FSJES – FES A.

U : 2019/2020

Méthodes économétriques / TD N°1 -- Sections : 1 et 2

Equipe pédagogique : M. ELHASSANI Hafid , M. EL-MAHI Taoufik
Corrigé
Exercice 1 :
1- Montrer que : ∑ 𝒆𝒕 = 𝟎

Σet= Σ(yt - ŷt) = Σ(yt – (â0 + â1xt))

= Σ(yt – ((y - â1x)+ â1xt))
= Σ((yt– y) - â1(xt - x))
= Σ(yt–y) - Σ â1(xt-x)
= Σ(yt–y) - â1Σ(xt-x)
= Σyt–Σy - â1(Σxt – Σx)
= ny – ny - â1(nx - nx)
= 0 – â1x 0

=0
̅
2- Montrer que 𝒚
̂=𝒚
̅
Σŷt Σ(â₁xₜ + â₀) Σ â₁xₜ + Σ â₀
̅
̂=
𝒚 = =
n n 𝑛
â₁Σ xₜ + Σ â₀ â₁ n x + n â₀
= =
𝑛 𝑛

= â1 x + â 0
̅
=𝒚
̅)(𝒚𝒕 −𝒚
∑(𝒙𝒕 −𝒙 ̅) ∑ 𝒙𝒕 𝒚𝒕 − 𝒏 𝒙
̅̅̅̅
𝒚
3- Montrer que : 𝒂
̂𝟏 = ∑(𝒙𝒕 −𝒙̅) 𝟐
= ∑ 𝒙𝟐𝒕 −𝒏 ̅𝒙𝟐

Σ(xₜ−x)(yₜ−y) Σxₜyₜ−xΣyₜ−yΣxₜ+Σxy
â1= =
Σ(xₜ−x)² Σxₜ²−2 x Σxₜ+Σx²

Σxₜyₜ−nxy−nyx+nxy Σxₜyₜ− nxy

â1 = =
Σxₜ²−2 nx²+nx² Σxₜ²− nx²
FSJES – FES A.U : 2019/2020

𝛔𝐲
4- 𝐌𝐨𝐧𝐭𝐫𝐞𝐫 𝐪𝐮𝐞 ∶ 𝐚̂𝟏 = 𝐫𝐱𝐲 ⁄𝛔𝐱
Σ(xₜ−x)(yₜ−y)
Σ(xₜ−x)(yₜ−y) n Cov (x,y)
â1 = = Σ(xₜ−x)2
=
Σ(xₜ−x)² V(x)
n

Cov (x,y) Cov (x,y) σ(y)

= = x
σ²(x) σ(x)σ(y) σ(x)
σ(y)
= rxy
σ(x)

Remarques
Σ(xₜ−x) yₜ Σxₜyₜ−Σxyₜ
- â1 = =
Σ(xₜ−x) xₜ Σxₜ²−Σxxₜ
Σxₜyₜ−xΣyₜ Σxₜyₜ−nxy
= =
Σxₜ²−xΣxₜ Σxₜ²−nx²
Σxₜ(yₜ−y) Σxₜyₜ−Σxₜy
- â1 = =
Σxₜ(xₜ−x) Σxₜ²−Σxₜx
Σxₜyₜ−yΣxₜ Σxₜyₜ−nxy
= =
Σxₜ²−xΣxₜ Σxₜ²−nx²

Exercice 2 :
∑6𝑡=1 xₜ = 36 ; ∑6𝑡=1 yₜ = 114 ; ∑6𝑡=1 xₜyₜ = 702 et ∑6𝑡=1 xₜ² = 226
Estimons la relation : yₜ = a₀ + a₁ xₜ + εₜ
On a
Σxₜyₜ−nxy
â₁ =
Σxₜ²−nx²
Σxₜ 36 Σyₜ 114
x= = =6 et y= = =19
n 6 n 6
702−6 x 6 x 19 702−684 18
â₁ = = =
226−6 x 6² 226−216 10

â₁=1.8

â₀ = y - â₁ x = 19 – 1.8 x 6 = 19 – 10.8
â₀ = 8.2
Ainsi l’estimation de la relation : yₜ = a₀ + a₁ xₜ + εₜ s’écrit comme suit :
FSJES – FES A.U : 2019/2020

ŷₜ = â₀ + â₁xₜ = 8.2 + 1.8 xₜ

Signification des coefficients de régression â₀ et â₁ :

- â₁ est la variation moyenne en yₜ lorsque xₜ varie d’une unité. (yₜ varie en
moyenne de 1.8 lorsque xₜ varie d’une unité)
- â₀ est la valeur théorique de yₜ lorsque xₜ = 0, valeur à l’origine. (yₜ vaut 8.2
lorsque xₜ = 0, c’est la valeur de yₜ)
Exercice 3 :
1- les hypothèses de la méthode MCO :
H1 : le modèle est linéaire et les observations xₜ sont des valeurs certaines (non stochastique,
non aléatoire );
H2 : l’espérance de l’erreur εₜ est nulle E(εₜ) = 0 ;
H3 : l’homoscédasticité (la variance des erreurs stochastiques est constante :
V (εₜ) = σε2= E(εₜ2) – E(εₜ)2 = E(εₜ2) = Cte

H4 : ∀ t ≠ t’ Cov(εₜ, εt’) = E(εₜεt’) – E(εₜ)E(εt’) = E(εₜεt’) = 0

Les erreurs sont indépendantes (non corrélées)
H5 : l’erreur εₜ est indépendante de la variable exogène xₜ

Cov(xₜ, εt) = E(xₜ ;εt) – E(xₜ).E(εt) = E(xₜ ;εt) = 0

H6 : les erreurs εt suivent une loi normale :

εt N (0, σε2)
2- Estimation des coefficients a₀ et a₁
Total
xₜ 15 8 36 41 16 8 21 21 53 10 229
yₜ 48 43 77 89 50 40 56 62 100 47 612
xₜ yₜ 720 344 2772 3649 800 320 1176 1302 5300 470 16853
xₜ² 225 64 1296 1681 256 64 441 441 2809 100 7377
yₜ² 2304 1849 5929 7921 2500 1600 3136 3844 10000 2209 41292

229 619
Σxₜyₜ−nxy 16853−10 x x
10 10
â₁ = = 229
Σxₜ²−nx² 7377−10 x ( )²
10

16853−14014,80 2838,20
= =
7377−5244,10 2132,90

â₁ = 1,33
FSJES – FES A.U : 2019/2020

â₀ = y - â₁x = 61,20 – 1,33 x 22,9 â₀ = 30,74

Ainsi, le modèle estimé s’écrit : ŷₜ = 30,74 + 1,33 xₜ

3- Le coefficient de corrélation linéaire entre x et y : rxy

Cov (x,y) Σ(xₜ−x)(yₜ−y)

rxy = =
σ(x)σ(y) √Σ(xₜ−x)2 √Σ(yₜ−y)²
Σxₜyₜ−nxy 16853−10 x 22.9 x 61.2
= = √7377−10 x (22.9)2
√Σxₜ²−nx² √Σyₜ²−ny² √41292− 10 x (61.2)²

16853−14014.80 2838.20
= =
46.18 x 61.95 2860.85

Donc rxy= 0.99 ≃1

Le coefficient de corrélation est très proche de 1, donc il y a une forte corrélation positive entre
X et Y.

Exercice 4 :
On a yₜ = a₀ + a₁ xₜ + εₜ
∑84
𝑡=1 xₜ = 579.6 ; ∑84 84
𝑡=1 yₜ = 634.2 ; ∑𝑡=1 xₜ² = 4083.24 ; ∑84
𝑡=1 yₜ² = 4933.404 et
∑84
𝑡=1 xₜyₜ = 4483.5

1- Estimation des coefficients a₀ et a₁ :

579.60 634.20
Σxₜyₜ−nxy 4483.24−84 ( )( ) 107.26
â₁ = = 84
579.60
84
=
Σxₜ2 −nx2 4083.24−84 ( )² 84
84

â₁ = 1.28

579.6 634.2
On a x= = 6.9 et y= = 7.55
84 84

Et â₁ = 1.28

â₀ = y - â₁x = 7.55 – 1.28 x 6.9

â₀ = - 1.282
FSJES – FES A.U : 2019/2020

Donc le modèle estimé s’écrit : ŷₜ = â₀ + â₁xₜ = - 1.28 + 1.28 xₜ

2- Calcul de : SCT, SCE et SCR

On a
Σ (yₜ - y)² = Σ(ŷₜ - y)² + Σ(yₜ - ŷₜ)²
SCT SCE SCR
SCT = Σ (yₜ - y)²= Σ yₜ² - ny²
SCT = 4933.404 – 84 x (7.55)²
SCT = 145,194

SCE = Σ(ŷₜ - y)²= Σ ŷₜ² - ny² = Σ((â₀ + â₁xₜ) – (â₀ + â₁x))²

= Σ(â₁(xₜ – x))²= Σ â₁² (xₜ – x)²
= â₁² Σ (xₜ – x)²= â₁²( Σ xₜ – nx)²
SCE= (1.28)² (4083.24 - 84 (6.9)²)
SCE= 137.6256
SCR= Σet²= Σ(yₜ - ŷₜ)²= Σyₜ² - Σ ŷₜ²
= Σ(yₜ - â₀ - â₁xₜ)²= Σyₜ²+ Σâ₀²+ Σâ₁²xₜ²+ Σ2 â₀â₁xₜ - Σ2â₀yₜ - Σ2â₁xₜyₜ
= Σyₜ²+ â₁²Σxₜ²+ 2 â₀â₁ Σxₜ - 2â₀Σyₜ - 2â₁ Σxₜyₜ + nâ₁²
SCR= 4933.404 + (1.28)² 4083.24 + 2 (-1.28) (1.28) 579.6 – 2 (1.28) 634.2 – 2 (1.28) 4483.5
+ 84 (-1.28)²
SCR= 7,5687
Ou bien SCT = SCE+SCR => SCR= SCT – SCE
SCR= 145,194 – 137.6256
SCR= 7,568
3- Estimation des variances de â₀ et de â₁ :
1 x²
- σ²â₀ = σε( + ) = V(â₀)
n Σ(xₜ−x)2
1 x²
donc σ²â₀= σε( + ) = V(â₀)
n Σ(xₜ−x)2

σε²
- σ²â₁ = donc σ²a₁ = V(â₁)
Σ(xₜ−x)2
FSJES – FES A.U : 2019/2020

σε²
donc σ²â₁ = = V(â₁)
Σ(xₜ−x)2

Σeₜ² Σ(yₜ − ŷₜ)² SCR

- σ²ε = V(ε) = = =
(n−2) (n−2) (n−2)

SCR 7,5684
- σ ²ε = = => σ²ε= 0,0923
(n−2) 82
1 (6,9)²
- σ²â₀= 0,0923 ( + ) => σ²â₀= 0,0534
84 4083,24−84 (6,9)²
1
- σ²â₁= 0,0923 ( ) => σ²â₁ = 0,0011
4083,24−84 (6,9)²

4- le coefficient de détermination R²

SCE 137,6256 SCR 7,5684

R²= = = 94,78% ou R²= 1- =1–
SCT 145,194 SCT 145,184
On a R² est proche de 100%, donc on a une très bonne qualité d’ajustement.

Exercice 5
On a txii = 0,085 + 0,623 txsi + ei = â₀ + â₁ txsi + ei

c-à-d txii = 0,085 + 0,623 txsi ; avec R² = 0,991

1- Si txs = 10% = 0,1 alors txi = 0,085 + 0,623 x 0,1 = 0,1473

Si txs =15% = 0,15 alors txi = 0,085 + 0,623 x 0,15 = 0,1784
Si txs = 20% = 0,2 alors txi = 0,085 + 0,623 x 0,20 = 0,2096

2- Qualité d’ajustement du modèle :

On a R² = 0,991 ≃ 1 donc la qualité d’ajustement est presque parfaite. La droite de régression

permet d’expliquer 99,1% de la variation du taux d’investissement txi en fonction du taux

d’épargne txs.
FSJES – FES A.U : 2019/2020