S6 TD1
S6 TD1
S6 TD1
ESSAÂDI
Faculté des Sciences Juridiques,
Economiques et Sociales de
Tétouan
(Semestre 6)
Méthodes Économétriques
1
Exercices
Exercice 1
Un producteur s’intéresse à la liaison pouvant exister entre le rendement d’un produit (Xi ) la quantité de
matière première utilisée (Yi ) . Il relève 9 couples de données consignés dans le tableau ci-dessous :
Yi 4 8 10 15 19 30 39 45 50
Xi 2 4 6 9 14 24 30 36 45
(1) Estimer les deux paramètres de la droite de régression simple β0 et β1 et écrire la fonction de la droite.
(2) Tester la significativité de la pente.
(3) Construire l’intervalle de confiance au niveau de confiance de 95% pour le paramètre β1 .
(4) Calculer le coefficient de détermination R2 et effectuer le test de Fisher permettant de déterminer si
la régression est significative dans son ensemble.
(5) Le producteur prévoit respectivement 57 et 69 pour le rendement de produit. Déterminer les valeurs
prévues de la quantité de matière première pour ces deux prévisions, ainsi que l’intervalle de prévision
au niveau de confiance de 95%.
Solution
Yi − Ȳ
2
2
2
Xi − X̄
Xi − X̄
Ybi − Ȳ
Xi − X̄
Yi − Ȳ
Yi − Ȳ
Xi
Yi
Ybi
4 2 -16,89 285,23 -20,44 345,28 417,98 5,91 343,39
8 4 -14,89 221,68 -16,44 244,84 270,42 8,11 266,88
10 6 -12,89 166,12 -14,44 186,17 208,64 10,30 199,99
15 9 -9,89 97,79 -9,44 93,40 89,20 13,59 117,73
19 14 -4,89 23,90 -5,44 26,62 29,64 19,08 28,77
30 24 5,11 26,12 5,56 28,40 30,86 30,05 31,45
39 30 11,11 123,46 14,56 161,73 211,86 36,64 148,63
45 36 17,11 292,79 20,56 351,73 422,53 43,22 352,49
50 45 26,11 681,79 25,56 667,28 653,09 53,09 820,80
220 170 1918,89 2105,44 2334,22 2310,14
P
M oy 24,44 18,89
H0 ; β1 = 0
H1 ; β1 6= 0
2
βb1
Calcul de ratio empirique de Student t∗b (dans ce cas t∗b = )
β1 β1 σ
bβ̂
1
n
e2
v P
b2 i
u σ SCR
on a σ
bβ̂ = u n b 2 = i=1
2 avec σ =
u
1 tP
Xi − X̄ n−2 n−2
i=1
d’après le tableau on calcul SCR :
SCR 24, 08
b2 =
alors σ = = 3, 44
n−2 7
βb1 1, 0972
ainsi t∗b = =s = 25, 91
β1 σ
bβ̂
1
3, 44
1918, 89
α/2
Enfin |t∗b | > tn−2 = t0,025
7 = 2, 365 (voir la valeur de t0,025
7 dans la table de la loi de Student)
β1
la pente β1 est significativement différente de zéro.
(3) Intervalle de confiance au niveau de confiance de 95% pour le paramètre β1
on a " s !#
h
α/2
i 3, 44
ICβ1 = β1 ± tn−2 σ
b bβ̂ = 1, 0972 ± 2, 365 × = [0, 9970 ; 1, 1973]
1 1918, 89
Yb10 = βb0 + βb1 X10 = 3, 7191 + (1, 0972 × 57) = 66, 259
Yb11 = βb0 + βb1 X11 = 3, 7191 + (1, 0972 × 69) = 75, 037
Intervalles de prédiction
v
u 2
X10 − X̄
u
α/2 u
u 1
Y10 = Yb10 ± tn−2 σ
b u1 + + n 2
n
Xi − X̄
t P
i=1
v"
1 (57 − 18, 89)2
u #
p u
Y10 = 66, 259 ± 2, 365 3, 44 1 + +
t
9 1918, 89
3
Après application de la même formule pour l’observation X11 = 65, on trouve
Exercice 2
Un statisticien s’intéresse à la liaison pouvant exister entre la croissance économique d’un pays (Yi ) et est
le niveau d’inflation (Xi ). Il relève 8 couples de données consignés dans le tableau ci-dessous :
Yi 38 35 30 25 20 17 15 13
Xi 7 10 13 15 19 21 23 25
Solution
Yi − Ȳ
2
2
2
Xi − X̄
Xi − X̄
Ybi − Ȳ
Xi − X̄
Yi − Ȳ
Yi − Ȳ
Xi
Yi
Ybi
38 7 -9,63 92,64 13,88 -133,55 192,52 38,19 197,78
35 10 -6,63 43,89 10,88 -72,05 118,27 33,81 93,70
30 13 -3,63 13,14 5,88 -21,30 34,52 29,42 28,05
25 15 -1,63 2,64 0,88 -1,42 0,77 26,50 5,64
20 19 2,38 5,64 -4,13 -9,80 17,02 20,65 12,04
17 21 4,38 19,14 -7,13 -31,17 50,77 17,73 40,86
15 23 6,38 40,64 -9,13 -58,17 83,27 14,81 86,76
13 25 8,38 70,14 -11,13 -93,17 123,77 11,89 149,74
P
193 133 287,88 -420,63 620,88 614,59
M oy 24,13 16,63
H0 ; β1 = −1
H1 ; β1 < −1
4
βb1 − β1 βb1 + 1
Calcul de ratio empirique de Student t∗b (dans ce cas t∗b = = )
β1 β1 σ
bβ̂
1
σ
bβ̂
1
n
e2
v P
b2 i
u σ SCR
on a σ
bβ̂ = u n b 2 = i=1
2 avec σ =
u
1 tP
Xi − X̄ n−2 n−2
i=1
d’après le tableau on calcul SCR :
SCR 6, 28
b2 =
alors σ = = 1, 046
n−2 6
βb1 + 1 −0, 461
ainsi t∗b = =s = −7, 647
β1 σ
bβ̂
1
1, 046
287, 88
Enfin |t∗b | > tαn−2 = t0,05
6 = 1, 943 la pente β1 est significativement inférieur à (−1).
β1
(3) Coefficient de détermination R2
n 2
Ybi − Ȳ
P
SCE 614, 59
R2 = = i=1
n 2 = = 0, 9898. Il s’agit d’un très bon ajustement linéaire (98, 98%
SCT P
Yi − Ȳ 620, 88
i=1
de la variabilité de Y autour de sa moyenne est expliquée par la variabilité de X)
Test de Fisher
Calcul de la statistique empirique de Fisher
SCE 614, 59
ddlSCE M CE 1
F∗ = = = = 587, 18
SCR M CR 6, 28
ddlSCR 6
0,05
F ∗ > F1;n−2
α = F1;6 = 5, 99. Le modèle est globalement significatif
(4) Prévision
Prévisions ponctuelles respectivement des obsevations X9 = 26 et X10 = 30
Yb10 = βb0 + βb1 X10 = 48, 416 + (−1, 461 × 30) = 4, 586
Intervalles de prédiction
v
u 2
X9 − X̄
u
α/2 u
u 1
Y9 = Yb9 ± tn−2 σ
b u1 + + n 2
n
Xi − X̄
t P
i=1
v"
2
u #
p u 1 (26 − 16, 63)
Y9 = 10, 43 ± 2, 447 1, 046t 1 + +
8 287, 88
Exercice 3
5
on donne les informations suivantes :
n n n
Yi2 = 26350 Xi2 = 1400000
P P P
Xi Yi = 184500
i=1 i=1 i=1
Ȳ = 60 X̄ = 400 n=7
Solution
n
Xi Yi − nX̄ Ȳ
P
i=1 184500 − 7 × 400 × 60
(1) βb1 = n = = 0, 0589
P
Xi2 − nX̄ 2 1400000 − 7 × (60)2
i=1
βb0 = Ȳ − βb1 X̄ = 60 − (0, 0589 × 400) = 36, 44
n 2
Xi Yi − nX̄ Ȳ
P
i=1
(2) R2 = rx,y
2 =
n
n = 0, 8454
Xi2 − nX̄ 2 Yi2 − nȲ 2
P P
i=1 i=1
Il s’agit d’un très bon ajustement linéaire (84, 54% de la variabilité de Y autour de sa moyenne est
expliquée par la variabilité de X)
(3) Test de Fisher
Calcul de la statistique empirique de Fisher
SCE R2
ddlSCE M CE 1 0, 8454
F∗ = = = = = 27, 341
SCR M CR 1−R 2 1 − 0, 8454
ddlSCR n−2 5
0,05
F ∗ > F1;n−2
α = F1;5 = 6, 61. Le modèle est globalement significatif
(4) Intervalle de confiance au niveau de confiance de 95% pour le paramètre β1
on a h i
α/2
ICβ1 = βb1 ± tn−2 σ
bβ̂
1
Calcul de σ
bβ̂
1
2 !2
βb1
On connait à partir des propriétés de la régression linéaire simple que : F∗ = t∗b =
β1 σ
bβ̂
1
v
u βb 2
u s
t 1 (0, 0589)2
alors σ
bβ̂ = = = 0, 0112644
1 F∗ 27, 341
Enfin h i
α/2
ICβ1 = βb1 ± tn−2 σ
bβ̂ = [0, 0589 ± (2, 571 × 0, 0112644)] = [0, 0299 ; 0, 0878]
1
Exercice 4
On considère les résultats suivants d’une étude économétrique réalisée sur un échantillon de 20 individus.
Yi = 1, 651Xi − 26, 27 + ei
R2 = 0, 26
n = 20
s = 10, 50
6
(1) A partir les résultats de l’estimation, on demande de retrouver les statistiques suivantes :
(a) la somme des carrés des résidus SCR,
(b) la somme des carrés totaux SCT ,
(c) la somme des carrés expliqués SCE,
(d) la valeur de la statistique empirique de Fisher F ∗
(e) et l’écart type du coefficient βb1 , σ
bβ̂
1
Solution
H0 ; β1 = 1
H1 ; β1 > 1
βb1 − β1 βb1 − 1
Calcul de ratio empirique de Student t∗b (dans ce cas t∗b = = )
β1 β1 σ
bβ̂
1
σ
bβ̂
1
βb1 − 1 0, 651
ainsi t∗b = = = 0, 9915
β1 σ
bβ̂
1
0, 65652
Enfin |t∗b | > tαn−2 = t0,05
18 = 1, 734 la pente β1 est significativement supérieur à 1.
β1
Exercice 5
7
Yi : salaire moyen horaire par jour (en Dh)
Xi :nombre d’années d’études
On donne par ailleurs les informations suivantes :
Après estimation, sur base d’un échantillon de 13 observations, un étudiant présente les résultats incomplets
ci-après :
Ybi = 0, 030769 + ........Xi
(1) Compléter les pointillés
(2) Tester la significativité du rX,Y
(3) Calculer le coefficient de détermination R2 . Interpréter ces résultats. Semblent-ils logiques ?
(4) Tester la significativité de la pente (β1 ) et la significativité d’ensemble du modèle.
Solution
H0 ; rX,Y = 0
H1 ; rX,Y 6= 0
rX,Y 0, 951916
t∗rX,Y = s =s = 10, 30
2
1 − rX,Y 1 − (0, 951916)2
n−2 11
α/2
|t∗rX,Y | > tn−2 = t0,025
11 = 2, 201. Le coefficient de corrélation rX,Y est significativement différent de
zéro.
(3) Coefficient de détermination R2
R2 = rX,Y
2 = (0, 951916)2 = 0, 9061
Il s’agit d’un bon ajustement linéaire (90, 61% de la variabilité de Y autour de sa moyenne est expliquée
par la variabilité de X)
Il y a lien fort et positif entre le salaire moyen horaire par jour et le nombre d’années d’études. En
effet, ces résultats semblent logiques pour cet échantillon car il est tout à fait normal que ceux qui
beaucoup étudié gagnent un peu plus que ceux qui ont étudié un peu moins.
(4) Il s’agit d’un Test Bilatéral de la pente βb1 :
H0 ; β1 = 0
H1 ; β1 6= 0
βb1
Calcul de ratio empirique de Student t∗b (dans ce cas t∗b = )
β1 β1 σbβ̂
1
On connait à partir des propriétés de la régression linéaire simple que :
!2 2
∗
2 βb1 R2 rX,Y
F = t∗b = = =
β1 σ
bβ̂
1
1 − R2 2
1 − rX,Y
n−2 n−2
8
alors v v
u
r 2 u (0, 951916)2
u
∗
u X,Y
tb = u
u
2 = u = 10, 30
β1 t 1 − rX,Y t 1 − (0, 951916)2
u
n−2 11
α/2
Enfin |t∗b | > tn−2 = t0,025
11 = 2, 201
β1
la pente β1 est significativement différente de zéro.
Test de Fisher
Calcul de la statistique empirique de Fisher
R2 0, 9061
F∗ = = = 106, 145
1 − R2 1 − 0, 9061
n−2 11
0,05
F ∗ > F1;n−2
α = F1;11 = 4, 84. Le modèle est globalement significatif
Remarque :
On remarque d’après les question (3) et (5) que t∗b = t∗rX,Y ce qui confirme encore le fait que le test
β1
d’hyopthèse H0 ; β1 = 0 est équivalent au test d’hypothèse H0 ; SCE = 0.