Université Norbert Zongo

UFR Sciences Economiques et de Gestion

Année Académique 2019-2020
Niveau Licence APE, Licence EAE, Licence ESG
Enseignantes Prof. Eugenie MAIGA
Dr. Roukiatou NIKIEMA

Cours : Econométrie 1

Novembre 2020

1
 Programme
Chapitre 1 : Qu’est-ce que l’économétrie ?
I-1 Définition de l’économétrie
I-2 La démarche en économétrie
I-3 Construction d’un modèle économétrique
Chapitre 2 : Théorie de la corrélation
II-2 Notion de corrélation
II-2 La corrélation simple
II-3 La corrélation partielle
II-4 La corrélation de rang
Chapitre 3 : Le modèle de régression linéaire simple
III-1 Spécification de la relation
III-2 Estimation du modèle
III-3 Etude de cas particuliers
Chapitre 4 : Inférences dans le modèle de régression linéaire simple (MRLS)
IV-1 Caractéristiques des estimateurs des moindres carrés
IV-2 Distribution des estimateurs des moindres carrés (EMC)
IV-3 Analyse de variance dans le MRLS
IV-4 Tests d’hypothèse dans le MRLS
IV-5 Intervalles de confiance autour des paramètres
IV-6 Prédiction dans le MRLS

Bibliographie
 Régis BOURBONNAIS, « Économétrie », Dunod, 1998.
 Grégory DENGLOS, « Introduction à l’économétrie : cours et exercices », PUF
2009

2
  Jeffrey WOOLDRIDGE, « Introductory Econometrics: A Modern Approach, 2nd
Edition

 Damodar N. GUJARATI « Econométrie », traduction de la 4e Edition américaine

par Bernard Bernier, Ouvertures Economiques, de Boeck, 2003

Objectifs du cours
Ce cours fournira une introduction à l'analyse des données économiques. La première
partie du cours traitera en chapitre 1 de la démarche en économétrie, du rôle de la théorie
économique, des statistiques et des mathématiques et de la façon dont les modèles sont
construits en économétrie. Dans le deuxième chapitre, nous allons faire des rappels sur la
théorie de la corrélation et discuter des limites de la corrélation qui nous font avoir
recours à d’autres méthodes pour analyser les relations entre variables. Nous allons
ensuite passer à quelques techniques statistiques simples, en particulier les Moindres
Carrés Ordinaires (MCO) ainsi que les estimateurs de la méthode des moments et ceux du
maximum de vraisemblance. Nous allons également en apprendre davantage sur les
propriétés de grands échantillons de ces estimateurs. À la fin du cours, les étudiants
devraient être en mesure de comprendre quelles inférences peuvent être faites avec les
données de terrain et certaines techniques statistiques de base qui peuvent être utilisées
pour découvrir des faits saillants dans les données et de dégager leur structure.

3
Chapitre I : Qu’est-ce que l’économétrie ?

I-1 Définition de l’économétrie

Le terme économétrie littéralement traduit signifie mesure des phénomènes économiques.
Par phénomènes économiques il faut entendre des manifestations de variables et de
relations entre variables. Dans la littérature économique on recense essentiellement trois
définitions de l’économétrie :
- Définition historique
- Définition restrictive
- Définition extensive
Dans la définition historique de l’économétrie on s’intéresse essentiellement aux
traitements mathématiques des données statistiques concernant les phénomènes
économiques.
Dans la définition restrictive, le domaine de l’économétrie est celui de l’utilisation des
méthodes de l’induction statistique en particulier des théories des tests et de la théorie de
l’estimation pour la vérification des relations formulées en hypothèses par la théorie
économique.
Dans la définition extensive, le domaine de l’économétrie est celui de la définition
restrictive à laquelle s’ajoutent la recherche opérationnelle et ses techniques dérivées.
De manière synthétique, on peut dire que l’économétrie est l’application des méthodes
statistiques et mathématiques à l’analyse des données économiques dans le but de donner
un contenu empirique aux théories économiques de les confirmer ou les infirmer.
L’économétrie permet de répondre à des questions telles que :
- Quels sont les déterminants du salaire ?
- Quels sont les déterminants de la performance des entreprises ?
- L’octroi de vélos aux filles a-t-il un impact sur leurs performances scolaires ?
- Qu’est ce qui explique les disparités régionales de productivité agricole ?
- Est-ce que le plan de développement économique a été efficace ?

I-2 La démarche en économétrie

La démarche économétrique comporte essentiellement trois phases :

 Une première phase dite de spécification consiste à la formulation du modèle

économétrique

4
  Une deuxième phase dite d’inférence consiste à l’estimation et au test du modèle
à l’aide de données empiriques et de techniques appropriées
 Une troisième phase dite phase d’utilisation du modèle à des fins de prédiction et
d’analyse des politiques économiques
Les économistes ont recours à la théorie économique, aux mathématiques et à la
statistique à chacune des phases de la démarche économétrique selon les intérêts ou la
pertinence.

I-2-1 Rôle de la théorie économique dans la démarche économétrique

La théorie économique sert de base d’appui à la démarche économétrique. Les lois
issues de cette théorie économique suggèrent des comportements des agents économiques
sous forme d’hypothèses. Ces hypothèses peuvent se révéler justes ou s’avérer infirmées
à l’épreuve des observations empiriques.
La théorie keynésienne de la consommation postule une relation positive entre la
consommation et le revenu. La théorie keynésienne de l’investissement postule une
relation négative entre l’investissement et le taux d’intérêt.
La vérification de ces lois théoriques par le recours aux données empiriques et par
l’utilisation de la formalisation mathématique et de l’inférence statistique relève du
domaine de l’économétrie. L’utilisation de l’économétrie peut permettre de départager
certaines théories économiques lorsqu’elles semblent contradictoires ou concurrentielles
à l’épreuve des données empiriques.
Par exemple :
La théorie néoclassique de la demande de monnaie postule une diminution de la détention
d’encaisse monétaire en fonction du taux d’intérêt (lorsque le taux d’intérêt augmente, les
encaisses monétaires baissent), tandis que la théorie néo-keynésienne met en avant les
phénomènes d’anticipation conduisant à la prise en compte du taux d’intérêt et du revenu
dans l’explication de la demande de monnaie. Les investigations économétriques doivent
partir d’un modèle théorique bien établi.
La théorie économique suggère des variables pertinentes et éventuellement la forme
fonctionnelle ou relationnelle entre ces variables qui seront utilisées dans le modèle
économétrique. Elle donne en outre le sens de la relation entre les variables.
L’application de l’économétrie devient nécessaire à l’issue de cette étape théorique. Tout
modèle économétrique doit être utilisé en référence à une base théorique appropriée en

5
l’absence de laquelle le modèle peut être inconsistant, invalide ou donner lieu à des
résultats non interprétables économiquement.

I-2-2 Rôle des mathématiques dans la démarche économétrique

L’utilisation des mathématiques intervient après le choix de la théorie économique de
référence. Elle consiste en deux étapes essentielles à savoir la transcription mathématique
de la théorie économique et la spécification de la forme fonctionnelle.

 La transcription mathématique de la théorie économique

Il s’agit d’écrire sous forme mathématique les hypothèses formulées par la théorie
économique.
Exemples :
Théorie keynésienne de la consommation
Soit C=consommation, R= revenu
C=f(R) = C(R) → la consommation est fonction du revenu
𝑑𝐶
> 0 → le revenu influence positivement la consommation
𝑑𝑅
𝑑𝐶
0< < 1 → la propension marginale à consommer (PmC) est comprise entre 0 et 1
𝑑𝑅

Théorie néo-keynésienne de la demande de monnaie

M= demande de monnaie
R= revenu
i= taux d’intérêt
M=f (R, i) = M (R, i)
𝜕𝑀
> 0 → la demande de monnaie augmente avec le revenu
𝜕𝑅

𝜕𝑀
< 0 → une augmentation du taux d’intérêt entraine une réduction de la demande de
𝜕𝑖
monnaie

 Spécification de la forme fonctionnelle

Elle consiste à construire une forme fonctionnelle traduisant fidèlement les hypothèses de
la théorie économique. Cette étape est délicate sinon difficile dans la mesure où la théorie
6
économique ne fournit pas toujours des orientations claires sur la forme fonctionnelle
appropriée. Par ailleurs, il est généralement difficile d’identifier de manière exhaustive
les facteurs qui influencent le phénomène étudié.
Dans l’explication de la consommation par les ménages, le revenu n’est pas le seul
facteur explicatif pertinent. D’autres variables telles que les prix des biens, la taille du
ménage, les caractéristiques sociodémographiques du ménage peuvent influencer la
consommation du ménage.
Si on suppose que le revenu est le facteur le plus déterminant, et que la relation entre la
consommation et le revenu est de forme linéaire on obtient la fonction keynésienne de la
consommation qui s’écrit :
𝐶 = 𝑎 + 𝑏𝑅
𝑑𝐶
=𝑏>0
𝑑𝑅
𝑑𝐶
0< <1 →0<𝑏<1
𝑑𝑅
Si la théorie keynésienne est vérifiée, alors nous aurons b compris entre 0 et 1 et a
supérieur à zéro (0 < b < 1 et a > 0).
Supposons maintenant que la forme fonctionnelle de la relation entre la consommation et
le revenu n’est pas connue à l’avance. Supposons néanmoins qu’on dispose d’une théorie
pertinente pour expliquer la consommation par le revenu. Si cette théorie est valide on
peut construire plusieurs formes fonctionnelles alternatives et retenir après estimation ou
après analyse de conformité théorique celle qui traduit le mieux la théorie économique.
Exemple de choix d’une forme fonctionnelle
Supposons qu’on veut expliquer la consommation alimentaire des ménages par le revenu
de ces ménages. Théoriquement, on s’attend à une influence positive du revenu sur la
consommation alimentaire. Supposons qu’on veut apprécier l’impact d’une variation du
revenu sur la consommation alimentaire des ménages en utilisant un indicateur approprié.
Les indicateurs potentiels peuvent être entre autres l’élasticité-revenu de la
consommation alimentaire, la propension marginale à consommer, la propension
moyenne à consommer.
- L’élasticité-revenu de la consommation alimentaire mesure la variation relative de
la consommation consécutive à la variation relative du revenu.

7
 - La propension marginale à consommer (PmC) mesure la part du revenu
additionnel consacrée à la consommation
- La propension moyenne à consommer (PMC) mesure la part du revenu total
consacrée à la consommation.
Théoriquement on s’attend à ce que la propension moyenne à consommer des biens
alimentaires baisse lorsque le revenu augmente. Théoriquement, la propension marginale
à consommer est une fonction décroissante du revenu c’est-à-dire lorsque le revenu
augmente, la propension marginale à consommer diminue. Théoriquement, l’élasticité-
revenu de la consommation alimentaire évolue à la baisse en fonction du revenu
autrement dit les ménages riches sont moins sensibles à la variation de leur revenu
comparativement aux ménages pauvres pour ce qui concerne leur consommation
alimentaire.
Apprécions la conformité théorique des formes fonctionnelles suivantes au regard de
l’évolution de l’élasticité-revenu.
M=modèle, C=consommation, Y=revenu
M1 : 𝐶 = 𝑎1 + 𝑏1 𝑌 , 𝑏1 > 0
M2 : 𝐿𝑛(𝐶 ) = 𝑎2 + 𝑏2 𝐿𝑛(𝑌) , 𝑏2 > 0
𝑏3
M3 : 𝐿𝑛(𝐶 ) = 𝑎3 + , 𝑏3 < 0
𝑌

M4 : 𝐿𝑛(𝐶 ) = 𝑎4 + 𝑏4 𝑌 , 𝑏4 > 0

M5 : 𝐶 = 𝑎5 + 𝑏5 𝐿𝑛(𝑌), 𝑏5 > 0

E= élasticité
𝑑𝐶
𝐸𝐶,𝑌 = 𝐶
𝑑𝑌
𝑌

 M1 : 𝐶 = 𝑎1 + 𝑏1 𝑌 , 𝑏1 > 0
𝑑𝐶
𝐶 = 𝑑𝐶 × 𝑌 = 𝑑𝐶 . 𝑌 = 𝑏 𝑌
1
𝑑𝑌 𝐶 𝑑𝑌 𝑑𝑌 𝐶 𝐶
𝑌

8
 1
𝐸1 = 𝑏1
𝑃𝑀𝐶

PMC= propension moyenne à consommer

E1 augmente lorsque le revenu augmente

 M2 : 𝐿𝑛(𝐶 ) = 𝑎2 + 𝑏2 𝐿𝑛(𝑌) , 𝑏2 > 0

𝑑𝐶
𝐸2 = 𝐶
𝑑𝑌
𝑌

𝑑𝐿𝑛(𝐶)
𝐸2 = = 𝑏2
𝑑𝐿𝑛(𝑌)
Posons 𝐶 ∗ = 𝐿𝑛(𝐶)
𝑌 ∗ = 𝐿𝑛(𝑌)
M2 : 𝐶 ∗ = 𝑎2 + 𝑏2 𝑌 ∗ →
𝑑𝐶 ∗
𝐸2 = = 𝑏2
𝑑𝑌 ∗
E2 est constant
𝑏3
 M3 : 𝐿𝑛(𝐶 ) = 𝑎3 + , 𝑏3 < 0
𝑌

𝑑𝐶
𝐸3 = 𝐶
𝑑𝑌
𝑌
𝑌 𝑑𝐿𝑛(𝐶)
𝑑𝐿𝑛(𝐶 ) × = ×𝑌
𝑑𝑌 𝑑𝑌
𝑏3
𝑂𝑟 𝐿𝑛(𝐶 ) = 𝑎3 + = 𝑎3 + 𝑏3 𝑌 −1
𝑌

𝐿𝑛(𝐶 ) = 𝑎3 + 𝑏3 𝑌 −1 →
𝑑𝐿𝑛(𝐶) −𝑏3
= −1 × 𝑏3 𝑌 −1−1 = −𝑏3 𝑌 −2 = 2
𝑑𝑌 𝑌
−𝑏3 𝑌 −𝑏3
𝐸3 = =
𝑌2 𝑌

9
E3 baisse lorsque le revenu augmente

 M4 : 𝐿𝑛(𝐶 ) = 𝑎4 + 𝑏4 𝑌 , 𝑏4 > 0
𝑑𝐶
𝑌 𝑑𝐿𝑛(𝐶)
𝐸4 = 𝐶 = 𝑑𝐿𝑛(𝐶 ) × = × 𝑌 = 𝑏4 𝑌
𝑑𝑌 𝑑𝑌 𝑑𝑌
𝑌
E4 augmente quand le revenu augmente

 M5 : 𝐶 = 𝑎5 + 𝑏5 𝐿𝑛(𝑌), 𝑏5 > 0

𝑑𝐶 𝑑𝐶
𝑑𝐶 1 𝑑𝐶 1
𝐸5 = 𝐶 = 𝐶 = × = ×
𝑑𝑌 𝑑𝐿𝑛(𝑌) 𝐶 𝑑𝐿𝑛(𝑌) 𝑑𝐿𝑛(𝑌) 𝐶
𝑌
𝑏5
𝐸5 =
𝐶
E5 baisse quand le revenu augmente.
Les modèles 1,2, et 4 ne traduisent pas fidèlement la théorie économique au regard de
l’évolution des élasticités-revenu dérivées de ces modèles. Les modèles 3 et 5 traduisent
fidèlement la théorie économique dans le sens que l’évolution de l’élasticité-revenu
dérivée de ces modèles est conforme à notre attente théorique.

I-2-3 Rôle de la statistique dans l’économétrie

L’utilisation de la statistique intervient après le choix de la forme fonctionnelle
appropriée. Elle se fait en 3 étapes :
- La première étape consiste à trouver des données empiriques sur les variables
intervenant dans la relation.
- La deuxième étape consiste à estimer le modèle en utilisant les données
empiriques et les méthodes appropriées.
- La troisième étape consiste à tester la validité du modèle.
Structure des données économiques
Il existe trois types de données qui peuvent exiger chacune des techniques
économétriques particulières : les données transversales ou en coupe instantanée (cross-
section en anglais), les séries temporelles, et les données de panel ou longitudinales.

10
Les données transversales sont des données collectées sur un échantillon d’individus, de
ménages, de firmes, des régions etc. à un point donné du temps. Exemple : les données
sur le revenu des ménages burkinabè en 2017. Donc on a plusieurs entités et une seule
année. Il est important de noter qu’il faut utiliser un échantillon aléatoire pour éviter des
problèmes de biais lorsqu’on fait de l’économétrie. Les données en coupe instantanée
sont très utilisées en économie surtout en microéconomie appliquée (marché du travail,
organisation industrielle, économie spatiale, économie de la santé, …).
Exemple : Taille de 5 personnes adultes choisie aléatoirement dans la rue hier
Personne A B C D E
Education 1,60 1,45 1,97 1,70 1,75

Les séries temporelles encore appelées séries chronologiques sont des données
collectées sur indicateur relatif à un pays (exemple : PIB) ou un individu/une firme
(salaire/quantité produite) sur une longue période (exemple : 50 ans). Donc on a une
entité et plusieurs années ou périodes de temps. Cela fait que ces données sont rarement
indépendantes au cours du temps, complexifiant ainsi les analyses. Les fréquences
possibles sont : annuel, trimestriel, hebdomadaire, journalier. Les séries temporelles sont
très utilisées en macroéconomie et en finance.
Exemple : PIB/habitant du Burkina les sept dernières années
Année PIB
2013 $709,07
2014 $713,46
2015 $613,04
2016 $649,73
2017 $664
2018 $715,12
2019 $744

Les données de panel consistent en des séries temporelles pour chaque unité
d’observation (individu, ménage, firme…). C’est donc la combinaison des deux autres
types de données. Ici, la même unité est observée plusieurs fois au cours du temps.
Année Pays Incidence de la pauvreté
2013 Kanga 45,3%

11
 2014 Kanga 48,9%
2013 Sèdurie 71,2%
2014 Sèdurie 69,5%

I-2-4 Schéma de la démarche économétrique

La démarche économétrique a évolué dans le temps en fonction du développement des
technologies particulièrement de l’informatique qui a permis la mise en place de logiciels
puissants de statistique et d’économétrie. Dans un premier temps l’accent était mis sur la
phase d’inférence au détriment de la phase de spécification.
Dans un deuxième temps, l’attention a été davantage portée sur la phase de spécification.
Cela a conduit au schéma suivant :

12
Figure 1 : Schéma de la démarche économétrique

Théorie économique
Spécification

Modèle économétrique

Données

Estimation du modèle Inférences

Tests de spécification

Modèle non adéquat Modèle adéquat

Tests d’hypothèse de la théorie

économique

Utilisation
Utilisation du modèle: prédiction et
analyse de politique économique

13
I-3 Construction de modèle économétrique

I-3-1 Modèle économique et modèle économétrique

Le modèle est une représentation simplifiée de la réalité. Cette représentation peut être
différente selon la perception de celui qui fait la représentation ou selon le contexte de la
représentation.
Dans la démarche économétrique, on distingue plusieurs types de modèles selon les types
de données utilisées, la forme fonctionnelle, le nombre de variables, la nature des
variables, la différence de rang entre les variables.
On distingue le modèle économique du modèle économétrique en fonction de leur
nature déterministe ou aléatoire.
En considérant la fonction de consommation et en supposant que le revenu et les prix
sont les principaux facteurs explicatifs de la consommation, les autres facteurs étant
regroupés dans la variable Z on peut écrire :

𝐶 = 𝑓(𝑌, 𝑃, 𝑍) = 𝑐(𝑌, 𝑃, 𝑍)
Supposons que la forme fonctionnelle de la relation est donnée par :
𝐶 = 𝑎 + 𝑏𝑌 + 𝑑𝑃 + 𝑔(𝑍)
Dans cette relation de la connaissance de a, b, d ; la connaissance de niveau de Y, P, Z et
la connaissance de la fonction g détermine de manière exacte la consommation C, une telle
relation déterministe désigne un modèle économique.
Un modèle économique est un ensemble d’hypothèses qui décrivent de manière exacte les
comportements d’une économie, d’un secteur de l’économie ou d’un agent économique.
Il se caractérise par la nature exacte de la relation entre les variables qui suffisent à
expliquer ou à déterminer le phénomène étudié.
Dans un modèle économétrique, la connaissance de a, b, d, Y, Z et de la fonction g n’est
pas suffisante pour déterminer le niveau de la consommation C. D’autres facteurs omis ou
non observables interviennent dans la détermination ou l’explication de la consommation
C. Le modèle économétrique prend en compte les facteurs non observables à travers un
terme de perturbation aléatoire note ε (epsilon). Le modèle économétrique s’écrit alors :
𝐶 = 𝑎 + 𝑏𝑌 + 𝑑𝑃 + 𝑔(𝑍) + 𝜀
Un modèle économétrique consiste essentiellement en deux composantes :
14
 - Première composante : une équation ou un ensemble d’équations dérivées du
modèle économique et comportant des variables observées, une ou des variables
aléatoires représentées par le terme de perturbation.
- Deuxième composante : une distribution du terme de perturbation aléatoire

I-3-2 Variables et paramètres du modèle économétrique

Dans un modèle économétrique, on distingue les variables observées ou variables
économiques de la variable aléatoire. Les variables économiques peuvent être classées en
deux catégories à savoir les variables explicatives et la variable expliquée.
Les variables explicatives sont des données du modèle c’est-à-dire qu’elles sont
indépendantes du modèle, autrement dit non déterminées par le modèle. On les appelle
aussi variables indépendantes ou encore variables exogènes.
La variable expliquée est déterminée par le modèle c’est-à-dire par les variables
explicatives du modèle. Elle est appelée aussi variable dépendante ou variable endogène.
Les paramètres du modèle sont les coefficients du modèle associé ou non à une variable
explicative.
Lorsqu’un paramètre est associé à une variable explicative, il représente l’influence de
cette variable explicative sur la variable expliquée.
Lorsqu’un paramètre n’est pas associé à une variable explicative, il représente la partie
autonome de la variable expliquée.
Soit le modèle économétrique :
𝐶 = 𝑎 + 𝑏𝑌 + 𝑑𝑃 + 𝜀
Variable aléatoire : ε
Variables économétriques : Y, P, C
Variables explicatives : Y, P
Variable expliquée : C
Paramètres : a, b, d
a, b, d sont des paramètres inconnus

15
I-3-3 Types de modèles économétriques
Selon le type de données, on distingue des modèles de séries temporelles, des modèles
des données en coupe instantanée, et des modèles de panel.
Selon la forme fonctionnelle on peut avoir des modèles linéaires ou des modèles non-
linéaires.
Parmi les modèles non-linéaires, on peut avoir des modèles spécifiques tels que les
modèles à élasticité constante et des modèles à élasticité de substitution constante.
Selon le nombre de variables explicatives, on a des modèles de régression simple et des
modèles de régression multiple.
Selon le nombre de variables expliquées, on a des modèles à une équation et des modèles
à plusieurs équations encore appelés des modèles à équation simultanées.
Selon la nature de la variable expliquée, on a des modèles à variables dépendantes
quantitatives, des modèles à variables dépendantes qualitatives binaires et des modèles à
variables dépendantes limitées.
Selon la différence de rang entre les variables explicatives et la variable expliquée on
peut avoir des modèles de décalage temporel et des modèles d’anticipation.

I-4 Exemples de construction de modèles économétriques

Exemple 1 : Dans un article célèbre publie en 1968, l’économiste américain Gary Becker
(prix Nobel 1992) a utilisé la théorie de maximisation de l’utilité pour expliquer la
participation d’individus a des activités criminelles. Certains crimes ont des bénéfices
économiques indéniables, mais la plupart des crimes ont des couts.
1. Identifier sept variables susceptibles d’influencer la participation à des activités
criminelles
2. Formuler les modèles économique et économétrique en expliquant la participation
à des activités criminelles par les sept variables identifiées (forme fonctionnelle
linéaire)
3. Donner le sens théoriquement attendu de l’influence de chaque variable
explicative
4. Indiquer les sources des informations permettant d’obtenir des observations sur
des variables du modèle.

16
Exemple 2 : Un économiste du travail voudrait analyser l’impact de la formation
professionnelle sur la productivité des travailleurs.
1. Proposer un indicateur pour mesurer de la productivité des travailleurs
2. Identifier trois facteurs susceptibles d’influer sur la productivité des travailleurs
3. Formuler les modèles économique et économétrique en expliquant productivité
des travailleurs par les trois variables identifiées (forme fonctionnelle linéaire)
4. Donner le sens théoriquement attendu de l’influence de chaque variable
explicative
Exemple 3 : Supposer qu’on a un échantillon d’entreprises qui désirent améliorer leurs
chiffres d’affaires.
1. Identifier deux variables susceptibles d’impacter le chiffre d’affaire
2. Formuler les modèles économique et économétrique
5. Donner le sens théoriquement attendu de l’influence de chaque variable
explicative

17
Chapitre II : Théorie de la corrélation

II-1- Notion de corrélation

On parle de corrélation entre deux phénomènes ou deux variables lorsque l’évolution
de l’une des variables peut être déduite de l’évolution de l’autre variable et vice-versa.
On dit alors que ces deux variables sont corrélées. Lorsqu’il n’est pas possible de
déduire l’évolution d’une variable de celle d’une autre variable on dira qu’il y a absence
de corrélation entre ces deux variables.
On peut distinguer plusieurs types de corrélation selon la forme de la relation, le sens de
la relation, le nombre de variables ou de phénomènes impliqués dans la relation et selon
la nature des phénomènes considérés.
Selon la forme de la relation, la corrélation peut être linéaire ou non-linéaire. La
corrélation est dite linéaire lorsque les couples de points représentant les observations de
ces deux phénomènes semblent distribués le long d’une ligne droite.
La corrélation sera dite non linéaire lorsque les couples d’observations sont distribués
suivant une courbe d’allure quelconque.
Selon le sens de la relation, la corrélation est positive ou négative. Elle est positive
lorsque les deux phénomènes évoluent dans le même sens et négative lorsque les deux
phénomènes évoluent en sens inverse.
Selon le nombre de phénomènes considérés la corrélation peut être simple, multiple, ou
partielle. On parle de corrélation simple lorsqu’on s’intéresse à la corrélation entre deux
phénomènes. Lorsque la corrélation concerne plus de deux variables et que l’on
s’intéresse à la corrélation intrinsèque entre deux de ces variables, l’influence des autres
variables étant retirée, on parlera de corrélation partielle ou encore de corrélation nette
entre ces deux variables. On parle de corrélation de rang lorsque les variables sont
qualitatives.

Figure 2 : Corrélation linéaire

18
 Corrélation linéaire positive Corrélation linéaire négative
15 15
10 10
Y Y
5 5

0 0
0 2 4 6 8 0 2 4 6 8
X X

Figure 3 : Corrélation non linéaire

Corrélation non linéaire Corrélation non linéaire

positive négative
3 4.5
2.5 4
3.5
2 3
2.5
Y 1.5 Y 2
1 1.5
1
0.5
0.5
0 0
0 2 4 6 8 0 2 4 6 8
X X

Figure 4 : Absence de corrélation et cas spécial de corrélation non linéaire

19
 Absence de corrélation Corrélation non linéaire
4.5 3.5
4 3
3.5 2.5
3
2.5 2
Y Y
2 1.5
1.5
1
1
0.5 0.5
0 0
0 2 4 6 8 0 2 4 6 8
X X

Tableau 1
Le tableau suivant donne les informations sur la rentabilité Y (milliers CFA) et le nombre
d’années d’expérience X du gérant pour 10 fermes agricole :

Ferme 1 2 3 4 5 6 7 8 9 10
Y 150 100 238 450 123 201 330 306 175 407
X 5 3 4 12 3 7 9 8 6 10

Tableau 2
Les données suivantes sur le salaire annuel (Y) et l’expérience (X) de 10 travailleurs du
secteur privé ont été collectées :
Travailleur 1 2 3 4 5 6 7 8 9 10
Y 63 55 39 53 56 41 48 44 42 58
X 18 28 24 23 26 23 20 20 19 20

Tableau 3
Ce tableau présente des données sur la demande de monnaie en milliards de dollars (Y) et
le taux d’intérêt (X)

20
 Y 10 8 6 5 5 4 2 1 1
X 1 1 2 2 3 4 7 8 14

Représenter les nuages de points pour chaque tableau et déterminer la forme et le sens de
présumé de la corrélation entre Y et X.

II-2 La corrélation simple

La corrélation entre deux ou plusieurs phénomènes est mesurée par le coefficient de
corrélation.
La corrélation simple indique le degré de la relation linéaire entre deux phénomènes ou
deux variables. Elle est mesurée par le coefficient de corrélation simple encore appelé le
coefficient de corrélation de Pearson. Soit Y et X deux variables représentant deux
phénomènes économiques, le coefficient de corrélation simple entre Y et X note ρ est
donné par :
𝑐𝑜𝑣(𝑌, 𝑋)
𝜌𝑦𝑥 = = 𝜌𝑥𝑦 (1)
√𝑉(𝑌)√𝑉(𝑋)
1
∑(𝑌𝑖 − 𝑌̅)(𝑋𝑖 − 𝑋̅)
𝜌𝑦𝑥 = 𝑛 (2)
√1 ∑(𝑌𝑖 − 𝑌̅)2 √1 ∑(𝑋𝑖 − 𝑋̅)2
𝑛 𝑛
∑(𝑌𝑖 − 𝑌̅)(𝑋𝑖 − 𝑋̅)
𝜌𝑦𝑥 = (3)
√∑(𝑌𝑖 − 𝑌̅)2 √∑(𝑋𝑖 − 𝑋̅)2

∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅
𝜌𝑦𝑥 = (4)
√∑ 𝑌𝑖2 − 𝑛𝑌̅ 2 √∑ 𝑋𝑖2 − 𝑛𝑋̅ 2

En notant 𝑦𝑖 = 𝑌𝑖 − 𝑌̅ et 𝑥𝑖 = 𝑋𝑖 − 𝑋̅ la formule 3 donne :

∑ 𝑦𝑖 𝑥𝑖
𝜌𝑦𝑥 = (5)
√∑ 𝑦𝑖2 √∑ 𝑥𝑖2

Le coefficient de corrélation est compris entre -1 et 1.

−1 ≪ 𝜌𝑦𝑥 ≪ 1

Interprétation de ρ

21
Pour interpréter le coefficient de corrélation il faut prendre en considération le sens de la
relation, l’intensité de la relation et la conformité théorique de la relation.

 Sens de la relation
- ρ > 0 → corrélation positive
- ρ < 0 → corrélation négative
- ρ = 0 → absence de corrélation linéaire
 Intensité de la relation
- ρ2yx = 0 → absence de corrélation linéaire
- 0 < ρ2yx < 0,5 → faible corrélation linéaire
- 0,5 ≤ ρ2yx < 0,8 → corrélation linéaire moyenne
- 0,8 < ρ2yx < 1 → corrélation linéaire forte
- ρ2yx = 1 → corrélation linéaire parfaite

 Conformité théorique
Il s’agit de dire si le sens ou l’intensité de la relation est conforme à la théorie
économique.

Tableau 4
Y= quantité vendue d’un produit
X= prix du produit
Y 10 20 50 40 50 60 80 90 90 120
X 2 4 6 8 10 12 14 16 18 20

Question : calculer et interpréter le coefficient de corrélation simple entre Y et X pour les

tableaux 1 à 4.
Limites de la corrélation simple
- Le coefficient de corrélation simple ne fournit aucune information sur les liens ou
les relations non-linéaires. Il mesure seulement le degré du lien linéaire entre deux
phénomènes.
- Le coefficient de corrélation simple mesure la corrélation linéaire entre deux
phénomènes qui sont susceptibles d’être influencés par d’autres phénomènes d’où

22
 la nécessité de retirer l’influence de ces autres phénomènes pour obtenir une
corrélation nette entre les deux phénomènes considérés.
- Les variables ou les phénomènes considérés dans la corrélation simple sont
supposées normalement distribuées. Cela ne n’est pas toujours le cas d’où la
nécessité de calculer d’autres types de coefficient de corrélation tels que les
coefficients de corrélation de rang.
- L’existence d’une corrélation entre deux phénomènes n’implique pas
nécessairement l’existence d’une relation de causalité.

II-3 La corrélation partielle

Soient Y et X deux variables représentant deux phénomènes économiques. Supposons
que Y et X sont influencés par une troisième variable Z. On peut alors calculer la
corrélation nette entre Y et X, l’influence de Z étant retirée. La corrélation partielle donne
le degré du lien linéaire entre deux variables, l’influence des autres variables étant retirée.
Procédure de calcul de la corrélation partielle
Soient les variables Y, X, Z, W.
Supposons que Y est influencée par X, Z, et W.
Supposons que X est influencée par Z et W.
Calculons la corrélation partielle entre Y et X, l’influence de Z et W étant retirée. Le
calcul se fait en 3 étapes essentielles.
1- Estimation de la régression de Y sur Z et W et de la régression de X sur Z et W.
Le modèle de régression de Y sur Z et W est :
𝑌 = 𝛼1 + 𝛼2 𝑍 + 𝛼3 𝑊 + 𝜀
Le modèle de régression de X sur Z et W est :
𝑋 = 𝛽1 + 𝛽2 𝑍 + 𝛽3 𝑊 + 𝜇
Soient a1, a2, a3, b1, b2, b3 les estimateurs respectifs des paramètres α1, α2, α3, β1,
β2, et β3. Les modèles estimés sont alors :
𝑌̂ = 𝑎1 + 𝑎2 𝑍 + 𝑎3 𝑊
𝑋̂ = 𝑏1 + 𝑏2 𝑍 + 𝑏3 𝑊
2- Calcul des erreurs d’estimation d’Y et X
Soient e et r les erreurs d’estimation de Y et X respectivement. Alors :
𝑒 = 𝑌 − 𝑌̂ = 𝑌 − (𝑎1 + 𝑎2 𝑍 + 𝑎3 𝑊 )
𝑟 = 𝑋 − 𝑋̂ = 𝑋 − (𝑏1 + 𝑏2 𝑍 + 𝑏3 𝑊)
e représente la partie de Y non expliquée par Z et W.
r représente la partie de X non expliquée par Z et W.
23
 3- Calcul de la corrélation partielle entre Y et X, l’influence de Z et W étant retirée
On obtient la corrélation partielle entre Y et X l’influence de Z et W étant retirée
en calculant la corrélation simple entre e et r. On note :
∑(𝑒𝑖 − 𝑒̅)(𝑟𝑖 − 𝑟̅ ) ∑ 𝑒𝑖 𝑟𝑖
𝜌𝑦𝑥𝑧𝑤 = 𝜌𝑒𝑟 = =
√∑(𝑒𝑖 − 𝑒̅)2 √∑(𝑟𝑖 − 𝑟̅ )2 √∑ 𝑒𝑖2 √∑ 𝑟𝑖2
*Cas particulier de trois variables
Soient Y, X, et Z trois variables. La corrélation partielle entre Y et X, l’influence de Z
étant retirée est donnée par :
𝜌𝑦𝑥 − 𝜌𝑦𝑧 𝜌𝑥𝑧
𝜌𝑦𝑥𝑧 =
2 √1 − 𝜌 2
√1 − 𝜌𝑦𝑧 𝑥𝑧

*Cas général de k variables explicatives

Soit le modèle général
𝑌 = 𝛽0 + 𝛽1𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝜀
Soit bj l’estimateur de βj, j=0, …, k.
Le modèle estimé s’écrit alors :

𝑌̂ = 𝑏𝑜 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑘 𝑋𝑘
(𝑠𝑏0 )(𝑠𝑏1 )(𝑠𝑏2 ) … (𝑠𝑏𝑘 )
{𝑡0 }{𝑡1 }{𝑡2 } … {𝑡𝑘 }

Le modèle estimé est ainsi obtenu. Les valeurs entre parenthèses à savoir le sbj
représentent les erreurs types des estimateurs bj.
Les valeurs entre crochets à savoir les tj représentent les statistiques de Student associé
aux estimateurs bj sous hypothèse de nullité de βj
𝑏𝑗
𝑡𝑗 =
𝑠𝑏𝑗

Le coefficient corrélation partielle entre Y et Xj, l’influence des autres variables Xi (i≠j)
étant retirée, est obtenu par la relation suivante :

2
𝑡𝑗2
𝜌𝑦𝑥 . (𝑎𝑢𝑡𝑟𝑒𝑠 𝑥𝑖 , 𝑖 ≠ 𝑗) = 2
𝑗
𝑡𝑗 + (𝑛 − (𝑘 + 1))

24
Avec n=taille de l’échantillon
k=nombre de variables explicatives
Remarque :
−1 ≤ 𝜌𝑦𝑥 . (𝑎𝑢𝑡𝑟𝑒𝑠 𝑥) ≤ 1

Le signe de ρyxj. (autres Xi) = signe de bj

Tableau 5
S=production de sorgho en 1000t
C=production de coton en 1000t
P=pluviométrie en mm
Période 1 2 3 4 5
S 797 893 939 983 1007
C 4,9 12,5 30 35,2 57,6
P 1145 1223 1083 1010 950

Calculer et interpréter le coefficient de corrélation partielle ρscp

II-4 La corrélation de rang

La corrélation de rang est calculée lorsque les phénomènes sont qualitatifs. Le coefficient
de corrélation de rang mesure le degré du lien linéaire entre deux variables qualitatives
exprimées sous forme de rang c’est-à-dire deux variables dont les observations
représentent des rangs dans un ensemble classé. Exemples de phénomènes qualitatifs
Exemple 1 : On désire calculer la corrélation entre la performance en course de 100m et
le classement des athlètes selon leur taille. Si on observe une corrélation positive entre la
performance au 100 m et le rang selon la taille, on dira qu’il y a concordance entre les
deux classements.
Si en revanche on observe une corrélation négative on dira qu’il y a discordance entre ces
deux classements. Si on ne peut établir de relation entre la performance au 100 m et le
rang selon la taille, on dira qu’il n’y a ni discordance ni accordance ou qu’il y a absence
de corrélation de rang.
Exemple 2 : Soit 20 candidates au concours Miss Université classées par deux membres
du jury selon des critères préétablis. Les deux classements peuvent être discordants ou

25
concordants selon que les candidates occupent plus ou moins les mêmes rangs ou
occupent des rangs divergents dans les deux classements.

II-4-1 Le coefficient de corrélation de rang de Spearman

Soient Y et X deux ensembles à classer. Soient Yi et Xi le rang du iième élément dans
chaque ensemble composé de n éléments. Le coefficient de corrélation de rang de
Spearman s’obtient par la formule suivante :
∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅
𝜌𝑠 =
√∑ 𝑌𝑖2 − 𝑛𝑌̅ 2 √∑ 𝑋𝑖2 − 𝑛𝑋̅ 2

Transformation et simplification de la formule

̅̅̅̅𝑋̅
𝑛 ∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌𝑛
𝜌𝑠 =
√𝑛 ∑ 𝑌𝑖2 − (𝑛𝑌̅)2 √𝑛 ∑ 𝑋𝑖2 − (𝑛𝑋̅)2

𝑛 ∑ 𝑌𝑖 𝑋𝑖 − ∑ 𝑌𝑖 ∑ 𝑋𝑖
𝜌𝑠 =
√𝑛 ∑ 𝑌𝑖2 − (∑ 𝑌𝑖 )2 √𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2

Yi et Xi étant les rangs de l’élément i dans les ensembles Y et X, les valeurs possibles des
Yi et des Xi vont de 1 à n. Alors :
𝑛(𝑛 + 1)
∑ 𝑌𝑖 = 1 + 2 + 3 + ⋯ + 𝑛 =
2
𝑛(𝑛 + 1)
∑ 𝑋𝑖 = 1 + 2 + 3 + ⋯ + 𝑛 =
2
𝑛(𝑛 + 1)(2𝑛 + 1)
∑ 𝑌𝑖2 = 12 + 22 + 32 + ⋯ + 𝑛2 = = ∑ 𝑋𝑖2
6
Soit la di différence de rang de l’élément i dans les deux classements :
𝑑𝑖 = 𝑌𝑖 − 𝑋𝑖
Calculons :

∑ 𝑑𝑖2 = ∑(𝑌𝑖 − 𝑋𝑖 )2 = ∑ 𝑌𝑖2 + ∑ 𝑋𝑖2 − 2 ∑ 𝑌𝑖 𝑋𝑖

∑ 𝑌𝑖2 + ∑ 𝑋𝑖2 − ∑ 𝑑𝑖2

∑ 𝑌𝑖 𝑋𝑖 =
2

26
 6 ∑ 𝑑𝑖2
En remplaçant chaque composante de la formule de ρs on obtient : 𝜌𝑠 = 1 −
𝑛(𝑛 2 −1)

En présence de nœuds c’est-à-dire d’ex aequo, on modifie la formule du coefficient de

corrélation de rang de la manière suivante :
6(∑ 𝑑𝑖2 + 𝑇)
𝜌𝑠 = 1 −
𝑛(𝑛2 − 1)

Avec T le facteur de correction des nœuds obtenu par :

𝑥3 − 𝑥
𝑇 = ∑ 𝑡𝑥 ( )
𝑛
tx étant le nombre de nœuds impliquant x éléments dans les deux classements.
23 − 2 33 − 3 43 − 4 𝑘3 − 4
𝑇 = 𝑡2 ( ) + 𝑡3 ( ) + 𝑡4 ( ) + ⋯ + 𝑡𝑘 ( )
𝑛 𝑛 𝑛 𝑛

II-4-2 Le coefficient de corrélation de rang de Kendall

Le calcul du coefficient de corrélation de rang de Kendall requiert que les données soient
présentées dans un ordre de mérite soit croissant soit décroissant pour l’un des deux
classements.
Supposons une présentation de deux données selon un ordre de mérite décroissant du
premier classement.
Le coefficient de Kendall repose sur la notion de paires concordantes et discordantes :
1. On dit que les paires observations i et j sont concordantes si et seulement si (Xi >
Xj alors Yi > Yj) ou (Xi < Xj alors Yi < Yj). Nous pouvons simplifier l'écriture avec
(Xi − Xj) × (Yi − Yj) > 0
2. On dit que les paires sont discordantes lorsque (Xi > Xj alors Yi < Yj) ou (Xi < Xj
alors Yi > Yj), en d'autres termes (Xi − Xj) × (Yi − Yj) < 0
Pour un échantillon de taille n, soit P le nombre de paires concordantes et Q le nombre de
paires discordantes. Le coefficient de corrélation de rang de Kendall est obtenu par la
relation suivante :
𝑃−𝑄
𝜌𝑘 = 𝑛
(𝑛 − 1)
2
Dans ce cas on n’a pas de correction de nœuds. Mais quand on a un nœud on décide
arbitrairement de classer les nœuds.

27
II-5 Exercices d’application
1) Le tableau suivant présente des observations sur le nombre d’actifs du ménage (Y)
et la taille du ménage (X).

Ménage 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Y 3 5 11 3 4 5 3 2 2 4 5 5 8 3
X 5 7 13 3 9 10 8 5 6 5 8 5 10 8
Calculer le coefficient de corrélation simple entre Y et X (ρyx)

2) Le tableau suivant présente les rangs de 10 étudiants de licence et leurs rangs en

master en économie après avoir été retenus pour poursuivre leurs études en master en
économie appliquée à l’Université Norbert Zongo.
A B C D E F G H I J
Rang en Licence 1 3 7 10 9 5 4 8 2 6
Rang en Master 3 2 8 7 9 6 5 10 1 4
Calculer le coefficient de corrélation de rang de Spearman

3) On s’intéresse à l’existence d’une relation entre le quotient intellectuel (QI) d’une

personne et la taille de la tête. A cette fin, on a calculé le Qi de 5 individus et mesuré la
taille de leur cranes. Le tableau ci-après présente les rangs associes à ces mesures.
Individu A B C D E
Rang pour le QI 1 2 3 4 5
Rang pour la taille de la tête 3 5 2 1 4

Calculer le coefficient de corrélation de rang de Spearman

Calculer le coefficient de corrélation de rang de Kendall

28
Chapitre III : Le modèle de régression linéaire simple
III-1 Spécification de la relation

III-1-1 Formulation du modèle

La formulation du modèle se fait en référence à la théorie économique qui permet
d’identifier les facteurs explicatifs du phénomène à étudier, d’établir le sens d’influence
de chaque facteur explicatif sur le phénomène étudié. La théorie économique permet
aussi de faire des restrictions sur le niveau des paramètres ou de donner des orientations
concernant la forme fonctionnelle.
Dans le cas du modèle de régression linéaire simple, on suppose l’existence d’une seule
variable explicative et une forme fonctionnelle linéaire dans la relation entre cette
variable explicative et la variable à expliquer.
Soit Y la variable à expliquer
X la variable explicative
β1 et β2 les paramètres du modèle
ε le terme de perturbation
Alors le modèle de régression linéaire simple de Y sur X s’écrit :
𝑌 = 𝛽1 + 𝛽2 𝑋 + 𝜀 (1)

III-1-2 Importance de la présence d’ε dans le modèle

Le terme de perturbation aléatoire ε joue un rôle très important dans le modèle
économétrique.
Il permet notamment la prise en compte des aspects suivants :

 La prise en compte des facteurs autres que X qui influencent Y. Ces facteurs sont
considérés comme non identifiables.
 La prise en compte du comportement aléatoire des agents économiques
 La correction des erreurs de spécification fonctionnelle du modèle (c’est le cas par
exemple si la forme n’est pas linéaire)
 La prise en compte des erreurs de mesure des variables notamment celles des
variables à expliquer. Ce point ne peut pas être maitrisé comme les autres car il est
aléatoire

29
  Le terme de perturbation aléatoire permet en outre la conduite des inférences dans
le modèle.

III-1-3 Hypothèses de la régression simple (hypothèses des moindres carrés)

L’estimation du modèle de régression simple se fait sous certaines hypothèses appelées
hypothèses de la régression simple ou hypothèses des moindres carrés.
H1 : Le modèle est correctement spécifié
Cela se fait après les vérifications des tests du modèle
H2 : Nullité de l’espérance des εi
L’espérance des εi est nulle quel que soit εi et on écrit :
𝐸 (𝜀𝑖 ) = 0 ∀ 𝑖
Cela signifie que la multitude de facteurs non observables qui influence Y de part et
d’autre s’annule en moyenne, c’est-à-dire que la variance du terme de l’erreur est
constante.
H3 : Constance de la variance de εi (homoscédasticité)
La variance du terme de perturbation εi est constante quel que soit εi
𝑉(𝜀𝑖 ) = 𝜎 2
On dit alors que le terme de perturbation est homoscédastique.
H4 : Indépendance des εi (Absence d’autocorrélation)
Les termes de perturbation aléatoire εi sont indépendants les uns par rapport aux autres.
On note alors :

𝐶𝑜𝑣(𝜀𝑖 , 𝜀𝑗 ) = 0 ∀ 𝑖 ≠ 𝑗

H5 : Indépendance entre ε et X
ε et X sont indépendants ce qui permettra de remarquer que la covariance εi et Xj est
égale à zéro quel que soit i et j.

𝐶𝑜𝑣(𝜀𝑖 , 𝑋𝑗 ) = 0 ∀ 𝑖, 𝑗

H6 : Normalité : εi les sont normalement distribués (suivent une loi normale)

30
Implication des hypothèses
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖 (2)

 H2 → 𝐸(𝑌𝑖 ) = 𝛽1 + 𝛽2 𝑋𝑖

𝐸(𝑌𝑖 ) = 𝐸 (𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖 ) = 𝐸 (𝛽1 + 𝛽2 𝑋𝑖 ) + 𝐸 (𝜀𝑖 ) = 𝛽1 + 𝛽2 𝑋𝑖

 H3 et H5 → 𝑉 (𝑌𝑖 ) = 𝜎 2
𝑉 (𝑌𝑖 ) = 𝑉 (𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖 ) = 𝑉(𝛽1 + 𝛽2 𝑋𝑖 ) + 𝑉(𝜀𝑖 ) + 2𝑐𝑜𝑣(𝛽1 + 𝛽2 𝑋𝑖 , 𝜀𝑖 )
= 𝜎 2 + 2𝑐𝑜𝑣(𝛽2 𝑋𝑖 , 𝜀𝑖 ) = 𝜎 2 + 2𝛽2 𝑐𝑜𝑣(𝑋𝑖 , 𝜀𝑖 )
𝑉(𝑌𝑖 ) = 𝜎 2
 H2 et H5 → 𝐸 (𝜀𝑖 , 𝑋𝑖 ) = 0
 H5 → 𝐶𝑜𝑣 (𝜀𝑖 , 𝑋𝑖 ) = 0
𝐶𝑜𝑣 (𝜀𝑖 , 𝑋𝑖 ) = 𝐸[(𝜀𝑖 − 𝐸(𝜀𝑖 )(𝑋𝑖 − 𝐸 (𝑋𝑖 )]
𝐶𝑜𝑣 (𝜀𝑖 , 𝑋𝑖 ) = 𝐸[𝜀𝑖 (𝑋𝑖 − 𝐸 (𝑋𝑖 )]
𝐶𝑜𝑣 (𝜀𝑖 , 𝑋𝑖 ) = 𝐸(𝜀𝑖 𝑋𝑖 ) − 𝐸[𝜀𝑖 𝐸 (𝑋𝑖 )]

𝐶𝑜𝑣 (𝜀𝑖 , 𝑋𝑖 ) = 𝐸(𝜀𝑖 𝑋𝑖 ) − 𝐸(𝜀𝑖 )𝐸 (𝑋𝑖 )

𝐶𝑜𝑣 (𝜀𝑖 , 𝑋𝑖 ) = 𝐸(𝜀𝑖 𝑋𝑖 )
D’où 𝐸 (𝜀𝑖 𝑋𝑖 ) = 0

H2, H3, H4, H5 et H6 → 𝜀𝑖 ~𝑁𝐼𝐷(0, 𝜎 2 )

NID : Normalement et indépendamment distribué au termes 0 et σ2
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖 , 𝜀𝑖 ~𝑁(0, 𝜎 2 )
εi suit une loi normale aux termes 0 et σ2

31
II-4-1 Le coefficient de corrélation de rang de Spearman
Soient Y et X deux ensembles à classer. Soient Yi et Xi le rang du iième élément dans
chaque ensemble composé de n éléments. Le coefficient de corrélation de rang de
Spearman s’obtient par la formule suivante :
∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅
𝜌𝑠 =
√∑ 𝑌𝑖2 − 𝑛𝑌̅ 2 √∑ 𝑋𝑖2 − 𝑛𝑋̅ 2

Transformation et simplification de la formule

̅̅̅̅𝑋̅
𝑛 ∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌𝑛
𝜌𝑠 =
√𝑛 ∑ 𝑌𝑖2 − (𝑛𝑌̅)2 √𝑛 ∑ 𝑋𝑖2 − (𝑛𝑋̅)2

𝑛 ∑ 𝑌𝑖 𝑋𝑖 − ∑ 𝑌𝑖 ∑ 𝑋𝑖
𝜌𝑠 =
√𝑛 ∑ 𝑌𝑖2 − (∑ 𝑌𝑖 )2 √𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2

Yi et Xi étant les rangs de l’élément i dans les ensembles Y et X, les valeurs possibles des
Yi et des Xi vont de 1 à n. Alors :
𝑛(𝑛 + 1)
∑ 𝑌𝑖 = 1 + 2 + 3 + ⋯ + 𝑛 =
2
𝑛(𝑛 + 1)
∑ 𝑋𝑖 = 1 + 2 + 3 + ⋯ + 𝑛 =
2
𝑛(𝑛 + 1)(2𝑛 + 1)
∑ 𝑌𝑖2 = 12 + 22 + 32 + ⋯ + 𝑛2 = = ∑ 𝑋𝑖2
6
Soit la di différence de rang de l’élément i dans les deux classements :
𝑑𝑖 = 𝑌𝑖 − 𝑋𝑖
Calculons :

∑ 𝑑𝑖2 = ∑(𝑌𝑖 − 𝑋𝑖 )2 = ∑ 𝑌𝑖2 + ∑ 𝑋𝑖2 − 2 ∑ 𝑌𝑖 𝑋𝑖

∑ 𝑌𝑖2 + ∑ 𝑋𝑖2 − ∑ 𝑑𝑖2

∑ 𝑌𝑖 𝑋𝑖 =
2
6 ∑ 𝑑𝑖2
En remplaçant chaque composante de la formule de ρs on obtient : 𝜌𝑠 = 1 −
𝑛(𝑛 2 −1)

32
En présence de nœuds c’est-à-dire d’ex aequo, on modifie la formule du coefficient de
corrélation de rang de la manière suivante :
6(∑ 𝑑𝑖2 + 𝑇)
𝜌𝑠 = 1 −
𝑛(𝑛2 − 1)

Avec T le facteur de correction des nœuds obtenu par :

𝑥3 − 𝑥
𝑇 = ∑ 𝑡𝑥 ( )
𝑛
tx étant le nombre de nœuds impliquant x éléments dans les deux classements.
23 − 2 33 − 3 43 − 4 𝑘3 − 4
𝑇 = 𝑡2 ( ) + 𝑡3 ( ) + 𝑡4 ( ) + ⋯ + 𝑡𝑘 ( )
𝑛 𝑛 𝑛 𝑛

III-2 Estimation du modèle

Nous présentons ici trois méthodes d’estimation du MRLS : la méthode des moments, la
méthode des moindres carrés et la méthode du maximum de vraisemblance.

III-2-1 Méthode des moments

Estimer un modèle économétrique consiste à calculer à partir d’un échantillon la valeur
des paramètres inconnus du modèle. La méthode des moments utilise les hypothèses 2 et
5 de la régression simple
Soient b1 et b2 les estimations de β1 et β2. Le modèle s’écrit :

𝑌̂𝑖 = 𝑏1 + 𝑏2 𝑋𝑖 (3)
Du model (2) on peut écrire :
𝜀𝑖 = 𝑌𝑖 − 𝛽1 − 𝛽2 𝑋𝑖 (4)
Des modèles (2) et (3) on peut écrire :

𝑒𝑖 = 𝑌𝑖 − 𝑌̂𝑖
ei étant l’erreur d’estimation de Yi
𝑒𝑖 = 𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 (5)
εi est l’erreur liée à la population
ei est l’erreur liée à l’échantillon
Utilisation de l’hypothèse de nullité de l’espérance des εi

33
Au niveau de la population
𝐸 (𝜀𝑖 ) = 0 ∀ 𝑖
Au niveau de l’échantillon
1
∑ 𝑒𝑖 = 0
𝑛
1
∑ 𝑒𝑖 = 0 → ∑ 𝑒𝑖 = 0
𝑛
Donc ∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0

∑ 𝑌𝑖 − 𝑛𝑏1 − 𝑏2 ∑ 𝑋𝑖 = 0 (𝑎)

1 1
∑ 𝑌𝑖 − 𝑏1 − 𝑏2 ∑ 𝑋𝑖 = 0
𝑛 𝑛
𝑌̅ − 𝑏1 − 𝑏2 𝑋̅ = 0
𝑏1 = 𝑌̅ − 𝑏2 𝑋̅ (𝑏)
Utilisation de H5, Indépendance entre εi et Xi
Au niveau de la population 𝐶𝑜𝑣 (𝜀𝑖 , 𝑋𝑖 ) = 0 → 𝐸 (𝜀𝑖 𝑋𝑖 ) = 0
1
Au niveau de l’échantillon ∑ 𝑒𝑖 𝑋𝑖 = 0
𝑛
1
∑ 𝑒𝑖 𝑋𝑖 = 0 → ∑ 𝑒𝑖 𝑋𝑖 = 0
𝑛

En substituant ei on a :

∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 )𝑋𝑖 = 0

∑ 𝑌𝑖 𝑋𝑖 − 𝑏1 ∑ 𝑋𝑖 − 𝑏2 ∑ 𝑋𝑖2 = 0 (𝑐)

1 1
∑ 𝑌𝑖 𝑋𝑖 − 𝑏1 𝑋̅ − 𝑏2 ∑ 𝑋𝑖2 = 0 (𝑑)
𝑛 𝑛

Substituons (b) dans (d)

1 1
∑ 𝑌𝑖 𝑋𝑖 − (𝑌̅ − 𝑏2 𝑋̅ )𝑋̅ − 𝑏2 ∑ 𝑋𝑖2 = 0
𝑛 𝑛

34
 ∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅ + 𝑛𝑏2 𝑋̅ 2 − 𝑏2 ∑ 𝑋𝑖2 = 0

∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅ = 𝑏2 (∑ 𝑋𝑖2 − 𝑛𝑋̅ 2 )

∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅ ∑(𝑌𝑖 − 𝑌̅)(𝑋𝑖 − 𝑋̅)

𝑏2 = =
∑ 𝑋𝑖2 − 𝑛𝑋̅ 2 ∑(𝑋𝑖 − 𝑋̅)2

Solutions
𝑏1 = 𝑌̅ − 𝑏2 𝑋̅
∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅ ∑(𝑌𝑖 − 𝑌̅)(𝑋𝑖 − 𝑋̅)
𝑏2 = =
∑ 𝑋𝑖2 − 𝑛𝑋̅ 2 ∑(𝑋𝑖 − 𝑋̅)2

b1 et b2 obtenus par la méthode des moments sont appelés estimateurs des moments de β1
et β2 respectivement.

On peut montrer que b2 peut encore s’écrire :

∑(𝑋𝑖 − 𝑋̅)𝑌𝑖
𝑏2 =
∑(𝑋𝑖 − 𝑋̅)2

III-2-2 Méthode des moindres carrés

Le principe de la méthode des moindres carrés consiste à obtenir des estimateurs b1 et b2
qui minimisent la somme des carrés des erreurs d’estimation.
𝑒𝑖 = 𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖

𝑆(𝑏1 , 𝑏2 ) = ∑ 𝑒𝑖2 = ∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 )2

S(b1,b2) minimale requiert que :

𝜕𝑆(𝑏1 , 𝑏2 ) 𝜕 (∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 )2 )
=0 →
𝜕𝑏1 𝜕𝑏1

35
 𝜕𝑆(𝑏1 , 𝑏2 ) 𝜕 (∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 )2 )
=0 →
𝜕𝑏2 𝜕𝑏2
𝜕𝑆(𝑏1 , 𝑏2 )
= −2 ∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0
𝜕𝑏1

𝜕𝑆(𝑏1 , 𝑏2 )
= −2 ∑ 𝑋𝑖 (𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0
𝜕𝑏2

−2 ∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0 → ∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0

→ ∑ 𝑌𝑖 − 𝑛𝑏1 − 𝑏2 ∑ 𝑋𝑖 = 0 (𝑒)

−2 ∑ 𝑋𝑖 (𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0 → ∑ 𝑋𝑖 (𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0

→ ∑ 𝑋𝑖 𝑌𝑖 − 𝑏1 ∑ 𝑋𝑖 − 𝑏2 ∑ 𝑋𝑖2 = 0 (𝑓)

e et a sont identiques, f et c sont identiques donc on obtient :

Solutions
∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅
𝑏2 =
∑ 𝑋𝑖2 − 𝑛𝑋̅ 2

𝑏1 = 𝑌̅ − 𝑏2 𝑋̅
b1 et b2 estimateurs de β1 et β2 par la méthode des moindres carrés sont appelés
estimateurs des moindres carrés de β1 et β2 respectivement et sont identiques à ceux de la
méthode des moments.

III-2-3 Méthode du maximum de vraisemblance

La méthode du maximum de vraisemblance consiste à obtenir des estimateurs b1 et b2 qui
maximisent la fonction de vraisemblance issue de la distribution des Yi
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖

36
 𝑌𝑖 ~𝑁(𝛽1 + 𝛽2 𝑋𝑖 , 𝜎 2 )
La fonction de densité de probabilité des Yi est :
1 1 𝑌𝑖 −𝛽1 −𝛽2 𝑋𝑖 2
𝑓 (𝑌𝑖 ) = 𝑒 −2( 𝜎
)
𝜎√2𝜋
1 −
1
(𝜀 )2
𝑓(𝑌𝑖 ) = 𝑒 2𝜎2 𝑖
𝜎√2𝜋
La procédure d’estimation consiste d’abord à construire la fonction de vraisemblance
associée aux Yi puis à maximiser cette fonction de vraisemblance pour dériver les
estimateurs b1 et b2.
Fonction de densité jointe des Yi
𝑓(𝑌1 , 𝑌2 , … , 𝑌𝑛 ) n étant la taille de l’échantillon
𝑛
1 −
1
(𝜀 )2 1 −
1
(𝜀 )2
𝑓(𝑌1 , 𝑌2 , … , 𝑌𝑛 ) = ∏ 𝑓(𝑌𝑖 ) = ∏( 𝑒 2𝜎2 𝑖 ) = ∏( ) ∏ (𝑒 2𝜎2 𝑖 )
𝑖=1
𝜎√2𝜋 𝜎√2𝜋

1 1
− 2 ∑ 𝜀𝑖2
𝑓(𝑌1 , 𝑌2 , … , 𝑌𝑛 ) = ( )𝑛 𝑒 2𝜎
𝜎√2𝜋
1 1
− 2 ∑(𝑌𝑖 −𝛽1 −𝛽2 𝑋𝑖 )2
𝑓(𝑌1 , 𝑌2 , … , 𝑌𝑛 ) = ( )𝑛 𝑒 2𝜎
𝜎√2𝜋
Fonction de vraisemblance obtenue de la distribution des Yi
1 1
− 2 ∑(𝑌𝑖 −𝛽1 −𝛽2 𝑋𝑖 )2
𝐿(𝛽1 , 𝛽2 , 𝜎 2 ) = ( )𝑛 𝑒 2𝜎
𝜎√2𝜋
Si b1 et b2 maximisent la fonction de vraisemblance 𝐿(𝛽1 , 𝛽2 , 𝜎 2 ) alors b1 et b2
maximisent aussi Ln (𝐿(𝛽1 , 𝛽2 , 𝜎 2 )), le logarithme naturel de la fonction de
vraisemblance.
Maximisation de Ln (𝐿(𝛽1 , 𝛽2 , 𝜎 2 ))
1 1
Ln (𝐿(𝛽1 , 𝛽2 , 𝜎 2 )) = 𝑛𝐿𝑛 ( )− ∑(𝑌𝑖 − 𝛽1 − 𝛽2 𝑋𝑖 )2
𝜎√2𝜋 2𝜎 2

Ln (𝐿(𝛽1 , 𝛽2 , 𝜎 2 ) ) est maximal si :

37
 𝜕Ln (𝐿(𝛽1 , 𝛽2 , 𝜎 2 )) 2
= 2 ∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0
𝜕𝛽1 2𝜎
𝜕Ln (𝐿(𝛽1 , 𝛽2 , 𝜎 2 )) 2
= 2 ∑ 𝑋𝑖 (𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0
𝜕𝛽2 2𝜎

∑(𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0 → ∑ 𝑌𝑖 − 𝑛𝑏1 − 𝑏2 ∑ 𝑋𝑖 = 0 (𝑔)

∑ 𝑋𝑖 (𝑌𝑖 − 𝑏1 − 𝑏2 𝑋𝑖 ) = 0 → ∑ 𝑌𝑖 𝑋𝑖 − 𝑏1 ∑ 𝑋𝑖 − 𝑏2 ∑ 𝑋𝑖2 = 0 (ℎ)

(g) est identique à (a) et à (e)

(h) est identique à (c) et (f)
D’où la solution
∑ 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅
𝑏2 =
∑ 𝑋𝑖2 − 𝑛𝑋̅ 2

𝑏1 = 𝑌̅ − 𝑏2 𝑋̅
b1 et b2 estimateurs de β1 et β2 par la méthode du maximum de vraisemblance sont
appelés estimateurs du maximum de vraisemblance de β1 et β2 respectivement.
Remarques
On peut écrire b2, l’estimateur de la variable explicative (encore appelée pente) en
fonction du coefficient de corrélation linéaire entre Y et X.
En rappel le coefficient de corrélation linéaire entre Y et X est :
𝑐𝑜𝑣 (𝑌, 𝑋)
𝜌𝑦𝑥 =
√𝑉(𝑌)√𝑉(𝑋)

∑𝑛𝑖=1 𝑌𝑖 𝑋𝑖 − 𝑛𝑌̅𝑋̅
𝑏2 = 𝑛
∑𝑖=1 𝑋𝑖2 − 𝑛𝑋̅ 2
̂ 𝑋)
𝑐𝑜𝑣(𝑌,
𝑏2 =
̂2
𝜎 𝑋

𝜎
̂𝑌
𝑏2 = 𝜌𝑦𝑥 ×
𝜎
̂𝑋

38
Donc la pente de la droite de régression est égale au produit entre corrélation linéaire
entre Y et X et du ratio des écart-type de Y et de X
On montre que : 𝜌𝑦𝑥 2 = 𝑅2

III-3 Cas particuliers

 Linéarisation de modèles non linéaires
La méthode des moindres carrés ne peut être utilisée que lorsque le modèle est linéaire.
Pour certains modèles non linéaires, elle peut être appliquée après transformation de ces
modèles pour les rendre linéaires.
Exemple 1

𝑌 = 𝑒 𝛽2𝑋 𝑒 𝜀 → 𝑌̂ = 𝑎𝑒 𝑏2𝑋
𝐿𝑛(𝑌) = 𝐿𝑛(𝛼) + 𝛽2 𝑋 + 𝜀
Posons 𝑍 = 𝐿𝑛(𝑌) 𝑒𝑡 𝛽1 = 𝐿𝑛(𝛼)

𝑍 = 𝛽1 + 𝛽2 𝑋 + 𝜀
Soient b1 et b2 les estimateurs de β1 et β2, a estimateur de α → 𝑏1 = 𝐿𝑛(𝑎) → 𝑎 = 𝑒 𝑏1

𝑌̂ = 𝑒 𝑏1 𝑒 𝑏2𝑋 = 𝑒 (𝑏1+𝑏2𝑋) = 𝑎𝑒 𝑏2𝑋

Exemple 2
𝑌 = 𝛽1 + 𝛽2 𝐿𝑛(𝑋) + 𝜀
Posons W=Ln(X)
𝑌 = 𝛽1 + 𝛽2 𝑊 + 𝜀

𝑌̂ = 𝑏1 + 𝑏2 𝑊 + 𝜀

𝑌̂ = 𝑏1 + 𝑏2 𝐿𝑛(𝑋) + 𝜀

Exemple 3

39
 𝛽2
𝑌 = 𝛽1 + +𝜀
𝑋
1
Posons 𝑊 =
𝑋

𝑌 = 𝛽1 + 𝛽2 𝑊 + 𝜀
Exemple 4

𝑌 = 𝛼𝑋𝛽2 𝑒 𝜀
𝐿𝑛(𝑌) = 𝐿𝑛(𝛼) + 𝛽2 𝐿𝑛(𝑋) + 𝜀
Posons Z = Ln(Y) et W = Ln(X)
𝛽1 = 𝐿𝑛(𝛼)
𝑍 = 𝛽1 + 𝛽2 𝑊 + 𝜀

 Régression directe et régression inverse

Soit une variable expliquée par W
La régression de Z sur W s’écrit :
𝑍 = 𝛽1 + 𝛽2 𝑊 + 𝜀 (𝑖)
Supposons que W peut aussi être détermine par Z ; le modèle de régression de W sur Z
s’écrit :
𝑊 = 𝛼1 + 𝛼2 𝑍 + 𝑢 (𝑖𝑖)
u étant un terme de perturbation aléatoire
Les modèles estimés sont :

𝑍̂ = 𝑏1 + 𝑏2 𝑊
̂ = 𝑎1 + 𝑎2 𝑍
𝑊
∑ 𝑍𝑖 𝑊𝑖 − 𝑛𝑍̅𝑊
̅
𝑏2 =
∑ 𝑊𝑖2 − 𝑛𝑊 ̅2

𝑏1 = 𝑍̅ − 𝑏2 𝑊
̅
̅ 𝑍̅
∑ 𝑊𝑖 𝑍𝑖 − 𝑛𝑊
𝑎2 =
∑ 𝑍𝑖2 − 𝑛𝑍̅ 2

40
 ̅ − 𝑏2 𝑍̅
𝑎1 = 𝑊
Le modèle (i) est appelé régression directe et le modèle (ii) est appelle régression inverse.

Remarque
2
𝑎2 𝑏2 = 𝜌𝑧𝑤

III-4 Exercices d’application

Exercice 1
A partir d’un échantillon aléatoire simple de 4 entreprises dont on a observé les budgets
publicitaires ainsi que les chiffres d’affaires (en millions de francs CFA) :
Entreprise X= dépenses publicitaires Y= chiffre d’affaires
1 0 1
2 3 30
3 5 50
4 8 75

1) Donner une estimation ponctuelle de β1 et β2 en utilisant la formule 𝑏2 =

∑ 𝑌𝑖 𝑋𝑖 −𝑛𝑌̅ 𝑋̅
∑ 𝑋𝑖2 −𝑛𝑋̅ 2
2) Calculer la pente de la droite de régression à l’aide des deux autres formules
proposées à la section Méthode des moments
3) Dans le modèle, quelles hypothèses implicites sont posées à propos de la nature de
la relation entre Y et X ? Que risque-t-il de se produire pour b2 ?
4) Quelle est la signification de 𝜀?
5) Donner une estimation du chiffre d’affaires pour des dépenses de 3 millions de
francs.
6) De combien le chiffre d’affaires varie-t-il lorsque X varie d’une unité ? Répondez
à cette question par un graphique et un exemple chiffré ?
7) Vérifiez que la somme des résidus est égale à zéro.

Exercice 2
Y=Nombre d’actif du ménage
X= taille du ménage
41
 Ménage 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Y 6 3 6 4 4 4 5 5 4 3 3 4 4 3
X 11 7 11 8 7 4 8 7 6 6 6 8 6 7

Ménage 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Y 3 5 11 3 4 5 3 2 2 4 5 5 8 3
X 5 7 13 3 9 10 8 5 6 5 8 5 10 8

1- Estimer le modèle de régression simple de Y sur X

2- Estimer le modèle de régression simple de X sur Y par la méthode des moindres
carrés
3- Déduire le coefficient de corrélation simple entre Y et X (ρyx)
4- Estimer les modèles suivant par la méthode des moindres carrés
𝑌 = 𝛼𝑒 𝛽𝑋 𝑒 𝜀
α et β étant les paramètres du modèle
Exercice 3
On considère les deux séries de données suivantes :
• Le salaire horaire moyen en francs CFA
• Le niveau d’éducation, mesuré par le nombre d’années de scolarité
On note Y le salaire moyen et X le niveau d’éducation.
Travailleur 1 2 3 4 5 6 7 8 9 10 11 12 13
Y 446 577 598 733 732 658 782 784 1102 1067 1084 1362 1353
X 6 7 8 9 10 11 12 13 14 15 16 17 18
1) Calculer le coefficient de corrélation linéaire entre X et Y.
2) Estimer le modèle de régression du salaire horaire moyen sur le niveau
d’éducation.

Exercice 4
Développer en supprimant les dernières parenthèses

42
1- 𝑆𝑦𝑦 = ∑(𝑌𝑖 − 𝑌̅)2 = ∑(𝑌𝑖 − 𝑌̅)(𝑌𝑖 − 𝑌̅)
2- 𝑆𝑥𝑥 = ∑(𝑋𝑖 − 𝑋̅)2 = ∑(𝑋𝑖 − 𝑋̅)(𝑋𝑖 − 𝑋̅)
3- 𝑆𝑦𝑥 = ∑(𝑌𝑖 − 𝑌̅)(𝑋𝑖 − 𝑋̅)
4- 𝑆𝑥𝑦 = ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅)

43
Chapitre IV : Inférences dans le modèle de régression linéaire simple

IV-1 Caractéristiques des Estimateurs Moindres Carrés (EMC)

IV-1-1 Caractère aléatoire des EMC

Les estimateurs des MC sont des variables aléatoires dont la distribution est dérivée de
celle des Yi et par conséquent de celle des εi.
Notation

𝑆𝑦𝑦 = ∑(𝑌𝑖 − 𝑌̅)2

𝑆𝑥𝑥 = ∑(𝑋𝑖 − 𝑋̅ )2

𝑆𝑦𝑥 = ∑(𝑌𝑖 − 𝑌̅)(𝑋𝑖 − 𝑋̅)

On montre que :

𝑆𝑦𝑦 = ∑ 𝑌𝑖 (𝑌𝑖 − 𝑌̅)

𝑆𝑥𝑥 = ∑ 𝑋𝑖 (𝑋𝑖 − 𝑋̅)

𝑆𝑦𝑥 = ∑ 𝑋𝑖 (𝑌𝑖 − 𝑌̅) = ∑ 𝑌𝑖 (𝑋𝑖 − 𝑋̅)

𝑆𝑦𝑦 = ∑(𝑌𝑖 − 𝑌̅)2 = ∑(𝑌𝑖 − 𝑌̅)(𝑌𝑖 − 𝑌̅)

𝑆𝑦𝑦 = ∑(𝑌𝑖 − 𝑌̅)𝑌𝑖 − ∑(𝑌𝑖 − 𝑌̅) 𝑌̅ = ∑(𝑌𝑖 − 𝑌̅)𝑌𝑖 − 𝑌̅ ∑(𝑌𝑖 − 𝑌̅)

= ∑(𝑌𝑖 − 𝑌̅)𝑌𝑖 − 𝑌̅(∑ 𝑌𝑖 − ∑ 𝑌̅)

= ∑(𝑌𝑖 − 𝑌̅)𝑌𝑖 − 𝑌̅(𝑛𝑌̅ − 𝑛𝑌̅) = ∑(𝑌𝑖 − 𝑌̅)𝑌𝑖

Montrons que b2 est une variable aléatoire

∑(𝑌𝑖 − 𝑌̅)(𝑋𝑖 − 𝑋̅) 𝑆𝑦𝑥

𝑏2 = =
∑(𝑋𝑖 − 𝑋̅)2 𝑆𝑥𝑥

44
 ∑ 𝑌𝑖 (𝑋𝑖 − 𝑋̅) 1 1 𝑋𝑖 − 𝑋̅
𝑏2 = = ∑ 𝑌𝑖 (𝑋𝑖 − 𝑋̅) = ∑ 𝑌𝑖 (𝑋𝑖 − 𝑋̅) = ∑ 𝑌𝑖
𝑆𝑥𝑥 𝑆𝑥𝑥 𝑆𝑥𝑥 𝑆𝑥𝑥
𝑋𝑖 − 𝑋̅
𝑏2 = ∑ 𝑐𝑖 𝑌𝑖 𝑎𝑣𝑒𝑐 𝑐𝑖 =
𝑆𝑥𝑥
𝑏2 = 𝑐1 𝑌1 + 𝑐2 𝑌2 + ⋯ + 𝑐𝑛 𝑌𝑛
b2 est une combinaison linéaire des Yi avec ci comme coefficient de pondération.
Donc b2 est une variable aléatoire puisque les Yi sont des variables aléatoires.
Montrons que b1 est une variable aléatoire

1 1
𝑏1 = 𝑌̅ − 𝑏2 𝑋̅ = ∑ 𝑌𝑖 − 𝑋̅ ∑ 𝑐𝑖 𝑌𝑖 = ∑ (∑ − 𝑋̅𝑐𝑖 ) 𝑌𝑖
𝑛 𝑛
1
𝑏1 = ∑ 𝑑𝑖 𝑌𝑖 𝑎𝑣𝑒𝑐 𝑑𝑖 = − 𝑋̅𝑐𝑖
𝑛
b1 est une variable aléatoire car combinaison linéaire des Yi qui sont des variables
aléatoires

IV-1-2 Les EMC sont sans biais

bj estimateur de βj est sans biais si :

𝐸(𝑏𝑗 ) = 𝛽𝑗

Montrons que b2 est sans biais

𝐸 (𝑏2 ) = 𝐸 (∑ 𝑐𝑖 𝑌𝑖 ) = ∑ 𝐸 (𝑐𝑖 𝑌𝑖 ) = ∑ 𝑐𝑖 𝐸(𝑌𝑖 ) = ∑ 𝑐𝑖 (𝛽1 + 𝛽2 𝑋𝑖 )

= 𝛽1 ∑ 𝑐𝑖 + 𝛽2 ∑ 𝑐𝑖 𝑋𝑖

𝑋𝑖 − 𝑋̅ 1 1
∑ 𝑐𝑖 = ∑ = ∑(𝑋𝑖 − 𝑋̅) = (∑ 𝑋𝑖 − ∑ 𝑋̅) = 0
𝑆𝑥𝑥 𝑆𝑥𝑥 𝑆𝑥𝑥
∑(𝑋𝑖 − 𝑋̅) 1 1
∑ 𝑐𝑖 𝑋𝑖 = 𝑋𝑖 = ∑(𝑋𝑖 − 𝑋̅)𝑋𝑖 = 𝑆 =1
𝑆𝑥𝑥 𝑆𝑥𝑥 𝑆𝑥𝑥 𝑥𝑥
Donc 𝐸 (𝑏2 ) = 𝛽1 ∗ 0 + 𝛽2 ∗ 1 = 𝛽2

45
Par conséquent b2 est un estimateur sans biais de β2
Montrons que b1 est sans biais

𝐸 (𝑏1 ) = 𝐸(∑ 𝑑𝑖 𝑦𝑖 ) = ∑ 𝑑𝑖 𝐸 (𝑌𝑖 ) = ∑ 𝑑𝑖 (𝛽1 + 𝛽2 𝑋𝑖 ) = 𝛽1 ∑ 𝑑𝑖

+ 𝛽2 ∑ 𝑑𝑖 𝑋𝑖

1 1
∑ 𝑑𝑖 = ∑ ( − 𝑋̅𝑐𝑖 ) = ∑ − 𝑋̅ ∑ 𝑐𝑖 = 1 − 0 = 1
𝑛 𝑛
1 1
∑ 𝑑𝑖 𝑋𝑖 = ∑ ( − 𝑋̅𝑐𝑖 ) 𝑋𝑖 = ∑ 𝑋𝑖 − 𝑋̅ ∑ 𝑐𝑖 𝑋𝑖 = 𝑋̅ − 𝑋̅ = 0
𝑛 𝑛
Donc 𝐸 (𝑏1 ) = 𝛽1 ∗ 1 + 𝛽2 ∗ 0 = 𝛽1
Par conséquent b1 est un estimateur sans biais de β1.

IV-1-3 Les EMC sont efficaces

bj estimateur de βj est efficace si bj est sans biais et possède la plus petite variance parmi
les estimateurs sans biais de βj.
Variance de b2

𝑉 (𝑏2 ) = 𝑉 (∑ 𝑐𝑖 𝑌𝑖 ) = ∑ 𝑐𝑖2 𝑉(𝑌𝑖 ) = ∑ 𝑐𝑖2 𝜎 2

2
𝑋𝑖 − 𝑋̅ ∑(𝑋𝑖 − 𝑋̅)2 1
2 2 2
𝑉 (𝑏2 ) = 𝜎 ∑ 𝑐𝑖 = 𝜎 ∑ ( ) =𝜎 2
2
= 𝜎 2
2
∑(𝑋𝑖 − 𝑋̅)2
𝑆𝑥𝑥 𝑆𝑥𝑥 𝑆𝑥𝑥

𝑆𝑥𝑥 𝜎2 𝜎2
𝑉 (𝑏2 ) = 𝜎2 2 = =
𝑆𝑥𝑥 𝑆𝑥𝑥 ∑(𝑋𝑖 − 𝑋̅)2

Variance de b1
2
1
𝑉 (𝑏1 ) = 𝑉 (∑ 𝑑𝑖 𝑌𝑖 ) = ∑ 𝑑𝑖2 𝑉(𝑌𝑖 ) =𝜎 2
∑ 𝑑𝑖2 2 ̅
= 𝜎 ∑ ( − 𝑋𝑐𝑖 )
𝑛
2
1 2
2 ̅ 2 2
= 𝜎 ∑ ( 2 + 𝑋 𝑐𝑖 − 𝑋𝑐𝑖 ) ̅
𝑛 𝑛
1 2
= 𝜎 2 (𝑛 ∗ 2 + 𝑋̅ 2 ∑ 𝑐𝑖2 − 𝑋̅ ∑ 𝑐𝑖 )
𝑛 𝑛

46
 2
1 𝑋𝑖 − 𝑋̅ 1 ∑(𝑋𝑖 − 𝑋̅)2
2 ̅ 2
𝑉 (𝑏1 ) = 𝜎 ( + 𝑋 ∑ ( 2 ̅
) )=𝜎 ( + 𝑋 2
)
𝑛 𝑆𝑥𝑥 𝑛 2
𝑆𝑥𝑥

2
1 𝑋̅ 2
=𝜎 ( + )
𝑛 𝑆𝑥𝑥

2
1 𝑋̅ 2
( )
𝑉 𝑏1 = 𝜎 ( + )
𝑛 ∑(𝑋𝑖 − 𝑋̅ )2

Covariance (b1, b2)

𝐶𝑂𝑉(𝑏1 , 𝑏2 ) = 𝐶𝑂𝑉(∑ 𝑑𝑖 𝑌𝑖 , ∑ 𝑐𝑖 𝑌𝑖 )

𝐶𝑂𝑉 (𝑏1 , 𝑏2 ) = ∑ 𝑑𝑖 𝑐𝑖 𝐶𝑂𝑉(𝑌𝑖 , 𝑌𝑖 )

𝐶𝑂𝑉 (𝑏1 , 𝑏2 ) = ∑ 𝑑𝑖 𝑐𝑖 𝑉 (𝑌𝑖 ) = 𝜎 2 ∑ 𝑑𝑖 𝑐𝑖

1 1
𝐶𝑂𝑉 (𝑏1 , 𝑏2 ) = 𝜎 2 ∑( − 𝑋̅𝑐𝑖 )𝑐𝑖 = 𝜎 2 ( ∑ 𝑐𝑖 − 𝑋̅ ∑ 𝑐𝑖2 )
𝑛 𝑛
∑(𝑋 ̅
𝑖 − 𝑋)
2
= 𝜎 2 (−𝑋̅ 2
)
𝑆𝑥𝑥

𝑆𝑥𝑥
𝐶𝑂𝑉(𝑏1 , 𝑏2 ) = −𝑋̅𝜎 2 2
𝑆𝑥𝑥
Efficacité de b2
∑(𝑌𝑖 −𝑌̅ )(𝑋𝑖 −𝑋̅)
On sait que 𝑏2 = = ∑ 𝑐𝑖 𝑌𝑖
∑(𝑋𝑖 −𝑋̅)2

∑ 𝑦𝑖 (𝑋𝑖 −𝑋̅) ∑ 𝑦𝑖 (𝑋𝑖 −𝑋̅) 𝑋𝑖 −𝑋̅

𝑦𝑖 = 𝑌𝑖 − 𝑌̅ → 𝑏2 = = = ∑ 𝑦𝑖 = ∑ 𝑐𝑖 𝑦𝑖
∑(𝑋𝑖 −𝑋̅)2 𝑆𝑥𝑥 𝑆𝑥𝑥

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖
𝑌̅ = 𝛽1 + 𝛽2 𝑋̅ + 𝜀̅ = 𝛽1 + 𝛽2 𝑋̅
𝑦𝑖 = 𝑌𝑖 − 𝑌̅ = 𝛽2 (𝑋𝑖 − 𝑋̅) + 𝜀𝑖 = 𝛽2 𝑥𝑖 + 𝜀𝑖
𝐸(𝑦𝑖) = 𝐸 (𝛽2 𝑥𝑖 + 𝜀𝑖 ) = 𝛽2 𝑥𝑖

𝑉(𝑦𝑖) = 𝑉(𝛽2 𝑥𝑖 + 𝜀𝑖 ) = 𝜎 2
47
Soit 𝛽̂2 un estimateur quelconque de 𝛽2. Alors 𝛽̂2 peut s’écrire :

𝛽̂2 = ∑ 𝑎𝑖 𝑦𝑖

Dans quelle condition 𝛽̂2 est-il efficace ?

Première condition : Absence de biais

̂2 ) = 𝐸 (∑ 𝑎𝑖 𝑦𝑖 ) = ∑ 𝑎𝑖 𝐸 (𝑦𝑖 ) = 𝛽2 ∑ 𝑎𝑖 𝑥𝑖
𝐸(𝛽

̂2 ) = 𝛽2 si ∑ 𝑎𝑖 𝑥𝑖 = 1
𝐸(𝛽

Supposons que ∑ 𝑎𝑖 𝑥𝑖 = 1 donc 𝛽̂2 est sans biais

Deuxième condition : Variance minimale

̂2 ) = 𝑉 (∑ 𝑎𝑖 𝑦𝑖 ) = ∑ 𝑎𝑖2 𝑉(𝑦𝑖 ) = 𝜎 2 ∑ 𝑎𝑖2

𝑉(𝛽

̂2 )est minimale parmi les estimateurs sans biais de 𝛽2 si ∑ 𝑎𝑖2 est minimale sous la
𝑉(𝛽
condition

∑ 𝑎𝑖 𝑥𝑖 = 1

𝑀𝑖𝑛 ∑ 𝑎𝑖2 sous condition ∑ 𝑎𝑖 𝑥𝑖 = 1

𝐿 = ∑ 𝑎𝑖2 − ℎ(∑ 𝑎𝑖 𝑥𝑖 − 1)
𝜕𝐿
L est minimale si = 0 → 2 ∑ 𝑎𝑖 − ℎ ∑ 𝑥𝑖 = 0
𝑎𝑖

ℎ
→ ∑ 𝑎𝑖 = ∑ 𝑥𝑖 (𝑎)
2

En multipliant par xi on a :
ℎ
∑ 𝑎𝑖 𝑥𝑖 = ∑ 𝑥𝑖2
2
ℎ 1 ℎ 2
→1= ∑ 𝑥𝑖2 = = → ℎ =
2 ∑ 𝑥𝑖2 2 ∑ 𝑥𝑖2

En substituant h dans (a) on obtient :

2
⁄∑ 𝑥 2 ∑ 𝑥𝑖 𝑥𝑖
𝑖
∑ 𝑎𝑖 = ( ) ∑ 𝑥𝑖 = ∑ = ∑( )
2 𝑥𝑖2 𝑆𝑥𝑥

48
→ ∑ 𝑎𝑖 = ∑ 𝑐𝑖

∑ 𝑎𝑖 𝑦𝑖 = ∑ 𝑐𝑖 𝑦𝑖

→ 𝛽2 = 𝑏2
Donc b2 est un estimateur efficace de 𝛽2. On dit que b2 est BLUE : Best Linear
Unbiased Estimator

IV-1-4 Convergence des EMC

bj estimateur de 𝛽𝑗 est dit convergent lorsqu’une des conditions suivantes est réunie :

 Première condition

∀𝜃 𝑙𝑖𝑚 𝑃(|𝑏𝑖 −𝛽𝑗 | > 𝜃 = 0

 Deuxième condition

lim 𝑉(𝑏𝑗 ) = 0
𝑛→∞

Si l’une de ces conditions est réunie, on dit que bj converge en probabilité vers βj.
b2 converge vers β2
𝜎2 1
lim 𝑉 (𝑏2 ) = lim ( ) = 𝜎 2 lim ( )=0
𝑛→∞ ̅)
𝑛→∞ ∑(𝑋𝑖 − 𝑋 2 ̅ )2
𝑛→∞ ∑(𝑋𝑖 − 𝑋

b1 converge vers β1
1 𝑋̅ 2 1 1
( ) 2
lim 𝑉 𝑏1 = lim [ 𝜎 ( + )] = 𝜎 2
{ lim ( ) + ̅ 2 lim (
𝑋 )}
𝑛→∞ 𝑛→∞ 𝑛 ∑(𝑋𝑖 − 𝑋̅)2 𝑛→∞ 𝑛 ̅ )2
𝑛→∞ ∑(𝑋𝑖 − 𝑋

=0

IV-2 Distribution des EMC

Les estimateurs bj sont normalement distribues car ils sont une combinaison linéaire de
variables normalement distribuées Yi

49
 𝜎2
𝑏2 ~𝑁 (𝛽2 , )
∑(𝑋𝑖 − 𝑋̅)2

1
2
𝑋̅ 2
𝑏1 ~𝑁 (𝛽1 , 𝜎 ( + ))
𝑛 ∑(𝑋𝑖 − 𝑋̅)2

Notation :
𝜎2
𝜎𝑏22 = 𝑉 (𝑏2 ) =
∑(𝑋𝑖 − 𝑋̅)2
1 𝑋̅ 2
𝜎𝑏21 = 𝑉 (𝑏1 ) = 𝜎 2 ( + )
𝑛 ∑(𝑋𝑖 − 𝑋̅)2

𝜎𝑏2 = √𝑉 (𝑏2 ) est l’erreur type de b2

𝜎𝑏1 = √𝑉 (𝑏1 ) est l’erreur type de b1

Estimation de 𝜎 2
On sait que 𝜎 2 = 𝑉(𝜀𝑖 )
𝜎 2 est inconnu, les 𝜀𝑖 sont non observables. Si les 𝜀𝑖 étaient observables et la taille de la
population connue et égale à N, on aurait :
1 1
𝜎 2 = 𝑉 (𝜀𝑖 ) = ∑(𝜀𝑖 − 𝐸(𝜀𝑖 ))2 = ∑ 𝜀𝑖2
𝑁 𝑁
En considérant un échantillon de taille n on a l’erreur d’estimation
̂𝑖
𝑒𝑖 = 𝑌𝑖 − 𝑌
Comme ei est l’erreur d’estimation de 𝜀𝑖 , on peut dire que l’estimateur de 𝜎 2 est :
1
𝜎̂ 2 = ∑ 𝑒𝑖2
𝑁
𝜎̂ 2 est l’estimateur naturel de 𝜎 2 . Mais est-il le meilleur estimateur de 𝜎 2 ? 𝜎̂ 2 sera le
meilleur estimateur de 𝜎 2 s’il est sans biais et efficace. On sait que 𝜀𝑖 et ei ont la même
distribution.
𝜀𝑖 ~𝑁(0, 𝜎 2)

50
𝑒𝑖 ~𝑁(0, 𝜎 2 )
𝜀𝑖 −𝐸(𝜀𝑖 ) 𝜀𝑖
Donc = ~ 𝑁(0,1)
𝜎 𝜎

𝑒𝑖
~ 𝑁(0,1)
𝜎
De même :
𝜀𝑖 2 2 𝜀𝑖2
( ) ~𝛾 (1) → 2 ~𝛾 2 (1)
𝜎 𝜎

𝑒𝑖 2 2 𝑒𝑖2
( ) ~𝛾 (1) → 2 ~𝛾 2 (1)
𝜎 𝜎
𝜀𝑖2
∑𝑛𝑖=1 ~𝛾 2 (𝑛), il y a n 𝜀𝑖 indépendants dans la somme
𝜎2

𝑒𝑖2
∑𝑛𝑖=1 ~𝛾 2 (𝑛 − 2), il y a (n-2) 𝑒𝑖 indépendants dans la somme car β1 et β2 ont été
𝜎2
estimés.

𝜎̂ 2 est-il sans biais ?

𝐸 (𝜎 2 ) =?
𝑒𝑖2 𝑛 𝑒𝑖2
∑ 2 ~𝛾 𝑛 − 2) → ∑ 2 ~𝛾 2 (𝑛 − 2)
2(
𝜎 𝑛 𝜎

𝑛 1
→ 2
∑ 𝑒𝑖2 ~𝛾 2 (𝑛 − 2)
𝜎 𝑛
𝜎̂ 2 2 2
𝜎2 2
→ 𝑛 2 ~𝛾 (𝑛 − 2) → 𝜎̂ ~ 𝛾 (𝑛 − 2)
𝜎 𝑛
𝜎2 𝜎2 𝜎2
D’où 𝐸 (𝜎̂ 2 ) = 𝐸 ( 𝛾 2 (𝑛 − 2) ) = 𝐸 ( 𝛾 2 (𝑛 − 2) ) = (𝑛 − 2)
𝑛 𝑛 𝑛
𝑛−2
𝐸 (𝜎̂ 2 ) = 𝜎 2 → 𝜎̂ 2 est biaisé
𝑛

𝜎̂ 2 n’est donc pas le meilleur estimateur de 𝜎 2 . Le meilleur estimateur de 𝜎 2 est :

51
 𝑛 𝑛 1 1
𝑆2 = 𝜎̂ 2 = ∑ 𝑒𝑖2 = ∑ 𝑒𝑖2
𝑛−2 𝑛 −2𝑛 𝑛−2
Notation
𝑆2
𝑆𝑏22 = 𝑉̂
(𝑏2 ) =
∑(𝑋𝑖 − 𝑋̅ )2

1 𝑋̅ 2
𝑆𝑏21 = 𝑉̂
(𝑏1 ) = 𝑆 2 ( + )
𝑛 ∑(𝑋𝑖 − 𝑋̅)2

𝑆𝑏2 = √𝑆𝑏22 est l’erreur type estimée de b2

𝑆𝑏1 = √𝑆𝑏21 est l’erreur type estimée de b1

𝑋̅
𝐶𝑂𝑉̂
(𝑏1 𝑏2 ) = −𝑆 2
∑(𝑋𝑖 − 𝑋̅ )2

IV-3 Analyse de variance dans le MRLS

IV-3-1 Décomposition de la variance de Y

Soit Y une variable à expliquer, celle-ci varie autour de sa moyenne 𝑌̅. A chaque valeur
de Yi est associé un écart 𝑌𝑖 − 𝑌̅. La variation totale de Y autour de sa moyenne pour un
échantillon de taille n peut être représentée par :

𝑆𝑇𝐶 = ∑(𝑌𝑖 − 𝑌̅)2 = 𝑆𝑦𝑦

STC= somme totale des carrés

En introduisant une variable explicative X, la variation totale de Y autour de sa moyenne
se décompose selon deux sources :
- Une partie expliquée par la régression c’est-à-dire par la présence de la variable
explicative X. Cette partie sera notée SCE, somme des carrés expliqués
- Une partie non expliquée par la régression c’est-à-dire liée aux erreurs
d’estimation qui sera notée SCR, somme des carrés résiduels

52
 2
∑(𝑌𝑖 − 𝑌̅)2 = ∑ ((𝑌𝑖 − 𝑌
̂𝑖 ) + (𝑌̂𝑖 − 𝑌̅))
2 2
̂𝑖 ) + ∑(𝑌
= ∑(𝑌𝑖 − 𝑌 ̂𝑖 − 𝑌̅) + 2 ∑(𝑌𝑖 − 𝑌
̂𝑖 )(𝑌
̂𝑖 − 𝑌̅)

̂𝑖 − 𝑌̅)2 + 2 ∑ 𝑒𝑖 (𝑌
∑(𝑌𝑖 − 𝑌̅)2 = ∑ 𝑒𝑖2 + ∑(𝑌 ̂𝑖 − 𝑌̅)

̂𝑖 − 𝑌̅)
Calculons ∑ 𝑒𝑖 (𝑌

̂𝑖 − 𝑌̅) = ∑ 𝑒𝑖 𝑌
∑ 𝑒𝑖 (𝑌 ̂𝑖 − 𝑌̅ ∑ 𝑒𝑖 = ∑ 𝑒𝑖 (𝑏1 + 𝑏2 𝑋𝑖 ) = 𝑏1 ∑ 𝑒𝑖 + 𝑏2 ∑ 𝑒𝑖 𝑋𝑖 = 0

Cela implique :

̂𝑖 − 𝑌̅)2 + ∑ 𝑒𝑖2
∑(𝑌𝑖 − 𝑌̅)2 = ∑(𝑌

𝑆𝑇𝐶 = 𝑆𝐶𝐸 + 𝑆𝐶𝑅

Tableau d’analyse de variance

Source de Somme des Degrés de Degrés de Moyenne des
variation carrés liberté (cas liberté (MRLS) carrés
général)
Régression 𝑆𝐶𝐸 = 𝑏22 𝑆𝑥𝑥 𝑘−1 1 𝑆𝐶𝐸⁄
𝑘−1
Résidus 𝑆𝐶𝑅 𝑛−𝑘 𝑛−2 𝑆𝐶𝑅⁄
𝑛−𝑘
= 𝑆𝑦𝑦 − 𝑏22 𝑆𝑥𝑥
Total 𝑆𝑇𝐶 = 𝑆𝑦𝑦 𝑛−1 𝑛−1 𝑆𝑇𝐶⁄
𝑛−1

Montrer que 𝑆𝐶𝐸 = 𝑏22 ∑(𝑋𝑖 − 𝑋̅ )2 = 𝑏22 𝑆𝑥𝑥

IV-3-2 Mesure d’adéquation du modèle

a- Coefficient de détermination
L’adéquation du modèle peut être mesurée par le coefficient de détermination note R2.
R2 donne la proportion de la variation totale de Y dû à la présence de la variable
explicative X.
53
 𝑆𝐶𝐸 𝑆𝑇𝐶 − 𝑆𝐶𝑅 𝑆𝐶𝑅
𝑅2 = = =1−
𝑆𝑇𝐶 𝑆𝑇𝐶 𝑆𝑇𝐶

Plus R2 est élevé, plus le modèle est adéquat.

0 ≤ 𝑅2 ≤ 1
Exemple : si 𝑅2 = 0,95 alors 95% de la variation de Y est expliquée par la présence de la
variable explicative X.
R2 est influencé par la taille de l’échantillon et le nombre de paramètres estimés. On
corrige ce biais en calculant un coefficient de détermination ajusté ou corrigé, noté 𝑅̅2 .
𝑆𝐶𝑅⁄
̅2
𝑅 =1− 𝑛−𝑘
𝑆𝑇𝐶⁄
𝑛−1
Avec n=taille de l’échantillon, k=nombre de paramètres.
Exercice
Montrer que le coefficient de corrélation linéaire entre Y et X est égal au coefficient de
détermination R2 dans le cas du MRLS.

b- Test de significativité globale

Ce test est basé sur la statistique F de Fisher qui est définie comme suit.
𝑆𝐶𝐸
𝐹 = 𝑘−1
𝑆𝐶𝑅
𝑛−𝑘
Dans le cas du MRLS, on a :
𝑆𝐶𝐸
𝑆𝐶𝐸
𝐹= 1 =
𝑆𝐶𝑅 𝑆𝐶𝑅
𝑛−2 𝑛−2
La statistique de Fisher indique si la variance expliquée est significativement supérieure à
la variance résiduelle. Si tel est ce cas, on peut considérer que la régression traduit une
relation qui existe réellement dans la population (Bourbonnais, page 34).

F peut être réécrit en fonction du coefficient de détermination.

54
 𝑅2
𝐹 = 𝑘 − 12
1−𝑅
𝑛−𝑘
Lorsqu’on a une seule variable explicative, F devient :

𝑅2
1 𝑅2
𝐹= =
1 − 𝑅2 1 − 𝑅2
𝑛−2 𝑛−2

Cela amène certains économètres à considérer le test F comme un test de significativité

du coefficient de détermination, ce qui est compréhensible dans la mesure où il peut
s'écrire en fonction du 𝑅2 .

Procédure de test
La procédure du test consiste à :
1- Construire la statistique du test à partir de la distribution de la statistique
concernée (F, b2, etc.)
2- Calculer la valeur empirique de la statistique sous l’hypothèse nulle Ho
3- Décider du rejet ou du non-rejet de l’hypothèse nulle Ho en comparant la
statistique appliquée sous Ho à la statistique théorique lue sur la table de la loi de
cette statistique au seuil alpha (α) du test

Distribution sous H0 dans le cas du MRLS

Ho : F= 0
H1 : F > 0

Sous H0, SCE est distribué selon un khi-deux à un degré de liberté et SCR selon un khi-
deux a n-2 degrés de liberté.
SCE ~ χ2(1)
SCR ~ χ2 (n − 2)
Cela implique que pour F nous avons :

55
 𝜒2(1)
𝐹= 1
𝜒2 (𝑛 − 2)
𝑛−2

Sous H0, F est donc distribué selon une loi de Fisher à (1, n − 2) degrés de liberté.
La région critique du test, correspondant au rejet de H0, au risque α est définie pour les
valeurs élevées de F.
𝐹 > 𝐹1−𝛼 (1, 𝑛 − 2)
On peut aussi utiliser la décision à partir de la p-value. Dans la plupart des logiciels de
statistique, on fournit directement la probabilité critique (p-value) α ′, elle correspond à la
probabilité que la loi de Fisher dépasse la statistique calculée F.
Ainsi, la règle de décision au risque α devient :

𝜶′ < 𝜶

IV-4 Tests d’hypothèse dans le MRLS

Soit
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖
L’influence de X sur Y est donnée par le paramètre β2. Le test d’influence de X sur Y
consiste à tester les hypothèses suivantes :
Ho : β2 = 0
H1 : β2 ≠ 0
Ce type de test est aussi appelé test de significativité de β2.
Construction de la statistique du test

𝑏2 ~𝑁(𝛽2 , 𝜎𝑏22 )

𝑏2 − 𝐸(𝑏2 ) 𝑏2 − 𝛽2
𝑍2 = = ~𝑁(0,1)
𝜎𝑏2 𝜎𝑏2

𝑒𝑖2
∑ 2 ~𝛾 2 (𝑛 − 2)
𝜎
𝜎̂ 2 2
𝑛 ~𝛾 (𝑛 − 2)
𝜎2
𝑆2 2
(𝑛 − 2) 2 ~𝛾 (𝑛 − 2)
𝜎
56
 𝑒𝑖 ~ 𝑁(𝐸 (𝜀𝑖 ), 𝑉(𝜀𝑖 ))
𝑆𝑏22
𝑏2 ~ 𝑁(𝛽2 , 𝜎𝑏22 ) → (𝑛 − 2) ~𝛾 2 (𝑛 − 2)
𝜎𝑏22

On construit :
𝑍2
𝑡2 = ~ 𝑡(𝑛 − 2)
𝑊
√ 2⁄(𝑛 − 2)

(𝑏2 − 𝛽2 )
(𝑏2 − 𝛽2 )/𝜎𝑏2 ⁄𝜎𝑏 𝑏2 − 𝛽2
2
𝑡2 = = =
𝑆𝑏2 𝑆𝑏2
𝑆𝑏22 ⁄𝜎𝑏
√(𝑛 − 2) 𝜎𝑏2⁄
2

2
(𝑛 − 2)

𝑏2 − 𝛽2
𝑡2 = ~ 𝑡(𝑛 − 2)
𝑆𝑏2

Calcul de la valeur empirique de t2 sous Ho :

𝑏2
Sous Ho : β2 = 0, on a : 𝑡2 =
𝑆𝑏2

Décision du test :
Soit α le seuil du test, la valeur théorique de la statistique de Student lue sur la table de la
loi de Student est : 𝑡𝛼⁄2 (𝑛 − 2)

Si |𝑡2 | > 𝑡𝛼⁄2 (𝑛 − 2), Ho est rejetée

Si |𝑡2 | ≤ 𝑡𝛼⁄2 (𝑛 − 2), Ho n’est pas rejetée au seuil α

57
Si Ho n’est pas rejetée, alors β2 n’est pas significativement diffèrent de zéro au seuil α.
Donc la variable explicative X n’a pas une influence significative sur la variable Y au
seuil α.
En général le test de significativité du paramètre βj consiste à tester les hypothèses :
Ho : βj = 0
H1 : βj ≠ 0
𝑏𝑗 −𝛽𝑗
La statistique du test est : 𝑡𝑗 =
𝑆𝑏𝑗

𝑏𝑗
La statistique calculée sous Ho est : 𝑡𝑗 =
𝑆𝑏𝑗

Décision :
Si |𝑡𝑗 | > 𝑡𝛼⁄2 (𝑛 − 2), Ho est rejetée au seuil α

Si |𝑡𝑗 | ≤ 𝑡𝛼⁄2 (𝑛 − 2), Ho n’est pas rejetée au seuil α

Autres types de tests

Ho : βj = 0
H1 : βj > 0

𝑏𝑗 −𝛽𝑗
La statistique du test est : 𝑡𝑗 =
𝑆𝑏𝑗

𝑏𝑗
La statistique calculée sous Ho est : 𝑡𝑗 =
𝑆𝑏𝑗

La statistique théorique au seuil α : 𝑡𝛼 (𝑛 − 2)

Décision
Si |𝑡𝑗 | > 𝑡𝛼 (𝑛 − 2 → rejet de Ho au seuil α

Si |𝑡𝑗 | ≤ 𝑡𝛼 (𝑛 − 2) → non-rejet de Ho au seuil α

58
Ho : βj = 0
H1 : βj < 0

𝑏𝑗 −𝛽𝑗
La statistique du test est : 𝑡𝑗 =
𝑆𝑏𝑗

𝑏𝑗
La statistique calculée sous Ho est : 𝑡𝑗 =
𝑆𝑏𝑗

La valeur théorique de la statistique au seuil α : 𝑡𝛼 (𝑛 − 2)

Décision
Si |𝑡𝑗 | < − 𝑡𝛼 (𝑛 − 2 → rejet de Ho au seuil α

Si |𝑡𝑗 | ≥ − 𝑡𝛼 (𝑛 − 2) → non-rejet de Ho au seuil α

Equivalence entre test de significativité globale et test de significativité de b2 dans le

cas du MRLS
𝑆𝐶𝐸⁄
𝐹= 1
𝑆𝐶𝑅⁄
𝑛−2
∑𝑛𝑖=1(𝑦̂𝑖 − 𝑦̅)2
=
𝜎̂𝜀2
∑𝑖 (𝑏1 + 𝑏2 𝑥𝑖 − 𝑦̅ )2
=
𝜎̂𝜀2
∑𝑖 (𝑦̅ − 𝑏2 𝑥̅ + 𝑏2 𝑥𝑖 − 𝑦̅)2
=
𝜎̂𝜀2

59
 𝑏22 ∑𝑖 (𝑥𝑖 − 𝑥̅ )2 𝑏22
= =
𝜎̂𝜀2 𝜎̂𝜀2
∑𝑖(𝑥𝑖 − 𝑥̅ )2
2
𝑏22 𝑏2
= 2 =( )
𝜎̂𝑏2 𝜎̂𝑏2

𝐹 = 𝑡𝑏22

Tester la significativité de b2 revient à tester la significativité globale dans le cas du

MRLS. L’égalité ci-dessus traduit aussi une équivalence entre les lois de Fisher et de
Student.
(𝑇(𝑛 − 2))2 ≡ 𝐹(1, 𝑛 − 2)

Equivalence entre test de significativité globale et test de significativité du coefficient

de corrélation linéaire entre Y et X
𝑆𝐶𝐸⁄
𝐹= 1 = (𝑛 − 2) × 𝑆𝐶𝐸
𝑆𝐶𝑅⁄ 𝑆𝐶𝑅
𝑛−2
(𝑛 − 2) × 𝑆𝐶𝐸 (𝑛 − 2) × 𝑅2
= =
𝑆𝑇𝐶 − 𝑆𝐶𝐸 1 − 𝑅2
= 𝑡𝑏22

Dans le cas du MRLS : 𝜌𝑦𝑥 2 = 𝑅2

Donc on a :
𝜌𝑦𝑥 2
𝑡𝑏22 =
1 − 𝜌𝑦𝑥 2
𝑛−2
Ce résultat correspond au carré de la statistique utilisée pour le test de significativité du
coefficient de corrélation linéaire entre Y et X. Donc tester la significativité du
coefficient de corrélation linéaire entre Y et X revient à tester la significativité globale.

IV-5 Intervalle de confiance autour des paramètres

L’intervalle de confiance d’un paramètre au niveau de confiance n – α est l’intervalle
dans lequel se retrouve la vraie valeur du paramètre avec une probabilité 1 – α.
Construire un intervalle de confiance consiste donc à trouver des bornes A et B tels que la
60
vraie valeur du paramètre se retrouve dans cet intervalle au niveau de confiance
considéré.
Soit à construire un intervalle de confiance de niveau 1 – α autour de β2. La distribution
de b2 estimateur de β2 est :

𝑏2 ~𝑁(𝛽2 , 𝜎𝑏22 )

𝑏2 − 𝐸(𝑏2 ) 𝑏2 − 𝛽2
= ~ 𝑁(0,1)
𝜎𝑏2 𝜎𝑏2
𝑏2 − 𝛽2
𝑡2 = ~ 𝑡(𝑛 − 2)
𝑆𝑏2

Alors on peut trouver pour tout seuil α une valeur critique Tc telle que :
𝛼
𝑃 (𝑡2 > 𝑇𝑐 ) = 𝑃(𝑡2 < −𝑇𝑐 ) =
2
En fait 𝑇𝑐 = 𝑡𝛼⁄2 (𝑛 − 2)

On alors :
𝛼
𝑃 (𝑡2 > 𝑡𝛼⁄2 (𝑛 − 2)) = 𝑃(𝑡2 < −𝑡𝛼⁄2 (𝑛 − 2) =
2

D’où 𝑃 (−𝑡𝛼⁄2 (𝑛 − 2) ≤ 𝑡2 ≤ 𝑡𝛼⁄2 (𝑛 − 2)) = 1 − 𝛼

Pour tout estimateur bj de βj on a :

𝑃 (−𝑡𝛼⁄2 (𝑛 − 2) ≤ 𝑡𝑗 ≤ 𝑡𝛼⁄2 (𝑛 − 2)) = 1 − 𝛼

En remplaçant tj on obtient :
𝑏𝑗 − 𝛽𝑗
𝑃 (−𝑡𝛼⁄2 (𝑛 − 2) ≤ ≤ 𝑡𝛼⁄2 (𝑛 − 2)) = 1 − 𝛼
𝑆𝑏𝑗

𝑃 (𝑏𝑗 − 𝑆𝑏𝑗 . 𝑡𝛼⁄2 (𝑛 − 2) ≤ 𝛽𝑗 ≤ 𝑏𝑗 + 𝑆𝑏𝑗 . 𝑡𝛼⁄2 (𝑛 − 2)) = 1 − 𝛼

Les bornes de l’intervalle de confiance sont donc :

𝐴 = 𝑏𝑗 − 𝑆𝑏𝑗 . 𝑡𝛼⁄2 (𝑛 − 2)

61
 𝐵 = 𝑏𝑗 + 𝑆𝑏𝑗 . 𝑡𝛼⁄2 (𝑛 − 2)

⏟ 𝑗 ) = [𝑏𝑗 − 𝑆𝑏𝑗 . 𝑡𝛼⁄2 (𝑛 − 2); 𝑏𝑗 + 𝑆𝑏𝑗 . 𝑡𝛼⁄2 (𝑛 − 2)]

𝐼𝐶(𝛽
1−𝛼

Remarque : relation entre test et IC

Soit à tester
Ho : βj = d
H1 : βj ≠ d
Soit
⏟ 𝑗 ) = [𝑎, 𝑏]
𝐼𝐶(𝛽
1−𝛼

Alors :
Si 𝑑 ∈ [𝑎, 𝑏], Ho n’est pas rejetée
Si 𝑑 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑑𝑎𝑛𝑠 [𝑎, 𝑏], Ho est rejetée

IV-6 Prédiction dans le MRLS

IV-6-1 Prédiction de Y
Prédire Y consiste à déterminer le niveau attendu de Y pour un niveau donne de X.
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝜀𝑖
Soit un niveau donné de X= Xo
A ce niveau de X, la vraie valeur de Y sera
𝑌0 = 𝛽1 + 𝛽2 𝑋0 + 𝜀0
Cette vraie valeur est inconnue car β1 et β2 sont inconnus et ε0 est non observable. Y0
inconnu peut être prédit par l’équation de prédiction

𝑌̂0 = 𝛽1 + 𝛽2 𝑋0

𝑌̂0 est appelé prédicteur de Y0 ou encore estimateur de Yo

Erreur de prédiction
Soit e0 l’erreur de prédiction de Y0

62
 𝑒0 = 𝑌̂0 − 𝑌0 = (𝑏1 + 𝑏2 𝑋0 ) − (𝛽1 + 𝛽2 𝑋0 + 𝜀0 )
𝑒0 = (𝑏1 − 𝛽1 ) + (𝑏2 − 𝛽2 )𝑋0 − 𝜀0

Esperance de e0
𝐸 (𝑒0 ) = 𝐸 (𝑏1 ) − 𝛽1 + 𝑋0 𝐸 (𝑏2 ) − 𝑋0 𝛽2 − 𝐸(𝜀0 )
𝐸 (𝑒0 ) = 𝛽1 − 𝛽1 + 𝑋0 𝛽2 − 𝑋0 𝛽2 − 𝐸 (𝜀0 )
𝐸 (𝑒0 ) = 0
Variance de e0
𝑉 (𝑒0 ) = 𝑉((𝑏1 − 𝛽1 ) + (𝑏2 − 𝛽2 ) − 𝜀0 )
𝑉 (𝑒0 ) = 𝑉(𝑏1 − 𝛽1 ) + 𝑉(𝑏2 − 𝛽2 )𝑋0 + 𝑉 (−𝜀0 ) + 2 𝐶𝑂𝑉[(𝑏1 − 𝛽1 ), (𝑏2 − 𝛽2 )𝑋0 ]
+ 2𝐶𝑂𝑉[(𝑏1 − 𝛽1 ), −𝜀0 ] + 2𝐶𝑂𝑉[(𝑏2 − 𝛽2 )𝑋0 , −𝜀0 ]

𝑉 (𝑒0 ) = 𝑉(𝑏1 ) + 𝑋02 𝑉(𝑏2 ) + 𝑉 (𝜀0 ) + 2 𝐶𝑂𝑉[𝑏1 + 𝑏2 𝑋0 ] + 2𝐶𝑂𝑉[𝑏1 , −𝜀0 ]

+ 2𝐶𝑂𝑉 [𝑏2 𝑋0 , −𝜀0 ]
𝑉(𝑒0 ) = 𝑉 (𝑏1 ) + 𝑋02 𝑉(𝑏2 ) + 𝑉 (𝜀0 ) + 2 𝑋0 𝐶𝑂𝑉[𝑏1 , 𝑏2 ] + 2𝐶𝑂𝑉 [𝑏1 , −𝜀0 ]
+ 2𝑋0 𝐶𝑂𝑉[𝑏2 , −𝜀0 ]

2
1 𝑋̅ 2 2
𝜎2 2
−𝑋̅𝜎 2
𝑉 (𝑒0 ) = 𝜎 ( + ) + 𝑋𝑜 + 𝜎 + 2𝑋0 ( )
𝑛 ∑(𝑋𝑖 − 𝑋̅ )2 𝑆𝑥𝑥 𝑆𝑥𝑥
1 1
𝑉(𝑒0 ) = 𝜎 2 [1 + + (𝑋̅ 2 + 𝑋𝑜2 − 2𝑋0 𝑋̅]
𝑛 𝑆𝑥𝑥

2
1 (𝑋0 − 𝑋̅)2
𝑉 (𝑒0 ) = 𝜎 [1 + + ]
𝑛 ∑(𝑋𝑖 − 𝑋̅)2

Notation
𝑉 (𝑒0 ) = 𝜎𝑒20

𝜎𝑒0 = √𝑉(𝑒0 )

1 (𝑋0 − 𝑋̅)2
𝑆𝑒20 2
= 𝑆 (1 + + )
𝑛 ∑(𝑋𝑖 − 𝑋̅)2

63
 𝑆𝑒0 = √𝑆𝑒20

𝑒0 ~ 𝑁(0, 𝜎𝑒20 )

IC autour de Y0

𝑒0 = 𝑌̂0 − 𝑌0
𝑒0 − 𝐸(𝑒0 )
~ 𝑡(𝑛 − 2)
𝑆𝑒0

𝑌̂0 − 𝑌0
𝑡= ~𝑡(𝑛 − 2)
𝑆𝑒0

𝑃(−𝑡𝛼⁄2 (𝑛 − 2) ≤ 𝑡 ≤ 𝑡𝛼⁄2 (𝑛 − 2) = 1 − 𝛼

𝑃(𝑌̂0 − 𝑆𝑒0 . 𝑡𝛼⁄2 (𝑛 − 2) ≤ 𝑌0 ≤ 𝑌̂0 + 𝑆𝑒0 𝑡𝛼⁄2 (𝑛 − 2)) = 1 − 𝛼

⏟ (𝑌0 ) = [𝑌̂0 − 𝑆𝑒0 . 𝑡𝛼⁄2 (𝑛 − 2); 𝑌̂0 + 𝑆𝑒0 . 𝑡𝛼⁄2 (𝑛 − 2)]

𝐼𝐶
1−𝛼

IV-6-2 Prédiction de E(Y0)

𝑌0 = 𝛽0 + 𝛽1 𝑋0 + 𝜀0
𝐸 (𝑌0 ) = 𝛽1 + 𝛽2 𝑋0
E(Y0) est inconnu car β1 et β2 sont inconnus. On peut le prédire par :
̂
𝐸(𝑌0 ) = 𝑏1 + 𝑏2 𝑋0

𝐸̂
(𝑌0 ) est le prédicteur de E(Y0) par X = X0
̂
Remarque : 𝐸(𝑌 ̂
0 ) = 𝑌0

Erreur de prédiction de E(Y0)

M0= erreur de prédiction de E(Y0)
̂
𝑚0 = 𝐸(𝑌0 ) − 𝐸 (𝑌0 ) = 𝑏1 + 𝑏2 𝑋0 − 𝛽1 − 𝛽2 𝑋0

𝑚0 = 𝑏1 − 𝛽1 + (𝑏2 − 𝛽2 )𝑋0

64
Remarque 𝑚0 = 𝑒0 + 𝜀0
Espérance de mo
𝐸 (𝑚0 ) = 𝐸 (𝑒0 + 𝜀0 ) = 𝐸 (𝑒0 ) + 𝐸 (𝜀0 ) = 0
Variance de mo
𝑉(𝑚0 ) = 𝑉((𝑏1 − 𝛽1 ) + (𝑏2 − 𝛽2 )𝑋0 )
1 (𝑋𝑜 − 𝑋̅ )2
2
𝑉(𝑚0 ) = 𝜎 ( + )
𝑛 ∑(𝑋𝑖 − 𝑋̅ )2

Notation
2
𝜎𝑚 0
= 𝑉(𝑚0 )

𝜎𝑚0 = √𝑉(𝑚0 )

1 (𝑋𝑜 − 𝑋̅ )2
𝑆𝑒20 2
=𝑆 ( + )
𝑛 ∑(𝑋𝑖 − 𝑋̅ )2

𝑆𝑒0 = √𝑆𝑒20

2
𝑚0 ~𝑁(0, 𝜎𝑚 0
)

IC autour de E(Y0)
𝑚0 − 𝐸(𝑚0 )
𝑡𝑚0 ~𝑡(𝑛 − 2)
𝑆𝑚0
̂
𝐸(𝑌0 ) − 𝐸(𝑌0 )
~𝑡(𝑛 − 2)
𝑆𝑚0

𝑃(−𝑡𝛼⁄2 (𝑛 − 2) ≤ 𝑡𝑚0 ≤ 𝑡𝛼⁄2 (𝑛 − 2)) = 1 − 𝛼

𝑌̂0 − 𝐸(𝑌0 )
𝑃(−𝑡𝛼⁄2 (𝑛 − 2) ≤ ≤ 𝑡𝛼⁄2 (𝑛 − 2)) = 1 − 𝛼
𝑆𝑚0

𝑃(𝑌̂0 − 𝑆𝑚0 . 𝑡𝛼⁄2 (𝑛 − 2) ≤ 𝐸(𝑌0 ) ≤ 𝑌̂0 + 𝑆𝑚0 . 𝑡𝛼⁄2 (𝑛 − 2)) = 1 − 𝛼

𝐼𝐶 (𝐸(𝑌0 )) = [𝑌̂0 − 𝑆𝑚0 . 𝑡𝛼⁄2 (𝑛 − 2); 𝑌̂0 + 𝑆𝑚0 . 𝑡𝛼⁄2 (𝑛 − 2)]

Comparaison entre 𝜎𝑒20 et 𝜎𝑚

2
0

65
 1 (𝑋0 − 𝑋̅)2
𝜎𝑒20 2
= 𝜎 (1 + + )
𝑛 ∑(𝑋𝑖 − 𝑋̅)2

2
1 (𝑋𝑜 − 𝑋̅)2
2
𝜎𝑚 =𝜎 ( + ) = 𝜎𝑒20 − 𝜎 2
0
𝑛 ∑(𝑋𝑖 − 𝑋̅)2
2
𝜎𝑚 0
< 𝜎𝑒20

Comparaison entre IC(Y0) et IC(E(Y0))

𝐼𝐶(𝑌0 ) = [𝑌̂0 − 𝑆𝑒0 . 𝑡𝛼⁄2 (𝑛 − 2); 𝑌̂0 + 𝑆𝑒0 . 𝑡𝛼⁄2 (𝑛 − 2)]

𝐼𝐶 (𝐸(𝑌0 )) = [𝑌̂0 − 𝑆𝑚0 . 𝑡𝛼⁄2 (𝑛 − 2); 𝑌̂0 + 𝑆𝑚0 . 𝑡𝛼⁄2 (𝑛 − 2)]

𝐼𝐶(𝐸 (𝑌0 )) ∈ 𝐼𝐶(𝑌0 )

IV-7 Exercices d’application

Exercice 1
On dispose de données sur l’évolution du revenu disponible brut et de la consommation
des ménages en milliers de francs CFA pour un pays donné sur la période 1992-2001. On
cherche à expliquer la consommation des ménages (C) par le revenu (R). On obtient les
résultats suivants après estimation par la méthode des moindres carrés:

b1 = 1176,09 b2= 0,78 R2 = 0,9958 𝑆𝑏1 = 207,39 𝑆𝑏2 = 0,0179 F= 1895.36

1) Formuler mathématiquement les modèles économique et économétrique

2) Ecrivez l’équation du modèle estimé. Que représentent les coefficients de
l’ordonnée à l’origine celui de la pente ? Commenter la conformité théorique des
valeurs et signes de ces coefficients
3) Le coefficient de la pente β2 est-il significativement différent de zéro au seuil
α=5% ? Calculer l’intervalle de confiance au tour du paramètre β2 au seuil α=5%

66
 4) Effectuer le test de Fisher permettant de déterminer si la régression est
significative dans son ensemble.
5) En 2002, on prévoit 16800 FCFA pour la valeur du revenu. Déterminer la valeur
prévue de la consommation. Quelle information manque-t-il pour calculer
l’intervalle de confiance autour de la prédiction de 2002 au seuil de 5% ?

Exercice 2

On veut expliquer le Produit Intérieur Brut, PIB (Y) de 30 pays par le niveau
d’investissement (X) dans ces pays. Y et X sont en milliards de dollars américains ($US).
Le modèle estime est le suivant :
𝑌̂ = 1,93 + 2,35𝑋
n = 30 ; R2 = 0,26 ; F = 1,37 ; 𝑆𝑏21 = 11,20 ; 𝑆𝑏22 = 2,41
3) Interpréter les coefficients b1 et b2. Le signe de b2 est-il conforme à la théorie
économique ?
4) Tester l’hypothèse que β2 est égal à 1 au seuil α=1%
5) Quelle est la valeur prédite du PIB, Y0 lorsque le niveau d’investissement est X0 =
50 ?
6) Sachant que la variance de l’erreur de prédiction est égale à 121, calculer
l’intervalle de confiance autour de Y0 avec 99% de confiance.
Extrait de la table théorique de la loi normale pour α=1%
𝑡0,0005 (26) = 2,779; 𝑡0,0005(28) = 2,763 ; 𝑡0,0005 (30) = 2,750
7) Tester la significativité globale du modèle au seuil α=5%.
Extrait de la table théorique de la loi de Fisher pour α=5%
𝐹0,005 (26) = 4,23; 𝐹0,005 (28) = 4.20 ; 𝐹0,005(30) = 4,17
8) Interpréter R2. Selon votre interprétation (R2 élevé ou faible) donner une raison qui
peut expliquer la valeur de R2.

Exercice 3
On veut expliquer la rentabilité de 10 fermes agricoles par le nombre d’années
d’expérience du gérant. Le tableau suivant donne les informations sur la rentabilité Y
(milliers CFA) et le nombre d’années d’expérience X :
Ferme 1 2 3 4 5 6 7 8 9 10
Y 150 100 238 450 123 201 330 306 175 407

67
X 5 3 4 12 3 7 9 8 6 10

1) Estimer le modèle de régression de Y sur X en utilisant la formule des

moindres carrés. Interpréter les coefficients de la constante et de variable X.
2) Déduire et interpréter le coefficient de corrélation linéaire entre Y et X.
3) Sachant que l’erreur-type de b2 est 𝑆𝑏2 = 4,98, tester l’hypothèse que
l’expérience ne détermine pas la rentabilité des fermes agricoles au seuil
α=5%.
4) Calculer STC. Sachant que SCE = 114 268,73 déduire et interpréter la valeur
du coefficient de détermination R2.
5) Sachant que F = 54.82 et p-value (α’) = 0.0001, tester la significativité globale
du modèle α=5%.

68