CHAPITRE 2: MODELES

LINEAIRES A EQUATIONS
SIMULTANEES
1
1. Exemple : un modle doffre
et de demande
March de concurrence pure et parfaite
1.1. Forme structurelle du modle
Fonctions de demande et doffre du produit dans une rgion i :
q
i
d
ap
i
u
i
q
i
s
bp
i
cz
i
v
i
(1)
q
i
d
demande du bien, q
i
s
offre du bien
p
i
prix du produit
z
i
une variable exogne affectant loffre de produit (par exemple, une
variable climatique si ce produit est un bien agricole)
2
a, b, c sont des paramtres constants entre rgions: COEFFICIENTS
A ESTIMER
On supposera que le prix du produit est dtermin par lquilibre entre
offre et demande et on notera:
q
i
d
q
i
s
q
i
On traduira lhypothse dexognit de la variable z
i
par
Eu
i
z
i
Ev
i
z
i
0
Hypothse simplificatrice : homoscdasticit des perturbations u et v,
et ces perturbations sont indpendantes entre rgions
E
u
i
v
i
u
i
v
i

z
i

u
2

uv

uv

v
2
Par dfinition, on appelle le systme (1), la forme structurelle (FS)
du modle. Elle correspond aux quations du modle conomique.
3
Variables endognes (au sens du modle conomique): les quantits
q
i
et les prix p
i
Variable exogne : z
i
1.2. Forme rduite du modle
Par dfinition, la forme rduite (FR) du modle est lcriture de
toutes les quations de dtermination des variables endognes comme
fonction des variables exognes
Le modle conomique est bien dtermin sil y a autant dquations
dans la forme rduite que de variables endognes.
Dans notre exemple:
p
i

c
a b
z
i

v
i
u
i
a b
q
i

ac
a b
z
i

av
i
bu
i
a b
4
a b
b
a
Reparamtrisation du modle
p
i
z
i

i
q
i
z
i

i
(2)

Ez
i

i
E z
i

v
i
u
i
a b

Ez
i

i
E z
i

av
i
bu
i
a b
5
Notation: soit

i
i
M
u
i
v
i
avec
M
1
a b
1 1
b a
alors
E

i
2

i i
i

i
i
2
z
i
MM

6
Les deux problmes principaux de lestimation de modles
quation simultanes:
1. Estimation de la forme structurelle par la mthode des MCO:
Ep
i
u
i
Ez
i

i

i
a
i
cov
i
,
i
aE
i
2
0
Il y a endognit de la variable p
i
, et la premire quation
nest donc quun modle apparemment linaire
La remarque sapplique de faon similaire la deuxime
quation
Le premier problme est relatif labsence didentification
directe de la forme structurelle (1)
2. Lestimation par MCO de la forme rduite ne pose pas de
problme puisque par hypothse les rgresseurs et les
perturbations sont non corrles
Nanmoins les coefficients obtenus et nont aucune
signification conomique
7
Ils sont relis aux paramtres des fonctions doffre et de
demande par les relations:

c
a b

ac
a b
1\11L1L @L1L11 L1> 1L> 1\LL1L> LL@111\1> >111111LL>.
_>>@L LL> L\L111L1L11> @11 >\11 11_//L11Lj1/_//L11>j1 111111L> j 17 L\L111L1L11>
>111L111L1> a b c
1.3. Consquences
_1L1> _11L11L> LL 1 1\11L >111L111L11L >\11 11_//L11Lj1/_//L11>j1 1111L>
1L _11L11L a L>1 11_//L11Lj1/_//L11>j1 1111L L1 a /
1L> _11L11L> b L1 c 1L 1L >\11 _> _11>@1L 111_\11L @1L1 L\1_1L
b c >11>11>11 c b L>1 L\1_1111L NLL 1L> _11L11L>
11_//L11Lj1/_//L11>j1 1111L> L1> 1 1\11L 1LL111L
8
Remarques:
1. Si on modifie le modle en crivant:
q
i
d
ap
i
dz
i
u
i
q
i
s
bp
i
cz
i
v
i
alors on montre quaucun paramtre nest identifiable
2. Si on modifie le modle en introduisant une autre variable
explicative:
q
i
d
ap
i
dz
1i
u
i
q
i
s
bp
i
cz
2i
v
i
on montre que, sous certaines conditions, tous les paramtres
sont identifiables ( faire titre dexercice)
9
2.Conditions dordre et de rang
2.1. Le modle
On omet lindice de lobservation pour allger les notations
Hypothses:
\ variables endognes )
1
, . . . , )
G
et variables exognes

1
, . . . ,
K
Le systme est dtermin par \ quations structurelles

11
)
1
. . .
G1
)
G

11

1
. . .
K1

K

1

1G
)
1
. . .
GG
)
G

1G

1
. . .
KG

K

G
(3)
Les perturbations sont homoscdastiques:
@, @

1, . , \,
g

g

1
, . ,
K

gg

10
Si les variables x
k
sont exognes:
g 1, . , G, k 1, . , K, Eu
g
x
k
0
Paramtres du modle:
les coefficients a
gg
rangs dans une matrice
A
a
11
a
1G

a
G1
a
GG
GG
les coefficients b
kg
rangs dans une matrice
B
b
11
b
1G

b
K1
b
KG
KG
les covariances
gg
ranges dans une matrice
11
Forme matricielle de la forme structurelle pour chaque observation
(les indices de lobservation sont omis):
yA xB u
y y
1
, . , y
G
, vecteur de dimension 1 G
x x
1
, . , x
K
, vecteur de dimension 1 K
u u
1
, . , u
G
, vecteur de dimension 1 G
Hypothses:
A est inversible (de plein rang G)
x

x est inversible (de plein rang K)

Eu
g
x
k
0 Ex

u 0
Remarque: Notations pour lchantillon dans son entier:
Y la matrice de taille n, G qui rassemble les n observations sur y
X la matrice de dimension n, K des variables explicatives
U la matrice de dimension n, G des perturbations
YA XB U
12
Premire restriction: le modle conomique tant dtermin, on peut
adopter les contraintes (naturelles) de normalisation:
g 1, . , G, a
gg
1
Ces contraintes signifient que chaque quation de la forme structurelle
dtermine de manire unique une variable endogne en fonction de
toutes les autres et des variables exognes
Exemple de la premire quation:
a
11
1 y
1
a
21
y
2
. . . a
G1
y
G
b
11
x
1
. . . b
K1
x
K
u
1
Si A est inversible, la forme rduite du modle se dduit de la forme
structurelle (pour chaque observation):
1,G
y xBA
1
uA
1

1,K
x
K,G

1,G
v (4)
Les coefficients de la forme rduite sobtiennent partir des
coefficients de la forme structurelle comme:
BA
1
(5)
13
et les hypothses stochastiques scrivent:
Ex

v 0 Ev

v x A
1
A
1
Lidentification des paramtres de la forme rduite ne pose pas
de problmes ds lors quest vrifie la condition
rgx

x K
Par contre, dans la forme structurelle (3), il y a gnriquement
corrlation entre rgresseurs endognes y
g
et perturbations u
g
Les estimateurs MCO de ces quations sont donc biaiss et non
convergents
Problme gnral de lidentification: comment peut-on, partir des
paramtres de la forme rduite, identifier les paramtres matriciels A
et B de la forme structurelle?
Une manire de raisonner serait dutiliser les formules de passage (5)
entre formes stucturelle et rduite. Comme ce nest pas simple, on
raisonne sur lidentification des paramtres quation par quation.
14
2.2 Identification dune quation
Sans perte de gnralit, on tudie lidentification de la premire
quation
On suppose galement sans perte de gnralit que
rgx

x K
et donc que les paramtres de la forme rduite sont identifiables
On crit le modle sous une forme que lon appelle forme
semi-structurelle en considrant:
la premire quation de la forme structurelle
et les G 1 dernires quations de la forme rduite:
y
1
y
1
a
1
xb
1
u
1
1,G1
y
1

1,K
x
K,G1

1,G1
v
1
15
Notations:
y
1
est la 1re variable endogne, dont le coefficient a t
normalis lunit a
11
1
le vecteur y
1
de dimension 1, G 1 contient les autres variables
endognes
a
1
a
21
, . . . , a
G1

et b
1
b
11
, . . . , b
K1

de sorte que:
A
1
a
1
A
1
, B
b
1
B
1

1
est compose des G 1 dernires colonnes de :
K,G

K,1

1
|
K,G1

Comme est identifiable,

1
est identifiable
16
Puisque y
1
x
1
v
1
, on en dduit:
y
1
y
1
a
1
xb
1
u
1
x
1
a
1
xb
1
u
1
v
1
a
1
x
1
a
1
b
1
u
1
v
1
a
1
Cette quation est donc la forme rduite de la premire quation, et

1

1
a
1
b
1
(6)
est identifiable
Est-il possible didentifier les paramtres structurels a
1
et b
1
partir
de lquation (6)?
17
2.3. Condition dordre
Lquation (6) est un systme linaire K quations (la dimension du
vecteur
1
) et G 1 K paramtres (la somme des dimensions de a
1
et b
1
)
Le systme est sous-dtermin (plus de paramtres que dquations)
Donc a
1
et b
1
ne sont pas gnriquement identifiables
Certains dentre eux peuvent ltre dans certains cas particuliers: par
exemple, si
1
0, le paramtre b
1
est identifiable, mais a
1
ne lest
pas
Gnralement, il faut donc imposer des conditions didentifica tion
supplmenta ires sur les paramtres structurels (ou des restrictions
que lon appelle identifia ntes)
Par exemple, exclusion de va ria bles de la premire quation
18
a
1
b
1
G
1
a
1
K
1
b
1

G
1
y
1
K
1

G1,1
a
1

G1,G
1
1
S
a

G
1
1,1

1
K,1
b
1

K,K
1

S
b

K
1
,1

1
S
a
S
b

1
a
1
b
1
19
Exemple:
a
21
a
31
a
41

S
a
0 0
1 0
0 1

a
31
a
41

0
a
31
a
41
Le systme (6) se rcrit comme:

1
a
1
b
1

1
S
a

1
S
b

1

1
(8)
La question didentification porte maintenant sur les paramtres
1
et

1
Le systme linaire comporte alors plus dquations que de paramtres
inconnus si:
G
1
1 K
1
K
20
ou encore si:
nb de variables
endognes
G
1
1
nb de variables
exognes exlues
K K
1
Dfinition: Une condition ncessaire pour lidentification des
paramtres dune quation structurelle est quil existe au moins autant
de variables exognes exclues de lquation que de variables
endognes apparaissant dans lquation (condition dordre)
Consquences:
si la condition dordre nest pas vrifie, les paramtres de
lquation ne peuvent tre identifis
si la condition dordre est vrifie, il se peut quil le soit
21
2.4. Condition de rang
La condition dordre nest pas suffisante puisque le systme (8) peut
comporter plus dquations que dinconnues, auquel cas la solution
peut ne pas exister, ou le systme (8) peut ne pas tre rgulier
Dans ce cas, la condition didentification dpend des valeurs des
paramtres de la forme rduite
1
et
1
R-crivons (8) sous la forme
K,G1

1
G1,G
1
1
S
a

K,K
1

S
b

G
1
1K
1
,1

K,G
1
1K
1

K,1

1
(9)
22
Lunicit de la solution de ce systme est donne par les conditions
rgM G
1
K
1
1
et
MM

M
1
M

1

1
Cette condition est appele condition de rang
Comme cette condition dpend de paramtres inconnus, on ne peut en
gnral savoir a priori si elle est vrifie
A posteriori, seules sont connues des estimations de
1
et
1
La condition de rang pourra donc tre lobjet de tests mais ne pourra
pas tre vrifie dans un cadre dterministe
On ne peut vrifier a priori que la condition dordre
On reviendra sur les implications de la non vrification de la condition
de rang aprs lestimation
23
En particulier, on verra que la mauvaise qualit des rsultats
destimation de lquation les estimateurs ayant une grande variance
est un diagnostic qui indique que la condition de rang nest pas
vrifie
Terminologie:
Lquation est juste identifie si G
1
1 K K
1
Elle est sous-identifie si G
1
1 K K
1
Elle est sur-identifie si G
1
1 K K
1
Le degr de sur- (sous-) identification est donn par
K K
1
G
1
1
On gnralise ces rsultats didentification lensemble du systme:
on dira que le systme est identifi si chaque quation du systme est
identifie
24
3. Estimation
Deux types de mthodes destimation:
mthodes dites information limite, ne concernant quune
quation
mthodes dites information complte, portant sur lestimation
du systme dans son entier
Pour appliquer ces mthodes, il faut bien videmment que les
paramtres soient identifis
Les mthodes information complte sont en gnral plus prcises
que les mthodes information limite sauf dans des cas particuliers
que nous dtaillerons
Elles sont moins robustes des erreurs de spcification qui
affecteraient des sous-parties du systme
25
3.1 Mthodes information limite
a) Les doubles moindres carrs (DMC, 2SLS)
On considre sans perte de gnralit lestimation de la premire
quation:
y
1
y
1
a
1
xb
1
u
1
On impose les restrictions identifiantes (7):
y
1
y
1
S
a

1
xS
b

1
u
1
Notation:
y
1
y
1
S
a
vecteur des variables endognes non exclues de la
premire quation
x
1
xS
b
vecteur des variables exognes non exclues de la
premire quation
26
Do
y
1
y
1

1
x
1

1
u
1
z
1

1
u
1
(10)
o Z
1

y
1
x
1
et
1

1
On supposera que
1
est identifiable
Principe de la mthode des DMC:
Premire tape: on rgresse par MCO y
1
sur les variables x et on
construit sa prdiction matricielle:

1
XX

X
1
X

1
P
X
Y

1
Deuxime tape: on rgresse la variable endogne Y
1
sur les
variables
O
Y
1
et X
1
par MCO
On note
1,DMC
et

1,DMC
les estimateurs obtenus
27
Autre prsentation (plus concise):
Si on utilise la deuxime forme de lquation (10):
y
1
z
1

1
u
1
et si on remarque que :
P
X
Z
1
P
X
Y

1
X
1
P
X
Y

1
P
X
X
1

1
P
X
Y

1
X
1

la deuxime tape de la mthode des DMC est aussi la rgression de

Y
1
sur Z

1
P
X
Z
1
La forme concise de lestimateur est alors:

1
Z
1

P
X
Z
1

1
Z
1

P
X
Y
1
(11)
28
Proposition: Les estimateurs D MC sont convergents
asymptotiquement
Preuve: Comme P
X
XX

X
1
X

, on a sous les conditions de la loi

des grands nombres :
n
plim
Z
1

P
X
Z
1
n

n
plim
Z
1

X
n
X

X
n
1
X

Z
1
n

n
plim
Z
1

X
n
n
plim
X

X
n
1
n
plim
X

Z
1
n
Ez
1

x Ex

x
1
Ex

z
1

0
en utilisant le thorme de Slutsky entre la premire et deuxime ligne
29
Rappel du Thorme de Slutsky:
Soit x
n
; n 1, 2, . . . une suite de vecteurs alatoires de dimension
K 1 tels que
plimx
n
c
Alors si g est une fonction de R
K
dans R
J
continue au point c:
plimgx
n
gplimx
n
gc

De la mme faon :
n
plim
Z
1

P
X
Y
1
n
Ez
1

xEx

x
1
Ex

y
1

Ez
1

xEx

x
1
Ex

z
1

0
Ex

u
1

Ez
1

xEx

x
1
Ex

z
1

1
30
1 > \1 11 1 >L 1L 1 L\1L1L LL Q111> _ __1 1L [j _\11 \11L1 1 .
n
plim

1

0

1

1

Variance asymptotique des estimateurs DMC.

n

1

1

d
n
N\
1
2
Ez
1

xEx

x
1
Ex

z
1

Preuve :
1 \\ 1\\\[[j1\\1 1L
j

11 110
E x

L
x

Remarquons ensuite que

1
2

1
2

1
2

et que:

1

1

n
1

1
1
1
1

1
Puisque:
n

n

1

1

on a :

1
d
n
0,

1
2

32
Ex

u
1
2
x
1
2
Ez
1

xEx

x
1
Ex

z
1

1
n

1

1

d
n
N
1
2
Ez
1

xEx

x
1
Ex

z
1

V
a s

1

1
2
Z
1

P
X
Z
1

1
2

Y
1
Z
1

Y
1
Z
1

1
n
33
Retour sur lidentification du paramtre
1
:

1
est identifiable si les rgresseurs ne sont pas colinaires
Cette condition sexprime comme la condition de rang suivante :
rg
K
1
G
1
1,n
Z
1

n,n
P
X

n,K
1
G
1
1
Z
1
K
1
G
1
1 (12)
La condition de rang sexprime maintenant non plus en termes de
paramtres inconnus mais en termes des contreparties empiriques de
ces paramtres inconnus
Pour la vrifier, il suffit donc de tester la condition (12)
La (quasi)multicolinarit se signale par limprcision des
estimateurs (variances et cart-types trs importants)
Ceci traduit des problmes didentification sous-jacents
34
b) Identit entre doubles moindres carrs, moindres
carrs indirects et estimateurs variables
instrumentales lorque l quation est juste identifie
La mthode des DMC possde certaines proprits satisfaisantes
Il pourrait nanmoins exister dautres mthodes dotes de proprits
plus satisfaisantes
On expose ces mthodes et on montre que, parmi les mthodes de
moments, lestimateur des DMC se distingue par des proprits
doptimalit
Lestimateur des moindres carrs indirects (MCI):
Cas o lquation est juste identifie G
1
1 K K
1

Relation entre les paramtres de la forme rduite et les paramtres de

la forme structurelle du systme complet:
BA
1
35
donc
A B 0
et donc pour la premire quation:

1
a
1
b
1
0
(en utilisant les notations de la section 2)
Principe de la mthode des MCI:
rsoudre lquation prcdente en a
1
et en b
1
laide de lestimateur

des paramtres de la forme rduite

Dans le cas de juste identification, on sait que cette quation a une et
une seule solution que lon appelle estimateur des MCI:

1
b

1
0 (13)
36
Proposition: Quand lquation est juste identifie, lestimateur des
moindres carrs indirects est un estimateur variables instrumentales
et concide avec lestimateur des doubles moindres carrs.
Preuve: On suppose que K G
1
K
1
1
On part de lquation de dfinition des MCI en remplaant

par

X
1
X

Y
(13) est quivalent :
K,K
X

X
1
K,G
X

Y
G,1
1

K,1
b

1
0 X

Y
1

1
Xb

1
0
puisque lquation est juste identifie
37
Avec les notations prcdentes, cette expression devient:
X

Y
1
Y
1

1
Xb

1
X

Y
1
Z
1
O

1
0 (14)
et donc lestimateur MCI
O

1
est un estimateur var. instrumentales
En effet, comme lquation est juste identifie,
dimX

Z
1
K, G
1
K
1
1 K, K et rgX

Z
1
K
Donc
O

1
X

Z
1

1
X

Y
1
Sous les mmes conditions, (14) quivaut aussi :
Z
1

XX

X
1
X

Y
1
Z
1
O

1
0
Z
1

P
X
Y
1
Z
1
O

1
0

1
Z
1

P
X
Z
1

1
Z
1

P
X
Y
1
qui est lestimateur DMC
38
c) Lestimateur des doubles moindres carrs est
optimal dans la classe des estimateurs variables
instrumentales
Dans le cas o lquation est juste identifie, lestimateur des doubles
moindres carrs est aussi lestimateur variables instrumentales:
O

VI
X

Z
1

1
X

Y
1
Cet estimateur est dfini de manire unique et la classe des estimateurs
variables instrumentales est rduit un point
Dans le cas o lquation est suridentifie, cela nest plus le cas
En effet, il y a plus de variables instrumentales K que de variables
instrumenter G
1
K
1
1
On peut alors dfinir la classe des estimateurs variables
instrumentales comme les estimateurs obtenus pour un nombre
G
1
K
1
1 dinstruments qui sont combinaisons linaires des
instruments originaux
39
\1 LL1L111.111111@\\1L1111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111171L111111111111111111111111111111111111111111111111111111111L111\11111111111171L1111L11111111111111111111111. . . . Q . . . . \ . . . . . . . . . . . Z . . . . . . . . . . . . . . . . . . d . . . . . . . d . @ . . . . . . . . Z . . . . . . . . . .
Proposition: Les estimateurs par variables instrumentales optimaux
sont donns par toute suite de matrices S
n
qui converge en probabilit
vers la matrice:
S

Ex

x
1
Ex

z
1

En particulier, comme sous les conditions habituelles

S
n

X
n
1
X

Z
1
n
n
p
S

et donc
O

VI
S
n

Z
1

P
X
Z
1

1
Z
1

P
X
Y
1

DMC
les doubles moindres carrs ordinaires sont asymptotiquement
optimaux dans cette classe destimateurs.
41
Preuve : On dduit la loi asymptotique de tout estimateur de la classe
destimateurs variables instrumentales:
O

VI
S
n
S
n

Z
1

1
S
n

Y
1
S
n

Z
1

1
S
n

Z
1
U
1

S
n

Z
1

1
S
n

U
1
On supposera que:
n
plim S
n
S
n
plim
X

Z
1
n
Ex

z
1

n
plim
X

U
1
U
1

X
1
n
Ex

u
1
2
x
1
2
Ex

x
Alors en utilisant les arguments habituels :
42
n
plim
O

VI
S
n

et
n
O

VI
S
d
n
N0,
1
2
S
o:
S ES

z
1

1
S

Ex

xSEz
1

xS
1
Pour trouver lestimateur de variance minimale, on cherche
minimiser la matrice S, i.e. trouver une matrice dfinie positive
S

telle que:
S, S S

S S

est semi-dfinie positive

Puisque S est une matrice de variance-covariance, elle est dfinie
positive, et cette proprit donc est quivalente :
S, MS S

1
S
1
est semi-dfinie positive
43
En utilisant lexpression:
S

Ez
1

xEx

x
1
Ex

z
1

1
on obtient:
MS Ez
1
x

Ex

x
1
Ex

z
1

Ez
1

xSS

Ex

xS
1
S

Ex

z
1

En posant:
C Ex

x
1/2
Ex

z
1
et D Ex

x
1/2
S
on obtient:
MS C

C C

DD

D
1
D

C
C

I P
D
C
Comme I P
D
est un projecteur, la matrice MS est alors
ncessairement semi-dfinie positive
44
3.2 Mthodes information complte
Pour utiliser des mthodes information complte, il faut supposer
que le modle est globalement identifiable
On supposera donc que toutes les quations sont identifies ou
suridentifies
a) La mthode des triples moindres carrs
Principe de la mthode: suivre la mthode utilise pour les rgressions
simultanes (SURE)
Nanmoins, la premire tape diffre puisque dans les systmes de
rgressions simultanes, le problme de lendognit des rgresseurs
ne se pose pas
45
1. On utilise alors dabord les doubles moindres carrs
quation par quation
2. On estime ensuite les lments de la matrice de
variance-covariance entre quations pour en dduire
lestimateur pour le systme en son entier
On crit:
1

1
0
2

0
G

G
ou

46
Deux problmes:
1. Le premier problme est celui de lendognit des
rgresseurs Z
g
On les remplace donc par leurs prdicteurs P
X
Z
g
comme
dans la premire tape des DMC
Le prdicteur de Z a des blocs diagonaux qui sont:
Z

g
P
X
Z
g
2. Le deuxime problme est relatif la structure de
corrlation entre les quations
On pose:
Euu

x
Dans ce cas, on sait que la mthode qui permet dobtenir la
prcision maximale est celle de lestimateur SURE dans un
systme de rgressions simultanes
47
Pour cela, construire un estimateur convergent de la matrice
Soit

g, DMC
les estimateurs des
g
g 1, . . . G obtenus par les
doubles moindres carrs quation par quation
(estimateurs convergents)
Soit
g
le vecteur des rsidus de lquation g obtenus par les DMC
Soient les estimateurs:

gg

1
n

Par les raisonnements habituels,

gg
sont des estimateurs convergents
de
gg

On note

la matrice de ces lments

On dfinit alors lestimateur des triples moindres carrs comme :
O

3MC
Z

1
I
n
Z

1
Z

1
I
n
Y
48
Deux proprits des TMC:
1. Si est une matrice diagonale, les TMC sont quivalents
asymptotiquement aux DMC
Dans ce cas, lestimation du systme napporte rien de plus
lestimation quation par quation
2. Si toutes les quations sont juste identifies, les TMC sont
gaux aux DMC
Application du principe de Zellner ? Ici, les rgresseurs dans les
diffrentes quations P
X
Z
g
ne sont pas identiques.
Nanmoins, comme les quations sont juste identifies, les
variables P
X
Z
g
forment une base de lespace engendr par les
variables X (dimP
X
Z
g
dimX.
Il existe alors des matrices T
g
de changement de base et
donc inversibles telles que:
O
Z
g
P
X
Z
g
T
g
P
X
Z
1
, do le rsultat (cf. preuve Chap. 1)
49
b) Maximum de vraisemblance information complte
Supposons que u u
1
, . . . , u
G
x N0,
Le systme dquations scrit : yA xB u y xBA
1
uA
1
avec f
U
u
1
2
G/2
det
exp
1
2
u

1
u
et y x NxBA
1
, A
1
A
1

La vraisemblance dune observation sobtient comme

lnly x; A, B,
G
2
ln2 ln detA
1
2
ln det

1
2
yA xB

1
yA xB
LEMV est quivalent asymptotiquement lestimateur des TMC
Mais proprits distance finie gnralement diffrentes
50