Université de Sousse

Ecole Pluridisciplinaire Internationale

1ère Année Ingénierie Financière
Année Universitaire 2022-2022

Chargé de cours : Dr. Saif Eddine AYOUNI

Econométrie Appliquée aux Logiciels

(EViews)

Exemple introductif

Dans une recherche sur la consommation de carburant pour différents véhicules, on a spécifié
pour modèle :

Où
Y est la consommation du carburant en litres/100km
X1 est le nombre de cylindrées
X2 est la puissance en kw
X3 est le poids
X4 est la distance (en 102 kilomètres) parcourue depuis la mise en circulation du véhicule.
Le tableau ci-après présente les observations obtenues auprès d’un échantillon de 32 véhicules
sélectionnés au hasard dans un parc de plusieurs véhicules.

Véhicul 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
ei
Y 5.7 5.8 6.1 6.5 6.8 6.8 7.1 21.3 18.7 14.5 7.4 9.0 11.7 9.5 9.5 8.8
X1 84 99 899 1390 1195 658 1331 5474 598 2789 1597 1761 2165 1983 1984 1998
6 3 7
X2 32 39 29 44 33 32 55 325 300 209 74 74 101 85 85 89
X3 65 79 730 955 895 740 1010 1690 225 1485 1080 1100 1500 1075 1155 1140
0 0 0
X4 11 12 104. 171. 148. 137. 194. 2850. 183 925. 250. 223. 366. 225. 315. 287.
6 4 5 5 3 3 9 1 9 1 1 6 1 1 8 5

Véhicul 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
ei
Y 9.3 8.6 7.7 10.8 6.6 11.7 11.9 10.8 7.6 11.3 10.8 9.2 11.6 12.8 12.7 10.1
X1 158 1390 139 2435 1242 297 2958 2497 199 249 1998 1997 198 2438 2473 2094
0 6 2 8 6 4
X2 65 54 66 106 55 107 150 122 66 125 89 92 85 97 125 97
X3 108 1110 114 1370 940 140 1550 1330 130 167 1560 1240 163 1800 1570 1256
0 0 0 0 0 5

1
X4 226 203. 199 398. 197. 390 508. 362. 320 477 369. 269. 364 509. 493. 437.
1 1 4 1 1 5 6 1 1 6
TAF :

1. Déterminer un estimateur du vecteur par la méthode des MCO.

2. Trouver un estimateur de par la MCO, ainsi que la matrice variance et covariance

des coefficients .
3. Calculer le Actual, Fitted, Residual (tables et graphiques)
4. Construire le tableau d’Analyse de la variance
5. Tester au risque α=5% la significativité global du modèle.
6. Tester au risque α=5% la significativité individuelle de chaque paramètre.
7. Déterminer avec un niveau de confiance égal 95% un intervalle de confiance du

paramètre .

8. Déterminer puis interpréter.

9. Vérifier si l’ajout de la variable X 3 et X4 a amélioré significativement la qualité de
l’estimation.
10. Appliquer le test de Chow pour λ= 18 (test d’homogénéité)
11. Tester au risque de 5% les hypothèses suivantes :

2
L’application du logiciel EViews pour les mêmes données, donne pour résultats d’estimation
de la droite de régression :

(1)
Dependent Variable: Y
Method: Least Squares (2)
Date: 02/16/19 Time: 04:13 (3)
(4)
Sample: 1 32
(5)
Included observations: 32

Variable(6) Coefficient(7) Std.Error (8) t-Statistic(9) Prob.(10)

X1 -0.000501 0.000564 -0.887241 0.3828

X2 0.024984 0.009810 2.546792 0.0169
X3 0.004161 0.000863 4.822796 0.0000
X4 0.002043 0.000857 2.383640 0.0244
C 2.461188 0.614877 4.002734 0.0004

R-squared(11) 0.954515 Mean dependent var(18) 9.959375

Adjusted R-squared(12) 0.947777 S.D. dependent var(19) 3.511076
S.E. of regression(13) 0.802366 Akaike info criterion(20) 2.540096
Sum squared resid(14) 17.38234 Schwarz criterion(21) 2.769117
Log likelihood(15) -35.64154 Hannan-Quinn criter.(22) 2.616010
F-statistic(16) 141.6512 Durbin-Watson stat(23) 2.203604
Prob(F-statistic)(17) 0.000000

Dans ce listing, on peut lire dans la partie supérieure du tableau :

(1) – Le nom de la variable dépendante, dans l’exemple c’est Y

(2) – La méthode de l’estimation employée, ici la MCO (en Anglai, Least Squares)
(3) – La date de l’estimation : 02/16/19 à 04:13
(4) – L’étendu de l’échantillon (sample), ici de 1 à 32
(5) – Le nombre d’observations ; n = 32
(6) – Les noms des variables explicatives, avec C pour la constante

(7) – Les coefficients estimés :

(8) – Les écarts-types estimés des estimateurs :

(9) – Les statistiques de Student :

3
(10) – Les seuils de signification (P-value) , c’est-à-dire le seuil
critique d’accepter sans raison l’hypothèse de base H 0 du test. Pour un seuil de

probabilité a adopté la règle est de rejeter H 0 si la probabilité est inférieure à 5% (le

risque de rejeter à tort H0 est faible).
(11) – Le coefficient de détermination : R2

(12) – Le coefficient de détermination ajusté :

(13) – L’estimation de l’écart-type résiduel :

(14) – La somme des carrés résiduelle : SCR

(15) – La valeur de la log-vraisemblance :

(16) – La statistique de significativité globale de Fisher :

(17) – Le seuil critique associé au test de Fisher, il indique la probabilité que la variable
de Fisher F soit supérieure au Fc ; ainsi si on fixe un seuil a = 5%, on rejettera H 0 si
cette probabilité est inférieure à 0,05.

(18) – La moyenne de la variable dépendante :

(19) – L’écart-type empirique de la variable dépendante :

(20) – Le critère d’information de Akaike
(21) – Le critère d’information de Schwarz
(22) – Le critère d’information de Hannan-Quinn

(23) – La statistique de Durbin Watson :

4
Statistiques descriptives :

Y X1 X2 X3 X4
Mean 9.959375 2093.688 97.09375 1256.125 437.5813
Median 9.400000 1990.500 85.00000 1197.500 301.6500
Maximum 21.30000 5987.000 325.0000 2250.000 2850.100
Minimum 5.700000 658.0000 29.00000 650.0000 104.5000
Std. Dev. 3.511076 1133.618 68.21331 354.8869 541.7229
Skewness 1.416037 1.990993 2.062257 0.520196 3.429681
Kurtosis 5.359903 7.548686 7.176414 3.263047 14.64015

Jarque-Bera 18.11971 48.72902 45.93873 1.535477 243.3918

Probability 0.000116 0.000000 0.000000 0.464061 0.000000

Sum 318.7000 66998.00 3107.000 40196.00 14002.60

Sum Sq. Dev. 382.1572 39837771 144244.7 3904286. 9097375.

Observations 32 32 32 32 32

Avec :

(1) Mean : la moyenne de la série,

(2) Median : la médiane (divise la série en deux parties de même effectif). La médiane est
une mesure robuste du centre de la distribution qui est moins sensible aux valeurs
extrêmes que la moyenne
(3) Maximum et Minimum : les valeurs maximales et minimales de la série.
(4) Std. Dev (Standard deviation) : l’écart-type de la série c’est une mesure de dispersion.
(5) Skewness : c’est une mesure d’asymétrie de la distribution de la série autour de sa
moyenne.
(6) Kurtosis : c’est une mesure d’aplatissement de la distribution de la série.
(7) Jarque-Bera : c’est un test statistique pour tester la normalité de la distribution de la
série (H0 : série normal), sous H0, J.B suit une loi de Khi deux à deux degrés de
libertés.
(8) Probability : P-Value (probabilité critique du test de normalité de J.B)
(9) Sum : la somme des valeurs de la série

5
 (10) Sum Sq. Dev (Sum of squared deviations from the mean): Somme des carrés des

écarts à la moyenne .

Matrice de corrélation :
View/Covariance puis Correlation

Y X1 X2 X3 X4
Y 1.0000
0.9409672613247
X1 514 1.0000
0.9525975567144 0.962513361810
X2 596 0058 1.0000
0.8638387518997 0.837867593434 0.7798227676145
X3 02 8411 245 1.0000
0.8911352295326 0.897813156911 0.9351953620120
X4 696 7446 734 0.635024078964693 1.0000

Matrice variance-covariance des coefficients estimés:

X1 X2 X3 X4 C
- - -
3.09549549482 2.71069428329 1.21119416631 2.71897137191
X1 3.185e-07 3029e-06 2453e-07 3531e-07 1259e-05
- - -
3.09549549482 9.62391744809 1.32791277967 4.96486044993 0.00097733215
X2 3029e-06 8446e-05 6494e-06 6623e-06 86841721
- - -
2.71069428329 1.32791277967 7.44340937673 3.56000295455 0.00039429760
X3 2453e-07 6494e-06 047e-07 8127e-07 94436788
- - -
1.21119416631 4.96486044993 3.56000295455 7.34880898262 3.31078452726
X4 3531e-07 6623e-06 8127e-07 0026e-07 5275e-05
- -
2.71897137191 0.00097733215 0.00039429760 3.31078452726 0.37807330262
C 1259e-05 86841721 94436788 5275e-05 07942

Représentation de l’estimation :
View/Représentation
Estimation Command:
=========================
LS Y X1 X2 X3 X4 C

Estimation Equation:
=========================
Y = C(1)*X1 + C(2)*X2 + C(3)*X3 + C(4)*X4 + C(5)

Substituted Coefficients:
=========================
Y = -0.000500729186973*X1 + 0.0249844250713*X2 + 0.00416087662755*X3 + 0.0020433800247*X4 +
2.46118797867

6
Actual, Fitted, residual et graphique des résidus de la régression:
1. Tapez View/Actual, Fitted, Residual/Actual, Fitted, Residual Table sur la barre
d’outils de la fenêtre de l’équation

obs Actual Fitted Residual Residual Plot

1 5.7 5.778674579543394 -0.07867457954339274 | . *| . |
2 5.8 6.478828132612375 -0.6788281326123751 | .* | . |
3 6.1 5.986553917340094 0.1134460826599062 | . |* . |
4 6.5 7.188565965460025 -0.6885659654600249 | .* | . |
5 6.8 6.714320466909315 0.08567953309068433 | . |* . |
6 6.8 6.290814557700109 0.5091854422998905 | . | *. |
7 7.1 7.769600970369011 -0.6696009703690115 | .* | . |
8 21.3 20.69585346630907 0.6041465336909351 | . | *. |
9 18.7 20.07839813506475 -1.378398135064751 | * . | . |
10 14.5 14.35563176886518 0.1443682311348216 | . |* . |
11 7.4 8.515167024280924 -1.115167024280923 | * . | . |
12 9 8.462115399513875 0.5378846004861249 | . | *. |
13 11.7 10.88993258944248 0.8100674105575143 | . | * |
14 9.5 8.524825350138375 0.9751746498616245 | . | .* |
15 9.5 9.042529319395891 0.4574706806041089 | . | * . |
8.80000000
16 0000002 9.015216006951146 -0.2152160069511426 | . *| . |
9.30000000
17 0000002 8.249574136222549 1.050425863777454 | . | .* |
18 8.6 8.147916902224099 0.4520830977759012 | . | * . |
19 7.7 8.561174068683081 -0.8611740686830814 | *. | . |
20 10.8 10.40413203352488 0.3958679664751204 | . | * . |
21 6.6 7.528012954142676 -0.9280129541426762 | *. | . |
22 11.7 10.26849980581827 1.43150019418173 | . | . *|
23 11.9 12.21529496755144 -0.3152949675514369 | . *| . |
24 10.8 10.53284087908196 0.2671591209180417 | . |* . |
25 7.6 9.172724341522531 -1.572724341522532 |* . | . |
26 11.3 12.25777730168866 -0.9577773016886626 | *. | . |
27 10.8 10.93034135254855 -0.1303413525485464 | . *| . |
9.19999999
28 9999998 9.470181171665104 -0.2701811716651066 | . *| . |
29 11.6 11.13824101781157 0.4617589821884245 | . | * . |
30 12.8 12.19376215291155 0.6062378470884475 | . | *. |
31 12.7 11.88610482863147 0.813895171368527 | . | * |
32 10.1 9.956394436075659 0.1436055639243419 | . |* . |

7
Les tests :
1° La commande View/Coefficients Tests/ <Wald Test Coefficient-Restrictions: permet
de tester l’hypothèse de contraints.
2° La commande View/Coefficients Tests/ <Omitted Variables- Likelihood Ratio: permet
de tester l’hypothèse d’omission de variable pertinente (relevant variable). Ce test suit une
loi de F(q, n-k-q-1) avec q nombre de variables omises ou on décide avec le tste LM qui suit
une loi de Khi-deux (q ddl).
3° La commande View/Stability Test/ < Chow Breakpoint Test: Elle permet de tester
l’hypothèse de changement de régime, c’est-à-dire à partir d’une date ou un individu de
rupture donnée, les paramètres du modèle changent de valeurs.
4° La commande View/ Stability Test/ Ramsey RESET Test : ce test permet de vérifier
s’il y a une erreur dans la spécification du modèle :
- Forme de la relation : linéaire ou non
- Composition : omission de variables pertinentes
- La statistique suit une loi de Fisher (2, n-k-3).

8
CREATE U 100

CREATE A 1972 1990

CREATE Q 1992:1 1997:3

CREATE M 1992:1 1997:3

CREATE W 1975:9 1997:12

CREATE D5 1992/1/9 1997/12/3

CREATE D7 1992/1/9 1997/12/3