Professional Documents
Culture Documents
MATIERE : CONOMTRIE
SEMESTRE 6
ANNEE UNIVERSITAIRE : 2014-2015
[ COURS DCONOMTRIE [
U
U
CONOMTRIE
FPN
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
5
5
5
5
6
6
7
9
9
11
13
15
17
17
17
17
18
18
19
22
24
CONOMTRIE
FPN
Chapitre 1
le modle de rgression simple est tudi en tant quoutil de prvision avec le degr de confiance
que nous pouvons en attendre.
CONOMTRIE
consommation C des mnages est influence par le revenu disponible RD. Lorsque le revenu augmente, la
consommation saccrot.
Soit la fonction de consommation keynsienne :
C = a0 + a1 Y ,
o C = consommation, Y = revenu, a 1 = propension marginale consommer et a 0 = consommation
autonome ou incompressible.
1.3.2 Spcification
Nous pouvons distinguer deux types de spcifications :
Les modles en srie temporelle, les variables reprsentent des phnomnes observs intervalles
de temps rguliers, par exemple la consommation et le revenu annuel sur 20 ans pour un pays
donn. Le modle scrit alors :
C t = a 0 + a 1 Y t t = 1, . . . , 20,
o C t et Y t sont la consommation et le revenu au temps t .
Les modles en coupe instantane, les variables reprsentent des phnomnes observs au mme
instant mais concernant plusieurs individus, par exemple la consommation et le revenu observs sur
un chantillon de 20 pays. Le modle scrit alors :
C i = a 0 + a 1 Yi
i = 1, . . . , 20,
CONOMTRIE
t = 1, . . . , n.
Afin destimer et dtudier les deux paramtres inconnus a 0 et a 1 , nous introduisons les hypothses
suivantes :
H1 : Le modle est linaire en x t (ou en nimporte quelle transformation de x t ).
H2 : Les valeurs x t sont observes sans erreur (x t non alatoires).
H3 : E (t ) = 0,
H4 : E (2t ) = 2 ,
t = 1, . . . , n.
t = 1, . . . , n, la variance de lerreur est constante.
La reprsentation graphique ne donne quune impression de la corrlation entre deux variables sans
donner une ide prcise de lintensit de la liaison (voir 1.1), cest pourquoi nous calculons une statistique
appele coefficient de corrlation linaire simple, not r x,y . Il est gal :
r = r x,y
Pn
C ov(X , Y )
t =1 (x t x)(y t y)
=
= qP
qP
X Y
n
n
2
2
(x
x)
t =1 t
t =1 (y t y)
Ce coefficient nest calcul que partir dun echantillon dobservations et non pas sur lensemble des
valeurs.
On appelle x,y ce coefficient empirique qui est une estimation du vrai coefficient r x,y .
Soit tester lhypothse H0 : r x,y = 0 , contre lhypothse H1 : r x,y 6= 0.
Nous pouvons dmontrer que
x,y
Tn2
r
1 2x,y
n2
1 2x,y
n2
/2
Si t > t n2
valeur lue dans une table de Student au seuil = 5% n 2 degrs de libert, nous rejetons
lhypothse H0 , le coefficient de correlation est donc significativement different de 0.
Dans le cas contraire, lhypothse dun coefficient de corrlation nul est accepte.
FPN
16
18
23
24
28
29
26
31
32
34
20
24
28
22
32
28
32
36
41
41
CONOMTRIE
CONOMTRIE
n
X
t =1
2t = Mi n
n
X
y t a0 a1 x t
t =1
ab1 =
t =1 (x t x)(y t y)
Pn
2
t =1 (x t x)
Pn
= Pt n=1
t =1 (x t )
ab0 = y ab1 x
(x t y t ) n x y
2 nx 2
CONOMTRIE
Pn
ab1 = a 1 + Ptn=1
(x t x)t
t =1 (x t
On alors,
x)2
Pn
t =1 (x t x)E (t )
Pn
2
t =1 (x t x)
E (ab1 ) = E (a 1 ) +
= E (a 1 )
car E (t ) = 0.
De mme on dmontre que E (ab0 ) = a 0 . Ce qui signifie que les estimateurs sont sans biais.
Puisque les estimateurs sont sans biais, il suffit pour quils soient convergents que :
lim V (ab1 ) = lim V (ab0 ) = 0.
n+
En effet :
n+
" P
2 #
n
t =1 (x t x)t
V (ab1 ) = E (ab1 E (ab1 )) = E (ab1 a 1 ) = E
Pn
2
t =1 (x t x)
2
"
V (ab1 ) = E
n
X
2 #
t t
t =1
n
X
2t E (2t ) + 2
t =1
t t 0 E (t t 0 ),
t <t 0
t x
o on a pos t = Pn x(x
2.
=1 x)
Daprs les hypothses H 4 et H 5, on obtient
V (ab1 ) =
FPN
n
X
t =1
(2t 2 ) = Pn
t =1 (x t
10
x)2
CONOMTRIE
V (ab1 ) = Pn
t =1 (x t
x)2
n+ 0.
V (ab0 ) = 2
!
1
x2
+ Pn
n+ 0.
2
n
t =1 (x t x)
Thorme de Gauss-Markov : Les estimateurs des MCO ont la plus petite variance parmi les estimateurs
linaires sans biais. On dit que ce sont des estimateurs BLUE (Best Linear Unbiased Estimator).
n
1 X
e 2,
n 2 t =1 t
t = 1 . . . , n.
Ce qui nous permet de dfinir les estimateurs empiriques de la variance de chacun des coefficients :
b 2ab1 = Pn
b 2
t =1 (x t
b 2ab0
b 2
=
x)2
!
1
x2
+ Pn
.
2
n
t =1 (x t x)
ab0 a 0
ab0
Pn
2
t =1 e t
2
= (n 2)
ab1 a 1
,
b ab1
b 2
ab0 a 0
b ab0
N (0, 1)
2n2
Tn2
Il est donc possible maintenant de mettre en place des tests statistiques afin dapporter des rponses des
problmes tels que :
comparaison dun coefficient de rgression par rapport une valeur fixe ;
FPN
11
CONOMTRIE
|ab1 |
b ab1
la valeur
du t de Student lue dans la table n 2 degrs de libert et pour un seuil de probabilit gal 5%.
0.05
= 1.96.
Si n 2 > 30, on a t
0.05
Si t > t nous rejetons lhypothse H0
le coefficient thorique inconnu a 1 est significativement diffrent de 0.
2) Test unilatral
Soit tester, un seuil de 5%, lhypothse H0 : a 1 = 0 contre lhypothse H1 : a 1 > 0 ou a 1 < 0
ab1 0
1 a 1
Sous H0 , on a ab
b ab =
b ab suit une loi de Student n 2 degrs de libert.
1
|ab1 |
b ab1
la valeur
du t de Student lue dans la table n 2 degrs de libert et pour un seuil de probabilit gal 5%.
0.05
Si n 2 > 30, on a t
= 1.65.
0.05
Si t > t nous rejetons lhypothse H0
le coefficient thorique inconnu a 1 est significativement diffrent de 0.
Remarque : Si nous rejetons lhypothse H0 pour un test bilatral, alors nous rejetons forcment (pour un
mme seuil de probabilit) lhypothse H0 pour un test unilatral.
Exemple 1.3.2 On sintresse la relation entre les bnfices raliss par les entreprises et le budget annuel
quelles consacrent la publicit. 15 observations ont t ralises
Budget
15 8 36 41 16 8 21 21 53 10 32 17 58
6 20
Bnfices 48 43 77 89 50 40 56 62 100 47 71 58 102 35 60
Rpondons aux questions suivantes
1. Calculer les estimateurs ab1 , ab0 et le coefficient de corrlation r
b 2 = 10, 155, procder lestimation des variances de a 1 et a 0 .
2. Sachant que
b 2 .
3. Dterminer au seuil de signification de 5%, un intervalle de confiance pour a 1 , a 0 et
b 2
t =1 (x t
b 2ab0
ab1 a 1
b ab1
et
ab0 a 0
b ab0
b 2
=
x)2
= 0, 0027,
!
1
x2
+ Pn
= 2, 252.
2
n
t =1 (x t x)
FPN
12
CONOMTRIE
ab0 a 0
/2
/2
b ab0 t n2
= t n2
a 0 = ab0
b ab0
/2
Avec n 2 = 13 degre de libert et /2 = 0, 025, on a t n2
= 2, 16 lu dans le tableau de Student.
Donc, les intervalles de confiances pour a 1 et a 0 sont respectivement :
/2
/2
b ab1 t n2
b ab1 t n2
[ab1
; ab1 +
] = [1, 166; 1, 391],
/2
/2
b ab0 t n2
b ab0 t n2
[ab0
; ab0 +
] = [28, 432; 34, 916]
b2
2n2 .
b 2 est
Lintervalle de confiance pour
[(n 2)
b 2
21/2
; (n 2)
b 2
2/2
Avec n 2 = 13 degre de libert et /2 = 0, 025, on a 2/2 = 5, 01 et 21/2 = 24, 74 lus dans le tableau
de 2 .
Donc
b 2 [5, 336; 26, 35].
4. On procde un test dhypotheses bilatral qui consiste donc comparer les ratio de Student
|ab1 |
empiriques t =
b ab = 24, 63 et
1
t =
|ab0 |
b ab0
/2
= 2, 16 de Student lue dans la table n 2 degrs de libert et pour
= 21, 10 la valeur du t n2
n
X
e t = 0,
t =1
2=
(y t y)
t =1
n
X
t =1
{z
=SC T
2+
( ybt y)
{z
=SC E
n
X
e t2 .
t =1
} | {z }
=SC R
La variabilit totale (SCT) est gale la variabilit explique (SCE) + la variabilit des rsidus (SCR).
Cette quation va nous permettre de juger de la qualit de lajustement dun modle.
En effet, plus la variance explique est proche de la variance totale, meilleur est lajustement du nuage de
points par la droite des moindres carrs.
Il est dusage de calculer le rapport :
R2 =
FPN
SC E
SC R
= 1
.
SC T
SC T
13
CONOMTRIE
x
SC E = t =1 ( ybt y)
1
1
Pn
SC R
Rsidu
SC R = t =1 e t2
n-2
n2
P
2
Total
SC T = nt=1 (y t y)
n 1
Le test H0 : a 1 = 0 est quivalent au test dhypothse H0 : SC E = 0 (la variable explicative x t ne contribue
pas lexplication du modle). La statistique de ce test est donne par :
F =
SC E
d d l SC E
SC R
d d l SC R
R2
1
1R 2
n2
Si F > F 1;n2
nous rejetons au seuil lhypothse H0 et donc la variable x t est significative.
Dans le cas contraire, nous acceptons lhypothse dgalit des variances, donc la variable x t nest pas
explicative de la variable y t .
Remarque 1.3.1 On peut montrer que
(t )2 = F .
Exemple 1.3.3 On sintresse la relation entre les tailles X i en cm de cerains tiges matriaux et leur poids
Yi en K g . 10 observations ont t ralises
taille
Poids
150
18
175
24
200
26
225
23
250
30
275
27
300
34
325
35
350
33
375
40
Donner le tableau danalyse de la variance associ cette chantion. Faire un test de Fisher un seuil de 5%.
Rponse : Nous commenons tout dabord de faire les calculs ncessaires qui sont rsums dant le tableau
suivant :
Xi
150
175
200
225
250
275
300
325
350
375
Total
Yi
18
24
26
23
30
27
34
35
33
40
(Yi Y )2
121
25
9
36
1
4
25
36
16
121
394
Ybi
19.84
21.87
23.91
25.95
27.98
30.02
32.05
34.09
36.13
38.16
(Ybi Y )2
83.90
50.83
25.90
9.30
1.04
1.04
9.30
25.90
50.83
83.90
341.94
(Yi Ybi )2
3.38
4.53
4.36
8.70
4.08
9.12
3.8
0.82
9.79
3.38
51.96
FPN
Variation
Degr de libert
Carrs moyens
x
Rsidu
Total
SC E = 341.94
SC R = 51.96
SC T = 394
1
8
9
SC E
1 = 341.94
SC R
8 = 6.5
14
CONOMTRIE
F =
SC E
d d l SC E
SC R
d d l SC R
341.94
= 52.73.
6.5
0.05
Puisque F 1;n2
= F 1;8
= 5.32, alors F > F 1;n2
.
Donc, nous rejetons au seuil lhypothse H0 et donc la variable explicative est significative.
(x n+1 x)2
1
+ Pn
+1 .
2
n
t =1 (x t x)
(x n+1 x)2
2 1
b
e n+1
N 0,
+ Pn
+1
2
n
t =1 (x t x)
2
1
n+1 x)
P(x
b
+
1
+
n
2
n
(x x)
t =1
Tn2 .
y n+1 =
/2 2
b
ybn+1 t n2
1
(x n+1 x)2
+ Pn
+ 1.
2
n
t =1 (x t x)
Exemple 1.3.4 A partir de lexemple prcdent, dterminer au seuil 5%, un intervalle de confiance pour le
poids prvisible relatif une taille de 400cm dun tige.
Rponse : On a lintervalle de prdiction I Y40 est donn par :
s
1
(x n+1 x)2
/2 2
b
y n+1 = ybn+1 t n2
+ Pn
+1
2
n
t =1 (x t x)
o x n+1 = 400, x = 262.5,
Donc,
Pn
t =1 (x t
/2
b 2 =
x)2 = 51562.5, ybn+1 = 40.02, t n2
= t 80.025 = 2.306,
15
SC R
n2
= 6.5.
CONOMTRIE
FPN
16
Chapitre 2
t = 1, 2, . . . , n.
Afin den allger lcriture et de faciliter lexpression de certains rsultats, on a habituellement recours aux
notations matricielles.
,
Y = |{z}
X
a + |{z}
|{z}
|{z}
(n,1)
(n,k+1) (k+1,1)
(n,1)
x 21
x 22
..
.
x 2t
..
.
x 2n
Y =
y1
y2
..
.
yt
..
.
yn
, X =
1
1
..
.
1
..
.
1
x 11
x 12
..
.
x 1t
..
.
x 1n
x k1
x k2
..
.
x kt
..
.
x kn
,a =
a0
a1
a2
..
.
ak
, =
1
2
..
.
t
..
.
n
n
X
t =1
2t = Mi n
n
X
0 = Mi n (Y X a)0 (Y X a) .
t =1
17
CONOMTRIE
N (0, 2 )
Hypothses structurelles :
Rang (X 0 X ) = k + 1 ; (X 0 X )1 existe, ou encore d et (X 0 X ) 6= 0
(X 0 X ) tend vers une matrice finie non singulire quand n +
n > k + 1, le nombre dobservations est suprieur au nombre de paramtres du modle (variables explicatives
+ constante)
P
y
P t
x 1t y t
P
x 2t y t
..
.
..
.
P
x kt y t
P
x
P 1t
x 2t
=
..
.
x kt
P
x
P 1t
x2
P 1t
x 2t x 1t
..
.
P
x kt x 1t
P
x
P 2t
x 1t x 2t
P 2
x 2t
..
.
P
x kt x 2t
P
x
P kt
x 1t x kt
P
x 2t x kt
..
.
P 2
x kt
ab0
ab1
ab2
..
.
abk
ab =
V ar (ab0 )
C ov(ab0 , ab1 )
..
.
C ov(abk , ab0 )
C ov(ab0 , ab1 )
V ar (ab1 )
..
.
C ov(abk , ab1 )
lim ab = lim
C ov(ab0 , abk )
C ov(ab1 , abk )
..
.
V ar (abk )
2 X 0 X 1
= 0.
n
n
Thorme de Gauss-Markov : Les estimateurs des MCO ont la plus petite variance parmi les estimateurs linaires
sans biais.
Ce sont des estimateurs BLUE (Best Linear Unbiased Estimator).
FPN
18
CONOMTRIE
Aprs un calcul matriciel, il apparait que nous pouvons estimer sans biais 2 par :
b 2 =
ee 0
n k 1
avec e t = y t ybt est le rsidu, cest--dire lcart entre la valeur observe de la variable expliquer et sa valeur
estime (ajuste).
En remplaant la variance de lerreur par son estimateur, nous obtenons :
b ab =
b 2 (X 0 X )1
2=
(y t y)
t =1
n
X
t =1
{z
=SC T
2+
( ybt y)
{z
=SC E
n
X
e t2
t =1
} | {z }
=SC R
va nous permettre de juger de la qualit de lajustement dun modle ; en effet, plus la variance explique est proche
de la variance totale, meilleur est lajustement global du modle. Cest pourquoi nous calculons le rapport
R2 =
SC E
SC R
= 1
SC T
SC T
y
12
14
10
16
14
19
21
19
21
16
19
21
25
21
x1
2
1
3
3
7
8
8
5
5
8
4
9
12
7
x2
45
43
43
47
42
41
32
33
41
38
32
31
35
29
x3
121
132
154
145
129
156
132
147
128
163
161
172
174
180
1. Mettre le modle sous forme matricielle en spcifiant bien les dimensions de chacune des matrices
2. Estimer les paramtres du modle
3. Calculer lestimation de la variance de lerreur ainsi que les carts types de chacun des coefficients.
4. Calculer le coefficient de dtermination et commenter
FPN
19
CONOMTRIE
Rponses :
1) Forme matricielle : Y = X a + , o
Y =
12
14
..
.
10
{z
, X =
(14,1)
1
1
1
..
.
1
2
1
3
..
.
7
45
43
43
..
.
29
{z
121
132
154
..
.
180
(14,4)
, a =
|
}
a0
a1
a2
a3
{z
(4,1)
, =
1
2
..
.
14
{z
(14,1)
2) Estimation des paramtres : Nous savons que ab = (X 0 X )1 X 0 Y . Donc, on doit calculer X 0 X puis (X 0 X )1 .
1
2
X X =
45
121
1
1
43
132
1
3
43
154
14
85
X 0X =
532
2094
85
631
3126
13132
20, 16864
0, 015065
0
1
(X X ) =
0, 23145
0, 07617
On a
1
2
X 0Y =
45
121
1
1
43
132
1
3
43
154
1
1
1
..
.
1
532
3126
20666
78683
0, 015065
0, 013204
0, 001194
0, 00094
29
180
2
1
3
..
.
7
45
43
43
..
.
29
121
132
154
..
.
180
2094
13132
78683
317950
0, 23145
0, 001194
0, 003635
0, 000575
0, 07617
0, 00094
.
0, 000575
0, 000401
12
1
248
14
7
. = 1622
9202
.
29
.
180
37592
10
Alors,
20, 16864
0, 015065
ab =
0, 23145
0, 07617
0, 015065
0, 013204
0, 001194
0, 00094
0, 23145
0, 001194
0, 003635
0, 000575
0, 07617
248
1622
0, 00094
0, 000575 9202
0, 000401
37592
ab0
32, 89132
ab1 0, 801900
ab =
=
ab2 0, 38136
ab3
0, 03713
b et de
b ab. On sait que
3) Calcul de
b 2 =
ee 0
.
n k 1
20
CONOMTRIE
yt
12
14
10
16
14
19
21
19
21
16
19
21
25
21
ybt
12, 84
12, 39
13, 18
13, 39
17, 70
17, 88
22, 20
18, 86
16, 51
18, 76
17, 92
21, 90
22, 71
20, 76
et
0, 84
1, 61
3, 18
1, 61
3, 70
1, 12
1, 20
0, 14
4, 49
2, 76
1, 08
0, 90
2, 29
0, 24
0
e t2
0, 71
2, 58
10, 11
2, 58
13, 67
1, 26
1, 44
0, 02
20, 14
7, 63
1, 17
0, 81
5, 27
0, 06
67, 45
On a
b 2 =
P14 2
ee 0
67, 45
t =1 e t
=
=
= 6, 745.
n k 1 14 3 1
10
b ab =
b 2 (X 0 X )1
20, 16864
0, 015065
b ab = 6, 745
0, 23145
0, 07617
0, 015065
0, 013204
0, 001194
0, 00094
0, 23145
0, 001194
0, 003635
0, 000575
0, 07617
0, 00094
.
0, 000575
0, 000401
Nous avons ee 0 =
P14
2
t =1 e t
= 67, 45 et
P14
t =1 (y t
67, 45
= 0, 702.
226, 86
21
CONOMTRIE
contre H1 : a i 6= a.
/2
Si t abi > t nk1
nous rejetons lhypothse H0 et alors a i est significativement different de a (au seuil de ).
/2
nous acceptons lhypothse H0 et alors a i est nest pas significativement different de a (au
Si t abi t nk1
seuil de ).
2) Comparaison dun ensemble de paramtres un ensemble de valeurs fixes :
Nous cherchons tester simultanment lgalit dun sous-ensemble de coefficients de rgression des valeurs
fixes.
H0 : a q = a q , contre H1 : a q 6= a q ,
o q tant le nombre de coefficients retenus.
Pour accepter H0 , il suffit que :
0 1
1
b
bq a q F (q, n k 1).
abq a q
abq a
q
F (q, n k 1) est loi de Fisher au seuil q et n k 1 degrs de libert.
3) Intervalle de confiance de la variance de lerreur :
Lintervalle de confiance de la variance de lerreur permet de dterminer une fourchette de variation de lamplitude
de lerreur.
Pour un intervalle (1 %), il est donn par :
"
(n k 1)b
2 (n k 1)b
2
IC =
;
2
2
1
2
|ab1 | 0, 80
0,05
=
= 2, 75 > 2, 228 = t 10
a 1 6= 0.
b ab1 0, 29
FPN
t ab2 =
|ab2 | | 0, 38|
0,05
=
= 2, 53 > t 10
a 2 6= 0,
b ab2
0, 15
t ab3 =
|ab3 | | 0, 03|
0,05
=
= 0, 60 < t 10
a 3 = 0.
b ab3
0, 05
22
CONOMTRIE
La variable x 2 est explicative de y alors que la variable x 3 nest pas contributive lexplication de y, il convient donc de
la retirer de ce modle et de procder une nouvelle estimation.
Nous aurions pu tout aussi bien rpondre cette question en calculant les intervalles de confiance de chacun des
coefficients :
/2
/2
b ab1 t nk1
b ab1 t nk1
IC a1 = [ab1
; ab1 +
] = [0, 14; 1, 45].
contre H1 : a 1 < 1.
Acceptation de H0 .
H0 :
a1
a2
1
0, 5
contre H1 :
a1
a2
6=
1
0, 5
0 1
b
abq a q ,
Calculons F = q1 abq a q
abq
0, 80
1
o q = 2, abq =
, aq =
et
0, 38
0, 5
b ab = 6, 745.
q
b 1 =
abq
0, 013204
0, 001194
11, 57140
3, 80213
0, 001194
0, 003635
3, 80213
42, 03506
Donc,
1
F = (0, 8 1; 3, 8 + 0, 5)
2
11, 57140
3, 80213
3, 80213
42, 03506
0, 8 1
3, 8 + 0, 5
0,05
F = 0, 612 < 4, 10 = F (q, n k 1) = F 2;10
.
23
CONOMTRIE
a1 = a2 = = ak = 0
H1
Il existe au moins a i 6= 0
Le cas o lhypothse H0 est accepte signifie quil nexiste aucune relation linaire significative entre la variable
expliquer et les variables explicatives (ou encore que la Somme des Carrs Expliqus nest pas significativement
diffrente de 0).
Nous reprenons lquation fondamentale danalyse de la variance :
n
X
t =1
t =1
n
X
2=
(y t y)
{z
=SC T
2+
( ybt y)
{z
=SC E
n
X
e t2 .
t =1
} | {z }
=SC R
Nous traons le tableau danalyse de la variance permettant deffectuer le test de Fisher. Soit
Pn
2 /k
( ybt y)
R 2 /k
=
F = Pn t =1 2
(1 R 2 )/(n k 1)
t =1 e t /(n k 1)
Variation
SC
DDL
CM
x1 , . . . , xk
Rsidu
Total
SC E
SC R
SC T
k
n k 1
n 1
SC E
k
SC R
nk1
Lhypothese de normalite des erreurs implique que sous H0 , F suit une loi de Fisher (rapport de deux chi-deux).
Si F > F (k, n k 1), nous rejetons H0 et le modle est globalement explicatif.
Exemple 2.4.2 Tester la significativit globale du modle vu dans lexemple prcdent.
Rponse :
Le tableau danalyse de la variance permettant deffectuer le test de Fisher est :
Variation
SC
DDL
CM
x1 , x2 , x3
Rsidu
Total
SC E = 159, 41
SC R = 67, 45
SC T = 226, 86
3
10
13
53, 13
6, 745
0,95
SC E /3
SC R/10 = 7, 87 et F (3;10) = 3, 71.
0,95
On a F =
FPN
24
CONOMTRIE
FPN
25
CONOMTRIE
Loi de Student
FPN
26
CONOMTRIE
Loi de 2
FPN
27
CONOMTRIE
Loi de Fisher
FPN
28
CONOMTRIE
Loi de Fisher
FPN
29