Chapitre II : Linéarité et non Linéarité

1) modèle à une variable :

a) Le cas de la linéarité de la relation :
Soit 𝑌 = 𝑓(𝑥) un modèle explicitant la variable y en fonction de x. l’objectif est
l’étude du comportement de la variable endogène y lorsque la valeur de la
variable exogène subit une variation.
On étudie l’effet de la variation en valeur (variation absolu) de la variable
exogène x à partir d’une valeur. Cette variation peut être positif ou négative, on
la note ∆𝑥 .

Nous voulons savoir quel est la variation ∆𝑦 induite par la variation ∆𝑥 :

comment varie notre variable endogène y, si notre variable exogène subit une
variation c.-à-d. si 𝑥 ∗ devient 𝑥 ∗ + ∆𝑥.
La variation absolu ∆𝑦 de la variable endogène y est égal :
∆𝑦 = 𝑓(𝑥 ∗ − ∆𝑥) − f(𝑥 ∗ )
La variation absolue d’une variable s’exprime dans la même unité que cette
variable. Elle peut être un nombre positif ou négative.

Soit le modèle 𝑦 = 𝑎𝑥 + 𝑏
La représentation graphique de ce modèle dans un repère (o, x, y) est une droite
de pente a.
Nous travaillons au voisinage du point 𝑥 ∗ et nous recherchons la variation ∆𝑦 de
x correspondant à une variation de ∆𝑥 de x.
En appliquant cette formule dans ce cas, on obtient ∆𝑦 = 𝑎∆𝑥
∆𝑌 = 𝑓(𝑥 ∗ + ∆𝑥) − 𝑓(𝑥 ∗ ) = [𝑎(𝑥 ∗ + ∆x) + 𝑏] − (𝑎𝑥 ∗ + 𝑏) = 𝑎∆𝑥

Dans le cas linéaire on a donc ∆𝑦 = 𝑎∆𝑥 ou a est la pente de la droite. Donc si

∆𝑥 est constant ∆𝑦 est constant aussi : ∆𝑦 ne dépend pas de la valeur 𝑥 ∗ à partir
∆𝑦
de laquelle on considère la variation ∆𝑥. De plus on constate que est constant
∆𝑥
est vaut de la pente de la droite.

Exemple :
Soit un modèle linéaire de type 𝑦 = 𝑎𝑥 + 𝑏, 𝐶 = 0.8𝑌𝑑 + 100000 où
C endogène
𝑌𝑑 exogène
Prenons une variation en valeur d’une unité de la variable 𝑌𝑑 (∆𝑦 = 1).
Quel que soit la valeur 𝑌𝑑∗ à partir de laquelle on travaille.

Quel que soit on constate que la variation delta c correspondant à une variation
en valeur de l’unité de 𝑌𝑑 est égale a 0.8.
On observe que ∆𝐶 = 𝑎∆𝑌𝑑 est caractéristique du linéaire

b) le cas de la non linéarités de la relation :

Dans le cas de la non linéarités de la relation la variable endogène et la variable
exogène, pour un même ∆𝑥, mais pour deux valeurs différentes de la variable x,
∆𝑦 est diffèrent cars elle dépend du niveau déjà atteint par la variable x.
Donc pour être précis il faut faire apparaitre dans notation que ∆𝑦 dépend à la
fois de x et ∆𝑥.

Exemple :
Considérons l’expression suivante 𝑐 = 3𝑞 3 − 1800𝑞2 + 360000𝑞 + 1000000.
Nous allons faire varier la variable exogène q et voir ce qui se passe.
Choisissons ∆𝑞 = 1 et regardons comment notre variable endogène va varier.

1) pour 𝒒𝟏 = 𝟏𝟎𝟎 :
𝐶 = 3(100)3 − 1800(100)2 + 360000(100) + 1000000 = 22000000.
∆𝑞 = 𝑞1 + 1 = 101
𝐶 = 3(𝑞1 + 1)3 − 1800(𝑞1 + 1)2 + 360000(𝑞1 + 1) + 1000000
= 22089103
∆𝐶 = 𝐶(𝑞1 + 1) − 𝐶(𝑞1 ).
2) pour 𝒒𝟐 = 𝟐𝟎𝟎 :
C (𝒒𝟐 ) = 𝟐𝟓𝟎𝟎𝟎𝟎𝟎𝟎
Pour 𝒒𝟐 + ∆𝒒 = 𝟐𝟎𝟏
C(q2+∆𝒒)=25000003
∆𝑐 = 3
Nous remarquons que pour un même ∆𝑞, ∆𝑐 varie suivant la valeur de q prise
au départ

2) relation linéaire entre plusieurs variables :

Soit 𝑦 = 𝑓(𝑥1 , 𝑥2 , . . , 𝑥𝑛 ) un modèle explicitant la variable endogène y, en
fonction des variables exogène 𝑥1 , 𝑥2 , . . , 𝑥𝑛 . L’objectif est de savoir comment
varie la variable endogène lorsque les variables explicatives subissent des
variations.

Ou chaque deltax represente une variation en valeur de la variable xi.

Au variation en valeur ∆𝑥1 , ∆𝑥2 , . . , ∆𝑥𝑛 , des varaibles exogenes x1,x2,..,xn
correspond une variation en valeur de la variable y. elle est note ∆𝑦. c’est a cette
variation que nous allons nous interrese. Il s’agit la d’une simple generalisation
au cas de plusieurs variabales exogenes de ce que nous venons de faire dans le
cas ou il n’y a qu’une seule variables exogenes.
La variation de valeur ∆𝑦 de la variable endogène y induite par les variations en
valeur des variables exogènes ∆𝑥1 , ∆𝑥2 , . . , ∆𝑥𝑛 est :
∆𝑦 = ∆𝑓 = 𝑓(𝑥1 + ∆𝑥1 , 𝑥2 + ∆𝑥2 , . . , 𝑥𝑛 + ∆𝑥𝑛 ) − 𝑓(𝑥1 , 𝑥2 , . . , 𝑥𝑛 )

Soit le modèle 𝑦 = 𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑛 𝑥𝑛 + 𝑏. nous travaillons au voisinage

du point (𝑥1∗ , 𝑥2∗ , . . , 𝑥𝑛∗ ) et nous recherchons la variation ∆𝑦 correspondant à des
variations ∆𝑥1 , . . , ∆𝑥𝑛 . Dans ce cas :
Exemple :
On souhaite modéliser la relation entre les ventes (V) d’un produit de grande
consommation et les dépenses de publicités (pub) d’une entreprise.
On constate que la productivité en termes de vente des dépenses des publicités
décroît avec leur montant. Écrire l’équation du modèle et justifier votre réponse.

1 𝑉 = 𝛼𝑃𝑈𝐵𝛽 avec 0 < 𝛽 < 1 cette spécification implique en effet une dérivée
première de v par rapport à PUB, qui décroît avec le montant de PUB. Autrement
dit, au fur et à mesure que les dépenses de publicité augmente l’augmentation
des ventes devient de plus en plus faible.

3) Généralité sur les modèles non linéaire :

Dans le cas du modèle non-linéaire, les relations entre les variables doivent être
formalisé à l’aide d’équation non-linéaire. Dans un premier temps, nous allons
tout d’abord étudier dans une première section les modèles dont la linéarisation
est évidente moyennant une transformation appropriée. Puis dans une seconde
section nous étudierons des modèles un peu plus complexe (modèle de diffusion
par exemple). Enfin, les méthodes d’estimation des paramètres des modelés
non linearisable serons présenté en section 3

Section 1 : la linéarisation des modèles non-linéaire

Nous allons examiner le cas de modèle dont la spécification n’est pas linéaire,
mais qui sont linéaire par rapport à leurs paramètres.

1 Les fonctions de types exponentiels :

La fonction de production de courbe Douglass 𝑌 = 𝛼0 𝐾 𝛼 𝐿𝛽 .
Une transformation logarithmique conduit à une relation du type. 𝐿𝑛(𝑌) =
𝐿𝑛(𝛼0 ) + 𝛼𝐿𝑛(𝐾) + 𝛽𝐿𝑛(𝐿)
Les coefficients 𝛼 et 𝛽 représente respectivement l’élasticité de la production
au facteur capital et l’élasticité de la production au facteur travail.
Nous savons par ailleurs que l’élasticité de y à x se défini comme étant le rapport
∆𝑦/𝑦 𝜕𝐿𝑛(𝑦)
de variation relative : 𝑒 = =
∆𝑥/𝑥 𝜕𝐿𝑛(𝑥)
Ceci est égale au rapport des dérivé logarithmique. Les coefficients alpha et beta
sont des élasticités.
Le modèle a estimé est donc le suivant : 𝐿𝑛(𝑌) = 𝐿𝑛(𝛼0 ) + 𝛼𝐿𝑛(𝐾) +
𝛽𝐿𝑛(𝐿) + 𝜀

2 les fonctions polynomiales ou inverse : Une fonction polynomiale de degré q

est de la forme 𝑌 = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑥 2 + 𝛽𝑞 𝑥 𝑞
Cette fonction polynomiale est par définition linéaire sur ces paramètres.
Les graphiques 1 et 2 illustre 2 forme particulière de ces polynômes (q=2 et
q=3) :

Bien qu’il n’existe de relation linéaire entre 𝑥, 𝑥 2 , 𝑥 3 , … , 𝑥 𝑞 , le risque de

multicolinéarité, et des problèmes lors de l’estimation des paramètres peuvent
alors apparaitre.

Le graphique 3 indique la relation entre 𝑥 et 𝑥 2 , ce risque est d’autant plus élevé

que le nombre d’observations est faible. De plus le degré du polynôme doit être
limite (dans la pratique q=4 semble être un maximum), sinon l’ajustement sera
peut-être excellent, mais l’interprétation économique sera dénuée de sens. De
cette croix, lors de l’extrapolation d’un polynôme de degré élevé, le risque
l’amplification des dernières valeurs observée est important.
Nous pouvons citer parmi les applications les plus courantes de ces types de
modèle :
-l’estimation d’une tendance pour une série chronologique connaissant par
exemple deux points de retournement : 𝒀 = 𝜷𝟎 + 𝜷𝟏 𝒕 + 𝜷𝟐 𝒕𝟐 + 𝜷𝟑 𝒕𝟑
-la fonction de coût total : 𝑪𝑻 = 𝜷𝟎 + 𝜷𝟏 𝒒𝟏 + 𝜷𝟐 𝒒𝟐
𝟏
-la fonction inverse est de la forme suivante : 𝒀 = 𝜷𝟎 + 𝜷𝟏 ( )
𝒙
Ce type de fonction tend toujours vers 𝛽0 quand 𝑥 → ∞, comme l’illustre le
graphique 4 :

Cette spécification est utilisée notamment pour estimer le courbe de Philips

(relation entre inflation et chômage)

Section 2 : les modèles de diffusion

Le graphique 5 présenté la notion de cycle de vie. Les ventes évoluent en
fonction du temps ; le démarrage est relativement lent lorsque le produit est
nouveau, puis elles connaissent une croissance rapide. La courbe passe ensuite
par un point d’inflexion à partir duquel le rythme de croissance des ventes
diminue. Cette phase (maturité), au cours de laquelle est réalisé l’essentiel des
profits, se termine par un maximum a partir desquels se sont les ventes qui
fléchissent.
Les modèles de cycle de vie (et les modèles de diffusion) sont extrêmement
nombreux et font l’objet d’une littérature abondante. Les modèles les plus
connus tente de déterminer l’évolution probable des ventes connaissant le seuil
de saturation. Il s’agit du modèle logistique et du modèle de Compertz.

1) le modèle logistique :
𝑦
Ce modèle est défini par la formulation suivante : 𝑦𝑡 = 𝑚𝑎𝑥𝑡 ou b et r sont les
1+𝑏𝑟
deux paramètres du modèle (0<r<1), r défini la vitesse de diffusion (plus r est
proche de 0 plus vite nous atteindrons l’asymptote ; b est une caractéristique
d’ordonnée à l’origine ; 𝑦𝑚𝑎𝑥 = 𝑠𝑒𝑢𝑖𝑙 𝑑𝑒 𝑠𝑎𝑡𝑢𝑟𝑎𝑡𝑖𝑜𝑛 ; si 𝑡 → ∞ alors 𝑦𝑡 →
𝑦𝑚𝑎𝑥 ; et si 𝑡 → −∞ alors 𝑦𝑡 → 0.
𝑦
Le point d’inflexion est fixe et est atteint pour 𝑦𝑡 = 𝑚𝑎𝑥.
2
Le graphique 6 illustre l’allure générale de courbe logistique.

2)Le modèle de Compertz:

𝑡
Ce modèle est défini par la formulation suivant : 𝑦𝑡 = 𝑒 𝑏𝑟 +𝑎 , 𝑙𝑛(𝑦𝑡 ) = 𝑏𝑟 𝑡 + 𝑎
Avec 𝑦𝑚𝑎𝑥 = 𝑒 𝑎 est égale au seuil de saturation, b et r sont les paramètres du
modèle (𝑏 < 0 𝑒𝑡 0 < 𝑟 < 1). Si 𝑡 → ∞ alors 𝑦𝑡 → 𝑦𝑚𝑎𝑥 = 𝑒 𝑎 et si 𝑡 → −∞
alors 𝑦𝑡 → 0.

Section 3 : Méthode d’estimation des paramètres :

La difficulté d’estimation de ce type de modèle réside dans le fait qu’ils ne sont
pas linéaires. L’emploi du modèle de régression est donc impossible tel quel.
Néanmoins, il est possible de les linéarises lorsque l’on connait, ou plutôt que
l’on postule la valeur du seuil de saturation (car on ne le connait jamais
vraiment). Ainsi, nous pouvons distinguer différente approche dans l’estimation
de ce type de modèle :
-les approches intuitives, dans lesquelles nous émettons des hypothèses sur les
valeurs de niveau de saturation ;
-les approches purement mathématique de résolution d’équation non-linéaire
a) les approches intuitives :
Le seuil de saturation peut être estime par analogie avec processus similaire
mais dont le lancement est plus ancien. On peut se fonder par exemple sur le
marché d’un produit très proche ave celui qu’on veut étudier. Outre cette
analogie historique on peut procéder aussi par analogie géographique en faisant
référence au même produit : le marché sénégalais comparé au marché
mauritanien.
Nous pouvons affiner cette estimation par l’emploi d’une méthode de balayage.
Cette technique consiste à déterminer un intervalle global dans lequel se place
𝑆 −𝑆
le seuil de saturation [𝑆𝑚𝑖𝑛 , 𝑆𝑚𝑎𝑥 ], puis un pas 𝑚𝑎𝑥 𝑚𝑖𝑛 par exemple, qui
10
permet d’aller 𝑆𝑚𝑖𝑛 à 𝑆𝑚𝑎𝑥 après un certain nombre d’itération (10 fois dans
notre exemple).

Par une méthode de régression sur le temps employé sur le modèle linéarise,
nous pouvons calculer la somme des carrés des résidu. Le seuil optimal est celui
qui correspond au minimum des somme des carrés des résidu calculé.

b) les méthodes de régression analytique :

L’estimation des trois paramètres des modèles (logistique et compertz) peut
être effectué par des méthodes de régression non-linéaires qui nécessite des
processus numériques accès complexe.
L’inspiration général des techniques d’estimations non linéaires sont les mêmes
quelques que soit le type d’algorithme. Il s’agit de méthodes itératives dans
lequel l’équation non linéaires est linéarisée à l’aide d’un développement limité
de Taylor. Les MCO sont alors utilisé sur cette équation linéaire afin d’estimer
les nouveaux coefficients. Ces nouveaux coefficients permettent de procéder à
une nouvelle linéarisation. La procédure est arrêtée lorsque les coefficients sont
relativement stables.

L’algorithme de gauss de Newton :

̂ 𝟎 ,𝒚 = 𝒇(𝑿𝒕 , 𝜽) + 𝜺𝒕
Premièrement ont défini une valeur initiale 𝜽
Ou x est la matrice des observations des variables explicatives et 𝜃
Le vecteur des paramètres à estimer. On applique la méthode MCO pour trouver
la valeur 𝜃 qui minimise 𝐙(𝛉) = ∑𝐧𝐢=𝟏(𝐲𝐢 − 𝐟(𝐱, 𝛉))^𝟐 pour ceci l’estimation par
la méthode des MCO ne permet de trouver l’expression analytique des
estimateurs. Pour résoudre ce problème on applique la méthode des MCO avec
un algorithme itératif

2e étape :
On linéarise le modèle par le développement de Taylor
𝐧
𝛛𝐟(𝐗, 𝛉)
𝐟(𝐗, 𝛉) = 𝐟(𝐗, 𝛉̂𝟎 ) + ∑ ̂𝟎 )
(𝛉𝐣 − 𝛉
𝛛𝛉𝐣
𝐣=𝟏

3e étape : On calcule MCO avec le modèle linéarisé

4e étape : retour à l’étape une en remplaçant 𝜽 ̂ 𝟎 par 𝜽̂ 𝟏 , et on rétiaire cette
̂𝐤+𝟏 ))𝟐 − ∑𝐧𝐢=𝟏(𝐲 − 𝐟(𝐱, 𝛉
opération jusqu’à obtenir ∑𝐧𝐢=𝟏(𝐲𝐢 − 𝐟(𝐱, 𝛉 ̂𝐤 ))𝟐 .

Négligeable