Table des matières

1 Introduction à L'économétrie : Le modèle linéaire simple 5

1.1 Introduction Générale . . . . . . . . . . . . . . . . . . . . 5
1.2 Le modèle linéaire simple . . . . . . . . . . . . . . . . . . 10
1.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Estimation de a et b par la méthode des moindres carrés ordinaire (MCO)
1.2.3 Propriétés des estimateurs â et b̂ . . . . . . . . . . 14
1.2.4 Application aux tests et intervalles de conance des paramètres de a et b
1.2.5 Application aux tests . . . . . . . . . . . . . . . . 20
1.2.6 Application aux intervalles de conance . . . . . . 23
1.3 Notion de corrélation et Prévision . . . . . . . . . . . . . 25
1.3.1 Coecient de corrélation linéaire . . . . . . . . . . 25
1.3.2 Le coecient de détermination linéaire . . . . . . . 27
1.3.3 Prévision dans le modèle linéaire simple . . . . . . 28
Exercices sur le Chapitre 3 30
Solutions des exercices 33
Exercices Supplémentaire 42
Tables statistiques 45
Bibliographie 46
TABLE DES MATIÈRES 1

Avant propos

Ce présent document de cours et d'exercices corrigés est destiné aux étu-

diants de S6 option économie et gestion, car il correspond au programme
généralement enseignés dans ce semestre. Cependant, le contenu du cours
même s'il comporte des spécicités selon l'option choisi, il peut être utilisé
par d'autres étudiants utilisant les tests et l'économétrie comme outils.
On se rend compte rapidement qu'on Économie, les données sont très
souvent de nature quantitatives et les variables économiques dépendent
les uns des autres, c'est pourquoi il est particulièrement utile de la mo-
délisation mathématiques pour représenter de façon simpliée la réalité,
et pour pouvoir donner des interprétations justes et rigoureuses à un
phénomène économique.
L'économétrie dans sa globalité vise tous ces aspects, et utilise une mé-
thodologie rigoureuse où la théorie économique, la statistique mathéma-
tique, la modélisation mathématiques sont combinées.
L'économétrie reste une discipline dicilement abordable par les étu-
diants de l'option Économie et Gestion il est donc, très dicile de la
concevoir sans avoir des prérequis de la statistique mathématiques en
particulier, des notions sur la théorie de l'estimation, les intervalles de
conance (déjà abordés en S3) et la théorie des tests.
Le présent document contient un premier chapitre consacré à quelques
notions de la théorie des tests plus précisément, quelques tests paramé-
triques sur la moyenne et la variance pour un échantillon de loi normale.
Le deuxième chapitre aborde le test de khi-deux vu, son importance
dans le test de l'indépendance et ses applications diverses, en Économie
comme en gestion.
Le troisième et dernier chapitre traite une introduction générale à l'éco-
nométrie avec le cas du modèle linéaire simple qui constitue le fondamen-
tal de l'économétrie général, malheureusement, pour raison de temps, on
pourra pas traiter le modèle linéaire généralisé qui est plus complet, et
qui est plus proche de la réalité économique. Mais, juste avec ce chapitre,
2 TABLE DES MATIÈRES

on a une idée générale de l'intérêt que porte cette branche à la discipline

de la science économique.
Le présent document contient un cours détaillé, avec des dénitions, des
propositions qui sont par fois démontrées et des exemples pour illustrer
les diérentes étapes du cours.Mon souci constant est de faciliter la com-
prehension, pour pouvoir passer aux applications aisément. Enn à la
n chaque chapitre il y des exercices corrigés qui permettront de mieux
comprendre et assimilés le cours et quelques exercices supplémentaires
pour se préparer aux examens.
Faire de nombreux exercices étant certainement le meilleur moyen pour
comprendre des notions parfois dicile.
Rappelons cette Maxime chinoise J'entends et j'oublie,Je vois et je
retiens, je fais et je comprends

Une seule

chose est certaine.Si

vous n'aimez pas

vous ne pou-

vez pas com-

prendre !

Quand on avance

dans les lumières de la science,

et quand on

plonge dans les profondeurs du

savoir, on se sent si petit, que

seul le temps restera le

meilleur maître pour

apprendre.

D.DRIOUCH

♡
TABLE DES MATIÈRES 3

Une seule

chose est certaine.Si

vous n'aimez pas

vous ne pou-

vez pas com-

prendre !

♡
Quand on avance

dans les lumières de la science,

et quand on

plonge dans les profondeurs du

savoir, on se sent si petit, que

seul le temps restera le

meilleur maître pour

apprendre.

D.DRIOUCH

♡
4 TABLE DES MATIÈRES
Chapitre 1
Introduction à
L'économétrie : Le modèle
linéaire simple

1.1 Introduction Générale

Selon le dictionnaire LAROUSSE l'économétrie est " La méthode d'ana-

lyse des données économiques qui, par l'utilisation de la statistique, s'at-
tache à établir des relations de caractère mathématique entre les phéno-
mènes étudiés".
L'économétrie est décomposé en deux mots "économie" et "métrie", ce
qui signie la mesure de l'économie, bien que la mesure soit une part im-
portante de l'économétrie le domaine de l'utilisation de cette discipline
est beaucoup plus vaste, en eet elle s'applique à tous les domaines de
l'économie on cite à titre d'exemple l'estimation des fonctions de pro-
duction, l'eet des institutions sur le développement actuel des pays, en
nance dans la prévision des marchés nanciers, le revenu par habitant
et le taux d'analphabitisation,le taux de criminalité et le nombre de po-
liciers par habitant.etc... Pour se rendre compte de son intérêt et de son
6 Introduction à L'économétrie : Le modèle linéaire simple

impact du développement des sciences économiques les prix Nobel en

Économie de cette dernière décennie sont des économètres.
Nous tentons de donner ces quelques dénitions pour mieux la cerner.
"L'économétrie résulte d'une certaine vue sur le rôle de l'économie qui
consiste à appliquer les mathématiques statistiques aux données éco-
nomiques pour fournir une base empirique aux modèles construits par
l'économie mathématiques et obtenir des résultats mesurés" (Methodo-
logy of Mathematical economics of econometrics".
"La méthode de la recherche économétrique vise essentiellement à lier la
théorie économique et les mesures disponibles en utilisant la théorie et la
technique de la déduction statistique comme passerelle" (The probability
approach in Econometrics).
Il en reste pleines de dénitions, mais toutes ces dénitions ont un point
commun qui la "la statistique mathématique".
Donc, l'économétrie est un mélange de la théorie économique, d'économie
mathématique,de statistique économique et de la statistique mathéma-
tique.
Ansi l'économétrie s'inscrit à l'intersection de 3 domaines ; Analyse sta-
tistique, la théorie économique et la modélisation mathématique.
La théorie économique avance des propositions et des hypothèses qui
sont pour la plupart de nature qualitative. Par exemple la théorie écono-
mique propose que "toutes choses égales par ailleurs, la baisse des prix
d'un bien se traduit par la hausse de la quantité de ce bien".
Ainsi la théorie économique fait le postulat d'une relation négative entre
le prix et la quantité demandée d'un bien.
Mais la théorie ne fournit aucune mesure de la relation entre les deux,
autrement dit, elle ne dit pas de combien la quantité augmentera ou se
réduira après une certaine modication du prix du produit. C'est le rôle
de l'économètre de fournir de telles estimations chirées. Autrement dit,
l'économètre donne le contenu empirique de la plupart des théories éco-
nomiques.
La méthodologie traditionnelle de l'économétrie dérive des traits sui-
1.1 Introduction Générale 7

vants, résumés dans les 8 étapes.

 
(1) Théorie économique 

 ⇓ 
(2) 
Modèle Mathématique de la théorie 
 ⇓ 
(3) 
Modèle Économétrique de la théorie 
⇓ 
(4) Données 
 ⇓ 
(5) Estimation du modèle économétrique 

 ⇓ 
(6) Tests d'hypothèses 

 ⇓ 
(7) Prévision ou prédiction 

⇓
Utilisation du modèle à des ns de
(8)
contrôle économique ou de politique économique
Les diérentes étapes d'une étude économétrique

Pour illustrer ces étapes, on donnera l'exemple suivant.

On commence d'out d'abord par l'étape (1) c.a.d l'énonce de la théorie
économique.
Keynes écrivait dans son livre la théorie générale (1939) .Le passage 1

suivant connu sous le nom de la la loi psychologique de Keynes " En

moyenne, et la plupart des temps les hommes tendent à ac-
croître leur consommation à mesure que leur revenu croît,
mais non d'une quantité aussi grande que l'accroissement du
1. le lecture trouvera plus de détail dans le cours de S5 histoire de la pensée économique HPE
8 Introduction à L'économétrie : Le modèle linéaire simple

revenu".
Keyens faisait les hypothèses de base suivantes :
• Les dépenses eectuées par les ménages, la consommation C, dépendent
de leur revenu.
• La relation entre ces deux variables est croissante.
Si on traduit ce postulat économique (Théorie économique), en terme de
modélisation mathématique et c'est l'étape (2) de notre organigramme,
nous pouvons écrire.
∂C
C = f (R) avec f ′ (R) = .
∂R

La forme de la fonction n'est pas précisé avec Keynes, mais elle

émet deux hypothèses concernant la propension marginale à consom-
mer.
• La propension marginale à consommer est comprise entre 0 et 1 c.a.d
que lorsque le revenu augmente de 100 unités, la consommation aug-
mente mais moins de 100 unités. Cette hypothèse est traduite par 0 <
f ′ (R) < 1.
• La propension moyenne à consommer , c.a.d P M C = CR , diminue
lorsque le revenu croît, cette hypothèse signie que ∂P∂R MC
< 0.
Dans l'étape (3), nous devons proposer un modèle économétrique, il peut
y avoir plusieurs fonctions qui satisfaisant la relation C = f (R), mais
une doit choisir la meilleure fonction qui peut satisfaire les hypothèses
formulées dans l'étape (2).
Une fonction très simple peut être proposée de la forme : Ct = aRt + b
Cette équation décrit la fonction de consommation keynesiènne avec les
variables suivantes :
Ct : Consommation courante de l'individu i à l'instant t.
Rt : Revenu courant de l'individu i à l'instant t, et qui explique la consom-
mation.
a : La propension marginale à consommer et qui selon keyens est com-
prise entre 0 et 1.
1.1 Introduction Générale 9

b : Un paramètre réel.
∂C
• La propension marginale à consommer s'écrit a = et 0 < a < 1.
∂R
C b
• La propension moyenne à consommer s'écrit P M C = = a+
R R
∂P M C −b
et = 2 . Pour que la propension moyenne à consommer soit
∂R R
décroissante avec le revenu, il faut que b > 0.
Ces hypothèses sont soit réalistes, et dans ce cas le modèle proposé per-
mettra de prévoir le comportement du consommateur dans le futur, ou
bien ce n'est pas le cas, et il faut chercher un autre modèle.
L'étape (4) consiste à chercher les données au sein d'une population, et
dont on prélève un échantillon qui sera bien choisi aléatoirement en s'ap-
puyant sur l'échantillonnage . 2

L'échantillon doit avoir une suite de données (R1 , R2 , · · · , Rn ) et (C1 , C2 , · · · , Cn ).

L'étape (5) consiste à l'estimation des paramètres a et b en utilisant les
données de l'étape (4).
L'étape (6) consiste à réaliser les tests d'hypothèses sur les paramètres a
et b, en particulier, les tests a = 0 et le test b > 0. si ces tests ne sont pas
validés on peut réfuter l'hypothèse de l'existence de la fonction comme
nous l'avions proposer c.a.d Ct = aRt + b. Cette étape sert en général à
valider notre modèle.
L'étape (7) doit couronner les étapes précédentes en utilisant le modèle
validé faire de la prévision, c'est d'ailleurs un des buts, si ce n'est le plus
important dans les modèles proposés.
L'étape (8) est utilisée à des ns économique et politiques pour résoudre
des problèmes concrets où les politiques doivent y parvenir pour leur
trouver des solutions.

2. Cette étape est très importante du fait que le choix et la taille de l'échantillon sont les deux

conditions importante pour réussir l'enquête, le cours de S3 module échantillonnage et estimation

donne des précisions à ce sujet

10 Introduction à L'économétrie : Le modèle linéaire simple

1.2 Le modèle linéaire simple

1.2.1 Introduction
On suppose que l'on dispose de deux suites nies d'observations (xi ) (1 6 i 6 n)
et (yi ) (1 6 i 6 n), on cherche à expliquer les yi par les xi . Plus préci-
sément on souhaiterait établir une relation linéaire où les variations des
xi provoquent les variations de yi , mais d'autres facteurs, ou des erreurs,
vont perturber cette relation qui ne sera qu'approchée. Au lieu de se
contenter de déterminer la droite d'ajustement linéaire , on va modéli- 3

ser l'erreur ou l'écart. On écrit alors yi = axi + b + εi 1 6 i 6 n.

où εi est une variable aléatoire réelle (dite erreur, résidu,....).
Comme a, b sont déterministes et les εi sont aléatoires, les yi sont aussi
des variables aléatoires. On écrira yi,obs pour l'observation numérique des
yi .
Généralement l'indice est le temps en économétrie c'est pour cela qu'on
adoptera en dénitive la notation suivante du modèle.

yt = axt + b + εt 1 6 t 6 n

Exemple 1.1. On cherche à établir une relation entre consommation et

revenu :
xt = Rt revenu de la période t
yt = Ct consommation de la période t
Rt 85 92 99 108 116
Ct 82 88 93 102 110
Denition 1.1. Dans le modèle yt = axt + b + εt 1 6 t 6 n.
xt : est la variable explicative, ou exogène (mesurée sans erreur c'est une
variable certaine).
3. durant le cours de S1, le modèle étudié d'ajustement linéaire ne prévoit pas le terme d'erreur

c'est juste la relation yi = axi + b

1.2 Le modèle linéaire simple 11

yt : est la variable expliquée, ou endogène. C'est une variable aléatoire.

εt : est la perturbation, le résidu ou l'erreur (attribuée à l'ensemble des
facteurs non prise en compte).
a,b : sont des paramètres, ou des coecients.
Toutes ces grandeurs ont des statuts diérents, qu'on résume dans le
tableau suivant :
aléatoire non aléatoire
observable yt xt
non observable εt a,b

Le but de l'étude du modèle linéaire simple est d'obtenir des informations

sur la relation entre les yt et les xt , donc sur a et b c.a.d ( estimation et
tests sur a et b).

Remarque 1.1. L'utilisation ici du modèle linéaire simple n'est pas dû à

un hasard, bien au contraire, c'est quelque chose qui est imposé.En eet
la modélisation mathématique la plus simple de Y = f (X) est une fonc-
tion ane , toute autre formes et il en existe, quadratique, exponentielle
ou logarithmique seront très dicile à modéliser.

1.2.2 Estimation de a et b par la méthode des moindres

carrés ordinaire (MCO)
On va estimer a et b (qui jouent le rôle de θ dans la théorie de l'estima-
tion) par la méthode des MCO.
on cherche â, b̂ les estimateurs de a et b qui minimisent la somme des
carrés des résidus.
∑
n n ∑
Q(a, b) = ε2t = (yt − axt − b)2 .
t=1 t=1
12 Introduction à L'économétrie : Le modèle linéaire simple

Proposition 1. Les estimateurs de a et b par la MOC sont données

par :∑n
(xt − x̄)(yt − ȳ)
â = t=1 n et b̂ = ȳ − âx̄
∑
(xt − x̄)2
t=1

Preuve 1.1. Il s'agit de minimiser la fonction Q(a, b), comme c'est une
fonction de deux variables a et b nous devons chercher les équations nor-
males c.a.d, les dérivées partielles par rapport à a et par rapport à b, et
chercher après les points critiques. Les équations normales sont donc :

 ∂Q ∑
n



(1) ∂a = (2(yt − axt − b)(−xt )
t=1
 ∑
n


(2) = −
 (2(yt − axt − b)
t=1
On doit chercher les points critiques ceci ⇒


 ∂Q ∑
n

 (2(yt − axt − b)(−xt ) = 0
(1) ∂a =
t=1
 ∑ n


∂Q
− (2(yt − axt − b) = 0

(2) =
∂b t=1
1 ∑
n
1∑
n
1∑
n
(2) ⇒ b̂ = (yt − âxt ) = ȳ − âx̄ avec x̄ = yt et x̄ = xt .
n n n
t=1
∑n t=1 t=1
A partir
∑n de la valeur de b̂ on a alors (1) ⇒ t=1 (2(yt −âxt − b̂)(−xt ) = 0
⇒ t=1 xt (yt − âxt − ȳ + âx̄) = 0
∑n ∑n
⇒ t=1 xt (yt − ȳ) = â t=1 xt (xt − x̄).
∑n ∑n
On démontre facilement que t=1 xt (yt − ȳ) = t=1 (xt − x̄)(yt − ȳ)
et que
1.2 Le modèle linéaire simple 13

∑n ∑n
− t=1 ((xt − x̄) .
2
t=1 (xt (x∑n
t x̄) =
(x − x̄)(yt − ȳ)
D'où â = t=1 ∑n t .
t=1 (x t − x̄)2

On vérie bien qu'il s'agit d'un minimum en calculant

∑nle déterminant
de la matrice Hessienne tel que det(HessQ) = 2(n + t=1(xt)2 > 0. 2

Exemple 1.2. Il s'agit de reprendre le tableau de l'exemple 1 sur la

consommation et le revenu on a le tableau suivant :
Rt 85 92 99 108 116
Ct 82 88 93 102 110


 1 ∑5


x̄ = R̄ = 5 (85 + 92 + 99 + 108 + 116) = 100
t=1

 1 ∑5


ȳ = C̄ = 5 (82 + 88 + 93 + 102 + 110) = 95
t=1
∑
n
on a aussi (xt − x̄)2 = 152 + 82 + 12 + 82 + 162 = 610.
t=1
∑ n
(xt − x̄)(yt − ȳ) = 549
t=1 ∑n
(x − x̄)(yt − ȳ) 549
d'où aˆobs = t=1 ∑n t = = 0.9.
t=1 (xt − x̄)
2 610
bc d
obs = y obs − a
d obs x̄ = 95 − 0.9.100 = 5.

D'où l'équation yt = 0.9xt + 5.

14 Introduction à L'économétrie : Le modèle linéaire simple

1.2.3 Propriétés des estimateurs â et b̂

On va supposer maintenant maintenant que les (εt )16t6n forment un
bruit blanc c.a.d une suite de variables aléatoires réelles telle que.
H1 : les εt sont centrés c.a.d E(εt ) = 0 ∀t ( les erreurs sont centrées
et qu'on a pas oublié un terme pertinent.)
H2 : les εt sont de variance constante c.a.d V (εt ) = σ 2 , ∀t ( c'est que
la variance ne varie pas en fonctions des individus).
H3 :Les εt sont indépendantes (une observation n'a pas d'inuence sur
une autre observations) c.a.d Cov(εt , εt′ ) = 0 ∀t ̸= t′ et qu'il y a in-
dépendance entre les erreurs et la variable xt , Cov(xt , εt ) = 0.

Remarque 1.2. Les précautions prises sur les hypothèses émises sur
les εt sont très minutieuses.On prend une suites de variables aléatoires
réelles indépendantes, c'est le hasard qui va intervenir pour le choix de
cette suite, en plus elles sont centrées pour qu'on oublie pas une per-
sonnes importantes dans notre échantillon. La variance étant constante,
c.a.d qu'en changeant l'ordre des individus on aura le même résultat de
notre expérience. Avec ces hypothèses on a un très bon échantillon qui
nous aidera à mieux approcher l'expérience de la réalité.En fait ce terme
d'erreur et le plus important car c'est ce terme qu'on a minimisé pour
trouver nos estimateurs.

On peut alors déduire des ces hypothèses H1 , H2 et H3 les propriétés

suivantes.

Proposition 2. Si H1, H2 et H3 sont vraies alors â et b̂ sont des esti-

mateurs sans biais de a et b
Pour démontrer que les estimateurs sont sans biais rappelons tout
1.2 Le modèle linéaire simple 15

d'abord la dénition du biais . 4

Denition 1.2. Un estimateur Tn de θ est dit sans biais si E(Tn) = θ

autrement dit bn(θ) = E(Tn) − θ = 0
Preuve 1.2. On a :
yt = axt + b + εt .
1∑
n
ȳ = ax̄ + b + ε̄ avec ε̄ = εt et donc.
n i=1
∑n
(x − x̄)(yt − ȳ)
â = ∑n t
t=1
(x − x̄)2
∑n t=1 t
t=1 (xt −∑n
x̄)(a(xt − x̄) + εt − ε̄)
=
t=1 (xt − x̄)
2
∑n ∑n
a(x − x̄)(x − x̄) (x − x̄)(εt − ε̄)
= ∑n
t=1 t t
∑n t
+ t=1
(xt − x̄) 2 (xt − x̄)2
∑n t=1 t=1
(x − x̄)(εt − ε̄)
= a + t=1 ∑n t
(x − x̄)2
∑n t=1 t
t=1 (xt − x̄)(εt )
= a+ ∑ n (1.1)
t=1 (xt − x̄)
2

On
∑n a utilisé le fait comme∑npour la preuve de la proposition précédente :
ε̄) = t=1 (xt − x̄)(εt ) et donc nalement.
t=1 (xt − x̄)(εt − ∑
n
t=1 (xt − x̄)(εt )
E(â) = E(a) + E( ∑ n ).
t=1 (xt − x̄)
2

= a + 0 puisque hypothèse (H1)∑et que l'espérance

E(εt ) = 0 ∑n de la
somme est égale à la somme des espérance E( t=1 xt) = t=1 E(xt) et
n

que E(a) = a (l'espérance d'une constante est égale à la constante.)

D'où E(â) = a. et donc â est un estimateur sans biais de a.
4. voir cours de S3 échantillonnage et estimation
16 Introduction à L'économétrie : Le modèle linéaire simple

Pour l'estimateur de b on a.
b̂ = ȳ − ax̄ et ȳ = ax̄ + b + ε̄, donc
E(b̂) = E(ȳ − âx̄) =∑E(ax̄ + b + ∑ε̄ − ax̄) = ax̄ + b + E(ε̄) − ax̄ = b
puisque E(ε̄) = E( n t=1 εt) = n nt=1 E(εt) = 0 (d'après l'hypothèse
1 n 1

H1 ).
D'où E(b̂) = b, et donc l'estimateur de b est sans biais.
2
Maintenant il faut chercher les variances des estimateurs, mais avant
cela, rappelons tout d'abord quelques propriétés qui vont nous être utile
dans la preuve de la proposition qu'on énoncera dans la suite de ce cours.

propriétés de la variance

V ar(a) = 0 la variance d'une constante est nulle.

V ar(X + Y ) = V ar(X) + V ar(Y ) si X et Y sont deux v.a.r indépen-
dantes.
V ar(X.Y ) = V ar(X).V ar(Y ) si X et Y sont deux v.a.r indépendantes
V ar(aX) = a2 V ar(X).

σ2
Proposition 3. 1)V ar(â) = ∑n ) et.
t=1 (xt − x̄)2
2
1 x̄
2)V ar(b̂) = σ 2 ( + ∑n )
n t=1 (x t − x̄) 2
1.2 Le modèle linéaire simple 17

Preuve 1.3. D'après l'écriture (3.1) de la preuve précédente on a :

∑n
t=1 (xt − x̄)(εt )
â = a+ ∑ n
(x − x̄)2
∑n t
t=1
t=1 (xt − x̄)(εt )
V ar(â) = V ar(a + ∑ n )
(x − x̄) 2
∑nt=1 t

t=1 (xt − x̄)(εt )

= V ar(a) + ∑ n )
(xt − x̄)2
∑n t=1
t=1 (xt − x̄)(εt )
= V ar( ∑ n ) car V ar(a) = 0
t=1 (xt − x̄)
2

1 ∑ n
= ∑ ) V ar( (xt − x̄)(εt ))
2
( nt=1 (xt − x̄)2 t=1
1 ∑n
= ∑n ) V ar(εt )( (xt − x̄)2 )
2
( t=1 (xt − x̄) 2
t=1
1 ∑n
= ∑n ∑n V ar(εt )( (xt − x̄)2 )
( t=1 (xt − x̄) ( t=1 (xt − x̄)
2 2
t=1
V ar(εt )
= ∑n
t=1 (xt − x̄)
2

σ2
= ∑n
t=1 (xt − x̄)
2

Pour la démonstration de 2) de la proposition précédente on admet les

relations suivantes :
1) E(â − a)2) = V ar(â).
σ2
2) E(ε̄2) = V ar(ε̄) = .
∑nn ∑n
(x − x̄)(ε ) (xt − x̄)E(εt .ε̄)
3) E(â − a)ε̄ = E(ε̄.( ∑t=1n t t
) = ∑
t=1
n )
t=1 (x t − x̄) 2
t=1 (xt − x̄)2
18 Introduction à L'économétrie : Le modèle linéaire simple

∑n
(xt − x̄)E(εt )E(ε̄)
= t=1∑
n ) = 0 car E(εt = 0)
t=1 (x t − x̄)2
On a
V ar(b̂) = E((b̂ − b)2 )
= E(ȳ − âx̄ − (ȳ − ax̄ − ε̄)2
= E((a − â)x̄ + ε̄)
= E(x̄2 ((â − a)2 ) − 2ε̄x̄(â − a) + ε̄2
= x̄2 E(â − a)2 ) − E(2ε̄x̄(â − a)) + E(ε̄2 )

En utilisant 1) et 2) et puisque E(εt) = 0 on a :

σ2 1 x̄2
V ar(b̂) = x̄2 V ar(â) + = σ 2 ( + ∑n ) 2
n n t=1 (x t − x̄)2

Exemple 1.3. Reprenons le même exemple sur la consommation re-

venu.
∑ σ2
On a 5t=1(xt − x̄)2 = 610 et donc V ar(â) = .
610
1 x̄2 1 1000
et ( + ∑n )= + = 16, 593 ⇔ V ar(b̂) = σ 2 .16, 593.
t=1 (xt − x̄)
n 2 5 610
Introduisons maintenant l'hypothèse H4.
(H4 ) : les εt suivent des lois normales.

Remarque 1.3. En regroupant les hypothèses (H1), (H2), (H3) et (H4)

⇔ les εt sont indépendantes et de lois normales (N (0, 1)).
On note les εt sont i.i.d et ,→ (N (0, 1) (i :indépendantes, i :identique-
ment d :distribuées).
Remarque 1.4. Les hypothèses des εt concernant l'indépendance et la
normalité sont considérées comme les conditions nécessaires pour com-
mencer l'étude du modèle.Dans le cas de la non vérication il faut cher-
cher à normaliser les erreurs en éliminant des fois ce qu'on appelle les
1.2 Le modèle linéaire simple 19

points aberrants.(faire un nettoyage).

Il y a plusieurs moyens graphiques et numériques pour vérier la norma-
lité des erreurs comme la courbe d'Henry, le QQ-plot,ou l'histogramme,
le test de Kolmogorov-Smirnov, le test de Shapiro-Wilk ou encore de test
d'asymétrie et d'aplatissement.
Ce postulat de normalité ne se pose pas généralement, lorsque n est as-
sez grand qui dépasse les centaines sauf peut être dans des cas rare.Il se
pose naturellement quand n 6 30.

Proposition 4. Sous les hypothèse (H1), (H2), (H3) et (H4) c.a.d les εt
sont i.i.d et ,→ N (0, 1).
σ2
(i) â ,→ N (a, ∑n )
2
t=1 (xt − x̄)
1 x̄2
(ii) b̂ ,→ N (b, σ 2( + ∑n )
n t=1 (x t − x̄)2

1 ∑
n
(iii) σb2 = (yt − âxt − b̂)2 est un estimateur sans biais de σ 2
n − 2 t=1
σb2
et (n − 2) 2 ,→ χ2n−2 et σb2 est indépendante de (â, b̂).
σ

Preuve 1.4. (â, b̂) suivent des lois normales car sont des combinaisons
linéaires de v.a indépendantes et normales. D'où (i) et (ii) avec les pro-
positions 1 et 2 on admet (iii).
On peut ∑ adopter les notations suivantes :
SCT = nt=1 (yt − ȳ)2 la somme des carrés totale.
SCT
V (Y ) = la variance totale
∑n
SCE = nt=1 (ŷt − ȳ)2 la somme des carrés des expliquées .
SCE
Ve (Y ) = la variance des expliquées
n
20 Introduction à L'économétrie : Le modèle linéaire simple

∑n
SCR = t=1 (yt − ŷt )2 la somme des carrés résiduelles
SCE
Vr (Y ) = la variance résiduelle
n

Proposition 5. Le théorème de la décomposition de la variance s'écrit

V (Y ) = Ve (Y ) + Vr (Y ) et SCT = SCE + SCR
∑n
En prenant ces notations on a, SCR = t=1 (yt − âxt − b̂)2 d'où
SCR
σb2 =
n−2

1.2.4 Application aux tests et intervalles de conance

des paramètres de a et b
1.2.5 Application aux tests
On suppose que les εt sont iid et ,→ (N (0, 1).En général on ne connaît
pas σ . Il faut donc utiliser σ̂ pour réaliser les tests sur a et b.
On commence par réaliser des tests sur a puis sur b.

a)Test a=0
Ce test revient à s'interroger sur l'inuence réelle de xt sur yt dans le
cas où ce test est validé,c.a.d a = 0 ceci veut dire que le modèle ainsi
supposé ne peut pas être écrit de cette façon,et l'hypothèse de linéarité
peut être mis en cause, il faut supposer un autre modèle.
On s'inspire du test de la moyenne vu dans le chapitre1 et on pose.
â − a0 â
T =√ =
V ar(â) σ̂
v
u n
u∑
t (xt − x̄)2
t=1
1.2 Le modèle linéaire simple 21

Sous H0, Ta ,→ Tn−2.

Donc on accepte H0 si | Ta |6 cα sinon on accepte H1.
α α
avec = P (Tn−2 > cα ) ⇒ P (Tn−1 6 cα ) = 1 − ⇒ cα = tn−2; 1− α2
2 2

Exemple 1.4. On reprend toujours le même exemple de la consomma-

tion revenu.
1∑ 1∑
5 3
b SCR
Il faut chercher σ =
2 = (yt − ŷt ) =
2
(yt − âxt − b̂)2 .
n − 2 3 t=1 3 t=1
Le calcul de ŷt se fait à partir du tableau suivant, on rappelle que ŷt =
âxt + b̂

xt 85 92 99 108 116
yt 82 88 93 102 110
ŷt 81.5 87.8 94.1 102.2 109.4
α
Sous H0 Ta ,→ T3 on accepte H0 si | Ta |6 cα avec = P (T3 > cα ) ⇒
α 2
P (Tn−1 6 cα ) = 1 − ⇒ cα = t3; 0.975 ⇒ t3; 0.975 = 9.35.
2
d2 = ((0.5) + · · · + (0.6)2 = 1.90 = 0.633.
σobs
1 2
3 √ 3
0.9. 610)
Tobs = √ = 27.93.
0.633
On a Tobs = 27.93 > t3; 0.975 = 9.35 on accepte H1 on a bien a ̸= 0

b) Test a>1
Un autre test important à faire ici pour le modèle consommation revenu
c'est de valider l'hypothèse de Keynes sur la propension marginale à
consommer et qui est comprise entre 0 et 1.On peut réaliser les tests
suivants :
H0 : a 6 1 contre H1 : a > 1
22 Introduction à L'économétrie : Le modèle linéaire simple

â − 1 â − 1
On pose Ta = √ =
σ̂
.
V ar(â) v
u n
u∑
t (xt − x̄)2
t=1
SousH0 c.a.d lorsque a = 1 on a Ta ,→ Tn−2 .
On accepte H1 si T 6 cα .
On accepte H0 si T > cα .
Avec P (Tn−2 > cα ) = α ⇒ Tn−2 6 cα ) = 1 − α) et cα = tn−2; 1−α

c) Test sur b
Si on veut tester par exemple H0; b = b0 contre H1; b ̸= b0
b̂ − b0 b̂ − b0
On pose Tb = √ =√ ).
2 1 ∑ x̄2
V ar(b̂) σ ( n + n (xt −x̄)2
t=1
Sous H0 c.a.d lorsque b = b0 on a Tb ,→ Tn−2 .
On accepte H0 si | Tb |6 tn−2,1− α2 ⇒ Tb ∈ [−tn−2,1− α2 , tn−2,1− α2 ]

Un autre exemple de test sur b est H0; b 6 0 contre H1 : b > 0 c.a.d la

consommation est t-elle positive lorsque le revenu est nul ?
b̂ b̂
On pose toujours Tb = √ =v
u
.
V ar(b̂) u
2
1 x̄
uσ 2 ( + n
u n ∑
t (xt − x̄)2
t=1
SousH0 c.a.d lorsque b = 0 on a Tb ,→ Tn−2 .
On accepte H1 si T > cα .
On accepte H0 si T 6 cα .
P (Tn−2 > cα ) = α ⇒ Tn−2 6 cα ) = 1 − α) et cα = tn−2; 1−α .
Exemple 1.5. Si on reprend l'exemple consommation revenu on a alors.
1.2 Le modèle linéaire simple 23

b̂ b̂
Tb = √ =√ 2
.
V ar(b̂) σ 2 ( n1
+ ∑n x̄ 2)
t=1 t −x̄)
(x
SousH0 ; Tb ,→ T3 . √ ∑
On a b̂ = 5, n = 5, σ̂ = 0.633, 5t=1(xt − x̄)2 = 610, x̄ = 100.
5
Tb,obs = √ √ = 1.543 si on prend α = 5% on a cα =
1 1002
0.633 5 + 610
t3; 0.95 = 7.81 et donc Tb,obs = 1.543 < 7.81 ⇒ on accepte H0 b<0.

1.2.6 Application aux intervalles de conance

a) Intervalle de conance de a

On suit la méthode de constructions des intervalles de conance déjà vu

dans le cours de S3.
On doit construire l'intervalle à partir de la statistique utilisée dans les
tests.
â − a â − a
On sait que √ =
σ̂
,→ Tn−2 .
V ar(â) v
u n
u∑
t (xt − x̄)2
t=1
Donc l'intervalle de conance de a, de coecient de sécurité 1 − α est
donnée par.
σ̂
| â − a |6 t α .v
u n
n−2; 1−
2 u ∑
t (xt − x̄)2
t=1
24 Introduction à L'économétrie : Le modèle linéaire simple

σ̂ σ̂
=⇒ a∈ [â − t α .v , â + t α .v ]
u n u n
n−2; 1−
2 u ∑ n−2; 1−
2 u ∑
t (xt − x̄)2 t (xt − x̄)2
t=1 t=1

Exemple 1.6. Reprenons toujours l'exemple de consommation revenu.

Si on prend α = 5% n=5 on a t√
n−2; 1− = t3,0975 = 3.182 et l'intervalle
α
2 √
0.633 0.633
de conance de a est [0.9−3.182 , 0.9+3.182 ] = [0.8−1].
610 610

b) Intervalle de conance de b
Le même procédé est suivi comme pour l'intervalle de conance de a.
Pour construire un intervalle de conance de b, de coecient de sécurité
1 − α, on a.
b̂ − b b̂ − b
√ =v ,→ Tn−2 .
u
V ar(b̂) uσ 2 ( +
2
1 x̄
u
u n ∑ n
t (xt − x̄)2
t=1
L'intervalle de conance
√ de coecient de sécurité 1 − α est donné par :
1 x̄2
| b̂ − b |6 t α .σ̂ + ∑n .
t=1 (xt − x̄)
n 2
n−2; 1−
2 √ v
u
1 x̄2
u1 x̄2
=⇒ b∈ [b̂ − tn−2; 1− α2 .σ̂ + ∑n ; b̂ + tn−2; 1− α2 .σ̂ u + n ].
n (x − x̄) 2 u n ∑
t=1 t t (xt − x̄)2
t=1

Exemple 1.7. Reprenons toujours l'exemple de consommation revenu.

1.3 Notion de corrélation et Prévision 25

Si on prend α = 5% n=5 on a t α = t3,0975 = 3.182 et l'intervalle

n−2; 1−
2
de conance de b√
est. √
√ 1 1002 √ 1 1002
[5−3.182. 0.633 + ; 5+3.182. 0.633 + ] = [−5.3; 15.3]
5 610 5 610

1.3 Notion de corrélation et Prévision

1.3.1 Coecient de corrélation linéaire

Lorsque deux phénomènes ont une évolution commune, nous disons qu'ils
sont corrélés. La corrélation simple mesure le degré de liaison existant
entre ces 2 phénomènes représentés par des variables statistiques. On
peut distinguer une corrélation linéaire positive, négative ou corrélation
quelconque linéaire ou non.
Pour illustrer le phénomène de la corrélation on présente souvent les
deux variables sur un graphique dit nuage de points et on a une idée sur
la tendance de cette corrélation.
Mais le représentation graphique ne donne qu'une simple impression
de la corrélation entre deux variables sans donner une idée précise de
l'intensité de la liaison, c'es pourquoi nous calculons une statistique ap-
pelée coecient de corrélation linéaire simple notée r et qui est donné
par :

Denition 1.3. Le coecient de corrélation linéaire de xt avec yt est

donné par :
 ∑ 
n
Cov(X, Y ) (xt − x̄)(yt − ȳ)
rxy = = √∑n t=1 ∑n . r est à valeurs dans [−1; 1].
t=1 (xt − x̄) t=1 (yt − ȳ)
σx σy 2 2
 

Remarque 1.5. 1)Par construction même, ce coecient est compris

−1 6 r 6 1.
26 Introduction à L'économétrie : Le modèle linéaire simple

• Si r est proche de 1, les variables sont corrélées positivement forte-

ment.
• Si r est proche de -1, les variables sont corrélées négativement forte-
ment.
• Si r est proche de 0, les variables ne sont pas corrélées .

Dans la pratique il est des fois dicile de proposer une interprétation

able à la simple lecture de ce coecient. Ceci est surtout vraie en éco-
nomie où les variables sont toutes plus au moins liées entre elles.De
plus, il n'est calculé qu'à partir d'un échantillon d'observations et non
sur l'ensemble des valeurs.
Pour y remédier à ce problème et donner une interprétation juste de la
corrélation entre deux variables, on utilisera la théorie des tests.
Pour un échantillon donné ρxy est une estimation de rxy .
Nous réalisons donc le test suivant :
H0 ; rxy = 0
H0 ; rxy ̸= 0
ρ
On pose T ∗ = √ xy sous H0, T ∗ ,→ Tn−2.
1 − ρ2xy
n−2
α
On accepte H0 si | T ∗ |6 cα avec = P (Tn−2 > cα ) =⇒ P (Tn−1 6
α 2
cα ) = 1 − =⇒ cα = tn−2; 1− α2 donc nalement on accepte H0 si
2
T ∗ ∈ [−tn−2; 1− α2 ; tn−2; 1− α2 ], on accepte H1 sinon.

â
Proposition 6. (admise) On a la statistique Ta = σ̂
=
v
u n
u∑
t (xt − x̄)2
t=1
1.3 Notion de corrélation et Prévision 27

√
r n−2
√
1 − r2
Remarque 1.6. A partir de cette proposition on remarque que la statis-
tique utilisée pour tester a = 0, est la même que celle utilisée pour tester
r = 0 ce qui veut dire que les deux tests sont équivalents. Ceci peut être
interprété tout simplement par le fait que lorsque r est signicatif alors
automatiquement a ̸= 0 c.a.d que l'impact de xt sur yt existe.

1.3.2 Le coecient de détermination linéaire

On a vu que le coecient de corrélation linéaire permet de mesurer l'in-
tensité de la liaison entre xt et yt. Il existe un autre coecient qui,
lui nous permettra de juger sur la qualité de la regression linéaire. On
l'appelle coecient de détermination
Denition
∑
1.4. Le coecient de détermination du modèle est :
n
(ŷt − ȳ)2 SCE SCR
R =
2 ∑t=1
n = = 1 − .
t=1 (yt − ȳ)2 SCT SCT
et 0 6 R 6 1 il mesure la qualité globale de la régression, plus R2 est
2

proche de 1, plus le modèle est explicatif.

Remarque 1.7. On avait dans la proposition 1.5 que la variance totale
Vt = Ve + Vr .Cette équation permet aussi de dénir le coecient de dé-
V
termination par R2 = e , alors plus la variance expliquée est plus proche
Vt
de la variance totale, meilleur est l'ajustement.

Proposition 7. On a r2 = R2
Exemple 1.8. Pour l'exemple consommation revenu on a.
SCR 1.90
R2 = 1 − =1− = 0.996.
SCT 496
28 Introduction à L'économétrie : Le modèle linéaire simple

La liaison est très forte entre xt et yt et 99% de la variance totale V(Y)

est expliquée par X. √ √
Comme R2 = r2 = 0.996 ⇒ r = r2 = 0.996 = 0.998, donc on a
aussi une très bonne corrélation linéaire entree xt et yt.

1.3.3 Prévision dans le modèle linéaire simple

L'étude du modèle linéaire simple montre un processus très rigoureux
qu'on a détaillé avec les 8 étapes de l'organigramme d'une étude éco-
nométrique. On a vu à travers l'exemple consommation revenu par le
bais d'un échantillon la modélisation de la variable Ct en fonction de
Rt donné par Ct = aRt + b + εt . L'estimation du paramètre a permis
de savoir combien varie en moyenne la valeur de Ct lorsque celle de Rt
augmente d'une unité.Ainsi, on sait que si le revenu augmente de 100
dh, la consommation va augmenter de 90 dh car la valeur estimée de
â = 0.9.
Le problème qui se pose maintenant est le suivant si une personne doit
gagner un revenu R quelle doit être sa consommation C ?.
On peut le savoir avec précision et avec un intervalle de conance qui
nous dira de combien on pourra se tromper.On dit qu'on va prévoir, ou
on fera de la prévision et c'est parmi les objectifs d'une étude économé-
trique et en particulier pour ce modèle linéaire simple.

Prévision
On rappelle le modèle théorique yt = axt + b+t. Lorsque les coecients
du modèle ont été estimés, il est possible de calculer une prévision à un
horizon h.
Soit le modèle estimé ŷt = âxt + b̂ + et sur la période t = 1 · · · .n.
Si la valeur de la variable explicative xt est connue à l'horizon h la
prévision est donnée par :
1.3 Notion de corrélation et Prévision 29

ŷt+h = âxt+h + b̂

La prévision sans biais est donc obtenue par l'application directe du mo-
dèle de régression estimé.Cependant, dans la pratique, il n'est que peu
d'utilité de connaître la prévision si nous ne savons pas quel degré de
conance nous pouvons lui accorder. C'est pour cela nous donnons ici
l'intervalle de conance de cette prévision mais sans le démontrer.On
note l'intervalle de prévision par :
√ √
1 xt+h − x̄ 1 xt+h − x̄
IC = ŷt+h − tn−2; 1− α2 σˆε + ∑n + 1; ŷt+h + tn−2; 1− α2 σˆε + ∑n
n (x
t=1 t − x̄) 2+ n t=1 (xt − x̄

1 ∑
n
SCR
Avec σˆε = = (ŷt − ȳ)2 .
n − 2 n − 2 t=1

Exemple 1.9. On reprend toujours l'exemple de la consommation re-

venu si.Si on sait que le revenu à l'époque t=8 est de 126.Quelle se-
rait la consommation avec un intervalle de prédiction pour cette pé-
riode ?.α = 5%.
on sait que le modèle estimé est donné par ŷt = 0.9xt + 5 + et On avait
(1 6 t 6 5) alors pour t = 8 ⇒ h = 3.
La valeur de l'estimation à l'horizon h est ŷ8 = 0.9x8 +5 = 0.9.126+5 =
118.4. √ ∑
On a d'après les résultats déjà calculés : σˆε = 0.633 = 0.795, 5t=1(xt−
√= 3.182, ŷ8 = 118.4.
x̄)2 = 610, n = 5, t3; 0.975 √
126 − 116 1 126 − 116 1
IC = [118.4−3.82.0.795 + 1 + ; 118.4−3.82.0.795 +1+ ]=
610 5 610 5
[118.4 − 2.789; 118.4 + 2.789] = [115.61; 121.189]
30 Introduction à L'économétrie : Le modèle linéaire simple

Exercices sur le Chapitre 3

Exercice 1. On se donne les valeurs du tableau suivant ;

xt 54 53 59 66 63 62 65 60 59 65 70 65
yt 20 19 21 21 23 20 25 24 28 27 31 33
Nous désirons estimer la relation : yt = a0 + a1xt + εt avec t = 1 · · · , n
Avec :
yt =variable à expliquer ou variable exogène,
xt =variable à explicative ou variable endogène,
a0 , a1 : paramètres du modèle à estimer,
n : nombre d'observations,
εt =erreur.
1) Rappeler le rôle du terme de l'erreur et calculer les estimations des
paramètres a0, a1, en déduire la série des résidus.
2) Estimer la variance résiduelle et les écarts types des coecients a0, a1.
3) Tracer le graphique yt en fonction de xt, commenter et calculer le co-
ecients de corrélation linéaire rxy ? est-il signicativement diérent de
0.(réaliser un test sur rxy )
4)Tester à un seuil de 5% l'hypothèse H0 : a1 = 0 contre a1 ̸= 0. Pour-
quoi cette hypothèse est-elle très importante à tester ?Doner un intervalle
de conance pour a1 à 95%
5)Tester à un seuil de 5% l'hypothèse H0 : a1 = 0.5 contre a1 ̸= 0.5.Puis
l'hypothèse H0 : a1 = 0.5 contre a1 > 0.5
6) Calculer les sommes SCR, SCT, et SCE. En déduire R2 et conclure.
7) Pour les périodes t = 13 et t = 14 nous connaissons les valeurs pré-
vues de x13 = 72 et x14 = 62. Calculer les prévisions pour les années 11
et 12 et leurs intervalles de conance à 95%.
Exercice 2. On mesure le revenu annuel Rt et l'épargne annuelle Et
sur une période de 12 années, pour une catégorie socioprofessionnelle
donnée. On obtient (en milliers d'euros) :
Exercices sur le Chapitre 3 31

∑12 ∑12 2
R̄ = 1
Rt = 19, 7 R = 4827.
∑i=1
12 ∑12i=1 2 t
i=1 Et = 456.
1 12
Ē = i=1 Et = 6, 1
∑12 12
i=1 Et Rt = 1480.
On suppose que les variables Et et Rt sont liées par le modèle
Et = aRt + b + εt

où les εt sont des v.a. indépendantes, de loi N (0, σ 2).

1) Calculer les estimateurs â et b̂ des MCO de a et b.
2) Tester l'hypothèse H0 : a = 0.
3) Calculer le coecient de détermination R2.Conclusion ?

Exercice 3 : On dispose des statistiques annuelles de 1946 à 1970 in-

clus, pour les USA, aux prix de 1958, donnant le revenu par habitant Rt
et la consommation par habitant∑ Ct :
R̄ = 1590, 80 ; C̄ = 1429, 52 ; 25 (Rt − R̄)(Ct − C̄) = 271738, 5
1
∑ ∑
1
25 (Rt − R̄)2
= 314098 ; 1
25 (Ct − C̄)2 = 245581, 5
On propose le modèle :
Ct = aRt + b + εt

1) Estimer les paramètres a et b.

2)Quell est la conséquence sur la consommation de l'augmentation du
revenu de 8% ?
3) Calculer le coecient de corrélation linéaire r et le coecient de dé-
termination R2.
4) Tester l'hypothèse a = 0.
5) Calculer un intervalle de conance de b.

Exercice 4 : Soit les résultats d'une estimation économétrique yt =

1.251xt − 32, 85 + et .
n = 20, R2 = 0.23, σˆε = 10.66.
32 Introduction à L'économétrie : Le modèle linéaire simple

1) A partir des informations connues, on demande de retrouver les sta-

tistiques suivantes : SCR, SCT, et SCE , la statistique de Student et
l'écart-type du coecient aˆ1.
2) Le coecient de la variable x est t-il signicativement >1.
Solutions des exercices 33

Solutions des exercices .

Correction exo1
1) Le terme d'erreur εt représente tout ce qui n'est pas expliqué par le
modèle, on doit vérier les hypothèses suivantes pour réaliser les tests :
H1 : les εt sont centrées c.a.d E(εt ) = 0 ∀t ( les erreurs sont centrées
et qu'on a pas oublié un terme pertinent.)
H2 : Les εt sont de variance constante c.a.d V (εt ) = σ 2 ∀t ( c'est que
la variance ne varie pas en fonction des individus).
H3 :les εt sont indépendantes ( une observation n'a pas d'inuence sur
une autre observation) c.a.d Cov(εt, εt ) = 0 ∀ t ̸= t′ et qu'il y a indé-
′

pendance entre les erreurs et la variable xt, Cov(xt, εt) = 0.

H4 les εt suivent une loi normale N (0, 1).

Les estimateurs
∑ de ao et a1 sont donnés par la méthode des MCO par :
12
t=1 (xt − x̄)(yt − ȳ)
aˆ1 = ∑12 et aˆ0 = ȳ − aˆ1x̄.
t=1 (xt − x̄)
2
En calculant les diérentes
∑12 ∑12que x̄ = 61.8 et ȳ = 24.3
sommes , on trouves
et que la somme t=1(xt − x̄) = 274.25 et t=1(xt − x̄)(yt − ȳ) = 157.
2
157
On en déduit donc que aˆ1 = = 0.572 et que aˆ0 = 24, 3 −
274.25
0.572.61.8 = −11, 07
On rappelle le modèle théorique yt = a0 + a1xt + εt .
Le modèle estimé est yt = aˆ0 + aˆ1xt + et.
Le modèle ajusté ŷt = aˆ0 + aˆ1xt.
La série des résidus est donnée par :
et = yt − ŷt = yt − (aˆ0 + aˆ1 xt ) = yt − (−11.07 + 0.572xt )
Par exemple pour t = 2, e2 = y2 −(−11.07+0.572x2) = 19−(−11.07+
0.572.53) = −0.32
On réalise tous les calculs de (e1, · · · , e12) c'est la série des résidus et
34 Introduction à L'économétrie : Le modèle linéaire simple

∑
on calcule 12 t=1 (et ) = (e1 + e1 · · · + e12 == 140, 79 qui va nous servir
2 2 2 2

à calculer la variance estimée de l'erreur.

∑12 ∑12
t=1 (yt − yˆt )
2 2
SCR t=1 (et ) 140.79
2) On a σ̂ε2 = = = = =
n−2 n−2 n−2 12 − 2 = 10
14.079.
Pour calculer les écart-types de a0 et a1 on doit calculer d'abord leurs
variances qui sont données par :
σε2
V ar(aˆ1 ) = ∑n ) et.
t=1 (xt − x̄)
2

1 x̄2
V ar(aˆ0 ) = σε2 ( + ∑n ).
n (x − x̄)2
t=1 t
∑
Par le calcul, et puisque σε2 = 14.079, 12 t=1 (xt − x̄) = 274.25,
2
et
x̄ = 61.8 on a alors.
14, 079 1 (61, 8)2
V ar(aˆ1 ) = = 0, 0153 et V ar(aˆ0 ) = 14.079[ + ] =
274, 25 12 274, 25
196.92 √ √
Les écart-types sont donc V ar(aˆ1) = σaˆ1 = 0.226 et V ar(aˆ0) =
σaˆ0 = 14.03.

3) Le calcul du coecient∑
de corrélation linéaire est donné par :
12
Cov(X, Y ) (xt − x̄)(yt − ȳ) 157
rxy = = √∑12 t=1 ∑ 12 = √ √ =
σx σy t=1 (x t − x̄) 2
t=1 (y t − ȳ)2 274.25 230.67
0.62. ∑ ∑12
Avec 12 (x
t=1 t − x̄)2
= 274, 25 et t=1 (yt − ȳ) = 230.67
2

On remarque que xt et yt évoluent dans le même sens puisque Cov(xt, yt

est > 0.Pour savoir si r (ou aussi rxy ou ρxy qui est une estimation de
r est signicativement diérent de 0 on réalise le test.
H0 ; rxy = 0
H1 ; rxy ̸= 0
Solutions des exercices 35

ρxy
On pose T ∗ = √ sous H0, T ∗ ,→ Tn−2.
1 − ρ2xy
n−2
α
On accepte H0 si | T ∗ |6 cα avec = P (Tn−2 > cα ) =⇒ P (Tn−1 6
α 2
cα ) = 1 − ⇒ cα = tn−2; 1− α2 donc nalement on accepte H0 si
2
T ∗ ∈ [−tn−2; 1− α2 ; tn−2; 1− α2 ].
On a n√= 12 ⇒ tn−2; 1− α2 = t10; 0.975 = 2.228 et r = 0.62, donc
∗ 12 − 2 = 100.62
Tobs = √ = 2.53
(1 − 0.62)2
On a Tobs
∗
∈/ [−2.228; 2, 228] ⇒ donc on accepte H1 ; rxy ̸= 0 et r est
signicativement diérent de 0.

4) On teste H0 a1 = 0 contre H1 : a1 ̸= 0.
aˆ − a0 aˆ1
On pose comme statistique du test Ta1 = √ 1 =
σ̂
V ar(aˆ1 ) √∑n
t=1 (xt − x̄)2
Sous H0, Ta1 ,→ T10.
Donc on accepte H0 si | Ta1 |6 cα sinon on accepte H1.
α α
avec = P (Tn−2 > cα ) =⇒ P (Tn−1 6 cα ) = 1− =⇒ cα = tn−2; 1− α2 =
2 2
t10; 0.975 = 2.228.
On calcule donc Tobs = 0.572
0,226 = 2.53 > t10; 0.975 = 2.228 on accepte donc
H1 et a1 ̸= 0.

Cette hypothèse est très importante car le paramètre a1 sert à détermi-

ner la part de la variable expliquée par rapport à la variable explicative,
si par hasard on validait l'hypothèse H0; (a1 = 0, ceci veut dire que la
relation entre xt et yt n'existe pas ou n'est pas pertinente).
Par ailleurs on avait démontré dans la question précédente que rxy ̸= 0,
ceci prouve que les deux propositions sont équivalentes rxy ̸= 0 ⇔ a1 ̸= 0,
36 Introduction à L'économétrie : Le modèle linéaire simple

on a trouvé la même valeur des statistiques utilisées pour ces deux tests,
et ça été dit dans le cours.
L'intervalle de conance de a1 de coecient de sécurité 1 − α est donné
par ;
σ̂ σ̂
=⇒ a ∈ [aˆ1 − tn−2; 1− α2 . v , aˆ1 + tn−2; 1− α2 . v ]=
u n u n
u∑ u∑
t (xt − x̄)2 t (xt − x̄)2
t=1 t=1
[0.572 − 2.228.0, 226; 0.572 + 2.228.0, 226] = [0.07; 1.08]
Le coecient théorique inconnu a1 a donc 95% de chance de se situer
dans cet intervalle.

5)On teste H0 a1 = 0.5 contre H1 : a1 ̸= 0.5.

aˆ − a0
On pose comme statistique du test Ta1 = √ 1
V ar(aˆ1 )
Sous H0, Ta1 ,→ T10.
Donc on accepte H0 si | Ta1 |6 cα sinon on accepte H1.
α α
avec = P (Tn−2 > cα ) ⇒ P (Tn−1 6 cα ) = 1 − ⇒ cα = tn−2; 1− α2 =
2 2
t10; 0.975 = 2.228.
0.572 − 0.5
On calcule donc Tobs = = 0.32 < t10; 0.975 = 2.228 on ac-
0, 226
cepte donc H0 et a1 = 0.5.
Pour le test H0 a1 = 0.5 contre H1 : a1 > 0.5.
aˆ − a0
On pose comme statistique du test Ta1 = √ 1 et sous H0, Ta1 ,→
V ar(aˆ1 )
T10 .
On accepte H0 si Ta1 6 cα et on accepte Ta1 > cα avec avec α =
P (Tn−2 > cα ) ⇒ P (Tn−1 6 cα ) = 1 − α ⇒ cα = tn−2; 1−α = t10; 0.95 =
1.812.
Comme Tobs = 0.572−0.5
0,226 = 0.32 < t10; 0.95 = 1.812, on accepte donc H0 .
Solutions des exercices 37

SCR SCR
6) On sait que r2 = R2 = 1 − ⇒ 1 − R2 = ⇒ SCT =
SCT SCT
SCR
comme r = 0.62, on a donc r2 = R2 = 0.3844 et donc SCT =
1−R 2
140.79
= 228.70.
1 − 0.384 = 0.651
Et comme SCT = SCR + SCE =⇒ SCE = SCT − SCR = 228, 70 −
140, 79 = 87, 9.
On remarque ici que même si la relation entre xt et yt il est très faible,
et le R2 = 0.384 ceci veut dire que le modèle n'est pas très explicatif, il
y a que 38, 4% de la variable xt qui explique yt.
7) Le modèle de prévision s'écrit ŷt+h = aˆ1xt+h + aˆ0.
L'horizon h est ici est égale à 2 puisque n=12.
on a x13 = 72 et x14 = 62 donc :
ŷ13 = 0.572x13 − 11.02 = 0.572.72 − 11.02 = 30.20
ŷ13 = 0.572x14 − 11.02 = 0.572.62 − 11.02 = 24.48
L'intervalle de conancevest donné par : v
u1 xt+h − x̄ u1 xt+h − x̄
u u
IC = [ŷt+h −tn−2; 1− α2 σˆε u + n + 1; ŷt+h +tn−2; 1− α2 σˆε u + n + 1].
un ∑ u n ∑
t (xt − x̄)2 t (xt − x̄)2
t=1 t=1
√
il sut de chercher σˆε 1
+ ∑nxt+h −x̄ 2
+ 1.
n t=1 (xt −x̄)
√
On
v a calculé dans 2) σˆ2 = 14.079 ⇒ σˆε = 14.079 = 3.75. et
u1
ε
√
u xt+h − x̄ 1 72 − 61.8
u + n +1 = + + 1 = 4.20 et puisque
un ∑ 12 274, 25
t (xt − x̄)2 +
t=1
tn−2; 1− α2 = t10; 0.975 = 2.228 donc IC = [30, 20 − 2, 228.4, 20; 30, 20 +
2, 228.4, 20] = [20, 85 − 39, 55].
on refait la même chose pour l'intervalle de prévision de x14.On doit
calculer ;
38 Introduction à L'économétrie : Le modèle linéaire simple

v √
u1 − 62 − 61.8
u x x̄ 1
+ 1 = 3.83 et donc
t+h
u + n +1= +
un ∑ 12 274, 25
t (xt − x̄)2 +
t=1
IC = [24.48 − 2, 228.3, 83; 24.48 + 2, 228.3, 83] = [15, 94 − 33].

Correction exo2
Pour cet exercice il faut se placer dans le context de l'énoncé avec les
données qu'on a pour pouvoir chercher les estimateurs.On a le modèle
Et = aRt + b + εt .
1) Les
∑estimateurs de a et b donnés
∑ par la MCO sont ;
12 12
t=1 (Rt − R̄)(Et − Ē) t=1 Rt Et − nĒ R̄
â = ∑12 = ∑ 12 .
t=1 (Rt − R̄) t=1 Rt − nR̄
2 2 2
1480 − 12 × 19.7 × 6.1 37.96
donc aˆobs = = = 0, 223
4827 − 12 × (19.72 ) 169.92
Interprétation : une augmentation d'une unité de revenu va engendrer
une augmentation de 0.223 unités d'épargne. Si nos données sont en di-
rhams un revenu de plus de 100 dh va engendrer 22.3 dh d'épargne.
b̂ = Ē − âR̄ ⇒ bobs = 6.1 − 0.223 × 19.7 = 1.70.
â
2) Pour le test de H0 : a = 0 on pose comme statistique Ta = √ =
V ar(â)
â
σ̂
Sous H0, Ta1 ,→ T10.
v
u n
u∑
t (Rt − R̄)2
t=1
Donc on accepte H0 si | Ta1 |6 cα sinon on accepte H1.
α α
avec = P (Tn−2 > cα ) ⇒ P (Tn−1 6 cα ) = 1 − ⇒ cα = tn−2; 1− α2 =
2 2
t10; 0.975 = 2.228.
Le seul problème ici est le calcul de σ̂ , on a par dénition
Solutions des exercices 39

∑12 ∑12 ∑12

1
σ̂ 2 = 10 t=1 (E t − Ê) 2
= 1
10 [ t=1 (E t − Ē) 2
− t=1 (Ê− Ē) = 10 (SCT −
2 1

SCE) (puisque ∑SCR=SCT-SCE)

Avec SCT = 12
∑12 t=1 Et − 12Ē ∑
2 2
=456-12×(6.1)2 = 9.48 et ∑12
SCE = t=1 (âRt +b̂−Ē)2 = 12 (âR + b̂−(Ē−â R̄)) 2
= â 2
t=1 (Rt −
∑12 t=1 t

t=1 (Rt − 12R̄ = 0.223 × 169, 92 = 8, 45 et donc nalement

2 2 2 2 2
R̄) = â
1 (SCT − SCE) (9, 48 − 8, 45)
σ̂ 2 = SCR = = = 0.1.
10 √ 10 10
0.223 169.92
Tobs = √ = 9.19 on remarque bien que Tobs = 9.19 > 2.228
0.1
on adopte donc H1; a ̸= 0.

3) on a R2 = SCE
SCT = 9.48 = 0.891.
8.45

La valeur est assez proche de 1. 89% de la variance observée de Et est

expliquée par Rt. 11% sont attribuées à des facteurs inobservables, donc
le modèle est très explicatif.
Correction exo3
1) On se place toujours dans le context des données de l'exercice on le
modèle
∑ étudié est le modèle consommation revenu Ct = aRt + b + ε.
25
t=1 (Rt − R̄)(Ct − C̄) 271738.5
â = ∑25 avec les données qu'on a aˆobs = =
t=1 (Rt − R̄)
2 314098
0.865. et
â = C̄ − âR̄ = 1429, 52 − 0.865 × 1590, 80 = 53, 256

2) Nous avons △(Ĉt) = â △ (Rt) car la variation de Ct est provoquée

par le coecient a ⇒ △(Ĉt) = 0.865 △ (Rt) = 0.865 × 0.08 = 0.0692.
La consommation augmente de 6, 92% soit un peu moins que le revenu.

3) On a le coecient de corrélation
∑ linéaire est donné par :
25
Cov(Ct , Rt ) (Rt − R̄)(Ct − C̄)
rxy = = √∑25 t=1 ∑25 = √ 271738,5
√ =
σCt σRt t=1 (R t − R̄)2
t=1 (C t − C̄) 2 314098 245581,5

0.9784.
40 Introduction à L'économétrie : Le modèle linéaire simple

et puisque r2 = R2 =⇒ R2 = 0.9784 × 0.9784 = 0.9573 ; On remarque

qu'on a un très bon modèle et que les variables consommation revenu
sont corrélées positivement.

4) On veut réaliser le test H0; a = 0, puisque on a calculé dans la

question précédente le coecient de corrélation linéaire r, on va utiliser
la statistique utilisant ce coecient,
√ on pose donc :
â r n−2
Ta = = √ .
v σ̂
1 − r2
u n
u∑
t (xt − x̄)2
t=1
Sous H0 : Ta ,→ Tn−2 et on accepte H0 si Ta ∈ [−tn−2; 1− α2 ; tn−2; 1− α2 ] =
[−t23; 0.975 , t23; 0.975 ].
D'après
√ la table de √ la loi de Student on a t23; 0.975 = 2.069 et Ta,obs =
r n−2 0.9784 25 − 2 = 23
√ = √ = 22.70 on remarque que Ta,obs =
1 − r2 1 − 0.97842
/ [−2, 069; 2, 069] donc on accepte H1 de très loin et a ̸= 0
22, 70 ∈

5) Pour la construction de l'intervalle de conance de b, de coecient

de sécurité 1 − α on sait que.
b̂ − b b̂ − b
√ =√ ,→ T23 .
σ 2 ( 1 + ∑ R̄2
V ar(b̂) 25 25
t=1 (Rt −R̄)
2

L'intervalle de conance √ de coecient de sécurité 1 − α est donné par :

| b̂ − b |6 tn−2; 1− α2 .σ̂ 25 + ∑25 (R −R̄)2 .
1 x̄ 2

v
t=1 t
v
u1 u
u R̄ 2 u1 R̄2
On a donc IC = [b̂−t23; 1− α2 .σ̂ u + 25 ; b̂+t23; 1− α2 .σ̂ u + n
u 25 ∑
u 25 ∑
t t (Rt − R̄)
(Rt − R̄)2

t=1 t=1
Pour α = 5% on a t23; 1− α2 =2.069, il reste à calculer σ̂ , on sait que
Solutions des exercices 41

σˆ2 = SCR 1 1 2 ˆ2
n−2 = 23 (SCT − SCE) = 23 (1 − R )SCT =⇒ σ = 23 (1 −
1

0.9573)314098
v = 0.001858 × 314098 × 25 = 14589 ⇒ σ̂ = 120, 78 et
u1 √
u R̄ 2 1 1590, 82
comme u + 25 = + = 0, 2,l'intervalle
u 25 ∑ 25 25 × 314098
t (Rt − R̄)2
t=1
de conance est donc IC = [1.70−2.069×0.2×120, 78; −1.70−2.069×
0.2 × 120, 78] = [1, 70 − 50; 1, 70 + 50] = [−48, 30; 51, 70]
Correction exo4
Cet exercice permet de manipuler quelques formules concernant les sta-
tistiques demandées.
SCR
On a d'après les données σˆε2 = ⇒ σˆε2 (n − 2) = SCR ⇒ SCR =
n−2
18 × (10.66)2 = 2045, 44
SCE SCT − SCR SCR SCR
On a aussi = = 1− =⇒ (1−R2 = =⇒
SCT SCT SCT SCT
SCR 2045, 44
SCT = = = 2656, 42.
1 − R2 1 − 0.23
Finalement SCE =√SCT −SCR =√2656, 42−2045, 44 = 610, 98 ≃ 611.
r n−2 0.479 8
On a aussi Ta = √ = = 2.32
1 − R2 1 − 0.23
â â 1.251
et comme Ta = =⇒ σˆa = = = 0.54
σˆa Ta 2.32
2) On veut tester H0; a = 1 contre H0; a > 1.
â − 1
On pose Ta = sous H0; Ta ,→ T18 on accepte H1 si Ta > t18,1−α =
σˆa
t18,0.95 si on suppose qu'on réalise le test à 5%.
D'après la table de la loi de Student on a t18,0.95 = 1.734 et Ta,obs =
1, 25 − 1
= 0.46 < t18,0.95 = 1.734, donc on accepte H0 et on rejette H1
0.54
le coecient de la variable n'est pas signicativement diérent de 0.
42 Introduction à L'économétrie : Le modèle linéaire simple

Exercices Supplémentaire

Exercice 1 : :
1)Une usine A fabrique des pièces dont une proportion p1 est de qualité
supérieure (QS). Sur un lot de 1000 pièces produites par cette usine, on
trouve 470 de (QS).
a) Donner une estimation de p1.
1
b) Peut-on admettre que p1 > faire le test avec α = 10%.
2
Exercice 2 :
Le nombre de places de cinéma vendue chaque semaine, dans une salle
de cinéma, suit une loi normale de paramètres µ et σ inconnus.Pendant
une année on a obtenu une moyenne de 1000 places vendues par se-
maine avec un écart type de 50 places. Tester H0 : σ 2 = 3000 contre
H1 : σ 2 ̸= 3000. Au risque α = 5%

Exercice 3 :
: Le tableau suivant donne la répartition de 1000 étudiants selon deux ca-
ractères statistiques le sexe (garçon ou lle) et la principale option choi-
sie au cours du cursus universitaire (Economie :Eco Économie-Gestion :EGC
et Gestion :Ges).
```
``` Option :Y
```

Genre :X
```
```
Eco ECG Ges
``
G 200 150 100
F 50 200 300
Peut-on considérer que le sexe inue sur le choix de l'option (au risque
de 5
Exercice 4 : : Pour comparer l'ecacité de deux médicaments (Mdc)
agissant sur la même maladie, mais aux prix très diérents, la Sécurité
Sociale a eectué une enquête sur les guérisons obtenues en suivant cha-
Exercices Supplémentaire 43

cun
```
des traitements. Les résultats sont consignés dans le tableau suivant :
```
``` Prix :Y
Guérison :X
```
```
Mdc très cher Mdc cher Mdc bon marché Mdc à bas prix
``
Guérison rapide 10 44 156 4
Guérison lente 5 4 44 15
A moitié guéri 3 120 17 60
Non guéri 2 8 125 55
Peut-on avoir une indépendance entre le fait que les médicaments sont
chers et l'eet de la guérison. Faire le test avec un coecient de sécurité
de %5.
Exercice 5 :Le but de ce problème est d'étudier le lien de corrélation
qui existe entre le taux d'épargne et le taux d'investissement. En prenant
en compte quelques spécicités macroéconomiques. On propose le modèle
suivant :

I S
= a + b + εt
Y Y
où
Y : le produit nationale brut.
I : l'investissement.
S : l'épargne nationale.
I
: la part de l'investissement dans le PIB.
Y
S
: la part de l'épargne nationale dans le PIB.
Y
εt : une suite d'aléa iid qui suivent une N (0, σ 2 ).
a : Le paramètre a représente l'impact d'un choc soutenu de l'épargne
sur l'investissement, une valeur estimée de a proche de 0 implique une
mobilité des capitaux, par contre une valeur proche de 1 implique que la
mobilité des capitaux est faible.
A n d'estimer les paramètres du modèle on a posé :
44 Introduction à L'économétrie : Le modèle linéaire simple

I S
txi = et txs = ce qui revient au modèle suivant :
Y Y

txi = atxs + b + εt

On a relevé un échantillon de 10 pays sur une période de 10 ans. Les

résultats du tableau sont des taux moyens annuels :
txi 0,189 0,286 0,208 0,214 0,277 0,260 0,215 0,209 0,272 0,201
txs 0,180 0,322 0,235 0,210 0,321 0,227 0,212 0,201 0,262 0,209
1) Calculer les estimateurs â et b̂ des MCO de a et b.
2) Calculer SCR, SCT, SCE puis R2. Interpréter la valeur de R2.
3) Donner une estimation σb2 de σ 2.
4) Tester l'hypothèse H0 : a = 0 au niveau 5% puis H0 : a = 1.Interpréter
économiquement le résultat de ce test.
5) Donner un intervalle de conance pour a.
Tables statistiques 45

Tables statistiques
46 Introduction à L'économétrie : Le modèle linéaire simple

Bibliographie

[1] Gérard.BAILLARGEON. Probabilités, Statistique et Techniques de

régression. Les éditions SMG Quebec 1989.
[2] Jean Philippe REAU et Gérard CHAUVAUT. Probabilités et statis-
tiques 4ème édition ARMAND COLIN 2008
[3] Régis.BOURBONNAIS Économétrie Cours et exercices corrigés 9ème
édition DUNOD-2015
[4]Régis.BOURBONNAIS Exercices pédagogiques d'économétrie édition
Economica-2008
[5] Stephen BAZEN et Mareva SABATIER. Économétrie des fonde-
ments à la modélisation Edition-Vuibert 2007.