Faculté des Sciences Juridiques

Économiques et Sociales Année Universitaire 2019/2020

OUJDA

Méthodes économétriques
S6 Économie et Gestion

Professeur : D.DRIOUCHI

◦
Feuille de T.D. n 2.
(Régression multiple)

Exercice 1 : On dispose, pour l'année 1986, de données relatives au capital productif, aux
eectifs employés et à la valeur ajoutée produite au cours de l' année pour 18 secteurs industriels.
On cherche alors à estimer, en coupe instantanée, une fonction de production de type Cobb-
Douglas : Qi = D.Kia Lbi pour i = 1, .., 18.
où Q est la valeur ajoutée, K est le capital productif et L les eectifs salariés, a, b, D sont des
paramètres. Le modèle est estimé sous forme log-linéaire :
yi = axi + bzi + c + εi

en posant xi = ln(Ki ), yi = ln(Qi ) et zi = ln(Li )

Un logiciel de statistique fournit les résultats suivants :
Dependant variable : y
Number of observations : 18
variable coecient stand. error T-statistic
x 0,2025635 0,1253488 1,6159992
z 0,7986546 0,1069475 7,4677287
constant 3,9374024 1,2074639 3,2608862
R-squared 0,926202 Sum of squared residual 0,918616
1) Expliquez comment on peut déduire la colonne T −statistic des colonnes coecient et
standard error.
2) Quelles hypothèses probabilistes doit-on faire sur les εi pour pouvoir eectuer des tests
dans ce modèle ?
3) Dans quelle mesure les variables capital et travail vous semblent-elles explicatives de la
valeur ajoutée ici ? (quels tests faut-il faire ?)
4) Quel test faudrait-il eectuer pour savoir si les rendements d'échelle sont constants ?
Exercice 2 : On dispose des données relatives à la consommation yt et au revenu des ménages
xt pour 4 années consécutives.
xt 85 90 105 120
yt 75 85 95 105
On veut rendre compte de l'eet du revenu sur la consommation à l'aide du modèle de régression
linéaire suivant
yt = axt + b + εt
( )
a
1) Écrire ce modèle sous la forme matricielle Y = Xθ +ε. On posera θ = . Déterminer
b
θ̂ (avec Gauss-Markov), puis sa matrice de covariance Γ. En déduire V ar(â), V ar(b̂), Cov(â, b̂).

1
 2
2) Déterminer Ŷ = X θ̂. En déduire σ̂ 2 = n−d
1
Y − Ŷ . Tester a = 0 puis b = 0 au niveau
5%.
3) Déterminer SCR, SCT, SCE, puis le coecient de détermination R2 .

Exercice 3 : Soit la variable à expliquer yt et deux variables explicatives x1,t , x2,t connues
sur 10 périodes.
Nous cherchons à estimer la relation suivante :
yt = a0 + a1 x1,t + a2 x2,t + ϵt

Les valeurs sont consignés dans le tableau suivant :

t yt x1,t x2,t
1 12 7 48
2 21 9 40
3 24 11 18
4 24 12 28
5 13 7 40
6 17 9 32
7 21 12 31
8 26 14 24
9 31 19 22
10 30 21 25
1) Écrire le modèle sous forme matricielle et estimer les paramètres du modèle.
On suppose le calcul suivant déjà fait :
 
10 121 308
[X ′ X] =  121 1667 3449 
308 3449 10282
 
6.225 −0.216 −0.14
et [X ′ X]−1 =  −0.216 0.00944 0.0033 
−0.14 −0.0033 0.00241
∑10 2X'= X la matrice transposée.
′ t
Onrappellequ onpeutnoter
2) On suppose que t=1 et = 31.469 en déduire l'estimation de la variance résiduelle σˆϵ2 .
3) Estimer la matrice de variance-covariance des coecients.
4) Tester les hypothèses suivantes à un seuil de 5% :
H0 : a1 = 0 contre l'hypothèse H1 : a1 ̸= 0.
H0 : a2 = 0 contre l'hypothèse H1 : a2 ̸= 0.
5) Dresser le tableau de l'analyse de la variance.
6) Calculer le coecient de corrélation linéaire R2 .
7) Eectuer le test de signicativité globale de la régression à un seuil de 5%.