Travaux Dirigés (Groupe E)

Module : Économétrie
Série I : Régression linéaire simple

Exrecice 1
Un agronome s’intéresse à la liaison pouvant exister entre le rendement de maïs x (en quintal) d’une
parcelle de terre et la quantité d’engrais y (en kilo). Il relève 10 couples de données consignés dans le
tableau ci-après :

Table 1 – Rendement de maïs et quantité d’engrais

Rendement x 16 18 23 24 28 29 26 31 32 34
Engrais y 20 24 28 22 32 28 32 36 41 41

1. Tracer le nuage de points et le commenter.

2. Calculer le coefficient de corrélation simple.

Exercice 2
Répondre aux affirmations suivantes par "Vrai" ou "Faux" en justifiant votre réponse :
1. Une covariance positive permet de dire que X et Y ont tendance à varier simultanément dans le
même sens.
2. Dans un modèle de régression linéaire simple, si le coefficient de détermination R2 est proche de 1
alors les observations sont proches de la droite des moindres carrés.
3. Pour estimer les paramètres α et β dans le modèle de régression Yi = α + βXi2 + , on utilise la
méthode des moindres carrés ordinaires.
4. Dans un modèle de régression linéaire simple, si le coefficient de détermination R2 est proche de 1
alors le coefficient de corrélation entre la variable expliquée et la variable explicative sera proche de
1 ou -1.

Exercice 3
On désire estimer le modèle mathématique suivant sur un échantillon d’observations : y = aebx
1. Montrer comment peut-on rendre linéaire ce modèle.
2. Expliquer brièvement comment peut-on obtenir les coefficients estimés de a et b après estimation
du modèle linéarisé.

1
Exercice 4
On cherche à expliquer la variation du coût annuel (Ci : en centaines de DH) de maintenance d’un véhicule
en fonction de son âge (Ai : en mois), pour i = 1, 2, ..., n. On considère le modèle de régression linéaire :

Ci = β0 + β1 Ai + i (1)

où les variables aléatoires i sont supposées i.i.d (indépendantes et identiquement distribuées) suivant la
même loi Normale centrée de variance σ 2 . En se basant sur un échantillon de taille n = 15 de véhicules,
on obtient les résultats suivants :

P15 P15
2
i=1 Ai = 362 ; i=1 Ai − A = 3753.7 ;
P15 P15
2
i=1PCi = 938 ; i=1 Ci − C = 6269.7 ;
15


i=1 Ai − A C i − C = 4799.9

Dans cet exercice, on utilise un risque de première espèce α = 5% et on donne Tcritique = 2.16

1. Estimer les paramètres β0 et β1 par la méthode des moindres carrés. Commenter.

2. Calculer la somme des carrés expliqués SCE et la somme des carrés résiduels SCR.
3. Déterminer et interpréter le coefficient de détermination.
4. Déterminer l’estimation de la variance σ̂2 . En déduire l’estimation de la variance d’estimateur de
βˆ1 , que l’on notera σ̂β2ˆ .
1

5. Construire et interpréter les intervalles de confiance de β0 et β1 de niveau 95%.

6. Tester si la régression est significative (c’est-à-dire tester H0 : β1 = 0 contre H1 : β1 6= 0 ).
Commenter.
7. Déterminer une prévision du coût de maintenance pour un véhicule de 5 ans.

Exercice 5
Soient les résultats d’une estimation économétrique :

Yi = −32.95 + 1.251Xi + ei (2)

A partir d’une étude statistique portant sur 85 semaines de relevés, un économètre lui fournit les résultats
suivants :
Avec :
N = 20 Tcritique = 2,86 R2 = 0.23 σ̂ = 10.66
A partir des informations connues on demande de retrouver les statistiques suivantes :
1. La somme des carrés des résidus (SCR).
2. La somme des carrés totaux (SCT).
3. la somme des carrés expliqués (SCE).
4. la valeur de la statistique de F ∗ du Fisher empirique.
5. L’écart type du coefficient βˆ1 , noter σ̂ ˆ .
β1
6. Le coefficient de la variable X est-il significatif au seuil de 5%.

2
Exercice 6
Un agronome cherche à estimer la relation entre la production des céréales (Y) et la quantité (X) de sels
minéraux se trouvant dans la terre à travers le modèle suivant :

Yi = β0 + β1 Xi + i (3)

A partir d’une étude statistique portant sur 85 semaines de relevés, un économètre lui fournit les résultats
suivants :

Yi = 132.80 + 1.1Xi + ei ,
(4.3) (1.2)
P85 2
où (.) désigne le Tcalculé de student, Tcritique = 6.42 et i=1 ei = 6234.32.

1. La quantité de sels minéraux est-elle significative au seuil de 5% ?

2. Construire le tableau d’analyse de la variance.
3. Déduire le coefficient de détermination.
4. Appliquer le test de Fisher et conclure.

Exrecice 7
Votre entreprise compare, pour 20 pays, le nombre de contacts pris avec des clients potentiels avec le
nombre de contrats signés. L’enquête donne les résultats suivants :

Table 2 – Nombre de contacts avec le nombre de contrats signés

Contacts 20 60 40 30 90 50 80 70 75 95 100 35 15 10 85 65 55 25 45 18
Contrats signés 10 30 18 15 45 25 35 30 32 50 52 20 8 5 3 8 27 25 12 9

Tcritique = 2,101
1. Réaliser le nuage de points. Commentez.
2. Estimer la droite de régression.
3. Pour chaque coefficient, tester leur significativité et calculer leur intervalle de confiance (IDC).
4. Calculer le R2 et tester la significativité globale du modèle.
5. Répondre aux questions 3 et 4 en utilisant l’utilitaire d’analyse. Commentez les résultats obtenus.
6. A combien de contrats signés peut-on s’attendre pour 105, 120, 135 et 150 contacts ? Calculer l’IDC
des prévisions.
7. Analyser les résidus et concluez sur le modèle.

3
Exercice 8
Un économiste cherche à expliquer la consommation trimestrielle (Yi : mesurée en $ CA) en fonction du
revenu disponible brut ( Xi : en $ CA) des ménages canadiens, pour i = 1, 2...., n. On considère le modèle
de régression linéaire :
Yi = β0 + β1 Xi + i (4)
Où les variables aléatoires (i ) sont supposées i.i.d (indépendantes et identiquement distribuées) suivant
la même loi Normale centrée de variance σ̂2 .
En se basant sur un échantillon de taille n = 10 observations, on obtient les résultats suivants :

Table 3 – Consommation trimestrielle et le revenu disponible brut

Consommation 582 590 603 608 613 620 622 627 639 653
Revenu 1013 1042 1065 1077 1087 1088 1073 1064 1091 1121

Dans cet exercice, on utilise un risque de première espèce α = 5% et on donne Tcritique = 2.306 qui
correspond à α = 5% et DDL = 8.
1. Déterminer la variable explicative et la variable expliquée en question.
2. Calculer les moyennes de X et Y , notées respectivement parX et Y .
3. Calculer la covariance entre X et Y , notée par Cov(X; Y ).
4. Déduire et interpréter le coefficient de corrélation entre X et Y .
5. Estimer les paramètresβ0 et β1 par la méthode des moindres carrés. Commenter.
6. Calculer la somme des carrés expliqués SCE et la somme des carrés résiduels SCR.
7. Déterminer et interpréter le coefficient de détermination.
8. Déterminer l’estimation de la variance σ̂2 . En déduire l’estimation de la variance d’estimateur de
βˆ1 , que l’on notera σ̂β2ˆ .
1

9. Construire et interpréter les intervalles de confiance de β0 et β1 de niveau 95%.

10. Tester si la régression est significative (c’est-à-dire tester H0 : β1 = 0 contre H1 : β1 6= 0 ).
Commenter.