Anda di halaman 1dari 97

LES MODELES DAIDE A LA DECISION

ECONOMETRIE DE LENTREPRISE

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

PRESENTATION

Prsentation des intrts de la matire;


Prsentation du programme du cours;
Mthodologie suivre;
Bibliographie.

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

1. LES INTERETS DE LA MATIERE


1. Lintrt particulier des modles daide la dcision dans
le domaine de la recherche scientifique ainsi que dans le
monde des affaires (Economie & Entreprise);
2. Permettre aux tudiants de comprendre et de matriser les
outils et les techniques conomtriques dans la gestion
des entreprises;
3. Leur permettre galement danalyser les principes de
base en passant par des tudes de cas empiriques;
4. Lapplication sur un logiciel informatique RATS.

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. PROGRAMME

Prliminaire

1. INTRODUCTION
2. LES MODELES DE REGRESSION
SIMPLE
3. LES MODELES DE REGRESSION
MULITPLE
4. LES MODELES DE PREVISION
4

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. PRESENTATION DE LA METHODOLOGIE
1. Cours magistral portant sur les notions de base;
Attention : A complter par des lectures parallles;
2. Les sances de TD (TP) portant sur les
applications pratiques sur machines ;
3. Lvaluation portera sur:
* les contrles de TD.
* la participation des tudiants.
* Lexamen de la matire.
5

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

4. REFERENCES BIBLIOGRAPHIQUES
1. A. RYS et N. VANEELOO(1998)conomtrie: thorie et
applications d. Nathan;
2. B. HAUDEVILLE(1996)conomtrie applique d. Estem;
3.C. GOURIEROUX et C. MONTMAROUETTE(1997)
conomtrie applique d. Economica;
4.J. JOHNSTON(1992)
Economica;

Mthodes

5. E. MALINVAUD (1978)
lconomtrie d. Dunod;

conomtriques

Mthodes

statistiques

d.

de

6. C. GOURIEROUX et A. MONFORT(1990) Sries


temporelles
et modles dynamiques d. Economica;
6
13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

RAPPELS
1.1. LES CONCEPTS DE LA STATISTIQUE
* Descriptive (les caractristiques),
* Probabilits (les VA, la fonction de densit,les
lois,)
* Infrentielle (estimation, Echantillonnage).

1.2. LA DECOMPOSITION DE LA MATIERE EN 2


PARTIES:
* Partie thorique;
* Partie Empirique.

1.3. UN TRAVAIL DE FIN DANNEE SERA DEMANDE


7

* Une tude de fonction


13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

1. INTRODUCTION

1.1. DEFINTION DE LECONOMETRIE


1.2. LA METHODOLOGIE DE LECONOMETRIE
1.3. LA REGRESSION
1.4. LES VARIABLES DU MODELE
ECONOMETRIQUE

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

1. INTRODUCTION
1.1. DEFINTION DE LECONOMETRIE
cest la mesure de lconomie
Cd le fait de donner un cadre quantitatif de
lconomie et des modles conomiques.
Toutefois, lconomtrie peut tre applique
diffrentes disciplines notamment:
- la psychomtrie (mesure applique la
psychologie;
- la sociomtrie;
- les autres disciplines comme les sciences
naturelles.
9

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

1. INTRODUCTION
Ce quon mesure ce sont les variables
agrges aussi bien en micro-conomie
quen macro-conomie .
Exemples:
- Le modle Keynsien : C = f(Y)
C 0
avec: Y
- Le modle de Friedman : C = f(Y,p,g,pr,)
10

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

1. INTRODUCTION

Note:
* La thorie conomique nous renseigne
seulement sur la relation entre les variables;
* Lconomtrie nous donne par contre la
manitude de cette relation cd de combien
variera une variable suite la variation de la 1re.

11

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

1. INTRODUCTION
1.2. LA METHODOLOGIE DE LECONOMETRIE
Thorie conomique

Modles
conomtriques

Collecte
des donnes
Estimation
des modles

Tests des
estimations
acceptation

12prvision

13/09/2016

Linfrence
rejet

ECO. DE L'ENTREPRISE

reconstruction
A. ELABJANI

1. INTRODUCTION
1.3. LA REGRESSION
Elle signifie lanalyse de la dpendance
susceptible dexister entre deux ou plusieurs
variables.
On parle gnralement de:
dpendance dterministique (mathmatique)

y f'(x) log x; e x;....


13

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

1. INTRODUCTION
dpendance stockastique :
cest une dpendance alatoire avec cette fois des
variables alatoires

yt f'(xt) t
t : Reprsente llment de perturbation (derreur
ou alatoire).
Exemple:
Dans une fonction de production, il dsigne
lhumeur, comportement, motivation, etc.

14

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

1. INTRODUCTION
1.4. LES VARIABLES DU MODELE ECONOMETRIQUE

Deux types de variables conomtriques sont


gnralement distingues:

les variables endognes:

Ce sont les variables expliquer Yt;


Elles deviennent alatoires par ladjonction de

t ;

Leur probabilit dpendera de celle suppose


pour t .

15

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

1. INTRODUCTION
1.4. LES VARIABLES DU MODELE ECONOMETRIQUE

Les variables exognes:


Ce sont les variables explicatives de la variable
tudie;
Elles sont considres comme des Variables
autonomes;
Elles
sont
parfois
considres
comme
prdetermines.

16

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


En analyse conomtrique, le modle de
Regression Simple scrit en considrant
une seule variable endogne et une seule
variable exogne:

Yt X t t
La mthode des Moindres Carrs
Ordinaires (OLS) demeure la mthode la plus
utilise spcifiquement dans ce cadre.
17

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


2.1. Les hypothses des MCO
Elles sont au nombre de 5, supposes
par GAUSS:
Le modle est linaire :
H1:

Yt X t t

* Yt et Xt doivent reprsenter des valeurs


numriques observes sans erreur;
* et sont des paramtres estimer;
* t est llment non observ.
18

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


La loi de Probabilit de t :
H2 : t suit une loi Normale desprance
math. 0 et da variance .

Implications:
Si E(t ) = 0 alors
E(Yt) = + Xt.
Si Var(t )= alors Var(Yt) = .
Cest ce quon appelle lhypoyhse
dHomoscdasticit.
19

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


La covariance de t :
H3 : la covariance des lments derreur
est nulle .
Implications sur Yt:
Si

cov(t , t-1)= 0

alors

cov (Yt ,Yt-1)=0.

Ce qui implique une absence de


corrlation (ou indpendance) entre les
observations.
20

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


La covariance de Xt et t :
H4 : Gauss suppose que la covariance des
lments derreur
et la variable exogne
est nulle .
cov(Xt , t)= 0
Ceci
implique
une
absence
de
corrlation (ou indpendance) entre la
variable
exogne
et
les
lments
alatoires.
21

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


Les variables Xt :
H5 : Gauss suppose enfin que la variable
exogne Xt est non stochastique .

Les
variables
exognes
sont
dterministes et non colinaires entre
elles.
Cest lhypothse de colinarit des
variables exognes.
22

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


2.2. Les Elements de lEstimation
Tout le problme consiste dterminer
les stimateurs des lments de la
population
dfinis
dans
le
modle
conomtrique.
Nous supposons que :

, , et t
sont les estimateurs respectivement
des valeurs de , , , et t.
23

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


2.2. Les Elements de lEstimation
on aura :

Yt X t t

et

Yt X

Ce qui donne :

t Yt Yt
Objectif:
La mthode OLS suppose de minimiser tous les

24

t (Yt Yt)

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


Aprs dmonstration et simplification
des critures des deux estimateurs, on
trouve:
xt yt

et

Y X

xt

avec :

xt Xt X

25

13/09/2016

et

yt Yt Y

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


2.3. Les proprits des estimateurs
Thoreme de GAUSS:
les estimateurs OLS sont des estimateurs
BLUE
Signification:
P3 : Best le meilleur estimateur existant
et celui qui possde le minimum de
variance.
P1 : Linear estimateur linaire.
P2 : Unbiaisure estimateur non biais tq.
E()= et E()= .
26

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


2.4. Le coefficient de dtermination R
Daprs lcriture de la variance totale de la
variable endogne, on trouve :

Yt Y

X i X i2
i

Ou bien :

yi2 xi2 i2
i

cd
27

TSS ESS RSS


13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


Afin de dduire la valeur du coefficient de
dtermination R on divise la dernire
quation par la variance totale de la
variable endogne, on trouve :
1

xi2
i

yi2

0 R

28

yi2

donc :

i2
i

xi2
i

yi2

13/09/2016

i L'ENTREPRISE
ECO. DE

A. ELABJANI

2. Les modles de Regression Simple


Interprtation:
Le coefficient de dtermination R traduit
gnralement le pourcentage de la variable
exogne Xi dans lexplication de la V.
endogne Yi.
traditionnellement, on dtermine
galement le coefficient de corrlation R
qui mesure lintensit de variation de Y
suite la variation de X.
29

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


2.5. Les Tests dHypothses
Plusieurs tests dhypotses peuvent tre
utiliss ce stade.
Les plus important dentre eux sont :
* Le test Global de Fischer F;
* Les tests Particuliers de Student t;
* Le test de Darbin Watson DW;
* Les test de Haitovsky;
* etc.
30

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


2.5.1. Le test Global de Fischer F
Cest le test de validit de tout le modle.
Les hypotses appliques sont:
H0 : tous les i = 0
H1 : tous les i 0
On raisonne sur la valeur de la statistique F
de Fischer, avec :
Fk 1; N k ESS / k 1
RSS / N k

xi2 / k 1
i

i2 / N k
i

31

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


2.5.1. Le test Global de Fischer F
Dans le cas du Modle Linaire Simple, on
aura :
H0 : = = 0
H1 : 0 et 0
Et la statistique F de Fischer est dfinit par:

F1; N 2

ESSN 2

RSS

xi2N 2
i

i2
i

32

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


La mme quation peut tre crite :

F1; N 2

ESS
N 2
R
TSS

ESS
1 R / N 2
1
TSS

Le raisonnement est le suivant:


Si Fcal > Flue alors le modle est accept
dans sa globalit et on dcide H1.
Il est prfrable dans ce cas que le R soit
meilleur et proche de 1.
33

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


2.5.2. Les tests Particuliers
Ce sont les tests de signification des
coefficients estims.
Les
hypotses
appliques
sont
de
plusieurs natures:
Test Bilatral:
H0 : = 0
H1 : 0
Test Unilatral:
H0 : = 0=0,5
H1 : < 0=0,5 ou bien > 0=0,5
34

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

2. Les modles de Regression Simple


La statistique applique dans ce cadre est
celle de Student, avec :

sd

Le mme raisonnement que prcdemment:

Si tcal > tlue alors on dcide H1.


d que le poids de la variable exogne
correspondante est significatif dans le
modle.
Dans le cas contraire H0 est vraie et la V.
exogne sera non significative dans le
35
modle.
13/09/2016
ECO. DE L'ENTREPRISE
A. ELABJANI

3. Le modle de Regression Multiple


Un
parmi
Les
modles
de
Regression Multiple peut scrire en
considrant 3 regresseurs et 2
variables exognes:
Yt X 1t X 2t t

(1)

Dans le cadre duquel la mthode


des MCO (OLS) demeure la mthode la
plus frquemment utilise.
36

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.1. Les hypothses des MCO

Ce sont les mmes hypotheses


supposes par GAUSS dans le cas du
modle linaire simple.
On considre :
H1: Le modle est linaire : Cf. lquation (1)

* Yt ; X1t et X2t reprsentent des valeurs


numriques observes sans erreur;
* ; et sont des paramtres estimer;
* t est llment non observ
37

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


H2 : La loi de Probabilit de t :
t N(0, )

Implications:
Si E(t )=0 alors E(Yt) = + X1t+ X2t.
Si Var(t )= alors Var(Yt) = .
Hypoyhse dHomoscdasticit.
38

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


H3 : La covariance de t :
cov(t , t-1)= 0

Implications sur Yt:


Si E (i , J )=0 alors

cov (Yt ,Yt-1)=0.

Cest lhypothse de non-corrlation


des observations.
39

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


H4 : La covariance des Xt et t :
cov(X1t , t)= 0
cov(X2t , t)= 0
Ce qui implique la non-corrlation
entre les variables exognes et les
lments alatoires.
40

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


H5 : Les variables Xit :
Les variables exognes X1t et X2t sont
linairement indpendantes.
Elles sont :
* non stochastiques d dterministiques.
* non-colinaires entre elles.

41

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.2. Estimation OLS

Tout le problme consiste


dterminer
les
stimateurs
des
lments de la population dfinis
dans le modle conomtrique.
Nous proposons de dterminer les
valeurs des estimateurs suivants:

, , , et t
42

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


On estime le modle (1) pour avoir :

Yt X 1t X 2t t
Ce qui donne :

Ou bien

Yt X 1t X

2t

t Yt Yt

Objectif:
La mthode OLS suppose de minimiser tous
les t
43

t2 (Yt Yt)
13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Les Rsultats des estimations donnent :

Y X 1 X 2

et

x 1t yt x 2t x 2t yt x 1t x 2t

x 2t x 1t x 1t x 2t

x 2t yt x 1t x 1t yt x 1t x 2t

avec :

x X1t X1
44 1t

13/09/2016

x 2t x 1t x 1t x 2t

x 2t X 2t X 2

et

ECO. DE L'ENTREPRISE

yt Yt Y
A. ELABJANI

3. Le modle de Regression Multiple


3.3. Interprtation des estimateurs
?:

mesure seulement leffet marginal de X1


sur la variable endogne Y tel que :
i Sachant que X est constante

2
X1i

?:

mesure seulement leffet marginal de X2


sur la variable endogne Y tel que :
i

X 2i Sachant que X1 est constante

45

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.4. Le coefficient de dtermination Ajust
Rbar
Deux niveaux sont distingus cet
gard:
Nous dterminons Dabord, selon son
criture, le coefficient de dtermination R,
on trouve :

x
1
t
y
t

x2t yt
ESS
R

2
TSS

46

13/09/2016

ECO. DE L'ENTREPRISE

t
A. ELABJANI

3. Le modle de Regression Multiple


Le problme pos ce niveau rside dans
le fait que le coefficient de dtermination
R calcul de cette manire parat comme
une fonction croissante du nombre de
regresseurs k, tel que :
R 0
k
Ce qui signifie que quant le nombre de
regresseurs
k
augmente,
le
R
augmente aussi mme si les variables
exognes
ajoutes
dans
le
modle
nexpliquent
pas
vraiment
Y.
47
13/09/2016
ECO. DE L'ENTREPRISE
A. ELABJANI

3. Le modle de Regression Multiple


En effet, mme si la Variance totale
de la V. endogne Yi est indpendante
de k, le R peut automatiquement
augmenter par le biais de la variance
rsiduelle qui en est dpendante.
Au lieu de raisonner sur la base de R,
on
dtermine
le
coefficient
de
dtermination ajust (normalis) Rbar
tel que :
2
t / N k
R 1

48

13/09/2016

y t / N 1
2

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Quon peut crire aussi comme :
R 1

N 1
1 R
N k

Remarques :
1. Gnralement Rbar est infrieur au R
2. Parfois le Rbar est ngatif

Exemple: N=22 ; k=2 et R=0,01


Rbar= -0,0395
49

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.5. Les Tests dHypothses
Par rapport
aux
tests
dhypotses
analyss dans la cadre de la MLS, dautres
tests plus intrssants sont vrifier ce
stade.
Nous les classons comme suit :
* Le test Global de Fischer F;
* Les tests Particuliers de Student t;
* Le test de Darbin Watson DW;
* Les test de Haitovsky;
* etc.
50

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.5.1. Le test Global de Fischer F
Idem que prcdemment.
Les hypotses appliques sont:
H0 : tous les i = 0
H1 : au moins un i 0
On raisonne sur la valeur de la statistique F
de Fischer, avec :
x y x y

1t t
2t t
i
i
Fk 1; N k ESS / k 1
RSS / N k
i2 / N k

/ k 1

51

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.5.1. Le test Global de Fischer F
Dans le cas du MRM, on aura :
H0 : == = 0
H1 : 0 ou 0 ou 0
Et la statistique F de Fischer est dfinit par:
x y x y /31

1t t
2t t
i
i

F31; N 3
i2 / N 3
i

52

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


La mme quation peut tre crite :

F 2; N 3

ESS
N 3
R N 3
TSS

ESS
1 R 2

TSS

Le mme raisonnement est appliquer:


Si Fcal > Flue
alors on rejette H0 et on dcide H1 d que
au moins un coefficient sera non nul.
Dans ce cas, le modle sera accept
dabord13/09/2016
dans sa globalit.
53
ECO. DE L'ENTREPRISE
A. ELABJANI

3. Le modle de Regression Multiple


3.5.2. Les tests Particuliers
Ce sont les tests de signification des
coefficients estims.
Les hypotses appliques sont de plusieurs
natures:
Test Bilatral:
H0 : = 0
H1 : 0

Caractristiques:
* deux bornes calculer b1 et b2;
* deux rgions critiques;
* une rgion daccpatation.
54
13/09/2016
ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.5.2. Les tests Particuliers
Test Unilatral:
H0 : = 0=0,5
H1 : < 0=0,5
Caractristiques:
* Une borne calculer b;
* Une rgion critique gauche de t;
*une rgion daccpatation droite de t.
55

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.5.2. Les tests Particuliers
Test Unilatral:
H0 : = 0=0,5
H1 : > 0=0,5
Caractristiques:
* Une borne calculer b;
* Une rgion critique droite de t;
* une rgion daccpatation gauche de
t.

56

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Rgle de dcision:
La statistique applique dans ce cadre
est celle de Student, avec :

t

sd

Et on raisonne, selon la valeur de t, comme suit:


Si tcal > tlue alors on dcide H1.
d que le poids de la variable exogne
correspondante est significatif dans le modle.
Dans le cas contraire H0 est vraie et la V.
exogne
sera non significative dans le modle.
57
13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.5.3. Le test de Durbin Watson (1950)

Appel aussi le test dindpendance


des erreurs, le test de DW permet de
dtecter lexistence dautocorrlation
des erreurs et donc des observations
elles mmes du modle.
si on a :
Y X 1t X 2t
t

Tel que :

cov(t+1 ,t)0 (H3 nest plus vrifie)

58

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Lautocorrlation des erreurs du modle
signifie ici que lon aura:

t+1 = t + vi
t+1 = t + ni

d que :
(estims)
pour ce faire, on calcule la statistique DW:
2
t 1 t t 1 t2 2 t 1 t
d

t
t
1 t 1 t
d

t
d 21

59

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Gnralement, d est comprise entre 0 et
4 et centre sur la valeur de 2.
Tout dpend de la valeur de estim qui
peut tre soit positive soit ngative.
t 1 t

t

1 1

hat=1 AP parfaite d=0 Evidence dAP


hat=-1 AN parfaite d=4 Evidence dAN

60hat=0 Absence dAd=2 Evidence dAA


13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Le test de DW mne au calcul de deux
valeurs de d savoir d1 et d2 (ou bien dL
et dU) lues sur la table statistique de DW
et qui sont fonctions de 3 critres :
- N : le Nbre dobservation
- k : le Nbre de regresseurs (exclu la
constante)
- : le niveau de signification
61

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Reprsentation graphique:
H0

H1
A
U
T
O
P
O
S
I
T
I
V
E

62

D
E
P
E
N
D
A
N
C
E

13/09/2016

D
O
U
T
E

H0

A
B
S
E
N
C
E

A
B
S
E
N
C
E

A
U
T
O

A
U
T
O

ECO. DE L'ENTREPRISE

H1
A
U
T
O
D
O
U
T
E

N
E
G
A
T
I
V
E

D
E
P
E
N
D
A
N
C
E

A. ELABJANI

3. Le modle de Regression Multiple


Formulation des tests:
Les hypotses appliques sont du genre de
celles de Fischer:
Test de nullet:
H0 : cov(t+1 ,t) = 0
H1 : cov(t+1 ,t)0
Test positif:
H0 : = 0
H1 : > 0

63

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Test ngatif :
H0 : = 0
H1 : < 0

Remarques :
1. Le test de DW suggre lintercepte
dans la regression.
2. Pas de retard pour la variable endogne
Yt sinon d sera biais vers 2.
64

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Remarques (suite):
3. Une des faibleses de DW aussi cest
quon travaille sur des rsidus qui ne
sont pas observs, ce qui entraine
toute possibilit danomalies.
4. Sa validit reste faible dans le cas
de petits chantillons.
65

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.5.4. Le test de COLINEARITE (Haitovsky)

La colinarit ou multicolinarit se
traduit
par
lexistence
dautocorrlations multiples entre les
variables exognes.
Dans un modle de regression
multiple
comportant
plusieurs
variables explicatives, la colinarit
est parfois fort probable dexister.
66

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Son existence
chaque fois que :

est

soupsonne

* la statistique F est petite;


* le coeficient de corrlation R est
aussi maigre;

* alors que le nombre de variables


explicatives est important.
67

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


On applique pour dtecter son
existence le test de Haitovsky qui
permet de calculer la valeur Chi-deux:
nk 1

log(1det( X' X))


6(2k 5)
Avec:

68

* n : le Nbre dobservations
* k : le Nbre de regresseurs (exclu la
constante)
* : le niveau de signification donn.
13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Principe du test:

H0 : det (XX) = 0
H1 : det (XX) 0

Rgle de dcision:
Si cal < lue on accpte H1

prsence de colinarit
Si cal > lue on accpte H0
absence de colinarit
Remarque:
La valeur de est lue sur la table de Chi-deux
au
69 degr de libert de 0.5(k (k-1)).
13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Afin
den
vrifier
lexistence,
des
regressions diverses entre toutes les
variables explicatives seront souhaitables.
Si les regressions sont significatives
entre ces dernires, il serait alors
ncessaire de corriger ce fait en liminant
certaines dentre elles.
Seules les variables exognes qui
contiennent le plus dinformation dans la
variable endogne seront gardes dans le
modle.
70

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


A la fin de ce travail, le modle sera
simplifi en un modle restreint.
celui-ci
ne
va
contenir,
par
consquent,
quun
minimum
de
variables mais avec plus de poids de
signification
par
rapport
au
comportement
de
la
variable
endogne.
Cest ainsi que le R et le F pourront
automatiquement samliorer.

71

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


3.6. LA PHASE DE PREVISION
Si ltape de la prvision correspond
lun des ultimes objectifs cibls
dans la modlisation conomtrique,
son application restera, cependant,
totalement lie aux rsultats des
tests effectus.

Si on admet que le modle estim


est parfaitement significatif, ceci se
traduit par:
72

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Un

test global bon


daccpter le modle;

permetant

Des tests marginaux significatifs;


Absence

erreurs;

dautocorrlation

des

Absence de multicolinarit entre

les variables.
73

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


La prvision nous servira pour
calculer des valeurs approches de
la variable explique (endogne) en
considrant
avoir
les
mmes
conditions et le mme environnement
dans le futur.
Lquation de la prvision sera
dtermine comme suit:

Yi 0 1X1i 2 X 2i 3 X 3i ....k X ki
74

Yi 12030,6X1i 1,78X 2i 0,46X 3i ....0,26X ki


13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


A titre de vrification, on peut laide
du logiciel calculer les carts (les
rsidus) entre :
* les valeurs observes de Yi;
* les valeurs calcules de Yi hat.
Afin damliorer cet argument, un
test de validit pourra tre fait sur les
valeurs calcules de la variable
endogne grce lintervalle de
prvision de Yi.
75
13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Celui-ci est donn par la formule suivante:

P Yi t /2 (nk 1) Y Yi Yi t /2 (nk 1) Y 0,95


PLowerYi Yi UpperY 0,95

Avec:
* t= la valeur lue dans la table de la LNCR
% de risque;
* = le niveau de risque;

76

SEE
Y

13/09/2016

RSS

NECO.
kDE L'ENTREPRISE
N k

A. ELABJANI

3. Le modle de Regression Multiple


Sur RATS :
**********Etape de la prvision**********
Prj Yhat
Print(dates) / Y Yhat Residus
graph(header=PREVISION DE Y) 2
#Y
# Yhat

77

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

3. Le modle de Regression Multiple


Sur RATS :
*************Intervalle de Prvision*******
set upper = (Yhat(t) + t/2(SEE))
set lower = (Yhat(t) - t/2(SEE))
graph(key=upleft,header=Intervalle de prvision) 3

# upper
# lower
# Yhat

78

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

4. Les Applications Empiriques


4.1. les tapes de lapplication
Les applications empiriques doivent
tre excutes sur le programme de Rats
en passant par 3 tapes essentielles:
1re tape: constitution du fichier data
* crer et nommer le fichier data;
* crer et nommer les sries
temporelles.
79

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

4. Les Applications Empiriques


2me
tape:
constitution
du
fichier
programme
* crer et nommer le fichier programme;
* taper votre programme de rgression
linaire;
* Excuter le programme.
3me tape: traitement et analyse des
donnes
* retrouver les statistiques essentielles;
* utiliser
les
tests
ncessaires;
80
13/09/2016
ECO. DE L'ENTREPRISE
A. ELABJANI
* tirer votre conclusion.

4. Les Applications Empiriques


4.2. Etude de cas n 1:
CHIFFRE DAFFAIRES ET FRAIS DE PUBLICITE

81

ANNEES

FRAIS DE
PUBLICITE

CHIFFRE
DAFFAIRES

Janvier
Fv
Mars
Avril
Mai
Juin
Jui
Aout
Sept
Oct
Nov
Dc

25 000
17 000
18 000
28 000
22 000
20 000
19 000
22 000
30 000
30 000
27 000
24 000

280 000
250 000
255 000
292 000
265 000
260 000
262 000
280 000
285 000
296 000
285 000
270 000

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

4. Les Applications Empiriques


TAF :
1.Saisir les donnes sur le fichier data ?
2.rgresser le CA sur les FP ?
3.estimer les paramtres ?
4.excuter les tests ncessaires ?
5.donner
lquation
du
modle
conomtrique utiliser dans les
prvisions ?
82

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

4. Les Applications Empiriques


Etude de cas n 3:
Cas de : La production et lemploi

83

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


5.1. Prsentation:

Lorsque
le
nombre
des
variables
explicatives est important, il devient
ncessaire de disposer de mthode de
slection automatique des variables.
Les mthodes les plus utilises dans ce
cadre sont:
* La Regression pas pas ascendante
(Forward Stepwise Regression);
* La Regression pas pas descendante
84
(Backward
Stepwise
13/09/2016
ECO. DERegression).
L'ENTREPRISE
A. ELABJANI

5. LA REGRESSION PAS A PAS


5.2. Les caractristiques

Il sagit dune mthode itrative consistant


de :
* slectionner chaque tape la variable
explicative dont lapport marginal est
important et significatif;

* maximiser le R de la variable endogne


avec toutes les variables slectionnes
aupravant.
85

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


La mthode de la Regression pas pas
ascendante se rsume dans les tapes suivantes:

1. Regresser La variable endogne sur


toutes les variables du modle prises
isolment;
2. Slectionner la 1re meilleure
variable
contenant
linformation
significative de la VE;
3. Regresser nouveau La VE sur les
86
variables restantes du modle;
13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


4. Reslectionner la 2me meilleure
variable qui amliore le R de la VE;
5. On le fait autant de fois jusquau
moment o lamlioration du R nest plus
avantageuse avec lajout de nouvelle
variable.
87

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


Dans
le
descendante,
contraire.
d :

cas
de
la
regression
il faut passer par le

1. Regresser La variable endogne sur


toutes les variables du modle (le modle
complet);
2. Supprimer la 1re variable contenant
linformation la moins significative dans la
VE;

88

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


3. Regresser nouveau La VE sur les
variables restantes du modle;
4. Reslectionner la 2me mauvaise
variable supprimer sans affaiblir le R
de la VE;
5. On le fait autant de fois jusquau
moment o la suppression dune autre
variable causera une grande perte sur le
R.

89

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


Application n 4:
Cas du chiffre daffaires multicritre.
Les tapes suivre:
1.Commencer par analyser les rsulltats
de la regression du modle complet;
2.Faites les tests ncessaires;
3.Possibilit de rduire le modle;
4.Excuter une regression pas pas.
90

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


Rsultats n 1:
n

1
2
3
4
5
6
7
8
9

91

variables
Constant
MT
RG*
PX *

BR*
INV
PU
FV *
TPUB *

13/09/2016

R= 0.80
Coeff.
3179.128
4.72
1.43
-14.24
-3.52
1.96
8.37
1.17
-0.18

ECO. DE L'ENTREPRISE

t
4.79
4.29
0.43
-1.63
-0.55
2.58
4.71
0.59
-0.45
A. ELABJANI

5. LA REGRESSION PAS A PAS


LA MULTICOLINEARITE
Variables MT
RG
0.72 -0.08
Ventes
1
-0.07
MT
1
RG
Px
BR
INV
PUB
FV
Tpub

92

Px

BR

INV

PUB FV

Tpub

0.29 0.08

0.45

0.57

0.57

-0.1

0.55 0.16

0.14

0.2

0.82

-0.02

0.03 0.02

0.09

-0.12

0.03

-0.15

0.44 -0.06

0.25

0.7

-0.16

0.17

0.1

0.4

-0.13

0.24

0.16

-0.12

0.17

-0.2

-0.06

1
13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


5.3. Exemple de la RPP ascendante
1re tape : rgressions partielles par rapport
aux diffrentes variables exognes
Tableau n 1 : rgressions partielles

93

Variables
MT
Rg
Px
BR
Inv
Pub
FV
Tpub
13/09/2016

R2 (CA ; Xi)
0.52
0.007
0.08
0.006
0.2
0.32
0.32
0.009
ECO. DE L'ENTREPRISE

ti
6.23
-0.5
1.8
0.49
3.05
4.12
4.18
-0.58
A. ELABJANI

5. LA REGRESSION PAS A PAS


2ieme tape : On tudie maintenant les
R2(CA;MT;Xj) cd en rgressant CA sur le MT
et une autre variable des 7 restantes :
tableau n2 : rgressions partielles
Variables
Rg
Px
Br
INV
Pu
FV
Tpub

94

13/09/2016

R2(CA;MT;Xj )
tj
0.5206
-0.287
0.5374
-1.1628
0.5267
-0.289
0.6438
3.495
0.7053
4.7
0.5199
-0.1815
0.5262
-0.7035
ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


3ieme tape : De la mme faon on reconstruit le
tableau (3) donnant les R2 ( CA ; MT ; Pub ; Xj ) :
tableau n3 : rgressions partielles

Variables R2 ( CA ; MT ; Pub; Xj )
0.7055
Rg
0.7502
Px
0.71
Br
INV
0.77
0.7062
FV
0.7053
Tpub
95

13/09/2016

ECO. DE L'ENTREPRISE

tj
0.136
-0.47
-0.71
3.25
-0.315
0.33
A. ELABJANI

5. LA REGRESSION PAS A PAS


4ieme tape :
tableau n4 : rgressions partielles

Variables R2 (CA;MT;Pub;INV;Xj)
tj
Rg
0.7763
0.36
Px
0.8001
-2.018
Br
0.786
-1.27
FV
0.777
-1.61
Tpub
0.7761
0.307
96

13/09/2016

ECO. DE L'ENTREPRISE

A. ELABJANI

5. LA REGRESSION PAS A PAS


5ieme tape :
tableau n5 : rgressions partielles
2

Variables R (CA;MT;Pub;INV;Px;Xj)
Rg
0.802
Br
0.8012
FV
0.8019
Tpub
0.8001
97

13/09/2016

ECO. DE L'ENTREPRISE

tj
0.554
-0.42
0.54
-0.84
A. ELABJANI