝟐 − 𝒍𝒏𝒙𝟐 𝐥𝐧 𝒙𝟏𝟑 − 𝒍𝒏𝒙𝟑

𝑪𝒐𝒗 𝒍𝒏𝒙𝟐 , 𝒍𝒏𝒚

𝑺𝒐𝒖𝒔 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝜷𝟏 ≠ 𝟎 𝑶𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 ∶ 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 ⇒ 𝑺𝑪𝑻 = 𝟒𝟔𝟒, 𝟐𝟗

Tableau d’analyse de variance:

Source de la variabilité Somme des carrés Degré de liberté Carrés moyens

Régression 𝑺𝑪𝑬 = 𝟒𝟑𝟗, 𝟐𝟗 𝒌−𝟏=𝟑−𝟏=𝟐 𝑺𝑪𝑬 𝒌 − 𝟏 = 𝟐𝟏𝟗, 𝟔𝟓

Résidus 𝑺𝑪𝑹 = 𝟐𝟓 𝑻 − 𝒌 = 𝟒𝟓 − 𝟑 = 𝟒𝟐 𝝈𝟐 = 𝑺𝑪𝑹 𝑻 − 𝒌 = 𝟎, 𝟔

Total 𝑺𝑪𝑻 = 𝟒𝟔𝟒, 𝟐𝟗 𝑻 − 𝟏 = 𝟒𝟓 − 𝟏 = 𝟒𝟒 𝑺𝑪𝑻 𝑻 − 𝟏 = 𝟏𝟎, 𝟓𝟓

4) 𝒙𝟐 étant la variable explicative représentant le capital et 𝒙𝟑 celle qui représente le travail

Or 𝜼𝟐 = 𝜷𝟐 est l’élasticité de la production par rapport au capital 𝒙𝟐

Et 𝜼𝟑 = 𝜷𝟑 est l’élasticité de la production par rapport au travail 𝒙𝟑

Donc on se propose de tester 𝑯𝟎 : 𝜷𝟐 = 𝜷𝟑 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 : 𝜷𝟐 ≠ 𝜷𝟑 ou encore

𝑯𝟎 : 𝜷𝟐 − 𝜷𝟑 = 𝟎 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 : 𝜷𝟐 − 𝜷𝟑 ≠ 𝟎 Sous un niveau de signification 𝜶 = 𝟓%

⇒ 𝝈𝟐𝜷𝟐 = 𝟏𝟓 × 𝟏𝟎−𝟒 , 𝝈𝟐𝜷𝟑 = 𝟏𝟎−𝟑 𝒆𝒕 𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟑 = −𝟓 × 𝟏𝟎−𝟒

𝑶𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒅𝒆 𝒕𝒆𝒔𝒕𝒆𝒓 𝑯𝟎 : 𝜷𝟐 + 𝜷𝟑 = 𝟏𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 : 𝜷𝟐 + 𝜷𝟑 ≠ 𝟏 𝐬𝐨𝐮𝐬 𝐮𝐧 𝐧𝐢𝐯𝐞𝐚𝐮 𝐝𝐞

D’où on accepte l’hypothèse des rendements d’échelle constants.

Vous aimerez peut-être aussi