Econométrie

Réalisé par : Prof-Mounir-

0609894048

L'économétrie est l’étude des phénomènes économiques en utilisant des méthodes

mathématiques et statistiques en vue de :

 Vérifier la validité des théories économiques

 Estimer les paramètres économiques Prof Mounir
 Prédire des résultats économiques 0609894048

Spécification

Estimation
Validation du
modèle Utilisation du
Choix des variable x et y
modèle
Calcule des paramètres
Choix la forme de liaison du modèle à travers des tests :
(Linaire/ log/ exponentiel) /students/Fisher prévision

Exemple introductif :

Revenu (X) 3000 4000 5000 6000 5500 6500 4000 7000 6000 3000

Consommation (Y) 2000 3500 5000 4000 5000 3000 3500 5000 5000 3000

Yi : Variable à expliquer = Variable dépendante = Variable endogène = variable ‘’ réponse ’

Xi : Variables explicatives = Variables indépendantes = Variables exogènes = variable ‘’

régresseur ’’

 Le problème est :
 Etudier si il ya une relation (corrélation) entre les deux variable ‘’X’’ et ‘’Y’’
 Quelle est la nature de cette relation

La corrélation : La corrélation mesure le degré de liaison entre deux phénomènes représentés

par des variables.
R (x ; y) = ρ (x ; y) = ( ; )
Prof Mounir
0609894048

Avec :

= et =

Cov(X ;Y)= ou Cov(X ;Y) =

= ou =

y= ou y=

Donc :

r (x ; y) = ou r (x ; y)=

TAF :

1. Tracer le nuage de points et le commenter :

2. Calculer le coefficient de corrélation simple :

Solution :

1. Les nuages des points :

Xi : revenu
Yi : consommation
 Prof Mounir
0609894048

Commentaire :

 D’après le graphique on observe que les variable ‘’X’’ et ‘’Y’’ sont corrélées
positivement

2. Calcule de coefficient de corrélation simple : r(x ; y)

r (x ; y)=
 Prof Mounir
0609894048
Ni Xi Yi
1 3000 2000 6000000 9000000 4000000
2 4000 3500 14000000 16000000 12250000
3 5000 5000 25000000 25000000 25000000
4 6000 4000 24000000 36000000 16000000
5 5500 5000 27500000 30250000 25000000
6 6500 3000 19500000 42250000 9000000
7 4000 3500 14000000 16000000 12250000
8 7000 5000 35000000 49000000 25000000
9 6000 5000 30000000 36000000 25000000
10 3000 3000 9000000 9000000 9000000
TOTAL 50000 39000 204000000 268500000 162500000

= = = 5000 = = 3900

–
r (x ; y)= =

r (x ; y)= = 0,6488

Soit une corrélation positive de 64,88 % entre le revenu et la consommation

Ro -1 0 1}

Exercice d’application :
Engrais X 16 18 23 24 28 29 26 31 32 34

Rendement Y 20 24 28 22 32 28 32 36 41 41

TAF :
1) Tracer le nuage de points. Commenter le graphique.

2) Calculer le coefficient de corrélation simple.

Prof Mounir
0609894048
Solution :

= = = 26,1 = = 30,4

Ni Xi Yi
1 16 20 320 256 400
2 18 24 432 324 576
3 23 28 644 529 784
4 24 22 528 576 484
5 28 32 896 784 1024
6 29 28 812 841 784
7 26 32 832 676 1024
8 31 36 1116 961 1296
9 32 41 1312 1024 1681
10 34 41 1394 1156 1681
TOTAL 261 304 8286 7127 9734
–
r (x ; y)=
 Prof Mounir
r (x ; y)= = 0,8929 0609894048

Soit une corrélation positive de 89,29 % entre le rendement et l’engrais

Chapitre 1 : Modèle de régression simple

 C’est un modèle qui cherche à établir un lien de causalité entre 2 variables : variable
dépendante (y), et variable indépendante (x).
- On distingue deux modèles :

 Modèle économique : c’est une écriture simplifié d’un phénomène économique.

Yi = b + a Xi ou Yi = ß0 + ß1 Xi

 Modèle économétrique :

Yi = ß0 + ß1 Xi + Ƹi
Variable endogène Coefficient ou Variable exogène Erreur ou Bruit ou
paramètres de perturbation
Variable à expliquer régression Variable explicative
-(Variable non
Variable dépendante (Les paramètres Variable indépendante observable)
Variable réponse sont inconnus) Variable régresseur

Droite de régression :

Ŷ 1 Xi
En utilisant la méthode des moindres carrés ordinaires MCO, on peut estimer les paramètres
ß0 et ß1. On obtient :

1= = ou

0= 1
 Prof Mounir
Exercice : 0609894048

Considérons le tableau suivant représentant le nombre de commandes selon le nombre de

visites :

Nombre des visites Nombre des commandes

2 23
3 27
5 28
9 39
10 39
12 45
15 51

1) Calculer le coefficient de corrélation

2) Montrer que :

1= =

3) Déterminer la droite de régression

4) déterminer le nombre de commandes si le nombre de visites est de 20

Solution :
1- Coefficient de corrélation :

I Xi yi xi.yi
1 2 23 46 4 529
2 3 27 81 9 729
3 5 28 140 25 784
4 9 39 351 81 1521
5 10 39 390 100 1521
6 12 45 540 144 2025
7 15 51 765 225 2601
Total 56 252 2313 588 9710

= = =8 = = 36

R= = = 0,994
 2- Montrer que : Prof Mounir
0609894048
1= =

1= =

= =

= =

3) Déterminer la droite de régression :

On a: Ŷ= 1 Xi

1= = = = 2,121

0= 1

0 = 36 – (2,121 8) = 19,032

Alors : Ŷ= 1 Xi

Ŷ= 19,032+ 2,121Xi

4) déterminer le nombre de commandes si le nombre de visites est de 20 :

Ŷ = 19,032+ 2,121.(20) = 61,452 commandes

Prof Mounir
0609894048
 Prof Mounir
0609894048
Exercice 2:
Une entreprise nous fournit sa quantité produite au titre de 1er semestre 2017 :

Mois Quantité
1 50
2 60
3 70
4 30
5 80
6 100

T.A.F :
1) y’a-t-il un rapport entre la quantité produite et le nombre des mois
2) déterminer l’équation de la droite de régression linéaire
3) tracer les nuages de points

Solution :

1. Pour déterminer le lien entre X et Y il faux calculer le coefficient de corrélation

r(x ;y) :

R (x; y) =

i xi yi xi.yi
1 1 50 50 1 2500
2 2 60 120 4 3600
3 3 70 210 9 4900
4 4 30 120 16 900
5 5 80 400 25 6400
6 6 100 600 36 10000
total 21 390 1500 91 28300

RO =
 Prof Mounir
0609894048
RO = = 0.594

- Soit une corrélation positive de 59,41 % entre le nombre des visites et le nombre de
commandes

2. L’équation de la droite budgétaire linéaire :

On a Ŷ= 1 Xi

1= =

0= 1 = 65 – = 38,001

Donc : Ŷ= 38,001 + 7,714 Xi

3. tracer les nuages de points :

 Coefficient de détermination :

Le coefficient de détermination linéaire de Pearson 2 est une mesure de la qualité de la

prédiction d'une régression linéaire. Il est égal au carré du coefficient de corrélation linéaire

= ou

0< 2< 0,5 : modèle faible et 0,5 < 2< 1 : modèle fort

o Equation d’analyse de la variance

SCT = SCE + SCR

Somme carrés totaux = somme carrés expliqués + somme carrés résiduelles
 Prof Mounir
= +
0609894048
o Propriétaires des estimations :

 V( = =

 V( = + )=

 Ƹ= = =

 La variance de l’erreur permet de montrer la dispersion des points par rapport à la ligne
de régression.

o Plus la variance est grande plus le modèle est faible

o Plus la variance est moindre plus le modèle est fort
 E (ê)= (estimation du moyen résidu)
o = – – – 1 Xi
o = – – 1 Xi)
o =
o =
o = 1

o = 1 Donc : =0
Exercice 3 :
Un sondage effectué auprès d’un échantillon révèle les données suivantes :

Age Dépenses quotidiens

15 95
19 97
20 101
21 105
45 74
49 70
54 65

T.A.F :
 Prof Mounir
1) Montrer que
0609894048
COV(x ; y)= =

V(x) = =

2) Représenter les nuages des points

3) Calculer le coefficient de corrélation

4) Donner le modèle économique, le modèle économétrique et démontrer les estimateurs

de la droite de régression

5) Déterminer la droite de régression

6) Calculer le coefficient de détermination

7) Comment peut-on améliorer le modèle ?

8) Donner le modèle proposé et calculer sa droite de régression et son coefficient de

détermination

Solution :
- 1) Montrons que :

COV(x ; y)= =

COV(x ; y)= =

COV(x Σx – Σx - Σ .yi + Σ
COV(x ; y) = Σx - Σx - Σ

COV(x; y) = Σx – n- n+n

COV(x ;y) = Σxi.yi - . n - . +n

COV(x;y) =

Donc : =
 Montrons que :

V(x) = =
V(x) =Σ x =Σ –2x + )
V(x) = Σ Σ x Σ
 V(x) = Σ Σx
V(x) = Σ +
Prof Mounir
0609894048
V(x) = Σ +
V(x) = Σ +
V(x) = Σ

Donc : =

2) Représenter les nuages des points

3) Calculer le coefficient de corrélation :

r(x ;y) =

i xi yi xi.yi

1 15 95 1425 225 9025

2 19 97 1843 361 9409

3 20 101 2020 400 10201

4 21 105 2205 441 11025

5 45 74 3330 2025 5476

6 49 70 3430 2401 4900

7 54 65 3510 2916 4225

TOTAL 223 607 17763 8769 54261

 Prof Mounir
0609894048
Méthode 2:

i xi yi xi- yi- (xi- )(yi- )

-
1 15 95 -16.857 8.286 139.677102 284.158449 68.657796
-
2 19 97 -12.857 10.286 132.247102 165.302449 105.801796
-
3 20 101 -11.857 14.286 169.389102 140.588449 204.089796
-
4 21 105 -10.857 18.286 198.531102 117.874449 334.377796
-
5 45 74 13.143 -12.714 167.100102 172.738449 161.645796
-
6 49 70 17.143 -16.714 286.528102 293.882449 279.357796
-
7 54 65 22.143 -21.714 480.813102 490.312449 471.497796
-
TOTAL 223 607 0.001 0.002 1574.28571 1664.85714 1625.42857

r (x ; y)=

r(x ;y) =

r(x;y) =

r(x;y) = = -0.956

4)
Modèle économique
Yi = ß0 + ß1Xi
Modèle économétrique
Yi = ß0 + ß1Xi + Ƹi

Estimations des coefficients

5) Déterminer la droite de régression :

 On a Ŷ= 1 Xi Prof Mounir
0609894048
1= =

0= 1 = 86.714 – = 116.818

Donc : Ŷ= 116.818 -0.945 Xi

6) Calculer le coefficient de détermination :

On a: =

Avec: et

i xi yi Ŷ
1 15 95 102.643 58.415
2 19 97 98.863 3.471
3 20 101 97.918 9.499
4 21 105 96.973 64.433
5 45 74 74.293 0.086
6 49 70 70.513 0.263
7 54 65 65.788 0.620944
TOTAL 223 607 136.788

= 0.915

 Interprétation : 0,5 < 2 < 1 : donc le modèle est fort ce qui signifie que la variation
de X a explique la variation de Y à hauteur de 91,57%, et la partie de 8.43% non
expliquer par X

7) On peut améliorer le modèle en divisant cet échantillon en 2 sous-échantillons.

8) Donner le modèle proposé et calculer sa droite de régression et son coefficient de
détermination :
1er sous-échantillon

xi yi xi.yi xi2 yi2 Ŷ

15 95 1425 225 9025 93.991 1.018081 20.25

19 97 1843 361 9409 99.867 8.219689 6.25

20 101 2020 400 10201 101.336 0.112896 2.25

21 105 2205 441 11025 102.805 4.818025 30.25

75 398 7493 1427 39660 14.169 59

 Prof Mounir
La droite de régression : Ŷ= 1 Xi 0609894048

ET

1= = = = 1.469

0= 1 99.5 – 1.469 = 71.956

Donc : Ŷ= 71.956 + 1.469 Xi

Coefficient de détermination :

2= = = 0.759

Interprétation : 0,5 < 2 < 1 : donc le modèle de 1er sous-échantillon est fort ce qui signifie
que l’équation de la droite de régression détermine 75,98% la distribution des points.

2ème sous-échantillon

xi yi xi.yi xi2 yi2 Ŷ

45 74 3330 2025 5476 138.061 4103.81172 650.25

49 70 3430 2401 4900 143.937 5466.67997 870.25

54 65 3510 2916 4225 151.282 7444.58352 1190.25

148 209 10270 7342 14601 17015.075 2710.75

ET

1= = = = -0.993

Interprétation : Le modèle de 2eme sous-échantillon est parfait, ce qui signifie que l’équation
de la droite de régression détermine 99.3 % la distribution des points.
 Prof Mounir
0609894048

Solution (exercice 1) :
1.

Déjà fait (voir page 5)

2.
a. Droite de régression de X en fonction de Y :

= 1 Yi

1= = = = 0.765

24.133 et

0= = 24.133 = -23.704

= -23.704 + 0.765 Yi
 b. Droite de régression de Y en fonction de X :

= 1 Xi Prof Mounir
0609894048
1= = =

0= = 62.533 - 31.691

= 31.691+ 1.278 Xi

Solution (exercice 2) :

yi
20
18
16
14
12
10
yi
8
6
4
2
0
0 2 4 6 8 10 12 14 16

Prof Mounir
0609894048
 Prof Mounir
0609894048

n xi yi xi- yi- (xi- yi-

1 3 8 -5.583 -4.916 27.446 31.170 24.167 12.318 18.645
2 4 9 -4.583 -3.916 17.947 21.004 15.335 12.425 11.731
3 6 10 -2.583 -2.916 7.532 6.672 8.503 12.639 6.964
4 7 13 -1.583 0.084 -0.133 2.506 0.007 12.746 0.065
5 9 15 0.417 2.084 0.869 0.174 4.343 12.96 4.162
6 10 14 1.417 1.084 1.536 2.008 1.175 13.067 0.870
7 9 13 0.417 0.084 0.035 0.174 0.007 12.96 0.002
8 11 16 2.417 3.084 7.454 5.842 9.511 13.174 7.986
9 12 13 3.417 0.084 0.287 11.676 0.007 13.281 0.079
10 13 19 4.417 6.084 26.873 19.510 37.015 13.388 31.495
11 15 6 6.417 -6.916 -44.380 41.178 47.831 13.602 57.790
12 4 19 -4.583 6.084 -27.883 21.004 37.015 12.425 43.231
total 103 155 0 0 17.583 162.917 184.917 154.985 183.019

2) droite de régression :

1 Xi

= = = = 0.107

= - 1 = 12.916 11.997

= 11.997+ 0.107xi

3) coefficient de détermination :

= 1- = 1– = 0.010

 Le modèle est très faible de 1

Testes d’hypothèse

1. Test de significativité individuelle de paramètre de la pente (Student) :

 Teste bilatéral :

H0:

H1: 0 (1; 2; 3….n)

On compare avec t ; n-2) Prof Mounir
0609894048
Avec : (t) =

 Si

Alors : on regètte H0 ce qui implique X est une variable explicative de Y donc : 0

 Si

Alors : on regrette H1 ce qui implique X est une variable n’est pas explicative de Y
donc : 0

 Teste unilatéral à gauche :

On compare avec t ; n-2)

Avec : (t) =

 Si

Alors : on regètte H0 ce qui implique X est une variable explicative de Y donc : 0

 Si

Alors : on regrette H1 ce qui implique X est une variable n’est pas explicative de Y
donc : 0

 Teste unilatéral à droite :

:
:
 Si

Alors : on refuse H0 ce qui implique X est une variable explicative de Y donc :

 Si

Alors : on regrette H1 ce qui implique X est une variable n’est pas explicative de Y
donc : 0
 Règle de décision de test Student (t)

type Règle de
d’hypothèse décision : on
refuse
Bilatéral t.calculer t ;
n-2)
Unilatéral à t.calculer t ;
gauche n-2)
Unilatéral à t.calculer t ; n-
droite 2)

Prof Mounir
0609894048
Table Student
 Prof Mounir
0609894048
2. Test de significativité global de la régression (Fisher) :

On compare avec t ; n-2)

Avec : =

 Si
- Alors le modèle est globalement significatif
 Si
- Alors le modèle n’est pas significatif

 Tableau d’analyse de la variance ANOVA

Source de variance Somme des carrés Degré de liberté Moyenne des carrés

expliquée SCE 1

Résiduelle SCR n-2

Totale SCT n-1

Prof Mounir
0609894048
 Prof Mounir
Table de Fisher 0609894048

Exercice :

Un prélèvement auprès d’un échantillon nous fournit les éléments suivants :

Production Demande
T.A.F :
1500 1000
1) Calculer le coefficient de corrélation
2400 1900 2) Déterminer la droite de régression
1700 600 3) Calculer le coefficient de détermination

3100 3000 4) Calculer la variance de résidu et la

variance des estimateurs de la droite de
3200 2500 régression
2500 1600 5) Tester la significativité globale de la
régression (α = 5%)
1000 900

4000 3500

2600 2600

3000 2400
 Prof Mounir
Solution : 0609894048
1) Calculer le coefficient de corrélation :

n xi yi xi- yi- xi- yi-

1 1000 1500 -1000 -1000 1000000 1000000 1000000 1634 17956
2 1900 2400 -100 -100 10000 10000 10000 2413.4 179.56
3 600 1700 -1400 -800 1120000 1960000 640000 1287.6 170073.76
4 3000 3100 1000 600 600000 1000000 360000 3366 70756
5 2500 3200 500 700 350000 250000 490000 2933 71289
6 1600 2500 -400 0 0 160000 0 2153.6 119992.96
7 900 1000 -1100 -1500 1650000 1210000 2250000 1547.4 299646.76
8 3500 4000 1500 1500 2250000 2250000 2250000 3799 40401
9 2600 2600 600 100 60000 360000 10000 3019.6 176064.76
10 2400 3000 400 500 200000 160000 250000 2846.4 23592.96
total 20000 25000 0 0 7240000 8360000 7260000 989952.76

= = 2500

R(x; y) = = 0.92

Il y a une corrélation fortement positive de 92,93% entre la production et la demande.

2) Déterminer la droite de régression :

= = = 0.86

= = 2500 – 0.86 = 780

Ŷ= 768 + 0,866 Xi

3) Calculer le coefficient de détermination :

= 1- = 1– = 0.86

Le modèle est fort, ce qui signifie que la variable X explique 86% du variable Y

4) Calculer la variance de résidu et la variance des estimateurs de la droite de régression :

 la variance résidu estimé :
V = = = = = 123744.09
Prof Mounir
 la variance ( :
0609894048
V( = = = 0.01

 la variance ( :
V( = + ) = 123744.09 + )

=71582,067

6) Tester la significativité globale de la régression (α = 5%) :

H0:

H1: 0 (1; 2; 3….n)

On compare avec t ; n-2)

Avec : = = = 49.14

Avec (1 ; 2) = = (1 ; 8) = 5,32

Donc F calculé ˃ (1 ; −2)

Ce qui implique que le modèle est globalement significatif, alors à rejeter H0 et à accepter
H1

L’intervalle de confiance

 L’intervalle de confiance de B1 : 1±t ]

 L’intervalle de confiance de B0 : 0±t ]

 L’intervalle de confiance de : Ŷ±t Ƹ ]

Prof Mounir
0609894048
 Prof Mounir
0609894048
Exercice :
Un sondage effectué auprès d’un échantillon d’une agence de voyage révèle les données
suivantes sur leurs clients :
Ages Dépenses T.A.F :
quotidiennes 1) Calculer le coefficient de corrélation
20 125 2) Représenter les nuages des points
25 120 3) Déterminer la droite de régression
30 130 4) Calculer le coefficient de détermination
35 100 5) tester la significativité globale de la régression (α
= 5%)
40 110
45 110
50 115

Solution :

xi yi ( ) ) ( ) x
20 125 -15 9,2858 -139,287 225 86,226
25 120 -10 4,2858 -42,858 100 18,368
30 130 -5 14,2858 -71,429 25 204,084
35 100 0 -15,7142 0 0 246,936
40 110 5 -5,7142 -28,571 25 32,652
45 110 10 -5,7142 -57,142 100 32,652
50 115 15 -0,7142 -10,713 225 0,51
245 810 -350 700 621,428 700 621.43

35 115.71

r (x ; y) = = -0,5306

Il y a une corrélation négative moyenne de 53,06% entre les âges et les dépenses
2)
 Prof Mounir
0609894048

3) Déterminer la droite de régression : Ŷ= 0 + 1 Xi

1= = = -0, 5
0=Y- 1 = 115,7142 + (0,5 × 35) = 133,214

Ŷ= 133,214 + 0,5 Xi

4) Calculer le coefficient de détermination :

xi yi Ŷ SCR = 1- = 1– = 0.281
20 125 123.214 3.189
Le modèle est faible ce qui signifie que X
25 120 120.714 0.51
explique 28,1% de Y
30 130 118.214 138.905
35 100 115.714 246.936
40 110 113.214 10.331
45 110 110.714 0.51
50 115 108.214 46.047
245 810 446.428

5) tester la significativité globale de la régression (α = 5%) :

On compare avec t ; n-2)

Avec : = = = 1.959

Avec (1 ; −2) = (1 ; 7−2) = (1 ; 5) = 6.61

Donc F calculé < (1 ; −2)

- Ce qui implique que le modèle n’est pas significatif

 Prof Mounir
0609894048
Exercice 6 :
Une étude sur un échantillon d’individus âgé de 22 ans à 40 ans portant sur la durée
d’entrainement hebdomadaire nous révèle les informations suivantes :

Age Entrainement T.A.F :

hebdomadaire
(h) 1) établir le nuage des points
22 4
2) Existe-t-il un lien entre l’âge et l’entrainement
24 4 hebdomadaire (utiliser le coefficient de Pearson) ?

25 5 3) Déterminer le modèle économétrique ainsi la droite

de régression
28 6
4) Calculer le coefficient de détermination, la
30 7 variance de l’erreur et la variance des estimateurs de
35 7 la droite de régression

36 8 5) Tester la significativité globale de modèle

40 7 6) Tester les paramètres de régression

7) Déterminer l’intervalle de confiance des

paramètres de la droite de régression

8) Quelle est la durée d’entrainement hebdomadaire

pour une personne ayant 46 ans (estimation
ponctuelle et par intervalle de confiance) ?

Remarque : Les tests se feront au seuil de 5%.

Solution :
 Prof Mounir
0609894048

xi yi ( ) ) ( ) x Ŷ SCR
22 4 -8 -2 16 64 4 4.345 0.119
24 4 -6 -2 12 36 4 4.759 0.576
25 5 -5 -1 5 25 1 4.966 0.001
28 6 -2 0 0 4 0 5.586 0.171
30 7 0 1 0 0 1 6 1
35 7 5 1 5 25 1 7.034 0.001
36 8 6 2 12 36 4 7.24 0.576
40 7 10 1 10 100 1 8.068 1.14
240 48 60 290 16 3.584

2)

30 6

r (x ; y) = = 0.880

Il y a une corrélation fortement positive de 88,08% entre l’âge et l’entrainement

hebdomadaire

3)

Modèle économétrique : Yi = ß0 + ß1 Xi + Ƹi

La droite de régression : Ŷ= 0 + 1 Xi

1= = = 0.206
0=Y- 1 = 6 – (0, 206× 30) = -0,204

Ŷ= -0.204 + 0.206 Xi

4)

= 1- =1– = 0.775

Le modèle est fort ce qui signifie que X explique 77.5% de Y

 la variance résidu estimé :

V = = = = = 0,597

 la variance ( :
 Prof Mounir
V( = = = 0.002
0609894048

 la variance ( :

V( = + ) = 0,597 + ) = 1.929

5)

On compare avec t ; n-2)

Avec : = = = 20.761

Avec (1 ; −2) = (1 ; 8−2) = (1 ; 6) = 5.99

Donc F calculé ˃ (1 ; −2)

- Ce qui implique que le modèle est globalement significatif

6)

Test d’hypothèse

H0:

H1: 0 (1; 2; 3….n)

On compare avec t ; n-2)

Avec : (t) = = = 4,624

T de student = 2,447

Alors H0 est rejetée ce qui implique que X est une variable explicative de Y

7)

L’intervalle de confiance de 1 : 1±t ; n-2) ]

IC = [0.206 ± ] = [0,0973 ; 0,3162]

L’intervalle de confiance de 1 : IC = 0±t ; n-2) ]

IC = [-0.204 ± 2.447 ] = [-3,6027 ; 3,1947]

8) Prévision de la durée d’entrainement hebdomadaire :

 Ponctuelle :
 Prof Mounir
Ŷ= -0.204 + 0.206 Xi = -0.204 + 0.206 (46) = 9.308
 Par intervalle de confiance :
0609894048

Ŷ±t ; n-2) Ƹ ]

IC = [9.308 ± 2.447 ]
IC = [6,6285 ; 11,989]

Chapitre 1 : Modèle de régression multiple

La régression linéaire multiple est une méthode qui décrit la causalité des variations de
plusieurs variables exogènes sur la variable endogène.

Yi = ß0 ß1 X1 ß2 X2 ß3 X3 … i

L’estimation des coefficients est calculée comme suit :

= (X’Y)

Avec :
= matrice inversible de si det ≠0

(Com (X’X))’

Et : X’ représente la transposée de X

Estimation de la variance :

 De l’erreur

= = avec p représente le nombre des variables explicatives (X).

 des coefficients de la régression (la diagonale de la matrice)

 Estimation par intervalle de confiance de la droite de régression

IC = [ ± ;n–p–1 ]
 Prof Mounir
Avec : = 0609894048

Coefficient de détermination et coefficient de détermination ajusté ou corriger

Prof Mounir
0609894048