Régression Linéaire

Régression linéaire simple

Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Analyse financière sur logiciels spécifiques II

Le logiciel EViews
Analyse de Régression

Ons LEJRI

Institut Supérieur de Comptabilité et d’Administration des Entreprises

Master IFB

2021/2022

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Plan

1 Régression Linéaire

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Plan

1 Régression Linéaire

2 Régression linéaire simple

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Plan

1 Régression Linéaire

2 Régression linéaire simple

3 Régression linéaire multiple

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Plan

4 Régression Linéaire avec EViews

Estimation d’un modèle sous EViews :Cas d’une Régression
Linéaire Simple
Prévision :Cas d’une Régression Linéaire Simple
Estimation d’un modèle sous EViews :Cas d’une Régression
Linéaire Multiple

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Régression Linéaire

La régression linéaire est une modélisation linéaire qui cherche

à établir une relation linéaire entre une variable dépendante Y
et une ou plusieurs variables indépendantes Xi .
Le but de la régression est alors d’expliquer la variable Y à
l’aide d’une ou plusieurs variables Xi .
La variable Y est appelée variable dépendante, variable à
expliquer ou variable à régresser et les variables
Xi (i = 1, ..., q) sont appelées variables indépendantes,
variables explicatives ou régresseurs.

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Régression Linéaire

Si la variable expliquée s’écrit en fonction d’une seule variable

explicative, la régression est dite linéaire simple.
Si la variable expliquée s’écrit en fonction de plusieurs
variables explicatives, la régression est dite linéaire multiple.

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Modèle de Régression Linéaire

De façon générale, un modèle de régression linéaire (multiple) est
de la forme suivante :
n
P
y = β0 + βi xi + ε
i=1
Où
y est une variable aléatoire observée, appelée variable à
expliquer
xi sont des variables aléatoires observées appelées régresseurs
ou variables explicatives
n est le nombre de variables explicatives
βi sont des paramètres inconnus à estimer appelés paramètres
de régression ou cœfficients de régression
ε est le terme d’erreur ou bruit
Ons LEJRI Régression Linéaire avec EViews
 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Modèle de Régression Linéaire

L’objectif est d’estimer les paramètres inconnus du modèle,

d’utiliser les données pour étudier la validité de certaines
propositions théoriques, et éventuellement de former une prévision
de y.

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Régresion linéaire simple

La régression linéaire simple est un modèle où une variable
expliquée Y s’écrit comme une fonction linéaire d’une variable
explicative X.
On note Y la variable aléatoire réelle à expliquer (variable
endogène) et X la variable explicative ou effet fixe (exogène)
le modèle s’écrit alors :
y = β0 + β1 x + ε
Où
y est une variable aléatoire observée, appelée variable à
expliquer
x est une variable aléatoire observée appelée régresseur ou
variable explicative
β0 et β1 sont des paramètres réels inconnus appelés
paramètres de régression ou cœfficients de régression
ε est le terme d’erreur ou bruit
Ons LEJRI Régression Linéaire avec EViews
 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Régresion linéaire multiple

Le modèle de régression linéaire multiple est l’outil statistique

le plus habituellement mis en œuvre pour l’étude de données
multidimensionnelles. Il décrit les variations d’une variable
endogène ou expliquée associée aux variations de plusieurs
variables exogènes ou explicatives.
La régression linéaire multiple est une généralisation, à n
variables explicatives, de la régression linéaire simple
Rappelons que le modèle d’une régression linéaire multiple
s’écrit comme suit :
n
P
y = β0 + βi xi + ε
i=1

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régression Linéaire avec EViews

On veut expliquer la consommation d’un véhicule en fonction

de p=4 variables : le prix, la cylindrée, la puissance et le poids.
Pour cela, on dispose d’un classeur Excel contenant les
données pour n=15 observations (voitures.xlsx)

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régression Linéaire avec EViews

On veut expliquer la consommation d’un véhicule en fonction

de p=4 variables : le prix, la cylindrée, la puissance et le poids.
Pour cela, on dispose d’un classeur Excel contenant les
données pour n=15 observations (voitures.xlsx)
Quel type de structure doit-on choisir pour notre workfile ?
Créer le workfile en question et importer les données à partir
du fichier Excel. Puis l’enregistrer sous le nom "voitures.wf1"

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régression Linéaire avec EViews

On veut expliquer la consommation d’un véhicule en fonction

de p=4 variables : le prix, la cylindrée, la puissance et le poids.
Pour cela, on dispose d’un classeur Excel contenant les
données pour n=15 observations (voitures.xlsx)
Quel type de structure doit-on choisir pour notre workfile ?
Créer le workfile en question et importer les données à partir
du fichier Excel. Puis l’enregistrer sous le nom "voitures.wf1"
Renommer les variables par conso, prix, cyl, puis et poids.

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Estimation d’un modèle de Régresion linéaire simple

Revenons à notre exemple "voitures". On veut savoir si la
consommation de carburant est expliquée par le poids des
véhicules
On va alors estimer le modèle suivant conso = c + a ∗ poids
(modèle de régression linéaire simple de type y = β0 + β1 x )
Pour estimer β0 ou c et β1 ou a, on peut utiliser la méthode
des moindres carrés
Aller à Quick 7→ Estimate Equation. Puis dans la partie
"Equation Specification", spécifier les variables à utiliser en
commençant par la variable expliqué conso puis la constante c
et enfin la variable explicative poids. En choisissant la
méthode d’estimation MCO (moindres carrés ordinaires) ou
LS (Least Square).
Sinon, entrer la commande ls conso c poids
Ons LEJRI Régression Linéaire avec EViews
 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Estimation d’un modèle de Régresion linéaire simple

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Estimation d’un modèle de Régresion linéaire

simple :Résultat

On obtient alors le résultat suivant

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation

Cœfficient Exprime la relation entre la variable expliquée et la
variable explicative. Le signe du cœfficient indique
également la direction de la relation. Un cœfficient
positif implique une relation positive.
Le signe du cœfficient de la variable poids est positif
donc la relation entre poids et consommation est
positive (quand le poids augmente la consommation
augmente)
Std. Error c’est l’écart type du coefficient. Montre l’importance
de l’écart par rapport à la prévision du coefficient.
t-Statistic Il est obtenu par : coefficient / std.error. Un t-stat
supérieur à 2 est une preuve suffisante contre
l’hypothèse nulle
Ons LEJRI Régression Linéaire avec EViews
 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation

Prob il y a plusieurs interprétations pour cela.
(1) il s’agit de la plus petite preuve nécessaire pour rejeter
l’hypothèse nulle. (2) il s’agit de la probabilité que la valeur du
coefficient de pente ait été obtenue à partir des données si le
coefficient de pente réel est égal à zéro. (3) la valeur p est vérifiée
la table t-stat utilisant le degré de liberté pour indiquer le nombre
d’erreurs standard dont le cœfficient est de zéro.
(4) indique si la relation est significative ou non.
Si la valeur de prob. est de 0.4, cela signifie que vous n’êtes sûr
que de 60% (c’est-à-dire (100-40)%) que le coefficient de pente
est non nul. Et donc la variable associée à probabilité n’est pas
significative. En effet, une très faible valeur p donne un niveau de
confiance plus élevé pour rejeter l’hypothèse nulle.
Remarque : la valeur seuil est de 5%
Ons LEJRI Régression Linéaire avec EViews
 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation

Cœfficient de détermination R 2
Le cœfficient R 2 donne la proportion de variabilité de y qui est
expliquée par le modèle. Plus le R 2 est proche de 1, meilleure est
l’adéquation du modèle aux données.
Cœfficient de détermination R 2 (R-Squared) doit etre supérieur
50% pour considérer le modèle comme étant bon

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation : Analyse des

cœfficients
Significativité globale des cœfficients :Test de Fisher
2 Hypothèses
H0 : a = 0 (Tous les cœfficients sont nuls)
H1 : a 6= 0 (Au moins un cœfficient non nul)
La prob. associée à la statistique de Fisher doit être inférieure à
0.05.
Si Prob(F-statistic) est inférieure à 0.05 alors H0 est rejetée et H1
est accepté
Des cœfficients qui ne sont pas tous nuls signifient que les variables
associées à ces cœfficients influencent conjointement ou
globalement la variable expliquée

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation : Analyse des

cœfficients
Significativité individuelle des cœfficients :Test de student
2 hypothèses
H0 : a = 0 (Tous les cœfficients sont nuls)
H1 : a 6= 0 (Tous les cœfficients sont non nuls)
La prob. associée à la statistique de Student doit être inférieure à
0.05.
Si la prob. est inférieure à 0.05 alors H0 est rejetée et H1 est
accepté
Des cœfficients qui sont tous non nuls signifient que les variables
associées à ces cœfficients influencent individuellement la variable
expliquée

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation : Analyse des

résidus
Pour vérifier les résidus, il suffit d’aller à View 7→ Actual, Fitted,
Residual
7→ Actual, Fitted, ResidualTable

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation : Analyse des

résidus

Normalité : Test de normalité de Jarque-Bera

2 hpothèses :
H0 : Les erreurs sont normalement distribuées
H1 : Les erreurs ne sont pas normalement distribuées
Si la probabilité de la statistique de Jarque-Bera est supérieure au
seuil de 5% (0.05) alors l’hypothèse H0 est retenus est les erreurs
sont considérées comme normalement distribuées (Bon modèle)
NB : On obtient la propabilité de la statistique de Jarque-Bera en
allant à View 7→ Residual Diagnostics 7→ Histogram-Normality Test

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation :Analyse des

résidus
Auto-corrélation des erreurs :Test de Breusch-Godfrey serial
correlation LM
2 hypothèses :
H0 : Les erreurs ne sont auto-corrélées
H1 : Les erreurs sont auto-corrélées
Si la probabilité liée à la statistique de Breusch-Godfrey serial
correlation LM Test est supérieure à 0.05 alors l’hypothèse H0 est
retenue est donc les erreurs ne sont pas corrélées (Bon modèle)
NB : On obtient la propabilité de Breusch-Godfrey serial
correlation LM Test en allant à View 7→ Residual Diagnostics 7→
Serial Correlation LM Test

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation :Analyse des

résidus

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation : Analyse des

résidus
Hétéroscédasticité des erreurs : Test Breusch Pagan Godfrey
2 hypothèses :
H0 : la variance des erreurs n’est pas hétéroscédastique
H1 : la variance des erreurs est hétéroscédastique
Si la probabilité du Breusch-Pagan-Godfrey Test est supérieure à
0.05 alors l’hypothèse H0 est retenue et les erreurs ne sont pas
hétéroscédastiques (Bon modèle).
NB : On obtient la propabilité de
BreuschP agan − GodfreyTestenallantàView 7→ Residual Diagnostics
7→ Heteroskedasticity Tests. Puis choisir le type de test
BreuschP agan − Godfrey

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Régresion linéaire simple :Interprétation :Analyse des

résidus

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Prévision de la série conso

On veut prédire les valeurs de la consommation suivant des
valeurs de poids données. Pour cela on commence tout
d’abord par augmenter le range (de 15 à 20 dans notre cas).
Il faut alors double cliquer directement dans <Range> et
modifier les valeurs ou bien aller dans Proc 7→
Structure/Resize Curent Page
Aller dans la série poids et rajouter les valeurs prévues pour la
variable explicative (890,1000,920,980,1100).l
Afficher l’équation à l’aide de la commande ls conso c
poids. puis aller à Forecast
Remarque :Il faut nommer la nouvelle série (par défaut elle
porte le nom de la série à expliquer avec un F à la fin),ainsi
que la série des écarts types des erreurs de prévision (par
exemple ET)
Ons LEJRI Régression Linéaire avec EViews
 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Prévision de la série conso

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Estimation d’un modèle de Régresion linéaire multiple

Reprenons l’exemple "voitures". On veut savoir si la

consommation de carburant est expliquée par le poids, le prix,
la puissance et la cylindrée
On va alors estimer le modèle suivant
conso = β0 + β1 ∗ poids + β2 ∗ prix + β3 ∗ puis + β4 ∗ cyl
Pour estimer le modèle, on va utiliser la méthode des MCO :
Moindres Carrés Ordinaires

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Estimation d’un modèle de Régresion linéaire multiple

Aller à Quick 7→ Estimate Equation. Puis dans la partie

"Equation Specification", spécifier les variables à utiliser en
commençant par la variable expliqué conso puis la constante c
et enfin les variables explicatives poids, prix puis, cyl. En
choisissant la méthode d’estimation MCO (moindres carrés
ordinaires) ou LS (Least Square).
Sinon, entrer la commande ls conso c poids prix puis
cyl

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Estimation d’un modèle de Régresion linéaire

multiple :Résultat
On obtient alors le résultat suivant

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Régression linéaire multiple Prévision :Cas d’une Régression Linéaire Simple
Régression Linéaire avec EViews Estimation d’un modèle sous EViews :Cas d’une Régression Linéaire
Exercice

Estimation d’un modèle de Régresion linéaire

multiple :Interprétation

Interpréter l’estimation du modèle ainsi obtenu

Ons LEJRI Régression Linéaire avec EViews

 Régression Linéaire
Régression linéaire simple
Régression linéaire multiple
Régression Linéaire avec EViews
Exercice

Exercice

On se propose d’étudier le rendement d’un terrain agricole. Pour

cela, on dispose des données représentant le rendement et la
quantité d’engrais utilisé.
Rappeler le type de structure qu’on doit choisir pour le
workfile EViews
On veut savoir si le rendement est expliqué par la quantité
d’engrais utilisé. Donner l’équation du modèle théorique.
De quel type de modèle s’agit-il ?
Estimer le modèle et enregistrer le résultat de l’estimation
sous le nom Estim1
Interpréter le résultat de l’estimation

Ons LEJRI Régression Linéaire avec EViews