Anda di halaman 1dari 4

1. Tapez une quation ici.

Introduction :

Aprs la phase de choisir les variables explicatives qui permettent davoir un modle spcifi, il arrive le rle
de dterminer les paramtres de rgression cest--dire et . Chaque modle provoque plusieurs erreurs ou
i).
rsidus et notre rle, cest celui de rduire et dliminer ces rsidus (

On sait que : = Yi -
=0
Pour cela il faut que le rsidu soit : (U)
cest--dire que Yi - =0 Yi =
= Yi - Xi -

donc on peut dire que E ce nest quune fonction de et


F ( , ), celle-ci doit tre minimise.

Lorsquon voit le graphe on constate quil existe des rsidus


positifs et autres ngatifs donc on est l pour liminer lensemble de ces rsidus, a veut (Ei)2 pour viter la
compensation des Ui ngatifs avec ceux positifs.

i)2
Ainsi on minimise E=(

=0 et =0


= 0 -2Xi (Yi - Xi -) = 0 (1) et = 0 -2(Yi - Xi - ) = 0 (2)

daprs lquation (2) :


= - Xi

on remplace par sa valeur et on obtient dans lquation (1) :


()()
= ()2 (3)

(,) (,)
Dans la statistique en sait que rx,y = .
et daprs lquation (3) on obtient : = ()


ainsi : = rx,y.

2. Proprits de et :

En gnral, un estimateur dit sans biais si et seulement si : E (


) = m
dont E reprsente lesprance mathmatique.
Cependant, on doit vrifier si les deux estimateurs ( ) sont biaiss ou non. Pour cela

1. Modle de rgression multiple :

Jusqu prsent on a dfini le modle de rgression simple, ctait le cas dune seule variable exogne en vue
dexpliquer la variable endogne, mais parfois on trouve quun modle pour quil soit parfaitement spcifi on est besoin
dintroduire plus quune variable explicative. Cependant dans lconomie, cest rarement quune grandeur conomique
soit explique par une seule variable. Certes lintroduction des nouvelles variables peut amliorer le modle (lomission
des variables) mais cela peut provoquer des problmes, notamment celui de la multi-colinarit entre les variables qui
peut engendrer des rsultats biaiss.
=> Exemple : le PIB dans le cas dune conomie ouverte : PIB+M = C+I+G+X
On considre PIB=Y
C = aY+C0 et M = mY + M0 donc : Y+ mY + M0 = cY + C0 + I + G + X Y (1 + m c) = C0 + I + G + X M0

0 +++0 1 1 1
Y= 1+
= 1+ I + 1+ G + 1+ X

En gnral un modle de rgression multiple s crit sous la forme suivante :

Yt = a1X1t + a2X2t +.+ anXnt + Ut

La variable Yt est observe N fois, cest--dire elle scrit sous la forme dun vecteur de N lignes et une colonne : (N,1)
de la mme faon on peut prsenter les variables exognes sous forme matricielle.

Exemple : prenons un exemple de chmage qui a une relation directe avec linvestissement et avec linflation

aprs avoir choisir les variables exognes les plus pertinentes en vue dexprimer la variable endogne, on doit estimer les
paramtres de rgression reprsents par le vecteur A (a1,a2,a3,,ak). Cependant il existe plusieurs mthodes
destimation, la mthode la plus souvent utilise est celle des moindres carres ordinaires.

- Estimation des paramtres :


Il sagit de minimiser les rsidus.
Ainsi : =1()2 soit minimum

= Y-X

des erreurs est orthogonal au plan de rgression, alors : X


le vecteur = 0

Donc : X (Y X) = 0
(X Y) (X X) = 0
X Y = X X

(X X)-1 X Y = (X X)-1 (X X)

= (X X)-1 X Y

Calcul de :

Exemple :
Supposons que les services de police souhaitent tablir un modle de rgression linaire reliant la variable endogne
taux de criminalit mesur par un indicateur Y, la densit de la population urbaine mesure par un indicateur X1 et
niveau de scolarit X2. On a relev 5 observations :

T Y X1 X2
1 3 2 4
2 4 3 1
3 1 5 2
4 2 8 5
5 2 2 3

Le modle est reprsent par le modle suivant :


Y = a1 X1 + a2 X2 +

On sait que :
= (X X)-1 X Y

Tout on doit crire les informations sur le tableau sous la forme matricielle : mais dabord pour simplifier le calcule on
prend : y=Y-2 et x1= X1-3 et x2= X2-3

T y X1 X2

1 1 -1 1

2 2 0 -2

3 -1 2 -1

4 0 5 2

5 0 -1 0

1 1 1 1
0 2 0 2
1 0 2 5 1 1 0 2 5 1
X = 2 1 X = ( ) X X = ( )* 2 1
1 2 1 2 0 1 2 1 2 0
5 2 5 2
( 1 0) ( 1 0)
0.03 0.02
X X = ( )
0.02 0.11

1
2
1 0 2 5 1 7
X Y = ( )* 1 = ( )
1 2 1 2 0 2
0
(0)

0.03 0.02 7 0.32


= ( )* ( ) = ( )
0.02 0.11 2 0.42

Finalement on obtient un modle sous la forme suivante : = 0.32 X1 - 0.42 X2


Aprs lestimation du paramtre de rgression on passe vrifier si ce paramtre est BLUE (Best Linear Unbiased
Estimator)

Proprits de :

Calcul de E() : = (X X)-1 X Y

Y = aX + U

= (X X)-1 X (aX + U)
= (XX)-1 (aXX + XU)
= (XX)-1 XXa + (XX)-1 XU
= a + (XX)-1 XU
E () = E(a) + (XX)-1 XE(U) ( avec E(U)=0 minimiser les carts)

soit : E() = a

Ainsi est un estimateur sans biais.

Calcul de V () :
V () = E [( ). ( )]

( ) = (XX)-1 XU donc ( ) = U X(XX)-1

Ainsi : ( ). ( )= (XX)-1 XUUX (XX)-1

E [( ). ( )] = E [ (XX)-1 XUUX (XX)-1 ] V() = (XX)-1 X E(UU) X (XX)-1

selon H3 : V(Ut) = 2

Donc : V() = 2 (XX)-1