Académique Documents
Professionnel Documents
Culture Documents
▶ Y = Consommation
▶ X = Revenu
régression
Yi = β 0 + β 1 Xi i = 2000, . . . , 2020
échantillon de 20 pays
Yi = β 0 + β 1 Xi i = 1, . . . , 20
Yi = Consommation pour le pays i en 2020
Xi = Revenu pour le pays i en 2020
réalité.
consommation.
Yi = β 0 + β 1 Xi + ε i i = 1, . . . , n
revenu.
Consommation
Revenu Disponible
Fonction de consommation “réelle”
Pr. Moad El kharrim Modèle de Régression Linéaire Simple 2023-2024 9 / 39
Construction de Modèle de Régression
pas suffisante.
▶ Erreur de mesure : les données ne représentent pas exactement le
phénomène.
▶ Erreur de fluctuation d’échantillonnage.
coefficients
Consommation
Revenu Disponible
Fonction de consommation “éstimée”
Pr. Moad El kharrim Modèle de Régression Linéaire Simple 2023-2024 12 / 39
Estimation des Moindres Carrés et les Hypothèses Classiques
Yi = β 0 + β 1 Xi + ε i pour i = 1, . . . , n
Avec :
εi = Erreur de spécification
n = Nombre d’observations
Pr. Moad El kharrim Modèle de Régression Linéaire Simple 2023-2024 13 / 39
Estimation des Moindres Carrés et les Hypothèses Classiques
Hypothèses
X
n n
X 2
Min SCR ≡ Min ei2 ≡ Min Yi − βb0 − βb1 Xi
i=1 i=1
On obtient :
P
n
Xi − X̄ Yi − Ȳ
βb1 = i=1
2 et βb0 = Ȳ − βb1 X̄
P
n
Xi − X̄
i=1
Pr. Moad El kharrim Modèle de Régression Linéaire Simple 2023-2024 16 / 39
Estimation des Moindres Carrés et les Hypothèses Classiques
pas.
Le résidu observé (ei ) est donc la différence entre les valeurs observées
bi à l’aide des
de la variable à expliquer Yi et les valeurs ajustées Y
bi = Yi − βb0 − βb1 Xi
ei = Yi − Y i = 1, 2, ..., n
les εi sont indépendants N 0, σ 2
P
n
ei2
i=1
b =
σ 2
n−2
b2
σ
bβ2b =
σ 2
1 P
n
Xi − X̄
i=1
1 X̄ 2
σ b2
bβ2b = σ n + P
n
2
0
Xi − X̄
i=1
βb1 − β1
∼ N (0, 1)
σβb1
βb0 − β0
∼ N (0, 1)
σβb0
En utilisant ces formules, on peut mettre en place des tests statistiques
pour :
Comparer un coefficient de régression par rapport a une valeur
fixée
Comparer deux coefficients provenant de deux échantillons
différents
Déterminer un intervalle de confiance pour un coefficient
Pr. Moad El kharrim Modèle de Régression Linéaire Simple 2023-2024 24 / 39
Inférences dans la Régression et Analyse de la Variance (ANOVA)
Intervalles de Confiance
que
h i
Pr −tn−2 < tβ∗b < tn−2 = 1 − α
α/2 α/2
1
βb1 − β1
et en substituant t ∗b par sa valeur . Puisque les valeurs critiques
β1 bβ̂1
σ
sont connues, βb1 et σ
bβ̂1 peuvent être calculés à partir des données, et
présente comme
h i
ICβ1 = βb1 ± tn−2 σ
α/2
bβ̂1
Test Bilatéral
Les deux alternatives possibles sont :
H0 ; β 1 = 0
H1 ; β1 ̸= 0
Si |t ∗b | ≤ tn−2 on accepte H0
α/2
β1
|t ∗b |
α/2
Si > tn−2 on accepte H1
β1
Test Unilatéral
Supposons que nous voulons vérifier si β1 est positif ou non. Les
alternatives seraient alors :
H0 ; β 1 ≤ 0
H1 ; β 1 > 0
Si |t ∗b | ≤ tn−2
α on accepte H0
β1
Si |t ∗b | > tn−2
α on accepte H1
β1
P
n 2 n
P 2 P
n
Yi − Ȳ = b
Yi − Ȳ + ei2
i=1 i=1 i=1
SCT = SCE + SCR
La variabilité totale est égale à la variabilité expliquée plus la
d’un modèle
n
P 2 P
n
bi − Ȳ
Y ei2
SCE SCR
R2 = = i=1
P
n 2 = 1 − P
n
i=1
2 = 1 − SCT
SCT
Yi − Ȳ Yi − Ȳ
i=1 i=1
R2 = Coefficient de détermination ;
c’est-à-dire r 2 bi .
Yi ,Y
Degrés de
Source de Somme des Carrés Carrés Moyens
liberté (ddl)
variation
n
P 2 SCE
X SCE = bi − Ȳ
Y 1 MCE =
i=1 1
P
n SCR
Résidu SCR = ei2 n−2 MCR =
i=1 n−2
P
n 2
Total SCT = Yi − Ȳ n−1
i=1
Test de Fisher
du modèle).
n
P 2
bi − Ȳ
Y
SCE i=1 R2
ddlSCE MCE
F∗ = = = 1 = 1
SCR MCR P
n
1 − R2
ei2
ddlSCR i=1 n−2
n−2
Pr. Moad El kharrim Modèle de Régression Linéaire Simple 2023-2024 33 / 39
Inférences dans la Régression et Analyse de la Variance (ANOVA)
Test de Fisher
F ∗ > F1;n−2
α nous rejetons au seuil α l’hypothèse H0 d’égalité des
explicative de la variable Yi .
Remarque
!2
2 βb1 βb12
∗
F = tβ∗b = =
1 bβ̂1
σ b2
σ
P
n 2
Xi − X̄
i=1
P
n 2 R2
βb12 Xi − X̄
= i=1
= 1
P
n
1 − R2
ei2
i=1 n−2
n−2
la prévision est donnée par : Yn+1 = βb0 + βb1 Xn+1 , on parle d’une
2
1 Xn+1 − X̄
bn+1 = σ
var (en+1 ) = var Yn+1 − Y b2 1 + +
n P
n 2
Xi − X̄
i=1
à (1 − α) % pour la prévision :
2
bn+1 ∼ N 0, σ 2 1 + 1 + Xn+1 − X̄
en+1 = Yn+1 − Y n Pn 2
Xi − X̄
i=1
Soit
βb + βb1 Xn+1 − Yn+1
v 0 ∼ tn−2
u
u 2
u Xn+1 − X̄
u 1
b u1 + + n
σ 2
t n P
Xi − X̄
i=1
v
u
u
u Xn+1 − X̄
2
bn+1 ± t α/2 σ u 1
Yn+1 =Y n−2 ub 1+ + n 2
t n P
Xi − X̄
i=1