ENSSEA ------------ Econométrie I ------------ 1ere année master ---------- Solution TD 2
Exercice 1 :
1. Calcul de 𝛽̂0 et 𝛽̂1 :
i X Y 𝑋𝑖 𝑌𝑖 𝑋2 𝑌2
1 25 10 250 625 100
2 20 14 280 400 196
3 19 12 228 361 144
4 26 9 234 676 81
5 23 15 345 529 225
6 28 8 224 784 64
7 20 10 200 400 100
8 22 13 286 484 169
1.1. Si la variable dépendante est Y, donc le modèle estimé sera : 𝑌̂𝑡 = 𝛽̂0 + 𝛽̂1 𝑋𝑡
∑𝑛 ̅̅
𝑡=1 𝑋𝑡 𝑌−𝑛𝑋 𝑌
𝛽̂1 = 2
∑𝑛
𝑡=1 𝑋𝑡 −𝑛𝑋
̅2
2047 − 8(22.875)(11.375) 34.625
𝛽̂1 = = − = −0.475
4259 − 8(22.875)2 72.875
𝛽̂0 = 𝑌̅ − 𝛽̂1 𝑋̅ = 11.375 − (−0.475)(22.875) = 22.241
𝑌̂𝑡 = 22.241 − 0.475𝑋𝑡
1.2. Si la variable dépendante est X, donc le modèle estimé sera : 𝑋̂𝑡 = 𝛽̂0 + 𝛽̂1 𝑌𝑡
∑𝑛 ̅̅
𝑡=1 𝑋𝑡 𝑌−𝑛𝑋 𝑌
𝛽̂1 = 2 ̅2
∑𝑛
𝑡=1 𝑌𝑡 −𝑌
2047 − 8(22.875)(11.375) 34.625
𝛽̂1 = = − = −0.789
1079 − 8(11.375)2 43.875
𝛽̂0 = 𝑋̅ − 𝛽̂1 𝑌̅ = 22.875 − (−0.789)(11.375) = 31.85
𝑋̂𝑡 = 31.85 − 0.789𝑌𝑡
2. Test de la significativité de 𝛽0 et 𝛽1 au seuil de 5% :
2.1. Test de la significativité de 𝛽0 au seuil de 5% :
𝐻0: 𝛽0 = 0
{
𝐻1: 𝛽0 ≠ 0
|𝛽̂0 − 𝛽0 |
𝑡∗ =
𝜎̂𝛽̂0
1 𝑋̅ 2
𝜎̂𝛽̂0 = √𝑉̂ (𝛽̂0 ) et 𝑉̂ (𝛽̂0 ) = 𝜎̂𝜀̂ 2 (𝑛 + )
∑𝑛 ̅ 2
𝑡=1(𝑋𝑡 −𝑋)
1
ENSSEA ------------ Econométrie I ------------ 1ere année master ---------- Solution TD 2
2 ∑𝑛𝑡=1 𝑒𝑡 2
𝜎̂𝜀̂ =
𝑛−2
𝑛
∑(𝑌𝑖 − 𝑌̂𝑖 )2 = 27.424
𝑡=1
27.424
𝜎̂𝜀̂ 2 = = 4.571
6
1 (22.875)2
𝑉̂ (𝛽̂0 ) = 4.571 (8 + ) = 33.393
72.875
|22.241 − 0|
𝑡∗ = = 3.849
√33.393
0.05⁄
On remarque que 𝑡 ∗ = 3.849 > 𝑡8−2 2
= 2.447 on rejette H0 et on accepte H1. 𝛽0 est donc
significativement différente de 0 au seuil de 5%.
2.2. Test de la significativité de 𝛽1 au seuil de 5% :
𝐻0: 𝛽1 = 0
{
𝐻1: 𝛽1 ≠ 0
|𝛽̂1 − 𝛽1 |
𝑡∗ =
𝜎̂𝛽̂1
𝜎𝜀̂ 2
𝜎̂𝛽̂1 = √𝑉̂ (𝛽̂1 ) et 𝑉̂ (𝛽̂1 ) = 𝜎̂𝛽̂21 =
∑𝑛 ̅ 2
𝑡=1(𝑋𝑡 −𝑋)
4.571
𝜎̂𝛽̂21 = = 0.06
72.875
|−0.475 − 0|
𝑡∗ = = 1.939
√0.06
0.05⁄
On remarque que 𝑡 ∗ = 1.939 ≤ 𝑡8−2 2
= 2.447 on accepte alors H0. 𝛽1 n’est pas significatif au
seuil de 5%.
3. Calcul du coefficient de détermination 𝑅 2 :
On sait que 𝑅 2 = 𝛽̂1 . 𝛼̂1 (dans le cas d’un modèle linéaire simple).
𝑅 2 = (−0.789)(−0.475) = 0.375 = 37.5%
Exercice 2 :
1. Estimation de l’équation de la régression linéaire : 𝑌̂𝑡 = 𝛽̂0 + 𝛽̂1 𝑋𝑡
𝑐𝑜𝑣 (𝑋, 𝑌) 15.979
𝛽̂1 = 2 = = 0.179
𝜎𝑋 89.194
𝛽̂0 = 𝑌̅ − 𝛽̂1𝑋̅ = 1.379 − 0.179(16.341) = −1.546
𝑌̂𝑡 = −1.546 + 0.179𝑋𝑡
2
ENSSEA ------------ Econométrie I ------------ 1ere année master ---------- Solution TD 2
2. Test de la significativité de 𝛽̂1 :
𝐻0: 𝛽1 = 0
{
𝐻1: 𝛽1 ≠ 0
|𝛽̂1 − 𝛽1 |
𝑡∗ =
𝜎̂𝛽̂1
̂𝜀̂ 2
𝜎
𝜎̂𝛽̂1 = √𝑉̂ (𝛽̂1 ) et 𝑉̂ (𝛽̂1 ) = 𝜎̂𝛽̂21 =
∑𝑛 ̅ 2
𝑡=1(𝑋𝑡 −𝑋)
∑𝑛𝑡=1 𝑒𝑡 2 918.92
𝜎̂𝜀̂ 2 = = = 19.551
𝑛−2 47
1
On calcule ∑𝑛𝑡=1(𝑋𝑡 − 𝑋̅)2 ; on sait que 𝜎𝑋2 = 𝑛 ∑𝑛𝑡=1(𝑋𝑡 − 𝑋̅)2 ⇒ ∑𝑛𝑡=1(𝑋𝑡 − 𝑋̅)2 = 𝑛. 𝜎𝑋2
𝑛
∑(𝑋𝑡 − 𝑋̅)2 = 49 (89.194) = 4370.506
𝑡=1
𝜎̂𝜀̂ 2 19.551
𝜎̂𝛽̂21 = 2
= = 0.0045
̅)
∑𝑛𝑡=1(𝑋𝑡 − 𝑋 4370.506
|0.179 − 0|
𝑡∗ = = 2.672
√0.0045
0.05⁄
On remarque que 𝑡 ∗ = 2.672 > 𝑡49−22 = 2.01 on rejette H0 et on accepte H1. 𝛽1 est donc
significativement différent de 0 au seuil de 5%.
⁄2 𝛼
Son intervalle de confiance est donné par : 𝛽1 ∈ [𝛽̂1 ± 𝜎̂𝛽̂1 𝑡𝑛−2 ]
𝛽1 ∈ [0.179 ± √0.0045 (2.01)] = [0.044 ; 0.314]
𝒏−𝟐 𝒏−𝟐
3. L’intervalle de confiance de la variance des erreurs est donné par : 𝝈𝟐𝜺 ∈ [𝝌𝟐 ̂ 𝟐𝜺̂ ;
𝝈 ̂ 𝟐𝜺̂ ]
𝝈
𝜶 𝝌𝟐𝜶⁄
𝟏− 𝟐
𝟐
2 2
On cherche 𝜒1− 𝛼 et 𝜒𝛼
⁄ à n-2 degrés de liberté :
2 2
2
D’après les valeurs tabulées de la loi du Khi-deux , y a pas d’information sur la valeur de 𝜒1− 𝛼
2
et 𝜒𝛼2⁄ à 47 degrés de liberté. D’un autre coté on a :
2
2 2 2 71.4−59.3
𝜒40,0.975 = 59.3 et 𝜒50,0.975 = 71.4 ⇒ 𝜒47,0.975 = 59.3 + 7 ( ) = 67.77
10
2 2 2 32.4−24.4
𝜒40,0.025 = 24.4 et 𝜒50,0.025 = 32.4 ⇒ 𝜒47,0.025 = 24.4 + 7 ( ) = 30
10
47 47
Alors : 𝜎𝜀2 ∈ [67.77 19.551 ; 19.551]= [13.559 ; 30.63]
30
4. Le tableau de l’analyse de la variance :
Pour calculer SCE :
̅ )2
On sait que : SCE = 𝛽̂12 ∑𝑛𝑡=1(𝑋𝑡 − 𝑋
3
ENSSEA ------------ Econométrie I ------------ 1ere année master ---------- Solution TD 2
SCE = (0.179)2 (4370.506) = 140.035
𝑆𝐶𝐸
Ou en utilisant cette deuxième méthode : On sait que 𝐹 ∗ = 1
𝑆𝐶𝑅 et 𝐹 ∗ = (𝑡𝛽̂∗1 )2
𝑛−2
𝑡𝛽̂∗1 = 0.179 ⇒ 𝐹 ∗ = (2.672)2 = 7.140
𝑆𝐶𝐸
𝐹 ∗ . 𝑆𝐶𝑅 (7.14)(918.92)
𝐹∗ = 1 ⇒ 𝑆𝐶𝐸 = = = 139.598
𝑆𝐶𝑅 𝑛−2 47
𝑛−2
SCE = 139.598
SCT = SCE + SCR ⇒ 𝑆𝐶𝑇 = 139.598 + 918.92 = 1058.518
Somme des carrés Degré de liberté Carrés moyens
La variable X SCE = 139.598 1 139.598
Résidus SCR = 918.92 47 19.551
Total SCT = 1058.518 48 22.052
Exercice 3 :
1. L’estimation de 𝛽 :
𝑐𝑜𝑣(𝑅,𝐶)
𝛽̂ = 2 mais on ne peut pas utiliser cette formule car 𝜎𝑅2 est inconnue.
𝜎𝑅
𝑆𝐶𝐸
On sait que : 𝑆𝐶𝐸 = 𝛽̂ 2 . ∑𝑛𝑡=1(𝑅𝑡 − 𝑅̅ )2 ⇒ 𝛽̂ 2 = ∑𝑛 ̅ 2
𝑡=1(𝑅𝑡 −𝑅)
𝑆𝐶𝐸 600
𝛽̂ = √ 𝑛 = √ = 0.816
∑𝑡=1(𝑅𝑡 − 𝑅̅ ) 2 400
2. Calcul de SCR :
SCR = SCT – SCE
On cherche d’abord SCT:
𝑆𝐶𝐸 𝑆𝐶𝐸 400
On sait que : 𝑅 2 = 𝑆𝐶𝑇 ⇒ 𝑆𝐶𝑇 = = = 500
𝑅2 0.8
SCR = 500 – 400 = 100
3. Calcul de la taille de l’échantillon n :
1 𝑛
𝑐𝑜𝑣(𝑅, 𝐶) ∑𝑡=1(𝑅𝑡 − 𝑅̅ )(𝐶𝑡 − 𝐶̅ )
̂
𝛽= = 𝑛
𝜎𝑅2 1 𝑛 ̅ 2
∑
𝑛 𝑡=1(𝑅𝑡 − 𝑅 )
On a 𝑐𝑜𝑣(𝑅, 𝐶) = 24.48 et ∑𝑛𝑡=1(𝑅𝑡 − 𝑅̅ )2 = 600
24.48 (600)(0.816)
0.816 = ⇒𝑛= = 20
600 24.48
𝑛
4
ENSSEA ------------ Econométrie I ------------ 1ere année master ---------- Solution TD 2
Exercice 4 :
On a ∶ 𝛽̂ = 𝑎′𝑌
𝑉(𝛽̂ ) = 𝑉(𝑎′ 𝑌) = 𝑎′ 𝑉(𝑌⁄𝑋)𝑎 = 𝑉(𝑌⁄𝑋) 𝑎′ 𝑎 𝑒𝑡 𝑉( 𝑌⁄𝑋) = 𝜎 2 𝐼𝑛
𝑉(𝛽̂ ) = 𝑉(𝑎′ 𝑌) = 𝜎 2 𝐼𝑛 𝑎′ 𝑎 = 𝜎 2 ‖𝑎‖2
Exercice 5 :
On a le modèle de régression simple : 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋𝑡 + 𝜀𝑡 où 𝑡 = 1, … , 𝑛
𝑋𝑡 = 𝑡
∑𝑛 ̅ ̅
𝑡=1(𝑋𝑡 −𝑋)(𝑌𝑡 −𝑌)
𝛽̂2 = 𝑛 ̅
∑𝑡=1(𝑋𝑡 −𝑋) 2
et 𝛽̂2∗ = (𝑌6 + 𝑌5 − 𝑌2 − 𝑌1 )/8
1. On montre que les deux estimateurs sont linéaires :
𝛽̂2∗ est linéaire, il s’écrit sous la forme suivante :
1 1 1 1
𝛽̂2∗ = ∑𝑛𝑡=1 𝑎𝑡 𝑌𝑡 avec 𝑎1 = − 8 ; 𝑎2 = − 8 ; 𝑎3 = 0 ; 𝑎4 = 0 ; 𝑎5 = ; 𝑎6 =
8 8
∑𝑛 ̅ ̅
𝑡=1(𝑋𝑡 −𝑋)(𝑌𝑡 −𝑌)
On vérifie si 𝛽̂2 = 𝑛 2
est linéaire :
∑𝑡=1(𝑋𝑡 −𝑋̅)
∑𝑛 ̅
𝑡=1 𝑥𝑡 (𝑌𝑡 −𝑌 )
𝛽̂2 = ∑𝑛 2
en posant 𝑥𝑡 = 𝑋𝑡 − 𝑋̅
𝑡=1(𝑥𝑡 )
∑𝑛𝑡=1 𝑥𝑡 𝑌𝑡 ∑𝑛𝑡=1 𝑥𝑡
𝛽̂2 = − ̅
𝑌
∑𝑛𝑡=1(𝑥𝑡 )2 ∑𝑛𝑡=1(𝑥𝑡 )2
𝑛
∑ 𝑥𝑡 = 0
𝑡=1
∑𝑛
𝑡=1 𝑥𝑡 𝑌𝑡 𝑥𝑡
𝛽̂2 = ∑𝑛 2
= ∑𝑛𝑡=1 𝑊𝑡 𝑌𝑡 avec 𝑊𝑡 = ∑𝑛 2
𝑡=1(𝑥𝑡 ) 𝑡=1(𝑥𝑡 )
−5 −3 −1 1 3 5
𝑤1 = 𝑤2 = 𝑤3 = 𝑤4 = 𝑤5 = 𝑤6 =
35 35 35 35 35 35
Ce qui fait que 𝛽̂2 est linéaire.
2. On montre que 𝛽̂2 et 𝛽̂2∗ sont des estimateurs sans biais :
𝛽̂2 𝑒𝑠𝑡 𝑢𝑛 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑒𝑢𝑟 𝑠𝑎𝑛𝑠 𝑏𝑖𝑎𝑖𝑠 ( 𝑣𝑜𝑖𝑟 𝑙𝑎 𝑑é𝑚𝑜𝑛𝑠𝑡𝑟𝑎𝑡𝑖𝑜𝑛 𝑑𝑢 𝑐𝑜𝑢𝑟𝑠)
𝛽̂2∗ = (𝑌6 + 𝑌5 − 𝑌2 − 𝑌1 )/8
𝐸(𝛽̂2∗ ) = 𝐸(𝑌6 + 𝑌5 − 𝑌2 − 𝑌1 )/8)
1
= 𝐸[(𝛽1 + 6𝛽2 + 𝜀6 ) + (𝛽1 + 5𝛽2 + 𝜀5 ) − (𝛽1 + 2𝛽2 + 𝜀2 ) − (𝛽1 + 1𝛽2
8
1
+ 𝜀1 )] = 𝐸[ 8𝛽2 + 𝜀6 + 𝜀5 − 𝜀2 − 𝜀1 ]
8
= 𝛽2 𝑑𝑜𝑛𝑐 𝛽̂2∗ 𝑒𝑠𝑡 𝑢𝑛 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑒𝑢𝑟 𝑠𝑎𝑛𝑠 𝑏𝑖𝑎𝑖𝑠
5
ENSSEA ------------ Econométrie I ------------ 1ere année master ---------- Solution TD 2
3. Calcul des variances des deux estimateurs :
1 1 1 1
𝑉(𝛽̂2∗ ) = 𝜎 2 ‖𝑎‖2 = 𝜎 2 𝑎′ 𝑎 avec 𝑎′ = (− 8 − 8 0 0 )
8 8
𝜎2
𝑉(𝛽̂2∗ ) =
16
𝜎2
𝑉(𝛽2 ) = 𝑛
∑𝑡=1(𝑋𝑡 − 𝑋̅)2
6
∑(𝑋𝑡 − 𝑋̅)2 = 17.5
𝑡=1
𝜎2
𝑉(𝛽2 ) =
35/2
𝜎2
̂2∗ )
𝑉(𝛽
En comparant entre les deux variances : 𝑉(𝛽 ) = 16
𝜎2
> 1 ⇒ 𝑉(𝛽̂2∗ ) > 𝑉(𝛽2 )
2
35/2
D’après le théorème de Gauss Markov, l’estimateur des moindres carrés ordinaires est un
estimateur BLUE (Best Linéar Unbaised Estimator) car il fournit une variance minimale.
Exercice 6 :
On a : 𝑌̂𝑡 = 𝛽̂0 + 𝛽̂1 𝑋𝑡 et 𝑋̂𝑡 = 𝛼̂0 + 𝛼̂1 𝑌𝑡
𝐶𝑜𝑣(𝑋, 𝑌) 𝑋′𝑀𝑌 𝐶𝑜𝑣(𝑋, 𝑌) 𝑋′𝑀𝑌
𝛽̂1 = = 𝑒𝑡 𝛼̂1 = =
𝑉(𝑋) ‖𝑀𝑋‖2 𝑉(𝑌) ‖𝑀𝑌‖2
2
𝑋′𝑀𝑌 𝑋′𝑀𝑌 (𝑋 ′ 𝑀𝑌)2 𝑋 ′ 𝑀𝑌
𝛽̂1 . 𝛼̂1 = . = = ( 2
) = 𝑟𝑋,𝑌
‖𝑀𝑋‖2 ‖𝑀𝑌‖2 ‖𝑀𝑋‖2 ‖𝑀𝑌‖2 ‖𝑀𝑋‖‖𝑀𝑌‖
D’un autre côté, on a :
2
2
𝑌̂′𝑀𝑌 (𝛽̂0 + 𝛽̂1 𝑋𝑡 )′𝑀𝑌 𝛽̂1 𝑋′𝑀𝑌 𝑋′𝑀𝑌 𝑋′𝑀𝑌 𝑋 ′ 𝑀𝑌 2
𝑅 = = = = = ( ) = 𝑟𝑋,𝑌
𝑌′𝑀𝑌 ‖𝑀𝑌‖2 ‖𝑀𝑌‖2 ‖𝑀𝑋‖2 ‖𝑀𝑌‖2 ‖𝑀𝑋‖‖𝑀𝑌‖
Et puisque 𝛽̂1 . 𝛼̂1 = 𝑟𝑋,𝑌
2 2
et 𝑅2 = 𝑟𝑋,𝑌 alors 𝛽̂1 . 𝛼̂1 = 𝑅 2
1
Donc 𝛽̂1 = 𝛼̂ seulement si 𝑅2 = 1
1
Exercice 7 :
Commençant par l’estimation de 𝑌̂𝑡 = 𝛽̂1 + 𝛽̂2 𝑋𝑡
∑𝑛𝑡=1 𝑋𝑡 𝑌𝑡 − 𝑛𝑋̅𝑌̅
𝛽̂2 =
∑𝑛𝑡=1 𝑋𝑡2 − 𝑛𝑋̅ 2
1′ 𝑋 1′ 𝑌 11.34 20.72
𝑋′𝑌 − 𝑛 ( 𝑛 𝑛 ) 22.13 − 200 ( 200 ) ( 200 ) 20.955
𝛽̂2 = = = = 1.819
′ 1′ 𝑋 2 11.34 2 11.517
𝑋 𝑋 −𝑛( 𝑛 ) 12.16 − 200 ( 200 )
6
ENSSEA ------------ Econométrie I ------------ 1ere année master ---------- Solution TD 2
1′𝑌 1′ 𝑋 20.72 11.34
𝛽̂1 = ̂
− 𝛽2 = − (1.819) ( ) = 0.0004
𝑛 𝑛 200 200
𝑌̂𝑡 = 0.0004 + 1.819𝑋𝑡
Passant à l’estimation de 𝑋̂𝑡 = 𝛼̂1 + 𝛼̂2 𝑌𝑡
1′ 𝑋 1′ 𝑌 11.34 20.72
∑𝑛𝑡=1 𝑋𝑡 𝑌𝑡 − 𝑛𝑋̅𝑌̅ 𝑋′𝑌 − 𝑛 ( 𝑛 𝑛 ) 22.13 − 200 ( 200 ) ( 200 ) 20.955
𝛼̂2 = = = =
∑𝑛𝑡=1 𝑌𝑡2 − 𝑛𝑌̅ 2 1′ 𝑌 2
20.72 2
82.813
𝑌′𝑌 − 𝑛 ( 𝑛 ) 84.96 − 200 ( 200 )
= 0.253
1′𝑋 1′ 𝑌 11.34 20.72
𝛼̂1 = − 𝛼̂2 =( ) − 0.253 ( ) = 0.03
𝑛 𝑛 200 200
𝑋̂𝑡 = 0.03 + 0.253 𝑌𝑡
on calcule 𝑟(𝑋, 𝑌) pour voir si le résultat est confirmé avec l’exercice précédent :
1′ 𝑋 1′ 𝑌
𝑋′𝑌 − 𝑛 ( 𝑛 𝑛 ) 20.955
𝑟(𝑋, 𝑌) = = = 0.676
√𝑋 ′ 𝑋 1′ 𝑋 2 1′ 𝑌 2 √11.517√82.813
− 𝑛 ( 𝑛 ) √𝑌 ′ 𝑌 − 𝑛 ( 𝑛 )
𝛽̂2 . 𝛼̂2 = (1.819)(0.253) = 0.46
2
Et 𝑟(𝑋,𝑌) = (0.676)2 = 0.46 = 𝛽̂2 . 𝛼̂2
Exercice 8 :
𝑐𝑜𝑣(𝑈, 𝑉) 𝑈′𝑀𝑉 (𝛽1 + 𝛽2 𝑋)′𝑀(𝑎1 + 𝑎2 𝑌)
𝑟(𝑈, 𝑉) = = =
𝜎𝑈 . 𝜎𝑉 ‖𝑀𝑈‖. ‖𝑀𝑉‖ ‖𝑀(𝛽1 + 𝛽2 𝑋)‖. ‖𝑀(𝑎1 + 𝑎2 𝑌)‖
𝛽2 𝑎2 (𝑋 ′ 𝑀𝑌) 𝑐𝑜𝑣(𝑋, 𝑌)
= = ± = ±𝑟(𝑋, 𝑌)
|𝛽2 𝑎2 |‖𝑀𝑋‖‖𝑀𝑌‖ 𝜎𝑋 . 𝜎𝑌
Exercice 9 :
1. L’estimation d’une équation qui représente mieux la relation entre r et d :
𝑑̂ = 𝛼̂0 + 𝛼̂1 𝑟
𝑑̂ = −23.33 + 5.67 𝑟
2. L’erreur standard correspondante à l’estimation :𝜎̂𝜀
∑𝑛𝑡=1 𝑒𝑡2
𝜎𝜀2 =
𝑛−2
𝑛 𝑛
2
∑ 𝑒𝑡2 = ∑(𝑑𝑖 − 𝑑̂𝑖 ) = 34.87
𝑡=1 𝑡=1
34.87
𝜎𝜀2 = = 6.974
5
𝜎̂𝜀 = √6.974 = 2.64
7
ENSSEA ------------ Econométrie I ------------ 1ere année master ---------- Solution TD 2
3. L’intervalle de prévision à 95% pour le nombre de défections durant une semaine sachant que
le taux d’absence est 6 :
𝑑̂𝑡+ℎ = 23.33 + 5.67(6) = 10.69
𝛼⁄ 2 1 (𝑟 − 𝑟̅ )2
𝑑𝑡+ℎ ∈ [𝑑̂𝑡+ℎ ± 𝑡𝑛−2
2 √̂
𝜎𝜀 [1 + + 𝑛 𝑡+ℎ ]]
𝑛 ∑𝑡=1(𝑟𝑡 − 𝑟̅ )2
1 0.0009
𝑑𝑡+ℎ ∈ [10.69 ± 2.571√6.974 [1 + + ]]
7 3.64
𝑑𝑡+ℎ ∈ [3.44 ; 17.94]
