SANA BEN SALAH 10/08/2024

Économétrie
3ème LFF

SANA BEN SALAH

[email protected]

2024/2025
SANA BEN SALAH 1

Plan
INTRODUCTION A L’ECONOMETRIE
Chapitre 1 : LE MODELE LINEAIRE SIMPLE
• Définition et écriture du modèle
• Estimation du modèle
• Propriétés des estimateurs
• Tableau d’analyse de la variance et mesure de la qualité d’ajustement
• Inférence statistique sur le modèle linéaire simple
• Prévision dans un modèle linéaire simple

SANA BEN SALAH 2

1
SANA BEN SALAH 10/08/2024

Plan

Chapitre 2: MODELE LINEAIRE MULTIPLE

• Le modèle
• Estimation du modèle
• Propriétés des estimateurs
• Tableau d’analyse de la variance et qualité d’ajustement
• Inférence statistique sur le modèle
• Prévision

SANA BEN SALAH 3

Plan

Chapitre 3 : LE MODELE LINEAIRE GENERAL ET QUASI-

GENERAL
• Le modèle général

• Le modèle quasi-général

• Modèle avec hétéroscédasticité

• Modèle avec autocorrélation des erreurs

SANA BEN SALAH 4

2
SANA BEN SALAH 10/08/2024

Introduction à l’économétrie
Définition
L’économétrie est un ensemble de techniques statistiques utilisées pour estimer des
relations économiques, évaluer ou implémenter des politiques publiques ou
industrielles. L’application la plus "visible" de l’économétrie est la prévision des
grands indicateurs économiques comme le taux de croissance du PIB ou des taux
d’intérêt.

Elle peut également être utilisée pour prévoir la demande adressée à un bien, évaluer
les effets d’une réforme, ...
SANA BEN SALAH 5

Introduction à l’économétrie
Les questions qu’on va se poser sont en général de la forme : "quelle est la relation
entre une variable Y et une variable X1 ? Ou entre Y et X2 ?" On formalise cela sous
la forme : Y = f(X1, . . . , Xk)

Le choix du modèle est déterminé directement par la théorie économique, ou

simplement issu de l’intuition économique. Dans pratiquement toute la suite de ce
cours, les variations de la variable d’intérêt Y sont supposées dépendre de variables
(X1, X2, . . . ) selon une relation linéaire. Plus précisément, on va écrire :

Y = β0+ β1X1+ β2X2 +. . .

SANA BEN SALAH 6

3
SANA BEN SALAH 10/08/2024

Introduction à l’économétrie
Les données disponibles:
Les données utilisées par l’économètre sont de plusieurs types, chacun soulevant des
problèmes spécifiques:
1. Les données en coupe : elles consistent en un échantillon de données sur des
salariés, des consommateurs, des pays... collectées à un moment donné du temps.
2. Les séries temporelles : elles consistent en des données sur une ou plusieurs
variables collectées à intervalles réguliers : les plus fréquentes sont les variables
macroéconomiques et les données financières.
3. Les données de panel : elles consistent en un échantillon de données sur des
salariés, des consommateurs, des pays,... collectées à intervalles réguliers du temps.
Elles fournissent donc l’histoire d’un ensemble d’individus à plusieurs dates.
SANA BEN SALAH 7

Introduction à l’économétrie
Ces données proviennent généralement d’échantillons supposés représentatifs issus
de la population totale. Cela signifie en particulier que l’on ne pourra calculer
qu’une estimation des paramètres à partir de cet échantillon ; il n’est jamais certain
qu’on "identifie" le vrai paramètre.

Nous allons discuter ces notions plus en détail.

SANA BEN SALAH 8

4
SANA BEN SALAH 10/08/2024

Introduction à l’économétrie
Paramètre estimé, vrai paramètre
Comment estimer les paramètres ?
Tout d’abord, en terme pratique, il s’agit de calculer des estimateurs des paramètres
βj du modèle. Nous allons dans une première partie présenter une procédure
d’estimation simple, celle des moindres carrés ordinaires.
Quelles sont leurs propriétés statistiques ?
Au delà de la question "technique" du calcul des estimateurs, il faut s’interroger sur
leurs propriétés statistiques. En fait, il s’agit de savoir si on estime "bien" les "vrais"
paramètres βj.
Les notions auxquelles on se réfère ici sont celles de l’inférence statistique. Il faut se
souvenir que ce paramètre est estimé à partir d’un échantillon donné, c’est-à-dire un
nombre fini N d’observations pour lesquelles on dispose des mesures des variables
qui nous intéressent. SANA BEN SALAH
9

Introduction à l’économétrie
Même s’il est tiré aléatoirement, cet échantillon est rarement parfait : il y a toujours
un risque qu’il ne soit pas exactement représentatif de la population qu’il est censé
représenter.
Le paramètre estimé à partir d’un échantillon ne correspondra donc pas exactement
au vrai paramètre. Il est a priori dépendant de l’échantillon à partir duquel il a été
calculé : si on utilise deux échantillons différents pour estimer les mêmes
paramètres, il y a de grandes chances pour que les deux estimations soient
différentes.
On va alors s’intéresser à la distribution de ce paramètre. Pour bien comprendre ce
dont il s’agit, il faut imaginer qu’on puisse disposer d’un très grand nombre
d’échantillons tirés à partir de la même population initiale, et qu’on calcule à partir
de chacun de ces échantillons un estimateur du même paramètre : la distribution de
notre estimateur correspond à la manière dont cet ensemble de valeurs se répartit. 10
10

5
SANA BEN SALAH 10/08/2024

Introduction à l’économétrie
La première propriété attendue d’un estimateur est qu’il soit sans biais, c’est-à-dire
que son espérance soit égale au "vrai" paramètre.
Une autre propriété importante est qu’il soit convergent, c’est-à-dire que si la taille
de l’échantillon augmente, le risque de se tromper diminue : à la limite, si on
pouvait observer tout le monde, on s’attend à trouver le vrai paramètre.
Dans la réalité, on ne dispose que d’un seul échantillon, de taille finie, et donc d’un
seul estimateur. Il est nécessaire de pouvoir établir un "diagnostic" à partir de cet
estimateur : est ce qu’on est très loin de la vraie valeur ? Pour cela, la moyenne, ou
l’espérance du paramètre ne suffit pas : il faut connaître toute la distribution du
paramètre. Il sera alors possible de calculer un intervalle de confiance, c’est-à-dire
un intervalle de valeurs auquel le vrai paramètre appartient avec une probabilité
donnée. SANA BEN SALAH 11

11

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

• Y = f (X) où f est une fonction linéaire
• Y : variable dépendante à expliquer
• X : variable explicative ou variable exogène

I. Définition et écriture du modèle

Soient X et Y deux variables observées n fois.
Pour l’ensemble des données (yi,xi) i=1,…,n, le modèle s’écrit : yi  a  bx i  u i
avec U un terme aléatoire qui représente l’erreur ou la perturbation.
Ce terme est introduit pour tenir compte de l’ensemble des variables omises dans le
modèle.

SANA BEN SALAH 12

12

6
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

On suppose que :
• H1: l’exogène X n’est pas stochastique (X n’est pas aléatoire)

• H2 : E  u i   0 i

• H3 : V  ui   2 i

 
COV u i ,u j  0 i  j , ce qui signifie que ui et uj sont non corrélées

 
• H4 : u i ~ N 0, 2 i : hypothèse supplémentaire nécessaire pour l’inférence
statistique .

SANA BEN SALAH 13

13

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Ecriture matricielle :
 y1   u1 
y1  a  bx1  u1    
 .  .
y 2  a  bx 2  u 2 Avec : Y n,1  ,U  
 .   n,1  . 
.    
 yn   un 
.
.
1 x1 
y n  a  bx n  u n  
1 x2  a 
X n,2   . .  et    
. .
Le modèle s’écrit : Y  X  U   b
1 x n 

SANA BEN SALAH 14

14

7
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Hypothèses :  E  u 1   0
   
.   . 
E  U     . 
.
 
 E  u    0 
 n   

COV  u 1 , u n     0 
2
 V  u1  COV  u1 , u 2  . . 0 . .
   
 . V u2  . . .   . 2 . . . 
V U    . . . . .  . . . .
 2
.    In
  
 . . . . .   . . . . 0 
 . V u n    
 . . .   . . . .  2 


U ~ N n 0, 2 I n  (vecteur gaussien)
SANA BEN SALAH 15

15

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Aléatoire Non aléatoire

Observable Y X

Non observable U a et b

SANA BEN SALAH 16

16

8
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

II. Estimation du modèle

Soit le modèle linéaire simple (m.l.s) : yi  a  bx i  u i pour i=1,…,n; avec:

• H1: l’exogène X n’est pas stochastique (X n’est pas aléatoire)

• H2 : E  u i   0 i


• H3 : V  ui   2 inconnue et COV u i ,u j  0 i  j 

• H4 : u i ~ N 0, 2 i 
SANA BEN SALAH 17

17

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

II.1.Estimation par la méthode des moindres carrés ordinaires (MCO)

On ne considère le modèle qu’avec les hypothèses H1 ; H2 et H3.

On appelle estimateur des MCO de a et b les statistiques â et b̂ qui minimisent en a

et b la fonction :
n n
Q  a,b   
i 1
u i2    y  a  bx 
i 1
i i
2

SANA BEN SALAH 18

18

9
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Calcul de â et b̂ :
n
Min Q  a,b     y  a  bx 
i 1
i i
2


  Q  a, b 
 a  aˆ 0 1
 a
 b  bˆ


  Q  a, b 
 b a  aˆ 0  2
 b  bˆ

SANA BEN SALAH 19

19

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

n
 2    xi  yi  Y  bX ˆ 0
ˆ  bx
i
i 1
n n n n
 i 1
x i yi  Y 
i 1
ˆ
x i  bX 
i 1
x i  bˆ x
i 1
2
i 0

n n n

 x y  nXY
y xnXY i i   x  X  y  Y 
i i i i
ˆ
d 'où b  i 1 i 1 i 1
Sxy
b̂  n  

 
n n
S2x

2 2

 xi  X 
2 x 2 nX 2
x i  nXi
i 1
i 1 i 1

SANA BEN SALAH 20

20

10
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Avec SXY : covariance empirique entre X et Y : SXY   XY SX SY où ρXY désigne

le coefficient de corrélation linéaire empirique entre X et Y.
SX²: variance empirique de X.
Alors b̂ peut s’écrire comme suit :

Remarque: on montre facilement que:

b̂ 
 x  X y   y  Y x
i i i i
b
  x  X        b    x  X  
i i i i

 x  X x  X x  X  x  X
2 2 2 2
i i i i
SANA BEN SALAH 21

21

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Y
Interprétation géométrique :
On représente tous les couples (xi,yi), i=1,…,n ˆ
ŷ  aˆ  bx
dans l’espace des variables (X,Y), on obtient un
.
nuage de points qu’on essaie d’approximer par une
.. . ...
droite du type y=a+bx. yn . .. . ... .
La meilleure droite du type y=a+bx est celle qui . . . .
ei  uˆ i  y i  yˆ i . . . .
minimise en a et b la somme des carrés des yi . . . .. .. . .
écarts entre la valeur réellement observée et la
ŷ i
ei
. . ... . ..
valeur donnée par la droite des moindres . . .
carrés. .. . .. . . .
â : ordonnée à l’origine .. .
. . . . ..
y1
b̂ : pente de la droite
La différence entre la valeur observée et la valeur â .
estimée par la droite représente l’estimation de
l’erreur appelée résidu : ei  uˆ i  y i  yˆ i x1 xi xn X
SANA BEN SALAH 22

22

11
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

II.2. Estimation par la méthode de maximum de vraisemblance (M.M.V)

En considérant l’hypothèse supplémentaire H4 sur le modèle, on aura :


yi  N a  bx i ; 2  i
Calcul de la vraisemblance:
n

L y1, y 2 ,...y n ;a, b,  2
   f  yi ;a, b, 2 
i 1


où f yi ;a, b,  2  1
 2
 1 2
exp   2  yi  a  bx i  
 2 
n  1 
  n
 L y1, y 2 ,...y n ;a, b,  2   2   2 2 2
 
exp   2
 2   yi  a  bxi 2 
 23
 
23

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

II.2.a. Principe de la M.M.V


a,b, 2 

Max  Log L y1, y 2 ,...y n ;a, b, 2 
 
Avec :

  
n
2
 n
2
1
Log  L y1, y 2 ,...y n ;a, b, 2    Log  2   Log  2  2
2
    y  a  bx 
i i
2

 n 
1
Max  Log  L    Max   Log 2  2
 2 2
    yi  a  bxi 2  
 
SANA BEN SALAH 24

24

12
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

II.2.b. Calcul des estimateurs de maximum de vraisemblance
  y  a  bx   0
1
 1  2 i i
 2 2
  Log  L  a  a
 a b  b
0 1
1



2   2  2 
2 2
2  x  y  a  bx   0
i i i



n
  y  a  bx 
C.N.   Log  L  a  a 1 2
 0  2  3  2
 4 i i 0
 b b  b 2 2
 2   2


 Somme des carrés
  Log  L  a  a des résidus
 2 b  b
0  3
 
 2   2

25

25

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Remarque : les estimateurs de maximum de vraisemblance de a et b coïncident avec

ceux des MCO.

Principe de M.V :
   
Max  Log  L    Max  
a,b a,b 

 yi  a  bxi 2   Min  yi  a  bxi 2 


a,b 




 principe des MCO

SANA BEN SALAH 26

26

13
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

III. Propriétés des estimateurs des MCO (sous les hypothèses H1, H2 et H3)
P1 : â et bˆ sont deux estimateurs sans biais de a et b : E  aˆ   a et E bˆ  b 
P2 :  uˆ  0 i et  uˆ x  0
i i i (d’après les équations normales)

P3 : V  aˆ  
2 x 2
i

  
2 1 X2


n 2
x  X   x i  X  
n 2
i 
2

V bˆ 
  ˆ bˆ 
et COV a,
 2 X
x  X
2

  xi  X 
2
i

P4 : ˆ 2
S 2 û est un estimateur sans biais de la variance de l’erreur.
2
i
n2 SANA BEN SALAH
27

27

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

III. Propriétés des estimateurs
â et bˆ sont deux estimateurs sans biais avec V  aˆ   0 et V bˆ
n 
  n

0
â et bˆ sont convergents.

Théorème de Gauss-Markov
Parmi les estimateurs linéaires sans biais, les estimateurs des MCO sont à
variance minimale c.-à-d il n'existe pas d'autres estimateurs linéaires sans biais
présentant une plus petite variance.
Les estimateurs des MCO sont dits BLUE (best linear unbiased estimator). Ce sont
des estimateurs efficaces.
SANA BEN SALAH 28

28

14
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

IV. Tableau d’analyse de la variance et mesure de la qualité d’ajustement

Soit : yi  a  bx i  u i

Avec : E  ui   0
V  u i   2 i


COV ui , u j  0  i  j

SANA BEN SALAH 29

29

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

IV.1. Tableau d’analyse de la variance
Equation d’analyse de la variance:

  y  Y    y  yˆ  yˆ  Y    uˆ    yˆ  Y   uˆ  yˆ  Y 
2 2 2 2
i i i i i i 2 i i
 
0

 y  Y   yˆ  Y   uˆ
1 2 1 2 1 2 ˆ
i  i  i avec Y  Y d’après les équations
n n n normales
S2Y  S2Yˆ  S2uˆ
VT  VE  VR
L’équation d’analyse de la variance peut être présentée sous cette forme:

 y  Y   yˆ  Y    uˆ
2 2 2
i i i

SCT  SCE  SCR 30

30

15
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Tableau d’analyse de la variance (ANOVA):
Source de Somme des Degré de Somme des carrés
variation carrés liberté moyens
X SCE 1 SCE/1
U SCR n-2 SCR/(n-2)
Y SCT n-1 SCT/(n-1)

  y  Y    y  nY
2 2 2
Avec: SCT  i i

SCE    yˆ  Y   bˆ   x  X 
2 2 2
i i

SCR   uˆ  SCT  SCE

2
i 31

31

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

IV.2. Qualité d’ajustement
On appelle coefficient de détermination et on note R2 la part des variations de Y
VE SCE SCR
expliquée par le modèle de régression: R 2   1 avec: 0  R 2  1
VT SCT SCT

R2 peut alors être vu comme un indicateur de la mesure de la qualité d’ajustement

du modèle. En effet, plus la somme des carrés des résidus (SCR) est faible par
rapport à la SCT plus le rapport SCR/SCT va tendre vers 0 et plus R2 va tendre vers
1 donc meilleure sera la qualité d’ajustement du modèle:
R 2 1  Bon ajustement
R 2  0  Mauvais ajustement SANA BEN SALAH 32

32

16
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Remarques :
• Dans le cadre d’un modèle linéaire simple du type : yi=a+bxi+ui , le coefficient de
détermination est égal au carré du coefficient de corrélation linéaire entre X et Y :
2XY  R 2

• Dans un modèle sans terme constant du type : yi=axi+ui , R2 ne mesure pas la qualité
d’ajustement. Dans ce cas, R2 peut être négatif, il peut être supérieur à 1 et il est
différent de 1-(SCR/SCT). On ne parle plus d’équation d’analyse de la variance et
SCT ≠ SCE + SCR.
SANA BEN SALAH 33

33

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

V. Inférence statistique sur le modèle linéaire simple

On considère en plus de H1, H2 et H3 l’hypothèse H4.

V. 1. Loi des estimateurs:

a. Loi de b̂

b̂ 
 x  X y
i i
c’est une fonction linéaire d’une loi normale donc:
 x  X
2
i
 
2 b̂  b
b̂  N  b , 2
 et  N  0,1

   xi  X    b̂
34

34

17
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

b. Loi de â
ˆ
â  Y  bX

â  N  a ,
2 x 2
i

 ,
â  a
 N  0,1
2


n
x  Xi 

â

Or â est inconnue car  est inconnue.

c. Loi de S2
S2 SCR
On montre que:  n  2  2
  2  n  2  ; avec S2  ˆ 2 
 n2 35
SANA BEN SALAH

35

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

V. 2. Intervalle de confiance:

a. Intervalle de confiance pour b

Sous les hypothèses H1; H2; H3 et H4 on a :

 
2
 a  b  N  b ,
ˆ
2


   xi  X    b̂  b  b̂
2   Student  n  2 
S
 b   n  2    n  22  n  2  S2 2
2
 n  2
 c  bˆ et S² sont indépendants
SANA BEN SALAH 36

36

18
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

On en déduit alors que:

b̂  b  


 xi  X 
2
b̂  b
  Student  n  2 
S S

 x  X
2
i

b̂  b
  Student  n  2 
ˆ b̂
S
avec : ˆ b̂  l’écart type estimé de b̂
 x  X
2
i SANA BEN SALAH 37

37

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

 b̂  b n 2 
P  t1n2   t1   1  
 2 
ˆ 2 
 b̂

 
P  bˆ  ˆ bˆ t1n2  b  bˆ  ˆ bˆ t1n2   1  
 2 2

 
IC1  b    bˆ  ˆ bˆ t1n2 
 2

avec t n 2 : quantile d’ordre 1 2 d’une loi de Student à (n-2) degrés de liberté.
1
2 SANA BEN SALAH 38

38

19
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

b. Intervalle de confiance pour a

De même on a:
 
IC1  a    aˆ  ˆ aˆ t1n2 
 2

avec : ˆ â 
S x 2
i
l’écart type estimé de â
 x  X
2
n
i

SANA BEN SALAH 39

39

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

c. Intervalle de confiance pour  2
S2
 n  2  2  n  2
2
 S2 
P  q1   n  2  2  q 2   1  
  
 
  n  2  S2  n  2  S2 
 
IC1  2  
 q2
;
q1



avec q1: valeur de d’une loi  2  n  2  ayant la probabilité 1 2 d’être dépassée

q2: valeur de d’une loi   n  2  ayant la probabilité
2 
2 d’être dépassée
40
SANA BEN SALAH

40

20
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

V. 3. Tests sur les paramètres: la statistique de Student
Soit le modèle : yi  0  1x i  i vérifiant les hypothèses H1, H2, H3 et H4.
Pour tester des valeurs sur un paramètre  à partir de l’estimateur ̂ , on cherche une
statistique de test.
On construit alors la statistique suivante dite statistique de Student ou t de Student:
ˆ  
Tˆ 
ˆ   ˆ ˆ
et on a:  Student  n  2 
ˆ ˆ
On distingue deux types de tests : les tests unilatéraux, et les tests bilatéraux.

SANA BEN SALAH 41

41

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

a. Test bilatéral sur un coefficient
Il s’agit de tester l’hypothèse nulle H0 :   contre l’hypothèse alternative H1:  
ˆ  
Sous H0 la statistique du test s’écrit : TˆC  et TˆC  Student  n  2 
ˆ ˆ

C
 n 2
Région critique du test au risque  : W  Tˆ  t1 2 
Si TˆC est dans la région critique, on a moins de  chances de se tromper en rejetant
l’hypothèse H0 (risque de première espèce).

SANA BEN SALAH 42

42

21
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

2
En pratique, on compare Tˆc à t1n 2:

si Tˆc  t1n2  rejet de H0:   au risque 

2

si Tˆc  t1n2  non rejet de H0:    au risque 

2
Non rejet
de H0

Rej H0 Rej H0

SANA BEN SALAH 43

43

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Test de significativité d’un paramètre

Un cas particulier du test bilatéral est le test de la significativité: on teste si le

paramètre considéré est significativement (à un seuil fixé) différent de zéro.

Il s’agit de tester H0 :   0 contre l’alternative H1:   0

ˆ
La statistique du test sous H0 s’écrit donc: TˆC 
ˆ ˆ
n 2
De même on compare Tˆc à t1 2

SANA BEN SALAH 44

44

22
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Ce test est d’une utilité particulière surtout lorsqu’il s’agit du paramètre de la pente,
en effet la significativité de la variable explicative est associée à la significativité de
son paramètre multiplicatif.

Pour un modèle du type yi  0  1x i  i , il s’agit de tester au risque :

H0 : 1  0  1 : non significatif  X n 'a pas un effet significatif sur Y

H1 : 1  0  1 : significatif  X a un effet significatif sur Y

SANA BEN SALAH 45

45

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Remarque:
Le test H0 :1  1 contre H1:1  1 peut être conçu comme un test de Fisher ou un
test d’analyse de la variance. En effet on a :
2
ˆ1  1  ˆ   
 Normale  0,1   1 1    2 1
ˆ  ˆ 
ˆ1  1 
2
1  1 
S2  F 1,n  2 
 n  2 2
 2  n  2 ˆ 2ˆ
 1

ˆ 1 et S² sont indépendants

SANA BEN SALAH 46

46

23
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

2
 ˆ  ˆ2
Sous H0 : 1  0 on a Fc   1   12  F 1, n  2 
 ˆ  ˆ ˆ
 ˆ1  1
Règle de décision:
𝑠𝑖 𝐹 > 𝑓 1, 𝑛 − 2 ⇒ 𝑟𝑒𝑗𝑒𝑡 𝑑𝑒 𝐻0 𝑎𝑢 𝑟𝑖𝑠𝑞𝑢𝑒𝛼
𝑠𝑖 𝐹 ≤ 𝑓 1, 𝑛 − 2 ⇒ 𝑛𝑜𝑛 𝑟𝑒𝑗𝑒𝑡𝑑𝑒 𝐻0 𝑎𝑢 𝑟𝑖𝑠𝑞𝑢𝑒𝛼

Ce test peut également être conçu comme instrument qui aide à tester le pouvoir
explicatif du modèle (vérifier si SCE est significative ou non). En effet:
 x  X
2
ˆ 12 ˆ 12 i SCE SCE
SCE
Fc      Fc  1  F 1, n  2 
S2 S 2
S2 SCR SCR
 n  2  n  2
x  X
2
i
SANA BEN SALAH 47

47

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Ce test peut également être utilisé pour tester la significativité du coefficient de

corrélation entre X et Y, en effet on a:
SCE
2XY  R 2 
SCT

 SCE  R 2 SCT R 2 SCT R2

 FC    F 1, n  2 

SCR  1  R 2 SCT  1  R 2 SCT 1  R 2 
 n  2  n  2

SANA BEN SALAH 48

48

24
SANA BEN SALAH 10/08/2024

SANA BEN SALAH 49

49

SANA BEN SALAH 50

50

25
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

Remarque :
En général, pour conclure au rejet ou non rejet d’une hypothèse, les logiciels
fournissent la P-valeur (ou P-value en anglais): la probabilité qu’une loi de Student
(i.e la loi de la statistique du test sous H0) prenne une valeur égale ou plus extrême
que celle observée. Cette P-value est directement liée au risque de première espèce :
on a P-value risque de se tromper en rejetant H0 alors qu’elle est vraie. Si la p-value
est petite, on rejette H0.
Concrètement, si on s’est fixé un seuil de signification α (par exemple 5%), on
conclut au rejet ou non rejet de H0 de la manière suivante :
si p  value    rejet de H0 au risque 
si p  value    non rejet de H0 au risque 

SANA BEN SALAH 51

51

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

b. Test unilatéral sur un coefficient

b.1. Test unilatéral à gauche

On souhaite tester H0:   contre H1:  

ˆ  
Sous H0, la statistique du test est: TˆC 
ˆ ˆ

Région critique: W  TˆC  t n 2 
si Tˆc  t n  2  rejet de H0 au risque 

si Tˆc  t n  2  non rejet de H0 au risque 

SANA BEN SALAH 52

52

26
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

b. Test unilatéral sur un coefficient

b.2. Test unilatéral à droite

On souhaite tester H0:   contre H1:  

ˆ  
Sous H0, la statistique du test est: TˆC 
ˆ ˆ
 2
Région critique: W  TˆC  t1n 
2
si Tˆc  t1n  rejet de H0 au risque 
2
si Tˆc  t1n  non rejet de H0 au risque 
SANA BEN SALAH 53

53

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

V. 4. Test sur  2
On souhaite tester H0: 2  2 contre H1: 2  2
2
Sous H0, la statistique du test est: q C   n  2  S   2  n  2 
2

 C
Région critique: W  q  q1 2 ou q  q 2 C

si q C  q1 2
ou q C  q  2
 rejet de H0 au risque 

si q 1 2
 qC  q  2
 non rejet de H0 au risque 
avec q1 2: valeur de d’une loi  2  n  2  ayant la probabilité 1   2 d’être dépassée
q : valeur de d’une loi  2  n  2  ayant la probabilité  d’être dépassée
2 2
SANA BEN SALAH 54

54

27
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

SANA BEN SALAH 55

55

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

SANA BEN SALAH 56

56

28
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

VI. Prévision dans un modèle linéaire simple

Soit yi  a  bx i  u i ; i  1,..., n vérifiant les hypothèses H1, H2, H3 et H4.
ˆ reste valable jusqu’à l’observation
Supposons que le modèle d’ajustement ŷi  aˆ  bx i

n+h avec h>0.

Connaissant la valeur de la variable explicative pour cette observation c’est-à-dire
xn+h, qu’elle serait la valeur de yn+h ?

SANA BEN SALAH 57

57

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

VI. 1. Prévision ponctuelle

ˆ
ŷ n  h  aˆ  bx nh

on définit l’erreur de prévision: e p  y n  h  yˆ n  h

Avec: E  ep   0
 2 
1  xnh  X 
V  
e p   e2p 2
  1   2


n
 xi  X  


si ep  0  sous  estimation
si ep  0  sur  estimation
SANA BEN SALAH 58

58

29
SANA BEN SALAH 10/08/2024

Chapitre 1 : LE MODELE LINEAIRE SIMPLE

VI. 2. Intervalle de Prévision
Un intervalle de prévision au risque α est un intervalle de confiance pour yn+h au risque α.


ep   y n  h  yˆ n  h   N 0, e2p 
y n  h  yˆ n  h
 N  0,1 
 
IP  y n  h    yˆ n  h  ˆ ep t1  
e p 1  2

S2
 n  2  2  n  2
2
1  xn h  X 
2
Avec ̂ep l’écart type estimé de l’erreur de prévision: ˆ ep  S 1 

 xi  X 
n 2

SANA BEN SALAH 59

59

30