Econométrie Chap2

22/06/2022
Université Cadi Ayyad Marrakech
Faculté des Sciences Juridiques Economiques

et Sociales
MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE
3ème Semestre (Promotion 3)
ECONOMETRIE
Lahcen AIT DAOUD
Année Universitaire 2021/2022

et Sociales
ECONOMETRIE
Chapitre 2 : Régression Linéaire Simple
Lahcen AIT DAOUD
1
22/06/2022
1. Spécification du modèle
• La régression simple est le modèle le plus simple : une variable endogène est
expliquée par une variable exogène
• Soit la fonction de consommation keynésienne :
𝑪 = 𝒂𝟎 + 𝒂𝟏 𝒀
• C : consommation
• Y : revenu
• 𝒂𝟏 : Propension marginale à consommer
• 𝒂𝟎 : Consommation autonome ou incompressible
• La variable consommation est appelée variable à expliquer ou variable

endogène
• La variable revenu est appelée variable explicative ou exogène
• 𝒂𝟎 et 𝒂𝟏 sont les paramètres du modèle ou encore les coefficients de
régression
3
1. Spécification du modèle
• Nous pouvons distinguer trois types des spécifications :
– Les modèles en série temporelle, les variables représentent des phénomènes observés à intervalles de
temps réguliers. Par exemple la consommation et le revenu annuel de 2000 et 2021 pour un pays
donné :
𝑪𝒕 = 𝒂𝟎 + 𝒂𝟏 𝒀𝒕
• t=2000,…,2021
• Ci=consommation en t pour le pays en question
• Yi=revenu en t pour le pays en question
– Les modèles en coupe instantanée, le variables représentent des phénomènes observé au même
instant mais concernant divers individus, par exemple la consommation et le revenu observe sur un
échantillon de 20 pays en 2021
𝑪𝒊 = 𝒂𝟎 + 𝒂𝟏 𝒀𝒊
• i=1,…,20
• Ci=consommation pour le pays i en 2021
• Yi=revenu pour le pays i en 2015
– Les modèles avec données de panel, le variables représentent des phénomènes observé intervalles de
temps réguliers et concernant divers individus, par exemple la consommation et le revenu annuel de
2000 et 2021 observe sur un échantillon de 20 pays
𝑪𝒊𝒕 = 𝒂𝟎 + 𝒂𝟏 𝒀𝒊𝒕
• t=1985,…,2005
• i=1,…,20
• Cit=consommation en t pour le pays i 4
• Yit=revenu en t pour le pays i
2
22/06/2022
2. Terme aléatoire 𝜺𝒕
• Le modèle qu’il vient d’être spécifié n’est qu’une caricature de la réalité :
– En effet, ne retenir que le revenu pour l’explication de la consommation est à l’évidence

même insuffisant
– Il existe plusieurs autres facteurs susceptibles d’expliquer la consommation
• C’est pourquoi nous ajoutons un terme 𝜺𝒕 qui synthétise l’ensemble de ces

informations non explicitées dans le modèle. Ce terme :
– représente l’erreur de spécification du modèle, c’est-à-dire l’ensemble des phénomènes

explicatifs de la consommation non liés au revenu
– En pratique, le terme mesure la différence entre les valeurs réellement observées de C
et les valeurs qui auraient été observées si la relation spécifiée avait été rigoureusement
exacte 𝜺𝒕 = 𝑪𝒕 − 𝑪𝒕
• Le terme regroupe donc trois types d’erreurs:
– Erreur de spécification, c.à.d. le fait que la variable explicative n’est pas suffisante
– Erreur de mesure: le données ne représentent pas exactement le phénomène
– Erreur de fluctuation d’échantillonnage 5
2. Terme aléatoire 𝜺𝒕
• Dans la réalité nous ne connaissons pas les valeurs vrais des
coefficients. On peut seulement observer les valeurs de C et de
Y
• Les estimateurs de coefficients sont notés respectivement:

𝒂𝟎 et 𝒂𝟏
• 𝒂𝟎 et 𝒂𝟏 sont des variables aléatoires, qui suivent les mêmes

lois de probabilité que celle de 𝜺𝒕 , puisque ils sont fonction de
𝜺𝒕
3
22/06/2022
3. Estimation des paramètres
Soit le modèle suivant :
𝒀𝒕 = 𝒂𝟎 + 𝒂𝟏 𝑿𝒕 + 𝜺𝒕 pour t = 1,2,…,T
Avec:
• 𝒀𝒕 : variable à expliquer au temps t
• 𝑿𝒕 : variable explicative au temps t
• 𝒂𝟎 et 𝒂𝟏 : paramètres du modèle
• 𝜺𝒕 : erreur de spécification
• T : nombre d’observations

Hypothèses :
• H1 : Le modelé est linaire en X

• H2 : Les valeurs de X sont observées sans erreur donc elle n’est pas une
variable aléatoire
• H3 : En moyenne le modelé est bien spécifié
𝑬 𝜺𝒕 = 𝟎
• H4 : La variance de l’erreur est constante. L’hypothèse d'homoscédasticité
𝑬 𝜺²𝒕 = 𝝈²𝜺
• H5 : Les erreurs ne sont pas auto-corrélées c.-à-d. une erreur à l’instant t
n’a pas d’influence sur les erreurs suivantes
𝑬 𝜺𝒕 ; 𝜺𝒕 = 𝒄𝒐𝒗(𝜺𝒕 ; 𝜺𝒕 ) = 𝟎
• H6 : L’erreur est indépendante de la variable explicative
𝒄𝒐𝒗(𝜺𝒕; 𝒙𝒕 ) = 𝟎
8
4
22/06/2022

Représentation graphique :
La droite la plus proche de la réalité est celle avec des paramètres qui
minimisent la distance au carré entre cette droite et chaque
observation. 9

Les estimateurs des coefficients 𝒂𝟎 et 𝒂𝟏 est
obtenu en minimisant la distance au carré
entre chaque observation et la droit. La
résolution analytique est la suivante:
𝑴𝒊𝒏 (𝒀 − 𝒀𝒕 )² = 𝑴𝒊𝒏 𝜺𝒕 ²
D’où le nom d’estimateur des moindres

carrés ordinaires (MCO ou OLS)
Impossible d’afficher l’image.

𝜺𝒕
Impo
ssible Impossible
d’affic d’afficher
her l’image.
Impos Impos Impo
l’imag sible sible ssible
e. d’affic d’affic d’affi
her her cher
l’imag l’imag l’ima
e. e. ge.
10
5
22/06/2022

En opérant par dérivation par rapport à 𝒂𝟎 et 𝒂𝟏 afin de trouver le
minimum de cette fonction, on obtient les résultats suivants :
11

Exemple : nous disposons des données qui sont représentés dans le tableau
suivant :
Xt 100 200 300 400 500 600 700
Yt 40 50 50 70 65 65 80
Où Yt désigne les quantités consommées et

Xt désigne le prix des quantités consommées.
1. Tracer le nuage de points et le commenter.

2. Soit le modèle suivant : 𝒀𝒊 = 𝒂𝟎 + 𝒂𝟏 𝑿𝒊 + 𝜺𝒊 pour i = 1,2,…,n. Estimer les
paramètres 𝒂𝟎 et 𝒂𝟏
12
6
22/06/2022

Exemple :
1. Tracer le nuage de points et le commenter.
90
80
70
60
50
40
30
20
10
0
0 100 200 300 400 500 600 700 800 13

Exemple :
2. Estimer les paramètres 𝒂𝟎 et 𝒂𝟏
x y 𝒙−𝒙 𝒚−𝒚 𝒙−𝒙 ² 𝒙−𝒙 𝒚−𝒚

100 40 -300 -20 90000 6000
200 50 -200 -10 40000 2000
300 50 -100 -10 10000 1000
400 70 0 10 0 0
500 65 100 5 10000 500
600 65 200 5 40000 1000
700 80 300 20 90000 6000
400 60 280000 16500
16500
𝑎 = = 0,058928571 𝑎 = 60 − 0,0589 ∗ 400 = 36,42857143
280000
14
7
22/06/2022

Exemple :
90
80 y = 0,0589x + 36,429
R² = 0,8455
70
60
50
40
30
20
10
0
0 100 200 300 400 500 600 700 800
15

Exemple : sur Eviews
ls y c x
16
8
22/06/2022

et Sociales
ECONOMETRIE
Lahcen AIT DAOUD
4. Propriétés des estimateurs

Les estimateurs obtenus en utilisant le méthode de moindres carrés
ordinaires ont deux propriétés importantes :
– Ils sont sans biais:

𝑬 𝒂𝟎 = 𝒂𝟎 et 𝑬 𝒂𝟏 = 𝒂𝟏
– Il sont convergents :
𝐥𝐢𝐦 𝑽 𝒂𝟎 = 𝟎 et 𝐥𝐢𝐦 𝑽 𝒂𝟏 = 𝟎
𝑻→ 𝑻→
Ces types d’estimateurs sont dit ‘BLUE’ : best linear unbiased estimators.
18
9
22/06/2022
5. Calculer les estimateurs de la variance de 𝜺, 𝒂𝟎 et 𝒂𝟏 :

On note :
• 𝝈²𝜺 : estimateur de la variance de 𝜺

• 𝝈²𝒂𝟎 : estimateur de la variance de 𝒂𝟎
• 𝝈²𝒂𝟏 : estimateur de la variance de 𝒂𝟏
A - Cherchons l’expression de l’estimateur de la variance de l’erreur
19
6. Normalité des erreurs , test des coefficients et les

intervalles de confiances
L’hypothèse de normalité des erreurs n’est pas nécessaire pour obtenir des
estimateurs convergentes.
Il est en revanche importante pour construire des test statistiques concernent

la validité du modèle estimé.
𝜺𝒕 → 𝑵(𝟎, 𝝈𝜺 )
20
10
22/06/2022

Soit le modèle suivant :
𝒀𝒕 = 𝒂𝟎 + 𝒂𝟏 𝑿𝒕 + 𝜺𝒕 pour t = 1,2,…,T
En conséquence de la normalité des erreurs, on peut observer que :
∑ ²
𝜎² = et 𝜺𝒕 → 𝑵 𝟎, 𝝈²𝜺
² ∑ ²
= → 𝝌² 𝒏 𝟐
² ²
D’un autre coté, on a :
𝝈²𝜺 𝒂𝟏 𝒂𝟏
𝒂𝟏 → 𝑵 𝒂𝟏 , ∑
𝒙𝒕 𝒙 ²
d’où 𝒁𝟏 = → 𝑵(𝟎, 𝟏)
𝝈²𝜺
∑ 𝒙𝒕 𝒙 ²
𝟏 𝒙𝟐 𝒂𝟎 𝒂𝟎
𝒂𝟎 → 𝑵 𝒂𝟎 , 𝝈²𝜺
𝒏
=∑
𝒙𝒕 𝒙 ²
d’où 𝒁𝟎 = → 𝑵(𝟎, 𝟏)
𝟏 𝒙𝟐
𝝈²𝜺 𝒏 ∑ 𝒙𝒕 𝒙 ²
21

D’après la définition de la loi de Student qui est :
Le rapport d’une loi centrée réduite et la racine carrée d’une loi
de khi deux divisée par le nombre de ses degrés de liberté.
On appliquant cette définition on obtient alors :
𝒁𝟏 𝝈 𝜺 𝒁𝟏 𝝈 𝜺 𝒂𝟏 − 𝒂𝟏 𝒁𝟎 𝝈𝜺 𝒁𝟎 𝝈 𝜺 𝒂𝟎 − 𝒂 𝟎
𝑻𝒄 = = = 𝑻𝒄 = = =
𝝈𝜺 𝝈𝜺 𝝈𝜺 𝝈𝜺
𝒏 − 𝟐 𝝈² 𝜺 𝝈²𝜺 𝒏 − 𝟐 𝝈² 𝜺 𝟏 𝒙𝟐
𝝈²𝜺 𝒏 = ∑ 𝒙𝒕 − 𝒙 ²
𝝈²𝜺 ∑ 𝒙𝒕 − 𝒙 ² 𝝈²𝜺
𝒏−𝟐 𝒏−𝟐
𝒂𝟏 − 𝒂𝟏 𝒂𝟏 − 𝒂𝟏 𝜶 𝒂𝟎 − 𝒂𝟎 𝒂 𝟎 − 𝒂𝟎 𝜶
𝑻𝒄 = = → 𝑻𝒏 𝟐 , 𝑻𝒄 = = → 𝑻𝒏 𝟐,
𝝈𝒂𝟏 𝟐 𝝈𝒂𝟎 𝟐
𝝈²𝜺 𝟏 𝒙𝟐
𝝈²𝜺 𝒏 = ∑ 𝒙𝒕 − 𝒙 ²
∑ 𝒙𝒕 − 𝒙 ²
22
11
22/06/2022

En utilisant ces formules, on peut mettre en place des test
statistiques pour :
– Comparer un coefficient de régression par rapport à une valeur

fixée;
– Comparer deux coefficients provenant de deux échantillons

différents;
– Déterminer un intervalle de confiance pour un coefficient.
23

Test des coefficients :
A partir des formules précédentes, on peut effectuer les tests d’hypothèses suivants :
𝑯𝟎 ∶ 𝒂 𝟎 = 𝟎 𝑯𝟎 ∶ 𝒂 𝟏 = 𝟎
𝑯𝟏 ∶ 𝒂 𝟎 ≠ 𝟎 𝑯𝟏 ∶ 𝒂 𝟏 ≠ 𝟎
Sous l’hypothèse 𝑯𝟎 ∶ 𝒂𝟏 = 𝟎 et 𝑯𝟎 ∶ 𝒂𝟎 = 𝟎 on obtient la valeur critique (Tc) (ratio de

student) tel que :
𝑻𝒄 =
𝒂𝟏
𝝈𝒂𝟏
→ 𝑻𝒍 𝒏 − 𝟐,
𝜶
𝟐
et 𝑻𝒄 = 𝒂𝟎
𝝈𝒂𝟎
→ 𝑻𝒍 𝒏 − 𝟐,
𝜶
𝟐
Avec :
𝑻𝒄 : désigne la valeur critique de la statistique (T) (dite calculée).
𝒂𝟏: désigne la valeur estimée du paramètre
𝝈𝒂𝟏 : désigne la valeur de l’écart-type du paramètre
𝑻𝒍 : désigne la valeur de la statistique Student lue à partir de la table statistique avec un degré
24
de liberté 𝒏 − 𝟐 et un seuil donné 𝜶 (En général 𝜶 = 5%)
12
22/06/2022

Règle de décision :
Si 𝑇 < 𝑇 on accepte l’hypothèse H0 : la variable X n’est pas

contributive à l’explication de Y.
Si 𝑇 > 𝑇 on accepte l’hypothèse H1 : la variable X est

contributive à l’explication de Y.
25

Intervalles de confiances des paramètres :
Les intervalles de confiances des paramètres 𝒂𝟎 , 𝒂𝟏 et 𝝈²𝜺 au seuil donné 𝜶 (au
niveau de confiance (𝟏 − 𝜶) sont donnés par :
Intervalle de confiance 𝒂𝟎 :
𝑃 𝑎𝟎 − 𝑻𝜶 𝜎 𝟎
< 𝒂𝟎 < 𝑎𝟎 + 𝑻𝜶 𝜎 𝟎
=1−𝛼
𝟐 𝟐
Intervalle de confiance 𝒂𝟎 :
𝑃 𝑎𝟏 − 𝑻𝜶 𝜎 𝟏
< 𝒂𝟏 < 𝑎𝟏 + 𝑻𝜶 𝜎 𝟏
=1−𝛼
𝟐 𝟐
Intervalle de confiance 𝝈²𝜺 :

𝑛 − 2 𝜎² 𝑛 − 2 𝜎²
𝑃 < 𝝈²𝜺 < =1−𝛼
𝝌² 𝟐 𝝌² 𝟏
26
13
22/06/2022

suivant :
xt 100 200 300 400 500 600 700

yt 40 50 50 70 65 65 80
Où yt désigne les quantités consommées et

xt désigne le prix des quantités consommées.
3. Calculer les estimateurs de la variance de 𝜺, 𝒂𝟎 et 𝒂𝟏

4. Mener les tests de validation du modèle
27

3. Calculer les estimateurs de la variance de 𝜺, 𝒂𝟎 et 𝒂𝟏
1
𝜎 ²= 177,6785714 = 35,53571429
7−2
35,53571429
𝜎 ²= = 0,000126913
280000
1 160000
𝜎 ² = 35,536 + = 25,38265306
7 280000
28
14
22/06/2022

4. Mener les tests de validation du modèle
A- Test sur a1
𝒂𝟏 𝟎, 𝟎𝟓𝟖𝟗𝟐𝟖𝟓𝟕𝟏
𝑻𝒄 = = = 𝟓, 𝟐𝟑𝟎𝟖𝟓𝟏𝟔𝟓𝟔 > 𝑇 , = 2,5706
𝝈𝒂𝟏 𝟎, 𝟎𝟏𝟏𝟐𝟔𝟓𝟓𝟕𝟗
A- Test sur a0
𝒂𝟎 𝟑𝟔, 𝟒𝟐𝟖𝟓𝟕𝟏𝟒𝟑
𝑻𝒄 = = = 𝟕, 𝟐𝟑𝟎𝟓𝟖𝟖𝟐𝟗𝟏 > 𝑇 ,
𝝈𝒂𝟎 𝟓, 𝟎𝟑𝟖𝟏𝟏𝟗𝟗𝟗𝟑
La variable X et l’intercept sont contributives à l’explication de Y
29

ls y c x
30
15
22/06/2022

et Sociales
ECONOMETRIE
Lahcen AIT DAOUD
7. Analyse de la variance et test de Fisher
A. Equation d’analyse de la variance :
• L’analyse de la variance est importante pour évaluer dans quelle

mesure le modèle estimé est capable d’expliquer la réalité.
• La formule pour l’analyse de la variance est la suivante :
SCT = SCE + SCR

La variabilité totale = la variabilité expliquée + la variabilité des résidus
Cette équation va nous permettre de juger de la qualité de l’ajustement

d’un modèle.
Plus la variance expliquée est proche de la variance totale, meilleur est
l’ajustement de la nuage de points par la droite de moindres carrés.
32
16
22/06/2022
7. Analyse de la variance et le coefficient de détermination
B. Coefficient de détermination :
SCT = SCE + SCR

𝑆𝐶𝑇 𝑆𝐶𝐸 𝑆𝐶𝑅 𝑆𝐶𝐸 𝑆𝐶𝑅
= + 1= +
𝑆𝐶𝑇 𝑆𝐶𝑇 𝑆𝐶𝑇 𝑆𝐶𝑇 𝑆𝐶𝑇
𝑆𝐶𝐸 𝑆𝐶𝑅
𝑅 = = 1−
𝑆𝐶𝑇 𝑆𝐶𝑇
0 ≤ 𝑅 ≤ 1, plus la valeur de R² est proche de 1, plus le modèle est plus significatif

33
C. Tableau d’analyse de la variance :
Source de la
Somme des carrés ddl Carrés moyens Loi
variance
Variable 𝑆𝐶𝐸
explicative
𝑆𝐶𝐸 = 𝑦 −𝑦 k=1 𝝌²𝟏
1
𝑆𝐶𝑅 𝝌²𝒏
Résidu 𝑆𝐶𝑅 = 𝑒² n-2 𝟐
𝑛−2
Total 𝑆𝐶𝑇 = 𝑦 −𝑦 n-1
ddl : degré de liberté qui correspond au nombre de valeurs que nous

pouvons choisir arbitrairement.
34
17
22/06/2022
D. Test d’hypothèse :
Soit le test d’hypothèse suivant :
𝑯𝟎 : 𝑺𝑪𝑬 = 𝟎 contre 𝑯𝟏 : 𝑺𝑪𝑬 ≠ 𝟎
La valeur critique F(Fisher) qui se définit comme suit : C’est le rapport entre
deux Chi deux indépendants et leurs degrés de libertés. La statistique de ce test
est donnée donc par :
𝑆𝐶𝐸 ∑ 𝑦 −𝑦 𝑅
𝑑𝑑𝑙 𝑘 1
𝐹 = = =
𝑆𝐶𝑅 ∑ 𝑒² 1−𝑅
𝑑𝑑𝑙 𝑛−2 𝑛−2
Règle de décision :
Si 𝐹 > 𝐹 , , on rejette l’hypothèse H0 , cela signifie que, H1 est acceptée :
c'est-à-dire le modèle est globalement significatif.
Si 𝐹 < 𝐹 , , on rejette l’hypothèse H1 , cela signifie que, H0 est acceptée :
c'est-à-dire le modèle n’est pas globalement significatif. 35
suivant :
xt 100 200 300 400 500 600 700
yt 40 50 50 70 65 65 80
5. Tracer le tableau d’analyse de la variance

6. Mener un test d’hypothèse sur la significativité globale du modelé
36
18
22/06/2022
Exemple :
5. Tracer le tableau d’analyse de la variance
Source de la
Somme des carrés ddl Carrés moyens
variance
972,3214286
Variable explicative 𝑆𝐶𝐸 = 𝑦 −𝑦 = 972,32 1
1
177,6785714
Résidu 𝑆𝐶𝑅 = 𝑒² = 177,6785714 7-2
5
Total 𝑆𝐶𝑇 = 𝑦 −𝑦 = 1150 7-1
6. Mener un test d’hypothèse sur la significativité globale du modelé

𝑆𝐶𝐸 972,3214286
𝑑𝑑𝑙 1 le modèle est
𝐹 = = = 27,36180905𝐹 > 𝐹 , , ,
𝑆𝐶𝑅 177,6785714 globalement significatif
𝑑𝑑𝑙 5 6,61 37
ls y c x
38
19
22/06/2022
8. Prévision à l’aide d’un modèle de régression simple
On désire prévoir à l’aide du modèle la valeur de la variable Y pour une

valeur connue mais non observé 𝑿𝒑 de X.
D’après le modèle on 𝒀𝒑 = 𝒂𝟎 + 𝒂𝟏 𝑿𝒑 + 𝜺𝒑, où 𝒀𝒑 et 𝜺𝒑 sont des variables

aléatoires. La prédiction naturelle est alors :
𝒀𝒑 = 𝑬 𝒀𝒑 = 𝒂𝟎 + 𝒂𝟏 𝑿𝒑
L’erreur de prédiction est définie par 𝒀𝒑 − 𝒀𝒑 et on peut montrer que sous

les hypothèses du modèle (incluant l’hypothèse de normalité), on a :
𝟐
𝟐
𝟏 𝑿𝒑 − 𝑿
𝒀𝒑 − 𝒀𝒑 → 𝑵(𝟎; 𝝈 𝟏+ + 𝟐 )
𝒏 ∑ 𝑿 −𝑿
𝒊
39
On en déduit que :
𝒀𝒑 − 𝒀𝒑
→ 𝑵(𝟎; 𝟏)
𝟐
𝟏 𝑿𝒑 − 𝑿
𝝈 𝟏+𝒏+ 𝟐
∑ 𝑿𝒊 − 𝑿
On peut montrer que :

𝒀𝒑 − 𝒀𝒑
→ 𝑻(𝒏 − 𝟐)
𝟐
𝟏 𝑿𝒑 − 𝑿
𝝈 𝟏+ + 𝟐
𝒏 ∑ 𝑿 −𝑿
𝒊
On en déduit l’intervalle de prédiction (différent d’un intervalle de confiance) pour Yp au

niveau de confiance 1 − α suivant :
𝟐
𝟏 𝑿𝒑 − 𝑿
𝒀𝒑 ∓ 𝒕 𝒏 𝟐;
𝜶 𝝈 𝟏+ + 𝟐
𝟐 𝒏 ∑ 𝑿 −𝑿
𝒊
40
20
22/06/2022
suivant :
xt 100 200 300 400 500 600 700
yt 40 50 50 70 65 65 80
7. Pour la période 7, on prévoit 830 MDH pour le prix des quantités

consommées. Déterminer la prévision des quantités consommées pour cette
période ainsi que l’intervalle de prédiction au seuil de 95%.
41
Exemple :
7. Pour la période 7, on prévoit 830 MDH pour le prix des quantités

consommées. Déterminer la prévision des quantités consommées pour cette
période ainsi que l’intervalle de prédiction au seuil de 95%.
𝟐
𝟏 𝑿𝒑 − 𝑿
𝒀𝒑 ∓ 𝒕 𝒏 𝟐;
𝜶 𝝈 𝟏+ + 𝟐
𝟐 𝒏 ∑ 𝑿 −𝑿
𝒊
𝒀𝒑 = 85,33928571
𝒕 𝟓;𝟎,𝟎𝟓/𝟐 = 2,5706
𝝈𝜺 = 5,961183967
𝟐 𝟔𝟒, 𝟒𝟑𝟖𝟑𝟕𝟓𝟗𝟐 ; 𝟏𝟎𝟔, 𝟐𝟒𝟎𝟏𝟗𝟓𝟓
𝑿𝒑 − 𝑿 = 𝟏𝟖𝟒𝟗𝟎𝟎
𝟐
𝑿𝒊 − 𝑿 = 𝟐𝟖𝟎𝟎𝟎𝟎
𝒏=5 42
21
22/06/2022
100
80
60 y estim
Y INF
Ysup
Y
40
20
0
0 100 200 300 400 500 600 700 800
43
22

Econométrie Chap2

Transféré par

Droits d'auteur :

Formats disponibles

Econométrie Chap2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Econométrie Chap2

Transféré par

Droits d'auteur :

Formats disponibles

22/06/2022

Université Cadi Ayyad Marrakech

Faculté des Sciences Juridiques Economiques

MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE

3ème Semestre (Promotion 3)

Année Universitaire 2021/2022

Université Cadi Ayyad Marrakech

Faculté des Sciences Juridiques Economiques

MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE

3ème Semestre (Promotion 3)

Lahcen AIT DAOUD

Année Universitaire 2021/2022

Chapitre 2 : Régression Linéaire Simple

• La variable consommation est appelée variable à expliquer ou variable

Chapitre 2 : Régression Linéaire Simple

Chapitre 2 : Régression Linéaire Simple

– En effet, ne retenir que le revenu pour l’explication de la consommation est à l’évidence

• C’est pourquoi nous ajoutons un terme 𝜺𝒕 qui synthétise l’ensemble de ces

– représente l’erreur de spécification du modèle, c’est-à-dire l’ensemble des phénomènes

• Le terme regroupe donc trois types d’erreurs:

Chapitre 2 : Régression Linéaire Simple

• Les estimateurs de coefficients sont notés respectivement:

• 𝒂𝟎 et 𝒂𝟏 sont des variables aléatoires, qui suivent les mêmes

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

Soit le modèle suivant :

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

• H1 : Le modelé est linaire en X

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

D’où le nom d’estimateur des moindres

Impossible d’afficher l’image.

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

Où Yt désigne les quantités consommées et

1. Tracer le nuage de points et le commenter.

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

x y 𝒙−𝒙 𝒚−𝒚 𝒙−𝒙 ² 𝒙−𝒙 𝒚−𝒚

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

Chapitre 2 : Régression Linéaire Simple

3. Estimation des paramètres

Université Cadi Ayyad Marrakech

Faculté des Sciences Juridiques Economiques

MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE

3ème Semestre (Promotion 3)

Lahcen AIT DAOUD

Année Universitaire 2021/2022

Chapitre 2 : Régression Linéaire Simple

4. Propriétés des estimateurs

– Ils sont sans biais: