Correction Exercice Regression Simple 2024 2025

Exercice 2.
1 : pratique de GRETL
1)
Modèle 1: MCO, utilisant les observations 1-8

Variable dépendante: y
Coefficient Erreur Std t de p. critique

Student
const 0,964286 1,65765 0,5817 0,5819
x 0,869048 0,328264 2,647 0,0382 **
Moyenne var. dép. 4,875000 Éc. type var. dép. 2,900123

Somme carrés 27,15476 Éc. type régression 2,127391
résidus
R2 0,538773 R2 ajusté 0,461901
2)
Y = 0,964286 + 0,869048 X // R² = 0,538773 N=8
3) le R² est de 54%, la variable x explique 54% de la variance totale de y. Nous
avons un bon R² compte tenu du faible nombre d’observations utilisé pour
estimer le modèle.
4)
SSR (somme des carrés des résidus) = 27,15
SST (Ec type de la var dep) = N*2,9²
SSE (ec type de la regression) = N*2,127²
5)
y, observé et ajusté
9
observé
ajusté
6
y
1
1 2 3 4 5 6 7 8
x
6)
Statistiques descriptives, utilisant les observations 1 - 8

Variable Moyenne Médiane E.T. Min Max
uhat1 5,00e- 0,560 1,97 -3,05 2,69
016
E(uhat1)=0
corr(x, uhat1) = 0,00000000
E(uhat.x)=0
les hypothèses associées à u sont vérifiées.
Exercice n°2.3 :
a) Log(salary)=β0+β1log(vente)+u
Modèle log-log : le coefficient β1 correspond à l’élasticité des ventes sur le
salaire.
b) Estimation sur GRETL à partir des données ceosal1.gdt

Variable dépendante: l_salary
Coefficient Erreur Std t de Student p. critique

const 4,82200 0,288340 16,72 <0,0001 ***
l_sales 0,256672 0,0345167 7,436 <0,0001 ***
R2 0,210817 R2 ajusté 0,207005

Log(salary)= 4,82 + 0,256 * log(sales) // R²=0,2108 N=209
Seuil de risque de 5% la valeur critique de Student est égale à 1,96.
Le tcalc (β1) = 7,436 > 1,96, on décide de H1 : les ventes ont un effet significatif
sur les salaires. Si les ventes augmentent de 1% le salaire augmentera 0,256%.
3)
Variable dépendante: salary

Student
const 1174,00 112,813 10,41 <0,0001 ***
sales 0,0154705 0,00890571 1,737 0,0838 *
R2 0,014369 R2 ajusté 0,009607
Salary = 1174 + 0,01547 Sales // R²= 0,0143 N=209

Le modèle en log a un meilleur R² que le modèle en niveau. En effet le R² passe
de 21% à 1,4%.
Test de student sur la variable « sales » : au seuil de 5% le tcalc (1,737) de la
variable sales est inférieur à la valeur critique (1,96) donc on décide de H0 ie le
coefficient β1 est significativement nul.
Exercice 2.4
a)

wage 958, 905, 404, 115, 3,08e+0
03
IQ 101, 102, 15,1 50,0 145,
Le salaire moyen est de 958 $ mensuel. La note moyenne au score QI est de 101
avec un écart-type 15,1. Sachant que les QI sont normalisés dans la population
avec une moyenne de 100 et un écart-type de 15, notre échantillon avec un QI
de 101 et un écart-type de 15,1 semble être représentative de la population.
b) Wage = β0 + β1 IQ
Variable dépendante: wage
Student
const 116,992 85,6415 1,366 0,1722
IQ 8,30306 0,836395 9,927 <0,0001 ***
R2 0,095535 R2 ajusté 0,094566
Wage = 116,992 + 8,303 * IQ / R²=0,0955 N=935

Utilisez ce modèle pour trouver l'augmentation de salaire prévue pour une
augmentation du QI de 15 points.
ΔWage = 8,303*ΔIQ  ΔWage=8,303 * 15=124,545
Le QI explique-t-il la majeure partie de la variation des salaires ?
Le IQ explique que 9,55% de la variation des salaires.
b) Log(Wage) = β0 + β1 IQ

Variable dépendante: lwage
const 5,88699 0,0890206 66,13 <0,0001 ***
IQ 0,00880716 0,000869396 10,13 <0,0001 ***
R2 0,099091 R2 ajusté 0,098126
Log(wage) = 5,887 + 0,0088 IQ / R²=0,099 N=935

ΔIQ=15  %ΔWage= 100*0,0088*15=13,2%
L’augmentation de 15 points de IQ entraine une augmentation de 13,2% du
salaire.
Exercice 2.5
a) Log(rd)=β0+β1 log(sales)
Modèle log-log ou β1 est l’élasticité des ventes sur les dépenses en R&D
b) Estimation du modèle

Variable dépendante: l_rd

const −4,10472 0,452768 −9,066 <0,0001 ***
l_sales 1,07573 0,0618275 17,40 <0,0001 ***
R2 0,909835 R2 ajusté 0,906829
Log(rd) = -4,104 + 1,0757 * log(sales) // R²=0,91 N=32

La variable sales explique 91% de la variation totale de R&D. Nous pouvons
considérer que nous avons un très bon modèle.
L’élasticité des ventes par rapport aux dépenses de R&D est de 1,0757. Une
augmentation des ventes de 1% entraine une augmentation de 1,0757% des
dépenses de R&D. ici la demande est inélastique car l’élasticité est supérieure à
1.
Exercice 2.6
a) Le dollar supplémentaire n’aura pas le même effet d’un établissement
scolaire à un autre. En effet, pour des établissements scolaires les mieux
dotés, ce dollar supplémentaire agira très peu comparativement à un
établissement scolaire moins bien dotés. On attend pour ces
établissements à un effet plus important des dépenses supplémentaires en
éducation.
b) math 10=b0 +b 1 log ( expend )+ u
L’interprétation de b 1 est : ∆ math10=( 0 , 01 b1 ) % ∆ expend
Ici ∆ expend=10 %
Donc ∆ math10=( 0 , 01∗b1 )∗10=0 , 1∗b1=b 1 /10
c)
Variable dépendante: math10
const −69,3411 26,5301 −2,614 0,0093 ***
lexpend 11,1644 3,16901 3,523 0,0005 ***
R2 0,029663 R2 ajusté 0,027273

Math10= -69,34 +11,16* log(expend) // R²=2,9% n= 408
d) Quelle est l'importance de l'effet estimé des dépenses ? En d'autres
termes, si les dépenses augmentent de 10 %, quelle est l'augmentation
estimée de math10 ?
Le R² est très faible car la variable log(expend) n’explique que 2,9% de la
variance de MATH10.
Le test de Student au seuil de 5% la valeur critique est de 1,96. Elle est
inférieure au tcalc de la variable log(expend) (3,523), donc on décide de rejeter
l’hypothèse H0. La variable log(expend) a un effet significatif et positif sur les
résultats en math (math10).
L’augmentation de 10% des dépenses entraine une augmentation
11,16/10=1,116 de points de math10. Un effort important des dépenses entraine
une faible augmentation de math10.
Exercice n°2.7
a) Quel est le cadeau moyen dans l'échantillon de 4 268 personnes (en florins
néerlandais) ? Quel est le pourcentage de personnes qui n'ont pas fait de cadeau
?

gift 7,44 0,000 15,1 0,000 250,
respond 0,400 0,000 0,490 0,000 1,00
Le don moyen est de 7,44 florins, 60% des personnes n’ont pas fait de don soit
environ 0,6*4268=2561 personnes.
b) Quel est le nombre moyen d'envois par an ? Quelles sont les valeurs
minimales et maximales ?
mailsyear 2,05 2,00 0,668 0,250 3,50
2,05 mails sont en envoyés par an avec un minimum de 0,25 (1 mail en 4 ans) et
un maximum de 3,5.
c) Estimer le modèle 𝑔𝑖𝑓𝑡 = 𝑏0 + 𝑏1𝑚𝑎𝑖𝑙𝑠𝑦𝑒𝑎𝑟 + 𝑢 par les MCO et

communiquer les résultats de la manière habituelle, y compris la taille de
l'échantillon et le R2.
Variable dépendante: gift

Student
const 2,01408 0,739470 2,724 0,0065 ***
mailsyear 2,64955 0,343060 7,723 <0,0001 ***
R2 0,013790 R2 ajusté 0,013558
Gift = 2,014 + 2,649 * mailsyear // R² = 0,0138 N=4268

d) Interpréter le coefficient de la pente. Si chaque envoi coûte un florin,
l'organisme de bienfaisance est il censé réaliser un gain net sur chaque
mailing ? Cela signifie-t-il que l'organisme de bienfaisance réalise un gain net
sur chaque envoi ? Expliquez.
Le coefficient de la pente est de 2,649, donc chaque mail supplémentaire peut
rapport 2,649 florins.
Si chaque mail coute un florin alors le gain net est estimé 1,649 florins. Certains
mails ne génèrent aucun voir une très petite contribution alors que d’autres vont
générer des contributions élevées.
e) Quelle est la plus petite contribution caritative prévue dans l'échantillon ? En
utilisant cette simple analyse de régression, pouvez-vous prédire un don nul ?
la plus petite valeur de mailsyear est de 0,25 donc elle sera associée au plus
petit don soit :
2,014 + 2,649 * 0,25 = 2,676 florins. Malheureusement cette équation ne
permet pas de prévoir des dons nuls.

Correction Exercice Regression Simple 2024 2025

Transféré par

Droits d'auteur :

Formats disponibles

Correction Exercice Regression Simple 2024 2025

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

Correction Exercice Regression Simple 2024 2025

Transféré par

Droits d'auteur :

Formats disponibles

Exercice 2.

Modèle 1: MCO, utilisant les observations 1-8

Coefficient Erreur Std t de p. critique

Moyenne var. dép. 4,875000 Éc. type var. dép. 2,900123

Statistiques descriptives, utilisant les observations 1 - 8

Modèle 1: MCO, utilisant les observations 1-209

Coefficient Erreur Std t de Student p. critique

R2 0,210817 R2 ajusté 0,207005

Coefficient Erreur Std t de p. critique

R2 0,014369 R2 ajusté 0,009607

Salary = 1174 + 0,01547 Sales // R²= 0,0143 N=209

Statistiques descriptives, utilisant les observations 1 - 935

R2 0,095535 R2 ajusté 0,094566

Wage = 116,992 + 8,303 * IQ / R²=0,0955 N=935

Modèle 2: MCO, utilisant les observations 1-935

R2 0,099091 R2 ajusté 0,098126

Log(wage) = 5,887 + 0,0088 IQ / R²=0,099 N=935

Modèle 1: MCO, utilisant les observations 1-32

Coefficient Erreur Std t de Student p. critique

Log(rd) = -4,104 + 1,0757 * log(sales) // R²=0,91 N=32

R2 0,029663 R2 ajusté 0,027273

Statistiques descriptives, utilisant les observations 1 - 4268

c) Estimer le modèle 𝑔𝑖𝑓𝑡 = 𝑏0 + 𝑏1𝑚𝑎𝑖𝑙𝑠𝑦𝑒𝑎𝑟 + 𝑢 par les MCO et

Coefficient Erreur Std t de p. critique

R2 0,013790 R2 ajusté 0,013558

Gift = 2,014 + 2,649 * mailsyear // R² = 0,0138 N=4268

Vous aimerez peut-être aussi