Econométrie

Quelques formules
Soit la spécification d’un modèle linéaire
simple :
𝒀𝒕 = 𝜷𝟎 + 𝜷𝟏 𝑿𝒕 + 𝜺𝒕
 ෡𝟏 :
L’estimateur de 𝜷
σ 𝑋𝑡 𝑌𝑡 ഥ𝑌
σ 𝑋𝑡 𝑌𝑡 −𝑛 𝑋 ഥ
𝐶𝑂𝑉(𝑥,𝑦) − 𝑋ത 𝑌ത
෡
𝜷𝟏 = = 𝑛
= 𝑛
𝑉(𝑥) σ 𝑋2𝑡 −𝑋 σ 𝑋2𝑡 −𝑛𝑋
ഥ2
ത2
𝑛 𝑛
σ 𝑋𝑡 𝑌𝑡 −𝑛 𝑋ത 𝑌ത
෡
Alors 𝜷𝟏 = σ 2 ത 2
𝑋𝑡 −𝑛𝑋
Ou bien
σ𝑛 ഥ )(𝑦𝑡 −𝑦
𝑡=1(𝑥𝑡 −𝑥 ഥ)
෡ 𝐶𝑂𝑉(𝑥,𝑦) 𝑛
𝜷𝟏 = = σ𝑛 ഥ )2
𝑉(𝑥) 𝑡=1(𝑥𝑡 −𝑥
𝑛
σ𝑛 ҧ 𝑡 −𝑦ഥ )
𝑡=1(𝑥𝑡 −𝑥)(𝑦
෡ 𝟏=
𝜷 σ𝑛
𝑡=1(𝑥𝑡 −𝑥)ҧ 2
 ෡𝟎 :
L’estimateur de 𝜷

෡𝟎 = 𝒀
𝜷 ഥ−𝜷 ෡ 𝟏𝑿ഥ
Le coefficient de corrélation r
COV(x,y)
rxy =
σx σy
-1 < r <1.
L’équation d’analyse de la variance
SCT = SCE+ SCR
Avec :
• SCT : La variabilité totale des 𝑌𝑡 :
• SCT = σ( 𝑦𝑡 − 𝑦)ത 2 = n × V(Y)
• SCE : La variabilité expliquée par le modèle :
2 2
2 ෡
• SCE = σ𝑡 𝑦ො𝑡 − 𝑦ത = 𝜷𝟏 σ(𝑋𝑡 − 𝑋) 2 ෡
ത = 𝜷𝟏 ×
n × V(X)
• SCR : La variabilité résiduelle :
• SCR = σ 𝑒𝑡 2 = σ(𝑦𝑡 − 𝑦) ො 2
Le coefficient de détermination (𝑅2 )

2
𝑆𝐶𝐸 𝑆𝐶𝑅
𝑅 = =1−
𝑆𝐶𝑇 𝑆𝐶𝑇
𝑅2 = 𝑟 2
0 < 𝑅2 < 1
 NB
𝒀𝒕 : La variable à expliquer, variable endogène
ou encore variable dépendante.

𝑿𝒕 : La variable explicative, variable exogène ou

encore variable indépendante.
EX1
Linéariser les fonctions suivantes et identifier la
nouvelle variable endogène à la place de Y et la
nouvelle variable exogène à la place X ;
𝒆𝒂𝑿+𝒃
𝒀=
𝟏 + 𝒆𝒂𝑿+𝒃
𝑒 𝑎𝑋+𝑏
𝑌=
1 + 𝑒 𝑎𝑋+𝑏
𝑌 ( 1 + 𝑒 𝑎𝑋+𝑏 ) = 𝑒 𝑎𝑋+𝑏
𝑌 + 𝑌𝑒 𝑎𝑋+𝑏 = 𝑒 𝑎𝑋+𝑏
𝑌 = 𝑒 𝑎𝑋+𝑏 - 𝑌𝑒 𝑎𝑋+𝑏
𝑌 = 𝑒 𝑎𝑋+𝑏 (1 - 𝑌)
𝑦
= 𝑒 𝑎𝑋+𝑏
1−𝑌
𝑦
Ln ( ) = Ln (𝑒 𝑎𝑋+𝑏 )
1−𝑌
𝑦
Ln ( ) = aX+ b
1−𝑌
𝑦
On pose Y’ = Ln ( ) et X’ = X
1−𝑌
 𝒀 = 𝒂𝒙𝜷
Ln 𝑌 = Ln (𝑎𝑥 𝛽 )
Ln 𝑌 = Ln (𝑎) + Ln (𝑥 𝛽 )
Ln 𝑌 = Ln (𝑎) + 𝛽 Ln (x)
On pose Y’ = Ln Y et X’ = Ln x
 Y = 𝜶𝒆𝜷𝑿

Ln (Y) = Ln (𝜶𝒆𝜷𝑿 )
Ln (Y) = Ln (𝜶) + Ln(𝒆𝜷𝑿 )
Ln (Y) = Ln (𝜶) + βX
On pose Y’= Ln (Y) et X’= X
 𝒙
𝒀=
𝒂𝒙 − 𝜷
1 𝒂𝒙−𝜷
=
𝑌 𝒙
1 𝒂𝒙 𝜷
= −
𝑌 𝒙 𝒙
1 𝟏
= a −𝜷
𝑌 𝒙
1 1
On pose Y’ = et X’ =
𝑌 𝑋
EX2
Soit un modèle de régression linéaire simple :
𝒀𝒕 = 𝜶 + 𝜷𝑿𝒕 + 𝜺𝒕
Déterminer : 𝑬(𝒀𝒕 ), 𝑽(𝒀𝒕 ) et la loi de 𝒀𝒕
𝒀𝒕 = 𝜶 + 𝜷𝑿𝒕 + 𝜺𝒕
𝑬(𝒀𝒕 ) = 𝑬 (𝜶 + 𝜷𝑿𝒕 + 𝜺𝒕 )
𝑬(𝒀𝒕 ) = 𝑬 (𝜶 + 𝜷𝑿𝒕 ) + 𝑬(𝜺𝒕 )
𝑬(𝒀𝒕 ) = 𝜶 + 𝜷𝑿𝒕
 𝑽(𝒀𝒕 ) = 𝑽 (𝜶 + 𝜷𝑿𝒕 + 𝜺𝒕 )
𝑽(𝒀𝒕 ) = 𝑽 (𝜶 + 𝜷𝑿𝒕 ) + 𝑽(𝜺𝒕 )
𝑽(𝒀𝒕 ) = 𝝈𝟐 ∀𝒕
On sait que 𝜺𝒕 suit N (0, 𝝈𝟐 ) et 𝒀𝒕 = 𝒇(𝜺𝒕 )
Donc 𝒀𝒕 suit N(𝜶 + 𝜷𝑿𝒕 , 𝝈𝟐 )
Ex 3
On dispose d’un échantillon de T=5 observations
portant sur l’épargne (Y) et le revenu (X) :

Epargne Revenu
0,6 8
12 11
1 9
0,7 6
0,3 6
t-critique= 3,18
• Calculez les paramètres du modèle de
régression liant l’épargne au revenu
• Calculez le coefficient de détermination
• Construisez un intervalle de confiance à 95%
pour la pente du modèle.
• Testez l’hypothèse 𝐻0 : 𝑎 = 0 contre 𝐻1 : 𝑎 ≠ 0
• Testez l’hypothèse tel que 𝐻0 : 𝑏 = 1,5 contre
𝐻1 : 𝑏 ≠ 1,5
Epargne Revenu 𝑋𝑡 - 𝑋ത 𝑌𝑡 - 𝑌ത σ(𝑋𝑡 − 𝑋ത) (𝑌𝑡 - 𝑌ത) ത
(𝑋𝑡 − 𝑋) σ ത
2 (𝑌𝑡 − 𝑌)
2

0,6 8 0 -2,32 0 0 5, 382

12 11 3 9,08 27, 24 9 82, 446
1 9 1 -1,92 -1, 92 1 3, 686
0,7 6 -2 -2,22 4, 44 4 4, 928
0,3 6 -2 -2,62 5, 24 4 6, 864
𝑌ത = 2, 92 𝑋ത = 8 35 18 103,308
 σ𝑛 ҧ 𝑡 −𝑦)
𝑡=1(𝑥𝑡 −𝑥)(𝑦 ത 35
• 𝑎ො = σ𝑛 ҧ 2
= = 1, 944
𝑡=1(𝑥𝑡 −𝑥) 18
• 𝑏෠ = 𝑦ത − 𝑎ො 𝑥ҧ = 2, 92 (- 1, 944 × 8) = - 12, 636
2 𝑆𝐶𝐸 𝑎ො 2 σ(𝑋𝑡 − 𝑋)
ത 2 (1,944)2 ×18
• 𝑅 = = ത 2
σ(𝑌𝑡 − 𝑌)
= = 65, 84%
𝑆𝐶𝑇 103,308

65, 84% de la variabilité de l’épargne est expliquée par le

revenu et 34, 16% de la variabilité de l’épargne est
expliquée par le résidu (d’autres facteurs non étudiés par
le présent modèle de l’épargne).
𝛼 𝛼
• IC = [𝑎ො - 𝑡𝑛−𝑘−1 𝜎ො𝑎ො , 𝑎+𝑡
2 2
ො 𝑛−𝑘−1 𝜎ො𝑎ො ]
ෝ𝜀2
𝜎 2 𝑆𝐶𝑅
• V (𝑎)
ො = ത 2
σ(𝑋𝑡 − 𝑋)
, 𝜎ො𝜀 =
𝑛−2
• SCT = SCE + SCR
• SCR = SCT – SCE
• SCR = 103, 308 – 68, 024 448
• SCR = 35, 2 835
2 𝑆𝐶𝑅 35,2 835
• 𝜎ො𝜀 = = = 11, 761
𝑛−2 5−2
𝜎𝜀2 11,761
• V (𝑎)
ො = ത
σ(𝑋𝑡 − 𝑋) 2 = = 0, 6 534
18
• 𝜎ො𝑎ො = 0, 6 534 = 0, 8 083
• Donc IC = [1, 944 – 3,18 × 0, 8 083, 1, 944 +
3,18 × 0, 8 083]
Alors IC = [– 0, 626, 4, 5 165]
• 6-La significativité individuelle du modèle :
• H0 : a0 = 0 H1 : a0≠ 0
𝑎ො − a0 𝟏,𝟗𝟒𝟒 − 0
• t= ෝ𝑎
= = 2, 4
𝜎 ෝ 0,8 083
• t = 2, 4 < t* = 3, 18
• Alors on accepte H0
La significativité de la constante du modèle :
H0 : b0 = 1,5 H1 : b0≠ 1,5
𝑏෠ − b0
t= ෝ 𝑏෡
𝜎

෠ = 𝜎ො𝜀2 ( + 1 𝑋ത 2 1 82
V(𝑏) ത 2
σ(𝑋𝑡 − 𝑋)
) = 11, 761 ( + ) = 44,
𝑛 5 18
16
𝜎ො𝑏෠ = 44,16 = 6, 64
−12,63 −1,5
tc = = 2, 12
6,64
t = 2, 12 < t* = 3, 18
Alors on accepte H0
EX4
La masse monétaire et le produit intérieur natio
brut d’un pays 2001 et 2010 (en millions d’unité
monétaire) sont reproduits dans le tableau ci-
dessous :
• TAF :
• Etablir une relation linéaire dans laquelle la masse
monétaire explique le produit intérieur national brut (PNB).
• Calculer le coefficient de corrélation linéaire de la masse
monétaire et le PNB.
• Calculer l’équation de la droite de régression linéaire.
• Calculer la variance estimée de la régression
• Calculer le coefficient de détermination
• Calculer le F statistique
• Tester individuellement et conjointement les paramètres de
l’équation de la régression
• Si, en tant que ministre des finances de ce pays, vous
souhaitez que le PNB soit de 12,00 en 2011, à combien
fixeriez-vous la masse monétaire.
• On donne : F(1,8)= 5,32 et t-critique= 2,26
• La relation linéaire dans laquelle la masse
monétaire explique le produit intérieur
national brut (PNB).
• On pose la Masse Monétaire (MM) = X
• Et le Produit Intérieur national Brut (PNB) = Y
• 𝑌෠ = 𝑎ො X + 𝑏෠
-Le coefficient de corrélation r :
𝐶𝑜𝑣(𝑋,𝑌) 1,488
• r= = = 0,96
𝜎𝑋 𝜎𝑌 0,9 378 ×1,6 395
σ 𝑋𝑡 𝑌𝑡 297,6
Avec : cov (x,y) = ത ത
- 𝑋𝑌 = (3, 72 × 7,6) =
–
𝑛 10
1, 488
σ 𝑋𝑡2 147,18
Et V(X) = ത 2
-𝑋 = – (3,72)2 = 0, 8 796
𝑛 10
Alors 𝜎𝑥 = 0, 8796 = 0, 9 378
σ 𝑌𝑡2 604,48
• Et V(Y) = ത
-𝑌 =2 – (7,6)2 = 2, 688
𝑛 10
Alors 𝜎𝑦 = 2, 688 = 1, 6 395
- L’équation de la droite de régression linéaire :
𝐶𝑜𝑣(𝑋,𝑌) 1,488
• 𝑎ො = = = 1, 69
𝑉(𝑋) 0,8796
• 𝑏෠ = 𝑦ത − 𝑎ො 𝑥ҧ = 7, 6 − (1,69 × 3, 72) = 1, 31
• Alors : 𝑌෠ = 1, 69 X + 1, 31
- La variance estimée de la régression :
𝑆𝐶𝑅 1,76
• 𝜎ො𝜀2 = = = 0, 22
𝑛−2 10−2
• SCR = SCT – SCE
• Avec : SCT = n × V(Y) = 10 × 2, 688 = 26, 88
• ET SCE = 𝑎ො 2 × n ×V(X) = 1,692 × 10 × 0, 8 796 = 25, 12
• Alors SCR = 26, 88 – 25, 12 = 1, 76
ෝ𝜀2
𝜎 ෝ𝜀2
𝜎 0,22
• V (𝑎)
ො = ത 2
σ(𝑋𝑡 − 𝑋)
= = = 0, 0 249
n ×V(X) 8,796

෠ 2 1 𝑋ത 2 1
2( + 𝑋ത 2 1
• V(𝑏) = 𝜎ො𝜀 ( + ത 2
σ(𝑋𝑡 − 𝑋)
) = 𝜎ො𝜀 ) = 0, 22(
𝑛 𝑛 n ×V(X) 10
3,722
+ )
8,796
• = 0, 3 676
-Le coefficient de détermination 𝑅2 :
2 𝑆𝐶𝑅 1,76
• 𝑅 =1- =1- = 0, 93 = 93 %
𝑆𝐶𝑇 26,88
2 𝑆𝐶𝐸 25,12
• 𝑅 = = = 0, 93 = 93 %
𝑆𝐶𝑇 26,88
• 6- F statistique :
𝑅2 0,93
• F = 1−𝑅2 = 0,07ൗ = 106, 28
8
𝑛−2
• a- H0 : a0= 0 H1 : a0≠ 0
𝑎ො −a0
• t= ෝ𝑎
avec 𝜎ො𝑎ො = 0, 0 249 = 0, 15
𝜎 ෝ
1, 69 −0
• Alors t = = 11, 26
0,15
• t = 11, 26 > t* = 2, 26
• Alors on rejette H0, la pente est
significativement différente à 0.
• b- H0 : b0 = 0 H1 : b0≠ 0
𝑏෠ − b0
• t= ෝ 𝑏෡
avec 𝜎ො𝑏෠ = 0, 3 676 = 0, 6
𝜎
1,31 −0
• Alors t = = 2, 18
0,6
• t = 2, 18 < t* = 2, 26
• Alors on ne rejette pas H0, la constante est
significativement égale à 0.
• Test conjoint:
• H0 : SCE = 0 H1 : SCE ≠ 0
• Fc = (𝒕𝒄𝑎ො )2 = (11, 26)2
• Fc= 126, 78
• Fc= 126, 78 > F* = 5, 32, alors on rejette H0
• Donc le modèle est globalement significatif.
-En 2011, la masse monétaire est : 6, 3 254 (en
millions d’unité).
• 𝑌෠ = 𝑎ො X + 𝑏෠
• 𝑌෠ − 𝑏෠ = 𝑎ො X
෠ 𝑏෠
𝑌−
• 𝑋=
𝑎ො
12−1,31
• 𝑋=
1,69
• = 6, 3 254 (en millions d’unité).
EX5
Un agronome cherche à estimer la relation liant la
production des céréales (y) à la quantité (x) de sels
minéraux se trouvant dans la terre en formalisant la
relation : 𝒀𝒕 = 𝜶𝟎 + 𝜶𝟏 𝑿𝒕 + 𝜺𝒕 . A partir d’une étude
statistique portant sur 85 semaines de relevés, un
économètre lui fournit les résultats suivants :

𝒀𝒕 = 𝟏𝟑𝟐, 𝟖𝟎 + 𝟏, 𝟏𝑿𝒕 + 𝒆𝒕
(4,3) (10,2)
ෝ = 1,1
(.) : Ration de student𝜶 t-critique = 6,42
F(1,83) = 3,96
σ𝑡 𝑒𝑡2 = 6234,32 σ(𝑋𝑡 − 𝑋) ത 2 = 6 452, 01
• Construire le tableau d’analyse de la variance
• Déduire le test de fisher
• Déduire le coefficient de détermination
2-Tableau d’analyse de la variance (ANOVA)

Avec :
ത 2 = 1,12 × 6 452, 01 = 7 806,
• SCE = 𝛼ො 2 σ(𝑋𝑡 − 𝑋)
93
• SCR = σ 𝑒𝑡 2 = 6 234, 32
• Et SCT = SCE + SCR = 7 806, 93 + 6 234, 32 =
14 041, 25
-Test de fisher
𝑆𝐶𝐸Τ 7 806,93
• F= 𝑆𝐶𝑅ൗ
1
= = 103, 93
𝑛−2 75,11

𝑅2 (𝑛−2)𝑅 2
• F = 1−𝑅2 =
1−𝑅 2
𝑛−2
• Ho :SCE = 0 H1 : SCE ≠ 0
• F = 103, 93 > F* = 3, 96
• Alors on rejette Ho le modèle est globalement
significatif
-Coefficient de détermination 𝑅2 :
(𝑛−2)𝑅 2
• F=
1−𝑅 2
• F (1- 𝑅 ) = (n-2) 𝑅2
2

• 103, 93 (1- 𝑅2 ) = 83 𝑅2
• 103, 93 - 103, 93 𝑅2 = 83 𝑅2
• 103, 93 = (103, 93 + 83) 𝑅2
2 103,93
• 𝑅 =
(103,93+83)
• 𝑅2 = 0, 55
EX 6
Soit le modèle à trois variables explicatives :

Nous disposons des données du tableau 1.

1)Mettre le modèle sous forme matricielle en
spécifiant bien les dimensions de chacune des
matrices.
2) Estimer les paramètres du modèle.
3) Calculer l’estimation de la variance de l’erreur
ainsi que les écarts types de chacun des
coefficients.
4) Calculer le 𝑅2
EX 7
Source de variation DDL Sommes des carrées Moy des carrées

Régression K=2 1504,4 752, 2

Résidu n-k-1= 27 176,4 6,53

Total n-1= 29 1680,8

On sait que SCT = SCE + SCR

Alors SCR = SCT – SCE
= 1680,8 – 1504, 4
2𝑆𝐶𝐸 1504,4
𝑅 = = = 0, 8950 = 89,5 %
𝑆𝐶𝑇 1680,8
2 𝑆𝐶𝑅 176,4
𝜎ො𝜀 = = = 6, 533
𝑛−𝑘−1 27
𝑀𝐶𝐸 752,2
F= = = 115, 19
𝑀𝐶𝑅 6,53
 𝑛−1
• 𝑅2 =1- (1- 𝑅2 )
𝑛−𝑘−1