Académique Documents
Professionnel Documents
Culture Documents
MÉTHODES ÉCONOMÉTRIQUES
Exercice 1
Une étude porte sur la relation entre les frais fournés dans un projet commercial et le volume de
gains qu’il réalise. On a recueilli au cours des dix derniers mois les données suivantes :
Exercice 1
Une étude porte sur la relation entre les frais fournés dans un projet commercial et le volume de
gains qu’il réalise. On a recueilli au cours des dix derniers mois les données suivantes :
et
a0 = y − b
b a1 x = 4.611.
L’équation de la droite de régression est alors
y = 1.701x + 4.611.
Exercice 1
Une étude porte sur la relation entre les frais fournés dans un projet commercial et le volume de
gains qu’il réalise. On a recueilli au cours des dix derniers mois les données suivantes :
et
a0 = y − b
b a1 x = 4.611.
L’équation de la droite de régression est alors
y = 1.701x + 4.611.
xi yi (yi − y )2 yi
b yi − y )2
(b yi )2
(yi − b
4 13.5 13.689 11.416 2.611 4.342
2 10 0.039 8.013 3.190 3.944
2.5 8 3.240 8.864 0.875 0.747
2 7.5 5.290 8.013 3.190 0.264
3 12 4.839 9.714 0.007 5.221
1 6 14.440 6.312 12.160 0.097
2.5 5.5 18.490 8.864 0.875 11.319
5.5 13.5 13.689 13.967 17.369 0.218
3.5 11.5 2.889 10.565 0.585 0.873
4.5 10.5 0.489 12.266 6.083 3.120
Total 77.1 46.949 30.150
1 n
∑ni=1 (yi − b
yi )2 30.150
b2ε =
σ ∑ ei2 = = = 3.768.
n−2 i =1 n−2 8
1 n
∑ni=1 (yi − b
yi )2 30.150
b2ε =
σ ∑ ei2 = = = 3.768.
n−2 i =1 n−2 8
b2ε
σ b2ε
σ
bb2a =
σ =
1
∑ni=1 (xi − x )2 nσ2x
3.768
= = 0.232 ⇒ σ
bba1 = 0.481.
10 × 1.622
x2 x2
1 1
bb2a
σ =σ 2
+ =σ + 2
∑ni=1 (xi − x )2
bε bε
0 n n nσ2x
3.052
1
= 3.768 × + = 2.537 ⇒ σ
bba0 = 1.593.
10 10 × 1.622
|ρx ,y | 0.780
t∗ = q =q = 3.525.
1−ρ2x ,y 1−(0.780)2
n−2 8
|ρx ,y | 0.780
t∗ = q =q = 3.525.
1−ρ2x ,y 1−(0.780)2
n−2 8
Puisque t ∗ > t80.025 = 2.306 valeur lue dans une table de Student au seuil α = 5% à
n − 2 = 8 degrés de liberté, nous rejetons l’hypothèse H0 .
|ρx ,y | 0.780
t∗ = q =q = 3.525.
1−ρ2x ,y 1−(0.780)2
n−2 8
Puisque t ∗ > t80.025 = 2.306 valeur lue dans une table de Student au seuil α = 5% à
n − 2 = 8 degrés de liberté, nous rejetons l’hypothèse H0 .
Le coefficient de corrélation est donc significativement différent de 0.
|b
a |
Le ratio de Student empirique est t ∗ = σb 1 = 10..701
481
= 3.536 est supérieure à
a1
b
0.025
t8 = 2.306.
|b
a |
Le ratio de Student empirique est t ∗ = σb 1 = 10..701
481
= 3.536 est supérieure à
a1
b
0.025
t8 = 2.306.
Donc, a1 est significativement différents de 0.
La variable exogène x contribue bien à expliquer la variable endogène y .
|b
a |
Le ratio de Student empirique est t ∗ = σb 1 = 10..701
481
= 3.536 est supérieure à
a1
b
0.025
t8 = 2.306.
Donc, a1 est significativement différents de 0.
La variable exogène x contribue bien à expliquer la variable endogène y .
Un intervalle de confiance pour a1 à 95% est
h i
2 α/2
b bba1 × tnα/
a1 − σ −2 ; a
b1 + σ
b a
b1
× t n−2
|b
a1 − a1 | |1.701 − (−0.5)|
Le ratio de Student empirique est t ∗ = = = 4.575
σ
bba1 0.481
|b
a1 − a1 | |1.701 − (−0.5)|
Le ratio de Student empirique est t ∗ = = = 4.575
σ
bba1 0.481
|b
a1 − a1 | |1.701 − (−0.5)|
Le ratio de Student empirique est t ∗ = = = 4.575
σ
bba1 0.481
n
et SCE = ∑ (byi − y )2 = 46.949.
i =1
|b
a1 − a1 | |1.701 − (−0.5)|
Le ratio de Student empirique est t ∗ = = = 4.575
σ
bba1 0.481
n
et SCE = ∑ (byi − y )2 = 46.949.
i =1
SCR 30.150
Le coefficient de détermination est R 2 = 1 − = 1− = 0.609.
SCT 77.1
On a R 2 > 0.5 . On conclut alors que l’ajustement linéaire est bon.
FPN : FILIÈRE : SEG S6 2019-2020 7 / 27
MÉTHODES ÉCONOMÉTRIQUES Exercice 1
où
n
xn+1 = 5mDH , x = 3.05, ∑ (xi − x )2 = 16.255, yn+1 = 13.117
b
i =1
α/2 SCR
tn−2 = t80.025 = 2.306, b2ε =
σ = 3.768.
n−2
Donc,
Iy11 = [7.947; 18.286] .
Exercice 2 :
Soient les résultats d’une estimation économétrique :
yt = −4, 2 + 1, 6xt ,
b t = 1, . . . , 10, R 2 = 0, 84, bε = 8, 24.
σ
Exercice 2 :
Soient les résultats d’une estimation économétrique :
yt = −4, 2 + 1, 6xt ,
b t = 1, . . . , 10, R 2 = 0, 84, bε = 8, 24.
σ
SCR
b2ε =
σ b2ε = 8 × 8, 242 = 543, 18.
⇒ SCR = (n − 2)σ
n−2
Exercice 2 :
Soient les résultats d’une estimation économétrique :
yt = −4, 2 + 1, 6xt ,
b t = 1, . . . , 10, R 2 = 0, 84, bε = 8, 24.
σ
SCR
b2ε =
σ b2ε = 8 × 8, 242 = 543, 18.
⇒ SCR = (n − 2)σ
n−2
(b) SCT , la somme des carrés totaux :
Exercice 2 :
Soient les résultats d’une estimation économétrique :
yt = −4, 2 + 1, 6xt ,
b t = 1, . . . , 10, R 2 = 0, 84, bε = 8, 24.
σ
SCR
b2ε =
σ b2ε = 8 × 8, 242 = 543, 18.
⇒ SCR = (n − 2)σ
n−2
(b) SCT , la somme des carrés totaux :
SCT = SCE + SCR ⇒ SCE = SCT − SCR = 3394, 88 − 543, 18 = 2851, 70.
Exercice 2 :
Soient les résultats d’une estimation économétrique :
yt = −4, 2 + 1, 6xt ,
b t = 1, . . . , 10, R 2 = 0, 84, bε = 8, 24.
σ
SCR
b2ε =
σ b2ε = 8 × 8, 242 = 543, 18.
⇒ SCR = (n − 2)σ
n−2
(b) SCT , la somme des carrés totaux :
SCT = SCE + SCR ⇒ SCE = SCT − SCR = 3394, 88 − 543, 18 = 2851, 70.
(d) F ∗ la valeur de la statistique du Fisher empirique :
R2 0, 84
F ∗ = ( n − 2) = 8× = 42.
1 − R2 1 − 0, 84
et puisque
|b
a1 | |b
a | 1, 6
t∗ = bba1 = ∗1 =
, alors σ = 0, 24.
σ
bba1 t 6, 48
et puisque
|b
a1 | |b
a | 1, 6
t∗ = bba1 = ∗1 =
, alors σ = 0, 24.
σ
bba1 t 6, 48
3. Le coefficient de la variable x est-il significativement supérieur à 1 ?
0,05
On donne t8 = 2, 306 :
et puisque
|b
a1 | |b
a | 1, 6
t∗ = bba1 = ∗1 =
, alors σ = 0, 24.
σ
bba1 t 6, 48
3. Le coefficient de la variable x est-il significativement supérieur à 1 ?
0,05
On donne t8 = 2, 306 :
Nous testons à un seuil de 5% l’hypothèse
et puisque
|b
a1 | |b
a | 1, 6
t∗ = bba1 = ∗1 =
, alors σ = 0, 24.
σ
bba1 t 6, 48
3. Le coefficient de la variable x est-il significativement supérieur à 1 ?
0,05
On donne t8 = 2, 306 :
Nous testons à un seuil de 5% l’hypothèse
Exercice 3 :
Soit le modèle : yt = a0 + a1 x1t + a2 x2t + εt , où les résultats observés sont :
t y x1 x2
1 4 2 5
2 5 7 8
3 8 6 9
4 12 8 9
5 15 9 10
Exercice 3 :
Soit le modèle : yt = a0 + a1 x1t + a2 x2t + εt , où les résultats observés sont :
t y x1 x2
1 4 2 5
2 5 7 8
3 8 6 9
4 12 8 9
5 15 9 10
1. Mettre le modèle sous forme matricielle en spécifiant bien les dimensions de chacune
des matrices :
4 1 2 5 ε1
5
1 7 8
a0
ε2
Y =
8 , X =
1 6 9 , a = a1 , ε =
ε3 .
12 1 8 9 a2 ε4
15 1 9 10 | {z } ε5
| {z } | {z } (3,1) | {z }
(5,1) (5,3) (5,1)
−5
a = 0.533 .
b
1.266
a0
b −5
⇒ ba1 = 0.533
a2
b 1.266
3. Calculer σ
bε et σ
bba :
3. Calculer σ
bε et σ
bba :
ee0
b2ε =
On sait que σ , où e = Y − Y
b = Y − Xb
a
n−k −1
3. Calculer σ
bε et σ
bba :
ee0
b2ε =
On sait que σ , où e = Y − Y
b = Y − Xb
a
n−k −1
4 1 2 5
5
1 7 8
−5
⇒e=
8 −
1 6 9 0.533
12 1 8 9 1.266
15 1 9 10
4 2.4 −1.6
5
8.866
3.866
⇒e=
8 −
9.6 = −
1.6 .
12 10.666 −1, 333
15 12.466 −2.533
t yt yt
b et et2
1 4 2.399 −1.6 2.56
2 5 8.866 3.866 14.951
3 8 9.599 1.6 2.56
4 12 10.666 −1, 333 1.777
5 15 12.466 −2.533 6.417
Somme 0 28.266
FPN : FILIÈRE : SEG S6 2019-2020 15 / 27
MÉTHODES ÉCONOMÉTRIQUES Exercice 3
Ω b2ε (X 0 X )−1
bb = σ
a
Ω b2ε (X 0 X )−1
bb = σ
a
10.875 1.375 −2.375
⇒Ω
b b = 14.133 × 1.375
a 0.308 −0.408
−2.375 −0.408 0.608
153.696 19.432 −33.565
= 19.432 4.357 −5.770 .
−33.565 −5.770 8.597
Ω b2ε (X 0 X )−1
bb = σ
a
10.875 1.375 −2.375
⇒Ω
b b = 14.133 × 1.375
a 0.308 −0.408
−2.375 −0.408 0.608
153.696 19.432 −33.565
= 19.432 4.357 −5.770 .
−33.565 −5.770 8.597
Les variances des coefficients de régression se trouvent sur la première diagonale :
bb2a = 153.696 ⇒ σ
σ bba0 = 12.397,
0
bb2a = 4.357 ⇒ σ
σ bba1 = 2.087,
1
bb2a = 8.597 ⇒ σ
σ bba2 = 2.932.
2
2
5. Calculer le coefficient de détermination R puis tester à un seuil de 5% l’hypothèse
2
5. Calculer le coefficient de détermination R puis tester à un seuil de 5% l’hypothèse
2
5. Calculer le coefficient de détermination R puis tester à un seuil de 5% l’hypothèse
2
5. Calculer le coefficient de détermination R puis tester à un seuil de 5% l’hypothèse
2
5. Calculer le coefficient de détermination R puis tester à un seuil de 5% l’hypothèse
(
|0.533|
|b
ai | = 0.255; i=1,
Sous H0 , nous avons tba∗ = = 2.087
|1.266|
i σ
bbai
2.932 = 0.431; i=2.
α/2
=
qui sont inférieurs à tn−k −1 t20.025
= 4.3027.
Donc, nous acceptons H0 , et alors a1 et a2 ne sont pas significativement différents de 0.
FPN : FILIÈRE : SEG S6 2019-2020 18 / 27
MÉTHODES ÉCONOMÉTRIQUES Exercice 3
b2ε (n − k − 1)σ
b2ε
(n − k − 1)σ
Il est calculé à partir de la formule IC = ; .
χ21 χ22
Pour 2 degrés de liberté, on a χ20.025 = 7, 38 et χ20.975 = 0, 05. Donc,
2 × 14.133 2 × 14.133
IC = ; = [3.830; 565.320] .
7.38 0.05
Exercice 4 :
La quantité yi , i = 1, . . . , 5 en kg, de 5 biens produit dans un atelier peut être expliquer
par X1 le nombre d’heure de travail dans une journée suivant le modèle linéaire
L1 : Y = α0 + α1 X1 + ε. Les résultats sont donnés dans le tableau suivant :
X1 : x1i en h 4 4.5 5 5.5 6
Y : yi en kg 25 30 35 40 40
Exercice 4 :
La quantité yi , i = 1, . . . , 5 en kg, de 5 biens produit dans un atelier peut être expliquer
par X1 le nombre d’heure de travail dans une journée suivant le modèle linéaire
L1 : Y = α0 + α1 X1 + ε. Les résultats sont donnés dans le tableau suivant :
X1 : x1i en h 4 4.5 5 5.5 6
Y : yi en kg 25 30 35 40 40
Cov (X1 ; Y )
b1 =
α = 8, b0 = Y − α
α b 1 X1 = −6.
Var (X1 )
Exercice 4 :
La quantité yi , i = 1, . . . , 5 en kg, de 5 biens produit dans un atelier peut être expliquer
par X1 le nombre d’heure de travail dans une journée suivant le modèle linéaire
L1 : Y = α0 + α1 X1 + ε. Les résultats sont donnés dans le tableau suivant :
X1 : x1i en h 4 4.5 5 5.5 6
Y : yi en kg 25 30 35 40 40
Cov (X1 ; Y )
b1 =
α = 8, b0 = Y − α
α b 1 X1 = −6.
Var (X1 )
Avec
n
xn+1 = x1,6 = 7, x = 5, ∑ (xi − x )2 = 2.5, yn+1 = b
b y6 = 50
i =1
α/2 0,025
√
tn−2 = t3 = 3.182, bε =
σ 3.33 ≈ 1.82.
Donc,
Iy6 = [40.31; 59.69] .
b2ab = 4.66 ⇒ σ
σ bab1 ≈ 2.16,
1
b2ab = 1.03 ⇒ σ
σ bab2 ≈ 1.01.
2
|b
a2 | 10.65
tba∗2 = = ≈ 10.54
σ
bba2 1.01
α/2 0,025
qui est supérieure à tn−k −1 = t2 = 4.3.
Donc, nous rejetons H0 , et alors a2 est significativement différente de 0.
Exercice 5 :
On considère le modèle de régression linéaire multiple Y = α0 + α1 X1 + α2 X2 + ε :
Exercice 5 :
On considère le modèle de régression linéaire multiple Y = α0 + α1 X1 + α2 X2 + ε : 1.
Compléter le tableau d’analyse de variance correspondant :
Exercice 5 :
On considère le modèle de régression linéaire multiple Y = α0 + α1 X1 + α2 X2 + ε : 1.
Compléter le tableau d’analyse de variance correspondant :
Variation SC DDL CM
X1 , X2 1504,4 2 752, 2
Résidu 176,4 n−3 9, 8
Total 1680, 8 n−1 ×××
Exercice 5 :
On considère le modèle de régression linéaire multiple Y = α0 + α1 X1 + α2 X2 + ε : 1.
Compléter le tableau d’analyse de variance correspondant :
Variation SC DDL CM
X1 , X2 1504,4 2 752, 2
Résidu 176,4 n−3 9, 8
Total 1680, 8 n−1 ×××
2. Trouver la valeur de n :
Exercice 5 :
On considère le modèle de régression linéaire multiple Y = α0 + α1 X1 + α2 X2 + ε : 1.
Compléter le tableau d’analyse de variance correspondant :
Variation SC DDL CM
X1 , X2 1504,4 2 752, 2
Résidu 176,4 n−3 9, 8
Total 1680, 8 n−1 ×××
SC
2. Trouver la valeur de n : On sait que CM = DDL , alors pour la somme des carrés résiduelles
on a
SCR SCR SCR 176, 4
CMR = = ⇔n= +3 = + 3 = 21.
DDL n−3 CMR 9, 8
Exercice 5 :
On considère le modèle de régression linéaire multiple Y = α0 + α1 X1 + α2 X2 + ε : 1.
Compléter le tableau d’analyse de variance correspondant :
Variation SC DDL CM
X1 , X2 1504,4 2 752, 2
Résidu 176,4 n−3 9, 8
Total 1680, 8 n−1 ×××
SC
2. Trouver la valeur de n : On sait que CM = DDL , alors pour la somme des carrés résiduelles
on a
SCR SCR SCR 176, 4
CMR = = ⇔n= +3 = + 3 = 21.
DDL n−3 CMR 9, 8
0,95
3. Tester l’hypothèse nulle H0 : ”α1 = α2 = 0” au niveau 95%. On donne F2;18 = 3, 55 :
Exercice 5 :
On considère le modèle de régression linéaire multiple Y = α0 + α1 X1 + α2 X2 + ε : 1.
Compléter le tableau d’analyse de variance correspondant :
Variation SC DDL CM
X1 , X2 1504,4 2 752, 2
Résidu 176,4 n−3 9, 8
Total 1680, 8 n−1 ×××
SC
2. Trouver la valeur de n : On sait que CM = DDL , alors pour la somme des carrés résiduelles
on a
SCR SCR SCR 176, 4
CMR = = ⇔n= +3 = + 3 = 21.
DDL n−3 CMR 9, 8
0,95
3. Tester l’hypothèse nulle H0 : ”α1 = α2 = 0” au niveau 95%. On donne F2;18 = 3, 55 :
Exercice 5 :
On considère le modèle de régression linéaire multiple Y = α0 + α1 X1 + α2 X2 + ε : 1.
Compléter le tableau d’analyse de variance correspondant :
Variation SC DDL CM
X1 , X2 1504,4 2 752, 2
Résidu 176,4 n−3 9, 8
Total 1680, 8 n−1 ×××
SC
2. Trouver la valeur de n : On sait que CM = DDL , alors pour la somme des carrés résiduelles
on a
SCR SCR SCR 176, 4
CMR = = ⇔n= +3 = + 3 = 21.
DDL n−3 CMR 9, 8
0,95
3. Tester l’hypothèse nulle H0 : ”α1 = α2 = 0” au niveau 95%. On donne F2;18 = 3, 55 :
SCE 1504, 4
On a R2 = = = 0, 89.
SCT 1680, 8
Ce résultat nous assure que notre régression est bien présentée par ce
modèle linéaire.
5. Donner une estimation de σ2 , la variance de ε :