6 Le modéle linéaire simple 4 plusieurs
variables explicatives
6. es estimateurs des Moindres Carrés Ordinaires (MCO)
Aprés avoir posé la spécification matricielle du modéle et les hypothéses de base du modele
nous verrons les estimateurs des MCO ainsi que les proprigtés de ces estimateurs.
eens
‘aléa e
reliée linéairement a k-1 variables exogénes (X2... Xy) et
Y : variable expliq
Les variables sont supposées observées sur un échantillon de taille n. A un instant t de
léchantillon, le modeéle s*écrit
Vo = Bt QXy +--+ BX,+6, te fh.
1
fe
V XteernnnenXen | [Br] [ee
(1) (nk) 1) (aD,
Soit: Y= X pte
(oD (a4) (1) (1)
L'introduction d'une variable X; toujours égale un (premiere colonne de la matrice X) évite
de recourir & un vecteur colonne de constantes. On remarque, par ailleurs, que les indices
affectés aux éléments de la matrice X ont une interprétation contraire a celle retenue
Frangoite SEYTE 5couramment. Le premier indice désigne la variable explicative (c"est l'indice de la colonne),
le second indice est celui de observation (c’est ’indice de la ligne).
a See mine
Le probléme statistique a résoudre est le caleul des paramétres , sachant les observations de
YetdeX.
I existe deux méthodes permettant le caleul de f : la méthode des moindres carrés ordinaires
(MCO) et la méthode du maximum de vraisemblance. L’utilisation de ces deux méthodes
conduit & des valeurs calculées de (5 qui possédent des propriétés statistiques remarquables.
Cela implique qu'un certain nombre d’hypothéses de base soient vérifiées avant |"utilisation
de ces méthodes.
es X,.... Xk sont non aléatoires, contrélées
DHL: Les valeurs des variables explica
(indépendantes de Valéa) : ce sont des données (cov ,«}=0 ). Les distributions des Ys
sont done des distributions conditionnelles de X2y,.-.- Xkx
DH: Les valeurs des variables exogénes, les variances des variables exogénes, les
covariances des exogenes restent finies lorsque n —+ +0
tives
DH3 ¢ est indépendant des variables explicatives. Les valeurs des variables expli
n‘ont aucune influence sur la distribution de e,
DH4 c est un vecteur colonne de n variables aléatoires ¢ et confére au vecteur Y un caraetére
aléatoire,
DHS Efe,]=0 Vt ref{L...n} hypothése de normalité.
Frangoise SEYTE anse Ele]
Eee] Ele)
E[eres]
Bleves)
en, Efenei]
De ce fait
a} Vt, {l--n} hypothése d’homoseédasticité. Cela implique que la variance
des ey est constante quel que soit le sous-échantillon tiré dans ensemble {1--:n}.
DH7 Elee,]=0 vrerr'e{l--n} 141’ hypothése de non autocorrélation des résidus.
On peut regrouper les deux demigres hypotheses et écrire
2 ;
EfeyeyJ=4oeSiE=t
Pee sitet
n de la méthode des MCO.
Ces trois derniéres hypothéses sont fondamentales pour l’applie
Pour utiliser la méthode du maximum de vraisemblance, on suppose en outre vérifiée
Thypothése de normalité des aléas
> HB La matrice X du modéle est particuliére puisqu’on a vu qu'il y avait (k-1) variables
explicatives dans le modéle. Le nombre d’observations n est donc supérieur au nombre de
paramétres a estimer
Francoise SEYTE ans> H9 Rang[X]= k )eok wre [ome quradralique
mm é ot (KY) OY une mrodinig Ae Bimtrovn( Eby
irae y defn peodiue ( prroque & 2000 de
‘ ou de “nt pond Oh Oak tn amin de (hity
nok A) De ce boar
§ Pe 2 by) )B < 2Ab'y
op
0 bn apron U2 L eon Mats allies tryntoaeG),
oe Bod 2 Gx Ips 2*Y ceo
(lx p ear ee
ot ba malate x eer de rama By ba makuvely')
wl de aang Pe mare de Arr } aout Dare
= lx) xy
On obtient f= (X°X)'(X'Y)_X°X doit étre réguliére.
Frangoise SEYTEOn peut démontrer que les estimateurs des MCO du MLGS possédent des propriétés
identiques 4 celles du modéle linéaire entre 2 variables
—> Les estimateurs des MCO sont des fonctions linéaires des Y, de Y.
—> Best un estimateur (linéaire) sans biais de B
—» i est de variance minimale.
Les estimateurs des moindres carrés_f} sont parmi tous les estimateurs linéaires sans biais les
meilleurs au sens de la variance minimale. Cette propriété permet d’établir I’écriture de la
matrice des variances-covariances de fi, notée : Qf
VUp] Covipr, Ba}....Covl pr. ]
4 | sym
VIA
qui s’écrit Qg= Ef [B-B] [B-B] ]et qui est égale A: QA= 02 (X°Xy" ott o est
Perreur e
, sans biais et de variance minimale. II est dit
L’estimateur (b de best un estimateur ling:
estimateur BLUE (Best Linear Unbiased Estimator).
—> fh est un estimateur convergent.
—+ Estimateur de la variance de erreur o?
6 =e'el(n-k) avec e= Y-X ff C’est un estimateur sans biais de or} . Il permet de calculer
la variance de fi
VIBI= 02 DIAGX'X)! — [A] = 62 DIAGOX’Xy"
718
Frangoiso SEYTE6. ‘est des estimateurs
Se on copper gure bo dhe'an Blinonte @ dae bots nama
cor Nainn ede vaudn, SF :
Ee = 0,6) Vepbrtom
alos £ oe mowralk 0” 1 Abintrouing
= NG, Vers, }
Grom ae que pe a Cre ig
Dine fo dope HE. Dea bid as one Gnome,
pe MOB, USE Dinots any)
Oru 6G rein => ola do iakion :
dime gar 22 5 Unb yo len-€)S% hry
ce
6e z
arte
Be
No iln-B) p-deara| fe
m P20 ye he ® Hy Byeo
= hil Fay, LTl2) CHa, |
> Pbf Py é fe bapgyfo pire ar | |
Dogle de devon:
oo bs ELA Ay arupvee au veqre. cf
AMespeia &
ov a & Fa a“ alee au vtoene cho
Meptie A» > Voki ake”
du models
a. snroqus We LY ppeu
Francoise SEVTEfh aya
ECA) = B A
Vip ys 6¢ Glat
5 Ge Yona lomplt diy wrabhals de> (C0 cine
be cabeud de ve off es 4 p on Vout :
eae a
ui vo v Lotp/lo? Lor dela de-cempscoution ce. ba.
Manone Fokule ole Ca waar able emdon, ade
Yn hfe ° wy ype =,-7F W (am pollen
i ss ayoanance botabe de a
0 00s See, Vauance Wave
Ay i 7
. pays 44 SOC 2 VOIR toephagquer
Par tr BR
=) (Viz Vas VE
elles dilanchen, & co ‘ut ole att Femmedien
( mote RY) Ot bt rappel” ertee Pa virtamce Caxplique
ba vaere Vola,
a pai Re Ve = A= UR O¢ Rte.
pF i Ke UE] cee
ZX. ravine camee core. & coeffi eden clo com lahon
Careause mulhiphe tA
Francoise SEYTE
sortsFading @rnbane due Veoh G Oo meiiols mer thr chine
Vous Ces CB onueta)
A 4 ,.—— =
Ore. SA Se Vor molly)
on =
v2 Be wT Cn By
oe
Dade da daaoein =
Hl eageat T ’ , a
ot [t 6 | v Tye) ave du frogrg da l
oi [leet oT O-k) Hy Qtaprer an fogia te
. AM epee &
6%. drier plese eas Vawr ane ok
Tent dan couffe amr ole. dé Herrera
aS elu bane du MLGS ae Uo variables
Varro : i
Sour ye = eet Go ML6S plecik pow
Wer YW ~F fame rakes wolfe »
We x P+G@-€)
Dons 2 Las, bb vdeo fb rt cempove pas ce
Yume Pa OW Ca mmadimce oC mA plies de pumity
komme Biumad ge A. Sv on pee B= £-€ on
wWirguwe Rorme makuurble da WLGS eh
dee foi¥ Pa metthoets oles CO Cinch &
doy walls sdortgnes a” paver pour, 2 basemiel
Frangoise SEYTEte make, deo coche ubmts ot. consluha er:
«. A aa uh
[apes
ay Ten dn corfivend oe de feumunahion
eae iad FC ha, n- BR)
“Sy & ie gt. 44
est rk 2 = Ge) 44
7 Le vid |
Ho e@'.0
Be a de Dee F ahhets moh) Uy aeapred om
eee ree feerees
Francoise SEVTE a6. VE bred cw dx, am vctle, on pevauen
L'akibioalion AM LES pour ba, yurvcarin aeatt
Be Laopecla drut, pour Le rmodile Oreune ere.
UV varables ( 4 CoUss cle ololishquee )
> Praisiocon. de Ca Yakour meryerng che bu véacedlfe
onchofre pour ds vilbunee dLernésn dh visiablg Cahie
Sok Ye Pet Be%toe---- + BAe * Eo
Goch Gy veertan ¢ Ato veaben expleebuete >
¥ ear
Gao es Or pul ents cp
{ Comme gprocar.on OF Raunt
Xho i
Yo ect = Par Baty <-- Ph Bo
CR edtimaleun, Biren ning biats de Ph
Ley NeVevmean alien do ba boi au preaccran op
elo f= c'p> (es) 5
| ve p\: 6% Orc
che (ep, % Veer)
=Ye
Se 5 drut Balin
Ae.
Roppet: (aR) ce = %"(m-¥)
Se
Francoise SEYTE ns—> ea (cR-c'p) |
A ————
S¢ VEGI
On prt abo Condluninr sir unloreble che cn[feamsecl
alt reac .
Adz aL a. | j hat. }
Pal Cb [eB Hy 4 ere]
> Companeaisin Punt prectain pendduclle & fe
daote dro CO ; Serer
Sout Q,, Moo: Xho \ Ane pesiatin dot” on pe.
clermande oc elle ea compab Be dare wrablasr ole
i eumvadion ps ba me thode dag TUCO,
Ve = op ~ ELC = chp ee
\ VCc'p \e Ce {farce
p= MCP; % ae cenrte )
Yo 2%
Untiabten Lu arrocalt ba boc de Cfo don
a ee
———————
(ETH E Gelde OGMHy: compa be lute dine aol omtat oF pinioure
ii = ue ;
Aud > Aob/ qo 6% bly Gr Uae cere
[leude de daiscen
pL if é TA My eng ¥en as Usque de
epee od
ov - t TR My aul ata megan de
PM epplad
Frangoleo SEVTE ae