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 5couramment. 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 anse 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 SEYTEOn 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 SEYTE6. ‘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 SEVTEfh 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 sortsFading @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 SEYTEte 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 a6. 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 OGMHy: 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