Table des matires

1 Etudes des rsidus 1.1 1.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . Test dautocorrlation . . . . . . . . . . . . . . . . . . . . . . 1.2.1 1.2.2 1.2.3 1.3 1.4 Examen visual des rsidus . . . . . . . . . . . . . . . . test de Durbin et Watson . . . . . . . . . . . . . . . . Test de breuch-godfrey . . . . . . . . . . . . . . . . . .

3 3 4 4 5 6 8

Test de lhtroscdasticit . . . . . . . . . . . . . . . . . . . .

Tester les caractristiques stochastiques des rsidus . . . . . . 10 1.4.1 1.4.2 Test de nullit de de la moyenne des rsidus . . . . . . 10 tester la normalit des rsidus . . . . . . . . . . . . . . 11

TABLE DES MATIRES

1
Etudes des rsidus
1.1 Introduction

Linfrence statistique relative la regrssion (estimation par intervalle

de conance des paramtres, test des hypothses, etc. . . ) repose principalement sur les hypothses de termes derreurs
i.

Qui rsume linformation

absente dans le modle, il est important de verier ces hypothses an de

4 travailler dans de conditions optimales. Les hypothses lies eux termes derreurs :

Etudes des rsidus

La distribution des erreurs doit tre symetrique. Plus exactement, ils suivent une loi normal.
i

N (0, 2 )

Homoscdasticit des des erreurs ( 2 =iste). Absence dautocorrlation des erreurs. Les variables exlpicatives sont orthogonal aux termes derreurs.

1.2

Test dautocorrlation

Les problmes destimation et dinfrence poss par lautocorrlation et que la mthodes des moindres carres ne fournie pas des estimateurs de variances minimales (des estimateurs non optimals, voir Philip Tassi [6]). Dans le cas o la lautocorrlation existe entre les erreurs, cela sinie que cov( i , j ) = 0, i = j, puisque
i j

cov( i , j ) = 0 i = j.

Plusieurs test existe pour detecter une eventuelle dpendance entre les erreurs, et ces testes sont eectuer qua partir de lanalyse des rsidus.

1.2.1

Examen visual des rsidus

Dans le graphique des rsidus, nous plaons des dates en abcisse, nous essayons de dtecter si les erreurs suivent un processus particulier au cours

1.2 Test dautocorrlation

du temps. Lautocorrlation peut tre positive (des "blocs" de rsidus sont positifs ou ngatifs)ou ngative (les rsidus sont alternativement positifs et ngatifs). Mais lanalyse graphique ne permet pas toujours de dcrire dune manire exhaustive les caractristiques stochastique des erreurs.

1.2.2

test de Durbin et Watson

Ce test permet de dtecter lautocorrlation de la forme suivante (autocorrlation dordre 1) :

t

t1

+ vt

vt N (0, 2 )

H0 : = 0 absence dautocorrlation dordre 1. H1 : = 0 prsence dautocorrlation dordre 1. On utilise la statistique de DW d=

n 2 i=2 (ei ei1 ) n 2 i=1 ei

par construction 0 d 4 et d = 2 lorsque = 0. an de tester lhypothse H0 , Durbin et Watson ont tabuler les valeurs critiques de la statistique d, pour des dierentes taille de n et de k nembre de variables explicative. Acceptation de H0 si du d 4 du . Rejet de H0 si d dl ( 0) ou d 4 dl ( = 0). Incertitude. si dl < d < du ou du < d < 4 dl . dans notre example d = 0, 32 < 1.19, donc il y a autocorrlation positif. Le test de DW est assez limit, la regression doit comporter une constante

Etudes des rsidus

C, les variables explicatives ne doivent pas comporter un vecteur endogne retarder et pour nir le test DW dtecte que lautocorrlation dordre 1.

1.2.3

Test de breuch-godfrey

Ce test permet de dtecter lautocorrlation dordre superieur un 1. Lide gnrale de ce test rside dans la recherche dune relation signication entre le rsidu et ce mme rsidu dcal dans le temps.
t

= 1t1 + 2t2 + . . . + ptp + vt

ce test est eectuer en 2 tapes : Estimer par la MCO le modele puis calculer les residus et , car le test se porte sur les residus. estimer par la MCO lequation intermediaire : et = a1 x1t + a2 x1t + . . . + ak xkt + 1t1 + 2t2 + . . . + ptp + vt . tester lhypothse sur lequation intermediaire :

H0 : 1 = 2 = . . . . . . = p = 0 Absence dautocorrlation dorde p. On rejette H0 si la statistique de LM = R2 n > 2 (p), le test de BreushGodfrey est fond sur le test de multiplicateur de lagrange. Dans notre example, on a LM = 19, 42 et comme les donnes sont annuel, nous testons lautocorrlation dordre 2 ,p = 2. on voit bien sue Eviews la statistique LM (Obs*R-squared) qui vaut 19,42, donc LM > 2 (2) = 5, 99. On peut conclure qui il y a prsence dautocorrlation dordre 2.

1.2 Test dautocorrlation Breusch-Godfrey Serial Correlation LM Test : F-statistic 19.30517 Obs*R-squared 19.42343 Test Equation : Dependent Variable : RESID Method : Least Squares Date : 11/30/11 Time : 22 :40 Presample and interior missing value lagged residuals set to zero. Variable x1 x2 x3 x4 C RESID(-1) RESID(-2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coecient 3.376000 48.92833 -1.204564 0.000249 -133.9807 1.023620 -0.336953 Std. Error 3.740334 173.2438 6.402137 0.000315 141.8867 0.182686 0.219036 t-Statistic 0.902593 0.282425 -0.188150 0.791132 -0.944279 5.603171 -1.538344 Prob. 0.3754 0.7799 0.8523 0.4363 0.3541 0.0000 0.1365 -7.64E-14 137.9774 12.16391 12.48454 6.435057 0.000338 Probability 0.000009 Probability 0.000061

0.606982 0.512658 96.32189 231947.6 -187.6225 1.295396

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Etudes des rsidus

1.3

Test de lhtroscdasticit

La prsence de htroscdasticit signie que les variances des erreurs ne sont plus iste. Lhtroscdasticit se manaifeste dans des modele spcier en coupe instantane. La variance de lerreur est alors lie aux valeurs de la variables explicative. Les consquences de lhtroscdasticit sont identiquee celle de lautocorrlation des erreurs, estimateur sans biais mais non optimal. Les causes de lhtroscdasticit sont multiples : Lorsque les observation reprsentent des moyennes calcules sur des echontillon de taille dirente. Lorsque les erreurs sont lies aux valeurs prises par des variables explicatives. Il existe derent test pour dtecter lhtroscdasticit, le test de White est choisi, qui un test extrmement gnral. Il fond sur une relation de spcication entre le carr des rsidus et une ou plusieurs variables explicatives en niveau et au carr au sien de mme equation de rgrssion. e2 = a1 x1t + b1 x2 + . . . . . . + ak xkt + bk x2 + a0 + vt t 1t kt Si lun des cocients de regression est signicativement dierent de zro alors on accepte lhypothse de lhtroscdasticit. H0 : a1 = b1 = . . . . . . = ak = bk absence de lhtroscdasticit. Soit la statistique LM = n R2 qui suit une loi de probabilit de Khi deux 2 (K). O k est le nembre de paramtres estimer hormis la constance.

1.3 Test de lhtroscdasticit Si n R2 > 2 (K) alors H0 est rejette un seuil de 5%. Si n R2 2 (K) alors H0 est accepte un seuil de 5%.

Dans notre example n R2 = 22, 18 > 9, 48 = 2 (4), donc on conclue que les rsidus sont htroscdastique. White Heteroskedasticity Test : F-statistic 6.499863 Obs*R-squared 22.18652 Test Equation : Dependent Variable : RESID2 Method : Least Squares Date : 12/10/11 Time : 04 :07 Sample : 1 33 Included observations : 32 Variable C x1 x2 1 x2 x2 2 x3 x2 3 x4 x2 4 Coecient -267085.1 26612.24 -773.8152 537122.5 -618004.6 -13668.10 -184.9093 1.096071 -1.32E-06 Std. Error 167612.3 4889.920 142.4051 302612.4 282359.2 6765.207 325.9774 0.834735 8.85E-07 t-Statistic -1.593470 5.442265 -5.433900 1.774952 -2.188718 -2.020352 -0.567246 1.313077 -1.494457 Prob. 0.1247 0.0000 0.0000 0.0891 0.0390 0.0551 0.5760 0.2021 0.1487 Probability 0.000189 Probability 0.004582

10 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.693329 0.586661 20964.72 1.01E+10 -358.5413 2.028889

Etudes des rsidus Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 18442.84 32608.87 22.97133 23.38357 6.499863 0.000189

1.4

Tester les caractristiques stochastiques des rsidus

Une grande partie de linfrence statistique (ex. test de pertinence globale de la rgression, prdiction par intervalle, etc.) repose sur lhypothse de distribution normale
i

N (0, 2 ) du terme derreur de lquation de rgression

. Vreer cette hypothse semble incontournable pour obtenir des rsultats exacts. Nous disposons des erreurs observs ei , les rsidus de la rgression, nous allons tester le rsidu pour valuer les caractristiques thoriques des erreurs
i.

1.4.1

Test de nullit de de la moyenne des rsidus

on suppose que les rsidus suivent une loi normal moyenne m et decarttype . La moyenne des rsidus e suit une loi de normal de moyenne m et decart-type
, n

o n est la taille de la population.

1.4 Tester les caractristiques stochastiques des rsidus

e N (m, n ) em
n

11

N (0, 1)

on test au seuil de 5% la nullit de m

H0 : m = 0 avec un seuil de 5% H1 : m = 0 avec un seuil de 5% On construit une fonction pivotale U =

em
n

, tq U N (0, 1). A partir de

cette fonction pivotale , on peut construire un intervalle de conance, qui contient la vrai valeur de la moyenne de rsidus e avec une probabilit de 0,95% soit :

P r( U U1 ) = 1- 2 H0 : m = 0 si |U | < U1 2 H1 : m = 0 si |U | > U1 2 dans notre example |U | 0 et |U | < U1 = 1, 96donc on peut conclure 2 que les rdidus sont gnrs par un processus alatoire de caractristique stochastique, moyenne nulle.

1.4.2

tester la normalit des rsidus

Le test de Jarque-berra integre integre le cocient daplatissement (Kurtosis) 2 =

4 2 2

3 et dasymetrie 1 =

2 3 (skewness), 3 2

tq k = E(x m)k
n 4 i=1 ei n e2 )2 i=1 i

. Nous estimons les cocients 1 et 2 laide des cocients dasymetrie et daplatissement emprique g1 =
1 1 n (n
n 3 i=1 ei n e2 )32 i=1 i

et g2 =

1 1 n (n

3.

12 La statistique de Jarque-Berra :

Etudes des rsidus

T =

np1 2 (g1 6

2 g2 ) 24

n p 1 est le degr de libert.

Les hypothses :

H0 : e suit une loi normal, par consiquent 1 = 0 et 2 = 0. H1 : e ne suit pas une loi normal, par consiquent 1 0 ou 2 = 0. sous H0 , la statistique T (2)2 , donc si T > 2 (2) alors H0 est rejetter 1 au seuil de 1 . Dans notre example T = 3, 26 < 5, 99 = 2 (2), donc on peut conclure que le rsidu suit une loi normal.

Bibliographie

[1] M. A.Odijk. Construction of Periodic Timetables - Part 1 : A Cutting Plane Algorithme. Technical Report 91-61 . Department of Mathematics and Computer Science. Delft University of Technology, 1994. [2] M. A.Odijk. Construction of Periodic Timetables - Part 2 : an application. Technical Report 94-71. Department of Mathematics and Computer Science. Delft University of Technology, 1994. [3] Leon.W.P.Peeters Eramus Research Institue of Management (ERIM)University Rotterdam. 2003. [4] P. Serani and W.Ukovich. A mathematical model for periodic scheduling problems. SIAM.J.Disc.Math.2(4), 1989. [5] P. Serani and W.Ukovich. A mathematical model for the xed time trac control problem.European. J. Oper. Res. 42,152-165, 1989. [6] Cours de probabilits / Alain Monfort ; annexe de Philippe Tassi. Book. Bib ID, 2984204. Format.European. J. Oper. Res. 42,152-165,