Cours

Méthodes économétrique
Filière : Sciences Economiques et Gestion

Semestre : S6

Pr. Anass TAHA Année universitaire 2021-2022

 Plan

1. Introduction à l’économétrie

2. Modèle de régression simple

a) Présentation du modèle

b) Estimation des paramètres

c) Tests d’hypothèses et intervalle de confiance

d) Équation et tableau d’analyse de la variance

e) La prévision dans le modèle de régression simple

3. Modèle de régression multiple

Pr. Anass TAHA – 2022 2

2 – La régression linéaire simple
 a. Présentation du modèle (1/8) z

Généralité

Définition : Le terme « régression » a été introduit par Francis Galton, chercheur

britannique du 19è𝑚𝑒 siècle, dans le célèbre article : « Regression towards mediocrity in
hereditary stature Journal of the Anthropological Institute 15 : 246-263 (1886) » pour
décrire un phénomène biologique.

Le phénomène est que la taille des enfants nés des parents inhabituellement grands
(ou petits) se rapproche de la taille moyenne de la population.

• Galton a appelé ce processus la régression vers la moyenne.

Pr. Anass TAHA – 2022 4

 a. Présentation du modèle (2/8) z

Généralité

Utilisation Domaine d’application

Pr. Anass TAHA – 2022 5

 a. Présentation du modèle (3/8)
Présentation du modèle

La régression linéaire simple vise à étudier la dépendance linéaire entre deux variables. La variable endogène est
expliquée par une variable exogène.

N° Revenu Consommation
1 8000 7389,99
2 9000 8169,65
3 9500 8831,71
4 9500 8652,84
5 9800 8788,08
6 11000 9616,21
7 12000 10593,45
8 13000 11186,11
9 15000 12758,09
10 16000 13869,62
Consommation selon le revenu

Pr. Anass TAHA – 2022 6

 a. Présentation du modèle (4/8)
Présentation du modèle : exemple introductif

Soit la fonction de consommation keynésienne :

𝐶𝑜𝑛𝑠𝑜𝑚𝑚𝑎𝑡𝑖𝑜𝑛 = 𝛽0 + 𝛽1 𝑅𝑒𝑣𝑒𝑛𝑢 + 𝑒𝑟𝑟𝑒𝑢𝑟

Où : 𝛽1 = 𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑜𝑛 𝑚𝑎𝑟𝑔𝑖𝑛𝑎𝑙𝑒 à 𝑐𝑜𝑛𝑠𝑜𝑚𝑚𝑒𝑟, 𝛽0 = 𝑐𝑜𝑛𝑠𝑜𝑚𝑚𝑎𝑡𝑖𝑜𝑛 𝑎𝑢𝑡𝑜𝑛𝑜𝑚𝑒 𝑜𝑢 𝑖𝑛𝑐𝑜𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑏𝑙𝑒.

Pr. Anass TAHA – 2022 7

 a. Présentation du modèle (5/8)
Présentation du modèle : spécifications

Nous pouvons distinguer deux types de spécifications

Modèles en série temporelle Modèles en coupe instantanée

les variables représentent des phénomènes observés à les variables représentent des phénomènes observés au
intervalles de temps réguliers même instant mais concernant plusieurs individus.

Ex : la consommation et le revenu annuel sur 20 ans Ex : la consommation et le revenu observés sur un

pour un pays donné échantillon de 20 pays

𝐶t = 𝛽0 + 𝛽1 Yt + 𝜀𝑡 , t = 1, … , 20 𝐶i = 𝛽0 + 𝛽1 Yi + 𝜀𝑖 , i = 1, … , 20

Pr. Anass TAHA – 2022 8

 a. Présentation du modèle (6/8)
Présentation du modèle

𝐶𝑜𝑛𝑠𝑜𝑚𝑚𝑎𝑡𝑖𝑜𝑛 = 𝛽0 + 𝛽1 𝑅𝑒𝑣𝑒𝑛𝑢 + 𝑒𝑟𝑟𝑒𝑢𝑟

• Variable endogène • Coefficients de • Variable exogène • Appelée aussi « bruit ».

• Variable à expliquer régression • Variable explicative • Elle vient du fait que les
• Variable dépendante • Variable indépendante points ne sont jamais
• Variable « réponse » • Variable « régresseur » parfaitement alignés sur
une droite.

Pr. Anass TAHA – 2022 9

 a. Présentation du modèle (7/8)
Présentation du modèle : Exercice 1

Le tableau présente le revenu moyen par habitant sur 10 ans exprimé en dollars pour un pays.

Sachant que la propension marginale à consommer est 0,8 et que la consommation incompressible est 1 000, on
demande :

1. de calculer la consommation théorique sur les 10 ans ;

2. considérant que notre erreur d’observation suit une loi normale de
moyenne 0 et de variance 20 000, de générer cette variable aléatoire et de
calculer une consommation observée tenant compte de cette erreur.

Pr. Anass TAHA – 2022 10

 a. Présentation du modèle (8/8)
Présentation du modèle : exercice 1

1. La consommation théorique : 𝐶𝑖 = 1 000 + 0,8 𝑅𝑖 .

2. La génération de la variable aléatoire 𝜀𝑖 (𝜀𝑖 → 𝑁(0 ; 20 000)) est présenté en colonne 4.

3. La consommation « observée » : 𝐶𝑖 = 1 000 + 0,8 𝑅𝑖 + 𝜀𝑖

Note : la moyenne de 𝜀𝑖 et 𝑣𝑎𝑟, sont différentes des

valeurs théoriques. Cela est la conséquence du
tirage particulier d’un échantillon de taille assez
faible

Pr. Anass TAHA – 2022 11

 b. Estimation des paramètres (1/10)
Les estimateurs de 𝛽0 et 𝛽1

• Dans l’exercice précédent, les valeurs vraies 𝛽0 et 𝛽1 sont parfaitement connues.

• Dans la réalité, les valeurs vraies 𝛽0 et 𝛽1 sont inconnues, seules les deux séries d’observations 𝐶𝑖 et 𝑅𝑖 sont
connues.

Définition : Les estimateurs de 𝛽0 et 𝛽1 , notés respectivement 𝛽

෢0 et 𝛽
෢1 , sont des variables aléatoires, qui suivent

les mêmes lois de probabilité, celle de 𝜀𝑖 .

Pr. Anass TAHA – 2022 12

 b. Estimation des paramètres (2/10)
Hypothèses d’un modèle de régression linéaire

La régression linéaire suppose qu’un certains nombre d’hypothèses soient vérifiées.

• 𝑯𝟏 : Le modèle est linéaire en 𝑥𝑖 , avec 𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖 ;

• 𝑯𝟐 : Les valeurs 𝑥𝑖 sont observées sans erreur (𝑥𝑖 non aléatoire) ;

• 𝑯𝟑 : L’espérance mathématique de l’erreur est nulle, donc le modèle est bien spécifié : 𝐸 𝜀𝑖 = 0 ;

• 𝑯𝟒 : Toutes les erreurs ont la même variance : 𝑉 𝜀𝑖 = 𝜎𝜀2 (c’est l’hypothèse de l’homoscédasticité);

• 𝑯𝟓 : L’erreur est indépendante de la variable exogène : 𝐶𝑜𝑣 𝑥𝑖 , 𝜀𝑖 = 0;

• 𝑯𝟔 : Les erreurs relatives à deux observations sont indépendantes : 𝐶𝑜𝑣 𝜀𝑖 , 𝜀𝑗 = 0 (non autocorrélation des
erreurs) ;

• 𝑯𝟕 : L’erreur suit une loi normale centrée de variance 𝜎𝜀2 ∶ 𝜀𝑖 ~𝑁(0, 𝜎𝜀2 ) (l’hypothèse de normalité des erreurs) ;

Pr. Anass TAHA – 2022 13

 b. Estimation des paramètres (3/10)
Formulation des estimateurs

• 𝛽0 et 𝛽1 sont des paramètres inconnus non

observables, que l'on cherche à estimer.

• Trouver les estimateurs de 𝛽0 et 𝛽1 , revient à

trouver la droite qui passe « au plus près » de
toutes les observations (points en noirs).

Pr. Anass TAHA – 2022 14

 b. Estimation des paramètres (4/10)
Formulation des estimateurs : MCO

Définition : On appelle estimateurs des Moindres Carrés Ordinaires (MCO) 𝛽

෢0 et 𝛽
෢1 les valeurs minimisant la

quantité :

𝑛 𝑛

𝑀𝑖𝑛 𝑆 𝛽𝑜 , 𝛽1 = 𝑀𝑖𝑛 ෍ 𝜀𝑖2 = 𝑀𝑖𝑛 ෍ 𝑦𝑖 − 𝛽0 − 𝛽1 𝑥𝑖 2

𝑖=1 𝑖=1

• Autrement dit, la droite des moindres carrées minimise la somme des

carrées des distances verticales des points (𝑥𝑖 , 𝑦𝑖 ) du nuage à la droite de
régression de 𝑌 sur 𝑋 :
෢0 + 𝛽
𝑦ෝ𝑖 = 𝛽 ෢1 𝑥𝑖

Pr. Anass TAHA – 2022 15

 b. Estimation des paramètres (4/10)
Calcul des estimateurs MCO

• Afin de trouver le minimum de cette fonction, on dérive par rapport à 𝛽0 et 𝛽1 :

𝛿𝑆 ෢1 𝑥𝑖 = 0 et
෢0 − 𝛽 𝛿𝑆 ෢0 − 𝛽
෢1 𝑥𝑖 = 0
= −2 σ𝑛𝑖=1 𝑦𝑖 − 𝛽 = −2 σ𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − 𝛽
𝛿𝛽0 𝛿𝛽1

• On somme par rapport à 𝑖 et on obtient :

• D’où :

Pr. Anass TAHA – 2022 16

 b. Estimation des paramètres (5/10)
Estimation des coefficients de régression : exercice 2

• À partir des données du tableau de l’exercice 1, on demande de calculer les estimateurs 𝛽

෢0 et 𝛽
෢1 .

N 𝒙𝒊 𝒚𝒊 𝒙𝒊 − ഥ
𝒙 ഥ
𝒚𝒊 − 𝒚 (𝒙𝒊 −ഥ ഥ)
𝒙)(𝒚𝒊 − 𝒚 𝒙)𝟐
(𝒙𝒊 −ഥ

σ𝑛𝑖=1(𝑥𝑖 − 𝑥)(𝑦
ҧ 𝑖 − 𝑦)
ത 1 8000 7389,99 -3280 -2595,585 8513518,8 10758400
෢1 =
𝛽
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 2 9000 8169,65 -2280 -1815,93 4140309 5198400

3 9500 8831,71 -1780 -1153,87 2053880 3168400

50104729
= = 0.781 4 9500 8652,84 -1780 -1332,74 2372268 3168400
64156000
5 9800 8788,08 -1480 -1197,5 1772293 2190400

෢0 = 𝑦ത − 𝛽
෢1 𝑥ҧ 6 11000 9616,21 -280 -369,365 103422,2 78400
𝛽
7 12000 10593,45 720 607,875 437670 518400
= 1175.895
8 13000 11186,11 1720 1200,535 2064920 2958400

9 15000 12758,09 3720 2772,515 10313756 13838400

10 16000 13869,62 4720 3884,045 18332692 22278400

Somme 112800 99855,75 0 0 50104729 64156000

Moyenne 11280 9985,57 0 0 5010472 6415600

Pr. Anass TAHA – 2022 17
 b. Estimation des paramètres (6/10)
Propriétés des estimateurs

Deux propriétés importantes sont mises en avant dans l'évaluation d'un estimateur

Est-ce qu'il est sans biais? Est-ce qu'il est convergent?

On espère qu’en moyenne on obtient la vraie valeur du C'est-à-dire à mesure que la taille de l'échantillon
paramètre qu’on souhaite estimer. (Càd. l'estimateur ne se augmente, l'estimation devient de plus en plus précise.
trompe pas).
෢0 = 𝛽0 ?
𝐸 𝛽 ෢0 ) → 0
Lorsque 𝑛 → ∞, 𝑉(𝛽

෢1 = 𝛽1 ?
𝐸 𝛽 ෢1 ) → 0
Lorsque 𝑛 → ∞, 𝑉(𝛽

Pr. Anass TAHA – 2022 18

 b. Estimation des paramètres (7/10)
Propriétés des estimateurs

Théorème 1 : (à prouver)

෢0 et 𝛽
𝛽 ෢1 sont des estimateurs sans biais de 𝛽0 et 𝛽1

Théorème 2 : (à prouver)

Les variances des estimateurs des MCO sont respectivement :

𝑥ҧ 2 𝜎𝜀2
෢0 = 𝜎𝜀2 (1 + 𝑛
𝑉 𝛽 ෢1 = ( 𝑛
et 𝑉 𝛽
𝑛σ 𝑥 −𝑥ҧ 2) σ 𝑥 − 𝑥ҧ 2)
𝑖=1 𝑖 𝑖=1 𝑖

Tandis que la covariance

𝜎𝜀2 𝑥ҧ
෢0 , 𝛽
𝑐𝑜𝑣 𝛽 ෢1 =
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2

 Les estimateurs des MCO sont convergents.

Pr. Anass TAHA – 2022 19
 b. Estimation des paramètres (8/10)
Estimation de l’erreur

• 𝜀𝑖 l’erreur inconnue introduite dans la spécification du modèle théorique :

𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖 (1)

• Modèle estimé à partir d’un échantillon d’observations :

෢0 + 𝛽
𝑦𝑖 = 𝛽 ෢1 𝑥𝑖 + 𝜀ෝ𝑖 = 𝑦ෝ𝑖 + 𝜀ෝ𝑖 (2)

Ainsi, on déduit l’erreur observée 𝜀ෝ𝑖 , appelée « résidu », qui représente la différence entre les valeurs observées
de la variable à expliquer et les valeurs ajustées à l’aide des estimations des coefficients du modèle :
𝜀ෝ𝑖 = yi − 𝑦ෝ𝑖

Pr. Anass TAHA – 2022 20

 b. Estimation des paramètres (9/10)
Estimation de l’erreur : Exercice 3

• Calculer la moyenne du N 𝒙𝒊 𝒚𝒊 𝒙𝒊 − ഥ
𝒙 ഥ
𝒚𝒊 − 𝒚 (𝒙𝒊 −ഥ ഥ)
𝒙)(𝒚𝒊 − 𝒚 𝒙)𝟐
(𝒙𝒊 −ഥ 𝜀ෝ𝑖
résidu 1 8000 7389.99 -3280 -2595.585 8513518.8 10758400 -33.91

2 9000 8169.65 -2280 -1815.93 4140309 5198400 -35.25

𝜀𝑖Ƹ = 𝑦𝑖 − 𝛽መ0 − 𝛽መ1 𝑥𝑖 3 9500 8831.71 -1780 -1153.87 2053880 3168400 236.31

4 9500 8652.84 -1780 -1332.74 2372268 3168400 57.44

𝛽መ0 = 1175.895 5 9800 8788.08 -1480 -1197.5 1772293 2190400 -41.62

6 11000 9616.21 -280 -369.365 103422.2 78400 -150.69

𝛽መ1 = 0.781 7 12000 10593.45 720 607.875 437670 518400 45.56

8 13000 11186.11 1720 1200.535 2064920 2958400 -142.79

9 15000 12758.09 3720 2772.515 10313756 13838400 -132.81

10 16000 13869.62 4720 3884.045 18332692 22278400 197.73

Somme 112800 99855.75 0 0 50104729 64156000 0

Moyenne 11280.00 9985.58 0 549452 5185973 6415600 0

Pr. Anass TAHA – 2022 21
 b. Estimation des paramètres (10/10)
Propriété de l’erreur

• L’expression de l’erreur observée (résidu) est donnée par : 𝜀ෝ𝑖 = 𝑦𝑖 − 𝛽

෢0 − 𝛽
෢1 𝑥𝑖

• En sommant les résidus, on obtient :

• Donc : σ𝑛𝑖=1 𝜀ෝ𝑖 = 0 , Cela indique que l’hypothèse H3 est vérifiée : 𝐸 𝜀ෝ𝑖 = 0

Pr. Anass TAHA – 2022 22

 c. Tests d’hypothèses et intervalle de confiance (1/)
Erreur type (standard) des estimateurs

Définition 1 : L'écart type d'une estimation est appelé erreur type. Il mesure le degré de précision de l'estimation
de la valeur inconnue du coefficient par le modèle. Plus l'erreur type est petite, plus l'estimation est précise.

Théorème 1 : l’estimateur sans biais de la variance de l’erreur (𝜎𝜀2 ) noté 𝜎ො𝜀2 est égal à :

2
2
σ𝑛𝑖=1 𝜀ෝ𝑖
𝜎ො𝜀 =
𝑛−2

Pr. Anass TAHA – 2022 23

 c. Tests d’hypothèses et intervalle de confiance (2/)
Erreur type (standard) des estimateurs

Ce qui nous permet de déduire les estimateurs empiriques des coefficients en remplaçant la variance des erreurs
par son estimateur :

1 𝑥ҧ 2 𝜎ො𝜀2
𝜎ො𝛽෡2 = 𝜎ො𝜀2 + 2
et 𝜎ො𝛽
෡1 = ( 𝑛 )
0 𝑛 σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 σ 𝑖=1 𝑥𝑖 − 𝑥ҧ 2

l’erreur type d’un estimateur = estimation de son écart type :

1 𝑥ҧ 2 𝜎ො𝜀2
𝜎ො𝛽෡ = 𝜎ො𝜀2 + et 𝜎ො𝛽෡ = ( 𝑛 )
0 𝑛 σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 1 σ𝑖=1 𝑥𝑖 − 𝑥ҧ 2

Pr. Anass TAHA – 2022 24

 c. Tests d’hypothèses et intervalle de confiance (3/)
Erreur type (standard) des estimateurs : exercice 4

• Calculer 𝜎ො𝜀2 puis déduire 𝜎ො𝛽෡2 et 𝜎ො𝛽෡1

1

N 𝒙𝒊 𝒚𝒊 𝒙𝒊 − ഥ
𝒙 ഥ
𝒚𝒊 − 𝒚 (𝒙𝒊 −ഥ ഥ)
𝒙)(𝒚𝒊 − 𝒚 𝒙)𝟐
(𝒙𝒊 −ഥ 𝜀ෝ𝑖 𝜺ෝ𝒊 𝟐

1 8000 7389.99 -3280 -2595.585 8513518.8 10758400 -33.91 1149.549

2 9000 8169.65 -2280 -1815.93 4140309 5198400 -35.25 1242.21

3 9500 8831.71 -1780 -1153.87 2053880 3168400 236.31 55844.78

4 9500 8652.84 -1780 -1332.74 2372268 3168400 57.44 3299.928

5 9800 8788.08 -1480 -1197.5 1772293 2190400 -41.62 1731.808

6 11000 9616.21 -280 -369.365 103422.2 78400 -150.69 22705.97

7 12000 10593.45 720 607.875 437670 518400 45.56 2075.258

8 13000 11186.11 1720 1200.535 2064920 2958400 -142.79 20387.56

9 15000 12758.09 3720 2772.515 10313756 13838400 -132.81 17637.17

10 16000 13869.62 4720 3884.045 18332692 22278400 197.73 39095.18

Pr. Anass TAHA – 2022 25

 c. Tests d’hypothèses et intervalle de confiance (4/)
Erreur type des estimateurs : exemple
𝜺ෝ𝒊 𝟐
2
σn
i=1 εෝi 165169.40 1149.549
On a : ෝ2ε
σ = = =20646.18
n−2 10−2
1242.21
Sachant que : σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2
= 64156000 55844.78

3299.928
ෝ𝜀2
𝜎 20646.18
On a : 𝜎ො𝛽෡2 = σ𝑛
= = 0,0003218
1 𝑖=1 𝑥𝑖 −𝑥ҧ
2 64156000 1731.808

22705.97
Donc 𝜎ො𝛽෡1 = 𝜎ො𝛽෡2 = 0,0003218 = 0.0179 2075.258
1

20387.56

17637.17
Le coefficient estimé 𝛽መ1 est précis. 39095.18

165169.40

Pr. Anass TAHA – 2022 26

 c. Tests d’hypothèses et intervalle de confiance (5/)
Conséquences de l’hypothèse de normalité des erreurs (H7)

L’hypothèse de normalité des erreurs implique que :

𝛽መ1 − 𝛽1 𝛽መ0 − 𝛽0
~ t n−2 et ~ t n−2
𝜎ො𝛽෡1 𝜎ො𝛽෡0

et que :

ෝ2ε
σ 2
(𝑛 − 2) 2 ~ 𝜒n−2
𝜎𝜀

Ceci implique que nous pouvons mettre en place des tests pour :

• tester la pertinence d’une variable explicative qui figure dans un modèle et sa contribution à l’explication
du phénomène que l’on cherche à modéliser ;

• Déterminer un intervalle de confiance pour un coefficient.

Pr. Anass TAHA – 2022 27

 c. Tests d’hypothèses et intervalle de confiance (6/)
Validation de la régression : Test bilatéral

Soit à tester, à un seuil de 𝟓%, l’hypothèse nulle 𝑯𝟎 ∶ 𝜷𝟏 = 𝟎 contre l’hypothèse alternative 𝑯𝟏 ∶ 𝜷𝟏 ≠ 𝟎.

෡1 −𝛽1
𝛽
• On a ෝ𝛽
~ t n−2
𝜎 ෡
1

෡
𝛽
• Sous 𝑯𝟎 : Le test d’hypothèses bilatéral consiste à comparer le ratio de Student empirique 𝑡 ∗ = 𝜎ෝ 1 , à la valeur
෡1
𝛽

𝑡 de Student lue dans la table à 𝑛 – 2 degrés de liberté et pour un seuil de probabilité égal à 𝛼 = 5%.

𝛼
• Si 𝑡 ∗ > 𝑡𝑑𝑑𝑙 , nous rejetons 𝑯𝟎 : càd. le coefficient
2

théorique et inconnu 𝜷𝟏 est significativement différent

de 0.
• ⟹ la variable exogène X est significatif et contribue à
l’explication de la variable endogène 𝑌
Pr. Anass TAHA – 2022 28
 c. Tests d’hypothèses et intervalle de confiance (7/)
Validation de la régression : Test unilatéral

Soit à tester, à un seuil de 𝟓%, l’hypothèse nulle 𝑯𝟎 ∶ 𝜷𝟏 = 𝟎 contre l’hypothèse alternative 𝑯𝟏 ∶ 𝜷𝟏 > 𝟎 ou
𝜷𝟏 < 𝟎.

෡
𝛽
• Sous 𝑯𝟎 : Le test d’hypothèses unilatéral consiste à comparer le ratio de Student empirique 𝑡 ∗ = 𝜎ෝ 1 , à la
෡1
𝛽

valeur 𝑡 de Student lue dans la table à 𝑛 – 2 degrés de liberté et pour un seuil de probabilité égal à 𝛼 = 5%.

• Si 𝑡 ∗ > 𝑡𝑑𝑑𝑙
𝛼
, nous rejetons 𝑯𝟎 : càd. le coefficient
théorique et inconnu 𝜷𝟏 est significativement différent
de 0.

• Note : la table de Student est tabulée pour les tests

bilatéraux, il faut donc lire à 10% = 2 × 0,05.
Pr. Anass TAHA – 2022 29
 c. Tests d’hypothèses et intervalle de confiance (8/)
Intervalle de confiance

L’intervalle de confiance de 𝛽1 est donnée par :

𝛼 𝛼
𝑃 𝛽መ1 − 2
𝑡𝑛−2 𝜎ො𝛽෡1 ≤ 𝛽1 ≤ 𝛽መ1 + 2
𝑡𝑛−2 𝜎ො𝛽෡1 =1−𝛼

Ou simplement
𝛼
𝛽መ1 ± 2
𝑡𝑛−2 𝜎ො𝛽෡1

Pr. Anass TAHA – 2022 30

 c. Tests d’hypothèses et intervalle de confiance (9/)
Intervalle de confiance

L’intervalle de confiance de 𝛽0 est donnée par :

𝛼 𝛼
𝑃 𝛽መ0 − 2
𝑡𝑛−2 𝜎ො𝛽෡0 ≤ 𝛽0 ≤ 𝛽መ0 + 2
𝑡𝑛−2 𝜎ො𝛽෡0 =1−𝛼

Ou simplement
𝛼
𝛽መ0 ± 2
𝑡𝑛−2 𝜎ො𝛽෡0

Pr. Anass TAHA – 2022 31

 c. Tests d’hypothèses et intervalle de confiance (10/)
Test de coefficient et intervalle de confiance : exercice 5

En reprenant les résultats des exercices précédant, on demande de répondre aux questions suivantes.

1. La propension marginale à consommer est-elle significativement différente de 0 ?

2. Quel est l’intervalle de confiance au seuil (ou niveau) de 95 % pour la propension marginale à consommer ?

1. Dans le cas d’une réponse négative – le coefficient n’est pas significativement différent de 0 – la variable
explicative Revenu ne sera pas considérée comme étant explicative de la consommation puisque son
coefficient de pondération est nul.

Ce problème peut être formulé à l’aide de la théorie des tests à partir des deux hypothèses suivantes :
𝑯𝟎 ∶ 𝜷𝟏 = 𝟎
𝑯𝟏 ∶ 𝜷𝟏 ≠ 𝟎

Pr. Anass TAHA – 2022 32

 c. Tests d’hypothèses et intervalle de confiance (10/)
Test de coefficient et intervalle de confiance : exercice 5
𝛼
෡1
𝛽
Sous 𝑯𝟎 : le ration de Student 𝑡𝛽෡∗ = ෝ𝛽
∽ 𝑡𝑛−2 , nous avons déjà calculer 𝛽መ1 = 0.781 et 𝜎ො𝛽෡1 = 0.0179
2
1 𝜎 ෡
1

• En profitant de la symétrie de la loi de Student, la règle de décision pour un seuil 𝛼 = 0,05 est alors la suivante :

෡
𝛽 0.781
o 𝑡𝛽෡∗ = 𝜎ෝ 1 = 0.0179 = 43.6 > 𝑡80.025 = 2,306
1 ෡1
𝛽

Donc 𝛽1 ≠ 0 (càd. la propension marginale à consommer est donc significativement différente de 0, la variable
Revenu est bien explicative de la variable Consommation).

Pr. Anass TAHA – 2022 33

 c. Tests d’hypothèses et intervalle de confiance (10/)
Test de coefficient et intervalle de confiance : exercice 5

2. L’intervalle de confiance de 𝛽1 pour un seuil 𝛼 = 0.95 est :

𝛼
𝛽1 = 𝛽መ1 ± 2
𝑡𝑛−2 𝜎ො𝛽෡1

0.781 ± 2.304 × 0.0179

Nous avons donc un risque de 5% que le véritable coefficient 𝛽1 se trouve à l’extérieur de l’intervalle [0.74 ; 0.82]

Remarque : nous constatons que 0 ne figure pas dans cet intervalle de confiance, ce qui est bien entendu
cohérent avec la question précédente.

Pr. Anass TAHA – 2022 34

Fin de la partie 02