M1 Econometrie 2 e Chap 2

UNIVERSITE DE MAROUA THE UNIVERSITY OF MAROUA
FACULTE DES SCIENCES FACULTY OF ECONOMICS

ECONOMIQUES ET DE GESTION AND MANAGEMENT
B.P. 46 Maroua-Cameroun P.O. Box : 46 Maroua-Cameroon
M1 - EA COURS : ECONOMETRIE 2
CHAPITRE 2 : PRESENTATION DU MODELE LINEAIRE GENERAL
Introduction
L’étude d’un phénomène économique nécessite souvent l’introduction de plusieurs
variables explicatives. Une variable endogène s’exprime alors en fonction de plusieurs
variables exogènes. Dans ce chapitre, nous allons présenter brièvement le modèle
linéaire général, appelé aussi modèle de régression multiple.
1. Qu’est-ce qu’un modèle linéaire ?

Le modèle parfait n’existe pas. On procède très souvent à une simplification
supplémentaire en considérant que la liaison est linéaire. Quand on parle de modèle
linéaire en économétrie, on évoque la linéarité par rapport aux paramètres que l'on doit
estimer. Ainsi, le modèle est donc linéaire si ses paramètres et variables apparaissent
dans les équations à la puissance 1. Précisons également que de nombreux modèles non
linéaires par rapport aux variables peuvent être linéarisés ou transformés de manière à
se ramener à combinaison linéaire des variables exogènes.
Exemple : lesquels des modèles ci-dessous sont linéaires ? Justifier vos réponses.
1. = + +
2. = ∗
3. =
2. Le modèle linéaire général

Ainsi, on dit qu’on n’est en présence d’un modèle linéaire général quand on a la relation
suivante :
= + + + ⋯+ + !" # = 1, 2, … , ( (1)
Avec :
) = valeur de la variable à expliquer de l’individu i ou à la date i ;
* ) = valeur de la variable explicative 2 de l’individu i ou à la date i ;
*+) = valeur de la variable explicative 3 de l’individu i ou à la date i ;

1
*,) = valeur de la variable explicative k de l’individu i ou à la date i ;
-. , - , -+ … -, = paramètres inconnus du modèle ;
/) = erreur de spécification, cette erreur est inconnue et restera inconnue ;
n = nombre d’observations.
2.1. Notation matricielle du modèle et vocabulaire

En posant :
1. 1 *. … *,. -. /.
1 * … *, - /
= 0 ⋮ 4 ; * = 01 … 4 ;-=0 4 ; /=0⋮4
⋮ ⋮ ⋮ ⋮
13 … /3
1 *3 *,3 -,
On obtient la forme matricielle :
= + (2)
Y : vecteur représentant la variable endogène de dimension (n, 1) : n lignes et 1

colonne ;
X : matrice contenant les variables explicative plus la constante de dimension (n,k) : n
correspond au coefficient -. (coefficient du terme constant).

lignes et k colonnes. Nous remarquons que la première colonne est composée de 1, qui
- : vecteur qui contient la liste des paramètres à estimer de dimension (k, 1) ;
/ : vecteur des erreurs de dimension (n, 1)
L’écriture sous forme matricielle rend plus aisée la manipulation du modèle linéaire
général, c’est pourquoi nous l’adoptons par la suite.
2.2. Les hypothèses du modèle linéaire général

Avec cette formulation matricielle du modèle linéaire, on énonce un ensemble
d’hypothèses. Nous distinguons les hypothèses stochastiques (liées à l’erreur ε) des
hypothèses structurelles.
2.2.1. Hypothèses structurelles

Les hypothèses structurelles qui suivent garantissent l’existence d’une solution.
H1 : n > k, le nombre d’observations est supérieur au nombre de variables explicatives ;
2
H2 : La matrice X n’est pas aléatoire et est de plein rang (c’est-à-dire de rang (X) = k,
donc X est de plein rang colonne). Cela implique que la matrice (X′ X) est régulière et
que la matrice inverse (X′X)−1 existe.
2.2.2. Hypothèses stochastiques

Les hypothèses stochastiques qui suivent ont pour but de s’assurer que les estimateurs
des coefficients jouissent de propriétés statistiques intéressantes.
H3 : 5(/ ⁄*) = 0 , l’espérance mathématique de l’erreur conditionnellement à X est

nulle. C’est une hypothèse forte qui implique : 5(/) ) = 0 et 5(*,) , /) ) = 0 et donc
: (*,) , /) ) = 0. Cette condition permet d’avoir des estimateurs sans biais. Deux cas
sont alors envisageables :
Premier cas ou H4 : ; " (/) = 5(// < ) = => ?3 où => est un scalaire et In la matrice
identité de dimension (n, n). Cette hypothèse traduit la non corrélation (ou encore
l’indépendance) et l’homoscédasticité des erreurs :
 Les erreurs sont dites non corrélées si 5@/) /A B = 0 ∀ # ≠ E. Cette hypothèse peut
 Les erreurs sont homoscédastiques (ou de même variance) si 5@/) B = => ∀#.
être testée. Quand elle n’est pas vérifiée, on parle d’autocorrélation des erreurs ;
Cette hypothèse peut être testée. Quand elle n’est pas vérifiée, on parle
d’hétéroscédasticité des erreurs
Deuxième cas ou H5 : ; " (/) = 5(// < ) = => Ω ≠ => ?3 ,

M1 Econometrie 2 e Chap 2

Transféré par

Droits d'auteur :

Formats disponibles

M1 Econometrie 2 e Chap 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

M1 Econometrie 2 e Chap 2

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DE MAROUA THE UNIVERSITY OF MAROUA

FACULTE DES SCIENCES FACULTY OF ECONOMICS

1. Qu’est-ce qu’un modèle linéaire ?

2. Le modèle linéaire général

) = valeur de la variable à expliquer de l’individu i ou à la date i ;

* ) = valeur de la variable explicative 2 de l’individu i ou à la date i ;

*+) = valeur de la variable explicative 3 de l’individu i ou à la date i ;

-. , - , -+ … -, = paramètres inconnus du modèle ;

/) = erreur de spécification, cette erreur est inconnue et restera inconnue ;

2.1. Notation matricielle du modèle et vocabulaire

On obtient la forme matricielle :

Y : vecteur représentant la variable endogène de dimension (n, 1) : n lignes et 1

X : matrice contenant les variables explicative plus la constante de dimension (n,k) : n

correspond au coefficient -. (coefficient du terme constant).

- : vecteur qui contient la liste des paramètres à estimer de dimension (k, 1) ;

/ : vecteur des erreurs de dimension (n, 1)

2.2. Les hypothèses du modèle linéaire général

2.2.1. Hypothèses structurelles

H1 : n > k, le nombre d’observations est supérieur au nombre de variables explicatives ;

2.2.2. Hypothèses stochastiques

H3 : 5(/ ⁄*) = 0 , l’espérance mathématique de l’erreur conditionnellement à X est

Deuxième cas ou H5 : ; " (/) = 5(// < ) = => Ω ≠ => ?3 ,

Vous aimerez peut-être aussi