Академический Документы
Профессиональный Документы
Культура Документы
Francesco Quatraro
M1 EFM – 2010/2011
Économétrie 1
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Nous avons considéré le cas où une variable
endogène est expliquée par une seule variable
exogène
• C’est extrêmement rare qu’un phénomène
économique puisse être expliqué par une seule
variable
• Le modèle linéaire général est une généralisation
du modèle de régression dans lequel figurent
plusieurs variables explicatives
Économétrie 2
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• yt=a0+a1x1t+a2x2t+…+akxkt + t
– Pour t=1,…n
– yt= variable à expliquer
– x1t= Variable explicative 1
– x2t= variable explicative 2
– xkt= variable explicative k
– a0 a1a2ak= paramètres du modèle
– t = erreur de spécification
– n = nombre d’observations
Économétrie 3
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Afin d’alléger l’écriture et de faciliter l’expression
de certains résultats, on a habituellement recours
aux notation matricielles
• En écrivant le modèle observation par
observation, nous obtenons:
y1=a0+a1x11+a2x21+…+akxk1 + 1
y2=a0+a1x12+a2x22+…+akxk2 + 2
…
yn=a0+a1x1n+a2x2n+…+akxkn + n
Économétrie 4
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Sous forme matricielle:
Y=Xa+
Économétrie 5
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Soit le modèle sous forme matricielle à k variables
explicatives et n observations:
– Y=Xa+
• Afin d’estimer le vecteur a composé des coefficients
a1, a2, …, ak, nous appliquons le méthode des
Moindres Carrés Ordinaires (MCO) qui consiste à
minimiser la somme des carrés des erreurs:
Économétrie 7
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• On appelle équations normales les équations
issues de la relation:
– Où
• Si nous raisonnons sur des données centrées,
l’estimateur de a peut s’écrire en fonction des
matrices des variances et covariances empiriques
Économétrie 8
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Soit le modèle:
Économétrie 9
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Par construction, le modèle est linéaire en X, et nous
distinguons les hypothèses stochastiques (liées à l’erreur)
des hypothèses structurelles:
• H1: les valeurs xi,t sont observés sans erreur
• H2: E( )=0, l’espérance mathématique de l’erreur est
nulle
• H3: E( ²)= ², la variance de l’erreur est constante
(homoscédasticité)
• H4: E( t t+1), les erreurs sont non corrélées (ou
indépendants)
• H5: Cov(xi,t t), l’erreur est indépendante de la variable
explicative
Économétrie 10
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Hypothèses structurelles
• H6: absence de colinéarité entre les variables
explicatives, cela implique que la matrice (X’X)
est régulière et que la matrice inverse (X’X)-1
existe.
• H7: (X’X)/n tend vers une matrice finie non
singulière.
• H8: n>k+1 le nombre d’observations est
supérieur au nombre de séries explicatives
Économétrie 11
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Propriétés des estimateurs:
• L’estimateur est sans biais:
• L’estimateur est convergent:
• L’estimateur est qualifié de BLUE (best linear
unbiased estimator), car il s’agit du meilleur
estimateur linéaire sans biais
Économétrie 12
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Comme pour le modèle de régression simple
nous avons:
Économétrie 13
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Cette équations va nous permettre de juger de la
qualité de l’ajustement d’un modèle
• Plus la variance expliquée est proche de la variable
totale, meilleur est l’ajustement global du modèle
Économétrie 14
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Dans le cas de données centrées (moyenne
nulle) le coefficient de détermination est égale à:
Économétrie 15
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
Économétrie 16
Francesco Quatraro – 2010/2011
Le modèle de régression multiple
• Comme pour le modèle de régression simple,
nous pouvons mettre en place un certain
nombre de tests statistiques:
• Comparaison d’un paramètre à une valeur fixée:
– Test d’hypothèse