Académique Documents
Professionnel Documents
Culture Documents
Nous devons estimer les valeurs de (k+1) paramètres (𝑎0 , 𝑎1 , … , 𝑎𝑘 ) à partir d’un échantillon
de n observations.
1. Estimer les valeurs des coefficients (𝑎0 , 𝑎1 , … , 𝑎𝑘 ) à partir d’un échantillon de donnés
(estimation des MCO).
2. Evaluer la précision de ces estimateurs (biais, variance des estimateurs).
3. Mesurer le pouvoir explicatif du modèle dans sa globalité (tableau d’analyse de la
variance, coefficient de détermination).
4. Tester l’existence d’une relation entre l’endogène Y et les exogènes 𝑋𝑗 (test de
significativité globale de la régression).
5. Tester l’apport marginal de chaque variable explicative dans l’explication de Y (test de
significativité de chaque coefficient).
6. Tester l’apport d’un groupe de variables explicatives dans l’explication de Y (test de
significativité simultanée d’un groupe de coefficient).
7. Pour un nouvel individu 𝑖 ∗ pour lequel on fournit la description (𝑥1𝑖 ∗ , …,𝑥𝑘𝑖 ∗ ),
calculer la valeur prédite 𝑦𝑖 ∗ et l’intervalle de prédiction.
8. Interpréter les résultats en mettant en avant notamment l’impact des exogènes sur
l’endogène (interprétation des coefficients).
Remarque 1:
𝑑𝑦
Chaque coefficient se lie comme une propension marginale = 𝑎𝑖 , mais à la différence de
𝑑𝑥 𝑖
la régression linéaire simple, on prend en compte le rôle des autres variables lors de son
1
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
estimation. On dit alors que c’est un coefficient partiel : il indique l’impact de la variable en
contrôlant l’effet des autres variables.
⋮ ⋮
𝑌 = 𝑋 × 𝑎 + 𝜀
Remarque 2 :
La matrice X de dimension (n, k+1) contient l’ensemble des observations sur les exogènes,
avec une première colonne formée par la valeur 1 indiquant que l’on intègre la constante 𝑎0
dans l’équation.
Rappel : on fait un rappel de quelques éléments sur le calcul matriciel pour comprendre le
développement qui suivra : On note 𝑋 ′ la matrice transposée de la matrice 𝑋.
- 𝑋𝑎 ′ = 𝑎′ 𝑋 ′
- 𝑌′𝑋𝑎 ′ = 𝑎′ 𝑋 ′ 𝑌
- La transposé d’un scalaire est lui-même.
2
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
𝑛
S= 𝑖=1 𝜀𝑖 = 𝜀 ′ 𝜀= 𝑌 − 𝑋𝑎 ′
𝑌 − 𝑋𝑎 = 𝑌 ′ 𝑌 − 𝑌 ′ 𝑋𝑎 − 𝑎′ 𝑋 ′ 𝑌 + 𝑎′𝑋′𝑋𝑎
𝑑𝑆 𝑑𝜀 ′ 𝜀
= = −2𝑋 ′ 𝑌 + 2𝑋′𝑋𝑎
𝑑𝑎 𝑑𝑎
𝑎 = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑌
Remarque 3 :
Comme pour la régression simple, les hypothèses permettant de déterminer les propriétés des
estimateurs (sans biais, convergent) et les lois de distribution (loi de student pour chaque
coefficient pris individuellement, loi de fisher dès que l’on traite un groupe de coefficients).
H1) les 𝑋𝑗 sont non aléatoires, c'est-à-dire les 𝑥𝑗𝑖 sont observés sans erreur.
H2) 𝐸 𝜀𝑖 = 0 ∀𝑖, l’espérance de l’erreur est nulle. Le modèle en moyenne est bien spécifié.
H3) ∀𝑖, 𝑉𝑎𝑟 𝜀𝑖 = 𝜎𝜀2 ; la variance de l’erreur est constante (c’est l’hypothèse
d’homoscédasticité).
3
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
H4) 𝐶𝑜𝑣 𝜀𝑖 , 𝜀𝑗 = 0 𝑝𝑜𝑢𝑟 𝑖 ≠ 𝑗. Absence de corrélation entre les erreurs ; ou bien les erreurs
sont indépendantes, c’est l’hypothèse de non autocorrélation des erreurs.
H5) 𝐶𝑜𝑣 𝑥𝑝𝑖 , 𝜀𝑖 = 0 ∀ 𝑝 = 1, … , 𝑘. L’erreur n’est pas corrélée avec les variables
explicatives ; ou bien l’erreur est indépendante des variables exogènes.
H6) 𝜀𝑖 𝑁 0, 𝜎𝜀2 , les erreurs sont distribuées selon une loi Normale.
H7) La matrice 𝑋′𝑋 est régulière, c'est-à-dire det(𝑋 ′ 𝑋) ≠ 0 et (𝑋 ′ 𝑋)−1 existe. Elle indique
l’absence de colinéarité entres les variables exogènes.
1
H8) n (𝑋 ′ 𝑋) tend vers une matrice finie, inversible lorsque 𝑛 +∞ .
H9) La taille de l’échantillon 𝑛 > 𝑘 + 1 (le nombre d’observation est supérieur au nombre de
paramètres à estimer).
Exercice 1:
Soit la variable à expliquer 𝑦𝑡 et deux variables explicatives 𝑥1𝑡 et 𝑥2𝑡 connues sur 10
périodes. Nous cherchons à estimer la relation 𝑦𝑡 = 𝑎0 + 𝑎1 𝑥1𝑡 + 𝑎2 𝑥2𝑡 + 𝜀𝑡 .
Les valeurs sont données sur le tableau suivant :
Corrigé :
1. Forme matricielle du modèle
12 1 7 48 𝜀1
21 1 9 40 𝑎0 𝜀2
24 = 1 11 18 𝑎1 + ⋮
⋮ ⋮ ⋮ ⋮ 𝑎2 ⋮
30 1 21 25 𝜀10
4
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
𝑌= 𝑋 × 𝑎 + 𝜀
1 7 48
1 1 1 ⋯ 1 1 9 40 10 121 308
𝑋’𝑋 = 7 9 11 ⋯ 21 1 11 18 = 121 1667 3449
48 40 18 ⋯ 25 ⋮ ⋮ ⋮ 308 3449 10282
1 21 25
12
1 1 1 ⋯ 1 21 219
𝑋’𝑌 = 7 9 11 ⋯ 21 24 = 2904
48 40 18 ⋯ 25 ⋮ 6291
30
3. Calcul de 𝒂
Le vecteur (e) des résidus est connu, on peut aussi écrire le modèle comme suit :
𝑌 = 𝑋𝑎 + 𝑒
𝑎 = 𝑋′ 𝑋 −1
𝑋 ′ 𝑌 . On remplace Y par (𝑋𝑎 + 𝜀) dans la formule de 𝑎, on obtient :
𝑎 = 𝑋′ 𝑋 −1
𝑋 ′ 𝑋𝑎 + 𝜀
𝑎 = 𝑋′ 𝑋 −1
𝑋 ′ 𝑋𝑎 + 𝑋 ′ 𝑋 −1
𝑋′ 𝜀
5
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
𝑎 = 𝑎 + 𝑋′ 𝑋 −1
𝑋 ′ 𝜀 …………………. (3.2)
𝐸 𝑎 = 𝑎 + 𝑋′ 𝑋 −1
𝑋 ′ 𝐸 𝜀 = 𝑎 car 𝐸 𝜀 = 0.
D’après (3.2), 𝑎 − 𝑎 = 𝑋 ′ 𝑋 −1
𝑋′ 𝜀
Ω𝑎 = 𝐸[ 𝑋 ′ 𝑋 −1
𝑋′ 𝜀 𝑋′ 𝑋 −1
𝑋′ 𝜀 ′ ]
Ω𝑎 = 𝐸[ 𝑋 ′ 𝑋 −1
𝑋 ′ 𝜀𝜀 ′ 𝑋 𝑋 ′ 𝑋 −1
]
Ω𝑎 = 𝑋 ′ 𝑋 −1
𝑋 ′ 𝜎𝜀2 𝐼𝑛 𝑋 𝑋 ′ 𝑋 −1
=𝜎𝜀2 𝑋 ′ 𝑋 −1
𝑋′ 𝑋 𝑋 ′ 𝑋 −1
= 𝜎𝜀2 𝑋 ′ 𝑋 −1
Donc : Ω𝑎 = 𝜎𝜀2 𝑋 ′ 𝑋 −1
Par définition :
Calcul de la 𝐥𝐢𝐦 Ω𝒂
𝒏 +∞
1
D’après H8), nous avons 𝑛 𝑋′𝑋 𝑀 (M une matrice finie et inversible)
𝑛 +∞
1 1
Pour n assez grand, on a : 𝑛 𝑋′𝑋 𝑀 𝑋′𝑋 𝑛𝑀 𝑋′𝑋 𝑛𝑀 (𝑋 ′ 𝑋)−1 𝑀−1
𝑛
1
Donc la lim Ω𝑎 =lim 𝜎𝜀2 𝑋 ′ 𝑋 −1
=lim 𝜎𝜀2 𝑛 𝑀−1 = matrice nulle.
𝑛 +∞ 𝑛 +∞ 𝑛 +∞
6
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
Remarque 4 :
Dans la pratique souvent 𝜎𝜀2 est inconnue, alors Ω𝑎 est aussi inconnue. Il faut donc estimer
𝜎𝜀2 .
𝑛 2
𝑒′𝑒 𝑖=1 𝑒𝑖
Proposition : l’estimateur sans biais de 𝜎𝜀2 est donné par : 𝜎𝜀2 = 𝑛−𝑘−1 = 𝑛−𝑘−1
𝑛
𝑖=1(𝑦𝑖 − 𝑦)2 : variabilité totale (somme des carrés totale SCT)
𝑛
𝑖=1(𝑦𝑖 − 𝑦)2 : variabilité expliquée (somme des carrés expliquée SCE)
𝑛 2
𝑖=1 𝑒𝑖 : variabilité résiduelle (somme des carrés résiduelle SCR)
𝑅 2 est appelé coefficient de détermination. Plus il est proche de 1, meilleur est l’ajustement,
car 𝑅 2 prend ses valeurs entre 0 et 1, 0 ≤ 𝑅 2 ≤ 1.
Remarque 5 :
𝑛−1
𝑅2 = 1 − (1 − 𝑅 2 )
𝑛−𝑘−1
7
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
Exercice 2 :
Corrigé :
Rappelons que dans l’exercice 1, nous avons estimé les paramètres du modèle
10 2
𝑒′𝑒 𝑡=1 𝑒𝑡 31,469
𝜎𝜀2 = = = = 4,495
𝑛 − 𝑘 − 1 𝑛 − 𝑘 − 1 10 − 2 − 1
2. Calcul de la matrice des variances-covariances de 𝒂
Ω𝑎 = 𝜎𝜀2 𝑋 ′ 𝑋 −1
3. Calcul de 𝑹𝟐 et 𝑹𝟐
10 10
𝑡=1(𝑦𝑡 − 𝑦 )2 𝑡=1 𝑒𝑡
2
31,469
𝑅2 = 10 =1− 10 =1− = 0,916
𝑡=1(𝑦𝑡 − 𝑦 )2 𝑡=1(𝑦𝑡 − 𝑦 )2 376,9
𝑛−1 10 − 1
𝑅2 = 1 − 1 − 𝑅2 = 1 − 1 − 0,916 = 0,892
𝑛−𝑘−1 10 − 2 − 1
3.4. Tests statistiques
8
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
La distribution Normale est incomparablement simple et très connue pour ses propriétés
théoriques, et beaucoup de phénomènes semblent suivre cette distribution.
L’hypothèse de normalité des erreurs va nous permettre de définir la loi de probabilité des
estimateurs et par conséquent, de construire des tests statistiques concernant la validité du
modèle estimé. Les estimateurs des MCO sont des facteurs linéaires de 𝜀𝑖 , donc si les 𝜀𝑖 sont
distribués normalement, les estimateurs le sont aussi. Même dans le cas des échantillons de
petite taille (taille finie), l’hypothèse de normalité est une aide pour la dérivation des
distributions des estimateurs des MCO, mais aussi, elle permet d’utiliser les tests statistiques
de student, fisher et khi-2 dans les modèles de régression.
De plus, l’hypothèse de normalité des erreurs va permettre de réduire l’influence des variables
omises (représentées par 𝜀𝑖 ) et elle sera la plus faible possible, ou, au moins aléatoire. Avec le
théorème central limite (TCL), on peut montrer que la distribution de leur somme tend vers
une distribution normale à mesure de la croissance infinie du nombre de telles variables.
𝑅 2 est une variable aléatoire car elle dépend d’un échantillon lui-même est aléatoire. Il ne doit
donc s’interpréter qu’après avoir déterminer sa loi de probabilité. Malheureusement, celle-ci
dépend de manière ci complexe des observations qu’il est difficile de la déterminer.
Ainsi, pour juger de la qualité du modèle, on dispose d’un autre indicateur qui s’exprime
comme un rapport de la variance expliquée sur la variance inexpliquée.
𝑆𝐶𝐸
𝐹∗ = 𝑘
𝑆𝐶𝑅
𝑛−𝑘−1
où k désigne le nombre de degré de liberté de SCE
𝑅2
𝐹∗ = 𝑘
(1 − 𝑅 2 )
𝑛−𝑘−1
Le test global de fisher est formulé comme suit :
𝐻0 "𝑎1 = 𝑎2 = ⋯ = 𝑎𝑘 = 0" contre 𝐻1 "∃ 𝑗 𝑡𝑒𝑙𝑙𝑒 𝑞𝑢𝑒 𝑎𝑗 ≠ 0" (au moins un paramètre est
différent de zéro).
L’hypothèse de normalité des erreurs implique que sous 𝐻0 , 𝐹 ∗ (calculé) suit la loi de fisher à
k et (n-k-1) degré de liberté.
9
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
(1 − 𝛼) 𝛼
Règle de décision :
𝑎𝑖 − 𝑎𝑖
𝑁 0,1 .
𝜎𝑎 𝑖
Cependant, le plus souvent, la variance 𝜎𝑎2𝑖 est inconnue, alors, on l’estime par 𝜎𝑎2𝑖 qui désigne
𝑒′𝑒
le ième terme de la diagonale principale de la matrice Ω𝑎 = 𝜎𝜀2 𝑋 ′ 𝑋 −1
avec 𝜎𝜀2 = 𝑛−𝑘−1
𝑎 𝑖 −𝑎 𝑖
Dans ce cas, on est amené à donner la loi de : suit une loi de student à (n-k-1) degré de
𝜎𝑎
𝑖
𝑎 𝑖 −𝑎 𝑖
liberté. C'est-à-dire : 𝑡(𝑛 − 𝑘 − 1).
𝜎𝑎
𝑖
10
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
𝑎𝑖
Sous 𝐻0 , l’hypothèse de normalité des erreurs implique que : 𝑡(𝑛 − 𝑘 − 1).
𝜎𝑎
𝑖
1 1
𝛼 𝛼
2 (1 − 𝛼 ) 2
𝛼 𝛼
2 2
−∞ 𝐻1 − 𝑡𝑛−𝑘−1 𝐻0 0 𝐻0 + 𝑡𝑛−𝑘−1 𝐻1 +∞
𝑎𝑖 𝛼 𝑎𝑖
P( > 𝑡𝛼 2 ) = où 𝑡𝑎∗𝑖 = 𝑡𝛼 2 (𝑛 − 𝑘 − 1)
𝜎𝑎 2 𝜎𝑎
𝑖 𝑖
Cette indicateur 𝑡𝑎∗𝑖 est appelé le ratio de student. Ainsi, nous comparons ce 𝑡𝑎∗𝑖 (calculé) au
Règle de décision :
- si 𝑡𝑎∗𝑖 > 𝑡𝛼 2 (𝑛 − 𝑘 − 1), alors on rejette 𝐻0 , la variable 𝑥𝑖 est significativement
contributive à l’explication de l’endogène.
- si 𝑡𝑎∗𝑖 ≤ 𝑡𝛼 2 (𝑛 − 𝑘 − 1), alors on accepte 𝐻0 , la variable 𝑥𝑖 n’est pas contributive à
l’explication de l’endogène.
Remarque 6 :
Puisque la loi de student converge vers la loi normale centrée et réduite, lorsque le nombre de
𝑎 𝑖 −𝑎 𝑖
degré de liberté augmente, on utilise la loi de student comme loi de seulement si la taille
𝜎𝑎
𝑖
de l’échantillon est relativement petite 𝑛 < 30 .
Lorsque n est suffisamment grand (n≥ 30), on utilise la loi normale comme la loi de cette
𝑎 𝑖 −𝑎 𝑖
statistique .
𝜎𝑎
𝑖
11
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
𝑎 𝑖 −𝑎 𝑖
P(−𝑡𝛼 2
≤ ≤ 𝑡𝛼 2 ) = 1 − 𝛼
𝜎𝑎
𝑖
𝑃(−𝜎𝑎 𝑖 𝑡𝛼 2
≤ 𝑎𝑖 − 𝑎𝑖 ≤ 𝜎𝑎 𝑖 𝑡𝛼 2 ) = 1 − 𝛼
𝑃(−𝜎𝑎 𝑖 𝑡𝛼 2
− 𝑎𝑖 ≤ −𝑎𝑖 ≤ 𝜎𝑎 𝑖 𝑡𝛼 2
− 𝑎𝑖 ) = 1 − 𝛼
𝑃(𝑎𝑖 − 𝜎𝑎 𝑖 𝑡𝛼 2
≤ 𝑎𝑖 ≤ 𝑎𝑖 +𝜎𝑎 𝑖 𝑡𝛼 2 ) = 1 − 𝛼
𝐼𝐶𝑎 𝑖 = [𝑎𝑖 − 𝜎𝑎 𝑖 . 𝑡𝛼 2
, 𝑎𝑖 + 𝜎𝑎 𝑖 . 𝑡𝛼 2 ]
Exercice 3 :
Corrigé :
Il s’agit de tester :
𝐻0 "𝑎1 = 𝑎2 = 0" contre 𝐻1 "∃ 𝑗 𝑡𝑒𝑙𝑙𝑒 𝑞𝑢𝑒 𝑎𝑗 ≠ 0" (au moins l’un des paramètre est différent
de zéro).
𝑅2 0,916
𝐹∗ = 𝑘 = 2 0,05
= 38,16 > 𝐹(2,7) = 4,74
(1 − 𝑅 2 ) (1 − 0,916)
𝑛−𝑘−1 10 − 2 − 1
Donc, on rejette l’hypothèse 𝐻0 , le modèle est globalement bon, c'est-à-dire qu’au moins
l’une des variables 𝑥1𝑡 et 𝑥2𝑡 est explicative du modèle.
𝑎1 0,902
𝑡𝑎∗1 = = = 4,38 > 𝑡0,05 10 − 2 − 1 = 2,36 𝑎1 ≠ 0,
𝜎𝑎 1 0,206
𝑎2 0,256
𝑡𝑎∗2 = = = 2,46 > 𝑡0,05 10 − 2 − 1 = 2,36 𝑎2 ≠ 0,
𝜎𝑎 2 0,104
12
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
𝐼𝐶𝑎 1 = [𝑎1 − 𝜎𝑎 1 . 𝑡𝛼 2
, 𝑎1 + 𝜎𝑎 1 . 𝑡𝛼 2 ] = [0,415; 1,388]
𝐼𝐶𝑎 2 = [𝑎2 − 𝜎𝑎 2 . 𝑡𝛼 2
, 𝑎2 + 𝜎𝑎 2 . 𝑡𝛼 2 ] = [0,010; 0,501]
L’appellation de la variable indicatrice est différente dans la littérature, cette variable est aussi
appelée variable binaire ou dichotomique ou auxiliaire ou muette, le terme dummy est le plus
utilisé dans le vocabulaire anglo-saxon.
3.5.1. Définition
Une variable indicatrice est une variable explicative particulière qui prend les valeurs binaires
0 ou 1. Elle est utilisée dans un modèle pour intégrer un facteur explicatif représentant un
phénomène qui a lieu ou n’a pas lieu.
Elle est utilisée pour la correction des valeurs anormales (grève, guerre,…etc.), la
modification structurelle (avant et après un changement structurelle), l’intégration de la
saisonnalité, la caractérisation d’un individu (genre, situation matrimoniale,…etc.),
l’intégration d’un facteur qualitatif (appartenance d’un pays à l’OMC,…etc.).
Exemple 1:
𝑃𝑆𝑡 = 𝑎0 + 𝑎1 𝑉𝐴𝑡 + 𝑎2 𝑃𝑡 + 𝜀𝑡
13
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
Pour estimation du modèle sur 18 ans, on s’interroge sur la perturbation entrainée par l’effet
d’une guerre pour l’année 16. On intègre au modèle, une variable indicatrice 𝐷𝑡 telle que :
𝐷𝑡 = 0 pour 𝑡 = 1 à 15 et 𝑡 = 17 𝑒𝑡 18 ,
𝐷𝑡 = 1 pour 𝑡 = 16.
Exemple 2 :
Pour estimer un modèle exprimant la relation entre le PIB et les prix du pétrole d’un pays
exportateur du pétrole sur 10 ans, on s’intéresse à l’effet de la hausse des prix du pétrole, pour
une année donnée t=5, sur le PIB. On intègre dans le modèle, une variable indicatrice 𝐷𝑡 telle
que :
𝐷𝑡 = 0 pour 𝑡 = 1 à 4 et 𝑡 = 6 à 10
𝐷𝑡 = 1 si t=5
Le modèle s’écrit :
𝑃𝐼𝐵𝑡 = 𝑎0 + 𝑎1 𝑃𝑟𝑖𝑥𝑡 + 𝑎2 𝐷𝑡 + 𝜀𝑡
Remarque 7 :
Dans le cas des variables qualitatives ayant plusieurs modalités, par exemple la situation
familiale (célibataire, marié, divorcé, veuf), il convient alors de coder autant de variables
indicatrices que de modalités moins une.
3.6. Prévision
Le calcul de la prévision consiste à déterminer quelle valeur doit être attribuée à la variable à
la variable endogène lorsque nous connaissons les valeurs des variables exogènes.
14
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
avec :
1
𝑥1(𝑖+ℎ)
𝑉= 𝑥2(𝑖+ℎ) est le vecteur des valeurs prévues des variables explicatives,
⋮
𝑥𝑘(𝑖+ℎ)
𝑉′ est la transposé de V.
Nous avons :
𝑒 𝑖+ℎ
𝑒𝑖+ℎ = 𝑦𝑖+ℎ − 𝑦𝑖+ℎ 𝑁(0, 𝜎𝑒2𝑖+ℎ ) ou 𝑁(0,1)
𝜎𝑒 𝑖+ℎ
𝑒 𝑦 𝑖+ℎ −𝑦 𝑖+ℎ
ou encore 𝜎 𝑖+ℎ 𝑡(𝑛 − 𝑘 − 1) c'est-à-dire : 𝑡(𝑛 − 𝑘 − 1) .
𝑒 𝑖+ℎ ′
𝜎𝜀2 (𝑉𝑖+ℎ 𝑋 ′ 𝑋 −1 𝑉𝑖+ℎ +1)
′
𝐼𝐶𝑦 𝑖+ℎ = [𝑦𝑖+ℎ − 𝑡𝛼 2
𝑛 − 𝑘 − 1 . 𝜎𝜀2 (𝑉𝑖+ℎ 𝑋′ 𝑋 −1 𝑉
𝑖+ℎ + 1) ; 𝑦𝑖+ℎ + 𝑡𝛼 2
𝑛−𝑘−
′
1 . 𝜎𝜀2 (𝑉𝑖+ℎ 𝑋′ 𝑋 −1 𝑉
𝑖+ℎ + 1)].
Exercice 4 :
Pour les données de l’exercice 1, calculer la prévision et son intervalle de confiance à 95%
pour la période t=11, sachant que les valeurs prévues des variables explicatives sont
𝑥1,11 = 24 et 𝑥2,11 = 21.
Corrigé :
15
Cours d’Econométrie I L3 Economie Quantitative 2019-2020 HIDRA. Y
1 1
′
𝜎𝑒211 = 𝜎𝜀2 (𝑉11 ′
𝑋𝑋 −1
𝑉11 + 1) avec 𝑉 = 𝑥1(11) = 24
𝑥2(11) 21
𝐼𝐶𝑦11 = [𝑦11 − 𝑡𝛼 2
𝑛 − 𝑘 − 1 . 𝜎𝑒11 ; 𝑦11 + 𝑡𝛼 2
𝑛 − 𝑘 − 1 . 𝜎𝑒11 ].
16