L Analyse Des Donn Es-1

LES MODELES D’AIDE A LA DECISION
ECONOMETRIE DE L’ENTREPRISE
Filière de Sc. Eco.- Semestre 5 et 6

Deuxième Année de Licence appliquée
LAMSID II
ECO. DE L'ENTREPRISE
1 23/12/2012 A. ELABJANI
2. PROGRAMME
“Préliminaire”
1. INTRODUCTION
2. LES MODELES DE REGRESSION
SIMPLE
3. LES MODELES DE REGRESSION
MULITPLE
4. LES MODELES DE PREVISION
2 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

RAPPELS
1.1. LES CONCEPTS DE LA STATISTIQUE

* Descriptive (les caractéristiques),
* Probabilités (les VA, la fonction de densité,les
lois,…)
* Inférentielle (estimation, Echantillonnage).
1.2. LA DECOMPOSITION DE LA MATIERE EN 2
PARTIES:
* Partie théorique;
* Partie Empirique.
1.3. UN TRAVAIL DE FIN D’ANNEE SERA DEMANDE
* Une étude de fonction
1. INTRODUCTION
1.1. DEFINTION DE L’ECONOMETRIE

1.2. LA METHODOLOGIE DE L’ECONOMETRIE
1.3. LA REGRESSION
1.4. LES VARIABLES DU MODELE
ECONOMETRIQUE

1. INTRODUCTION
1.1. DEFINTION DE L’ECONOMETRIE

“c’est la mesure de de l’économie”
Càd le fait de donner un cadre quantitatif de
l’économie et des modèles économiques.
Toutefois, l’économétrie peut être appliquée à
différentes disciplines notamment:
- la psychométrie (mesure appliquée à la
psychologie;
- la sociométrie;
- les autres disciplines comme les sciences
naturelles.
1. INTRODUCTION
Ce qu’on mesure ce sont les variables

agrégées aussi bien en micro-économie
qu’en macro-économie .
Exemples:
- Le modèle Keynésien : C = f(Y)
C  0
avec: Y
- Le modèle de Friedman : C = f(Y,p,g,pr,…)
1. INTRODUCTION
Note:
* La théorie économique nous renseigne
seulement sur la relation entre les variables;
* L’économétrie nous donne par contre la

maniétude de cette relation càd de combien
variera une variable suite à la variation de la 1ère.

1. INTRODUCTION
1.2. LA METHODOLOGIE DE L’ECONOMETRIE
Théorie Économique
Modèles Collecte
économétriques des données
Estimation
des modèles
Tests des
L’inférence
estimations
acceptation rejet
8prévision 23/12/2012 ECO. DE L'ENTREPRISE

reconstruction
A. ELABJANI
1. INTRODUCTION
1.3. LA REGRESSION
Elle signifie l’analyse de la dépendance
susceptible d’exister entre deux ou plusieurs
variables.
On parle généralement de:
 dépendance déterministique (mathématique)
y  f'(x)  log x; e x;....

1. INTRODUCTION
dépendance stockastique :
c’est une dépendance aléatoire avec cette fois des
variables aléatoires
yt  f'(xt) t
t : Représente l‟élément de perturbation (d‟erreur

ou aléatoire).
Exemple:
Dans une fonction de production, il désigne
l‟humeur, comportement, motivation, etc.
1. INTRODUCTION
1.4. LES VARIABLES DU MODELE ECONOMETRIQUE

Deux types de variables économétriques sont
généralement distinguées:
 les variables endogénes:
 Ce sont les variables à expliquer Yt;

 Elles deviennent aléatoires par l’adjonction de
t ;
 Leur probabilité dépendera de celle supposée
pour t .
1. INTRODUCTION
1.4. LES VARIABLES DU MODELE ECONOMETRIQUE
 Les variables exogènes:
 Ce sont les variables explicatives de la variable

étudiée;
 Elles sont considérées comme des Variables
autonomes;
 Elles sont parfois considérées comme
prédeterminées.

2. Les modéles de Regression Simple
En analyse économétrique, le modéle de

Regression Simple s‟écrit en considérant
une seule variable endogéne et une seule
variable exogéne:
Yt    X t  t
La méthode des Moindres Carrés

Ordinaires (OLS) demeure la méthode la plus
utilisée spécifiquement dans ce cadre.

2.1. Les hypothèses des MCO

Elles sont au nombre de 5, supposées
par GAUSS:
 Le modèle est linéaire :
H1: Yt    X t  t
* Yt et Xt doivent représenter des valeurs
numériques observées sans erreur;
*  et  sont des paramètres à estimer;
* t est l‟élément non observé.
 La loi de Probabilité de t :
H2 : « t suit une loi Normale d‟espérance

math. 0 et da variance ² ».
Implications:
 Si E(t ) = 0 alors E(Yt) =  + Xt.

 Si Var(t )=² alors Var(Yt) = ².
C‟est ce qu‟on appelle l‟hypoyhèse
d‟Homoscédasticité.
 La covariance de t :
H3 : « la covariance des éléments d‟erreur
est nulle ».
Implications sur Yt:
 Si cov(t , t-1)= 0 alors cov (Yt ,Yt-1)=0.
Ce qui implique une absence de

corrélation (ou indépendance) entre les
observations.
 La covariance de Xt et t :
H4 : « Gauss suppose que la covariance des
éléments d‟erreur et la variable exogène
est nulle ».
cov(Xt , t)= 0
Ceci implique une absence de

corrélation (ou indépendance) entre la
variable exogéne et les éléments
aléatoires.
 Les variables Xt :
H5 : « Gauss suppose enfin que la variable

exogène Xt est non stochastique ».
Les variables exogènes sont

déterministes et non colinéaires entre
elles.
C‟est l‟hypothèse de colinéarité des
variables exogènes.

2.2. Les Elements de l‟Estimation

Tout le probléme consiste à déterminer
les éstimateurs des éléments de la
population définis dans le modéle
économétrique.
Nous supposons que :
ˆ, ˆ, ˆ² et ˆt

sont les estimateurs respectivement
des valeurs de , , ², et t.
2.2. Les Elements de l‟Estimation

on aura :
Yt  ˆ  ˆ X t  t et Yˆt  ˆ  ˆ X t
Ce qui donne :
 t  Yt Yˆt
Objectif:
La méthode OLS suppose de minimiser tous les t²
20 ² t  (Yt Yˆt)²
23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
Après démonstration et simplification

des écritures des deux estimateurs, on
trouve:
ˆ
ˆ  Y   X et ˆ

xt yt 
xt²
avec :
xt  Xt X et yt  Yt Y

2.3. Les propriétés des estimateurs

Théoreme de GAUSS:
“ les estimateurs OLS sont des estimateurs
BLUE”
Signification:
P3 : Best  le meilleur estimateur existant
et celui qui posséde le minimum de
variance.
P1 : Linear  estimateur linéaire.
P2 : Unbiaisure  estimateur non biaisé tq.
E()= et E()= .
2.4. Le coefficient de détermination R²

D‟après l‟écriture de la variance totale de la
variable endogène, on trouve :
 Yt Y   ²X i  X  i2
ˆ
2 2
i i i
Ou bien :
 yi2  ˆ² xi2 i2

i i i
càd TSS  ESSRSS

Afin de déduire la valeur du coefficient de

détermination R² on divise la dernière
équation par la variance totale de la
variable endogène, on trouve :
ˆ² xi2  i2
1  i  i
 yi2  yi2
i i
donc :
ˆ² xi2
0 R² i 1
24
 yi2
23/12/2012 i L'ENTREPRISE
ECO. DE A. ELABJANI
Interprétation:
Le coefficient de détermination R² traduit
généralement le pourcentage de la variable
exogène Xi dans l‟explication de la V.
endogène Yi.
traditionnellement, on détermine
également le coefficient de corrélation R
qui mesure l‟intensité de variation de Y
suite à la variation de X.

2.5. Les Tests d‟Hypothèses

Plusieurs tests d‟hypotèses peuvent être
utilisés à ce stade.
Les plus important d‟entre 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.

2.5.1. Le test Global de Fischer F

C‟est le test de validité de tout le modèle.
Les hypotèses appliquées sont:
H0 : tous les i = 0
H1 : tous les i  0
On raisonne sur la valeur de la statistique F
de Fischer, avec :
ˆ ² xi2 / k 1
Fk 1; N k  ESS / k 1  i
RSS / N k
i2 / N k
i


Dans le cas du Modèle Linéaire Simple, on
aura :
H0 : = = 0
H1 :  0 et 0
Et la statistique F de Fischer est définit par:
ˆ ² xi2N 2
ESSN 2
F1; N 2  i
RSS
i2
i

La même équation peut être écrite :
ESS N 2
F1; N 2 TSS  R²
1 RSS 1R²/ N 2
TSS
Le raisonnement est le suivant:

Si Fcal > Flue alors le modèle est accepté
dans sa globalité et on décide H1.
Il est préférable dans ce cas que le R² soit
meilleur et proche de 1.
2.5.2. Les tests Particuliers

Ce sont les tests de signification des
coefficients estimés.
Les hypotèses appliquées sont de
plusieurs natures:
Test Bilatéral:
H0 :  = 0
H1 :   0
Test Unilatéral:
H0 :  = 0=0,5
H1 :  < 0=0,5 ou bien  > 0=0,5
La statistique appliquée dans ce cadre est

celle de Student, avec :
t
ˆ 
sd 
ˆ
Le même raisonnement que précédemment:

Si tcal > tlue alors on décide H1.
çàd que le poids de la variable exogène
correspondante est significatif dans le
modèle.
Dans le cas contraire H0 est vraie et la V.
exogène sera non significative dans le
modèle.
3. Le modéle de Regression Multiple
Un parmi Les modéles de

Regression Multiple peut s‟écrire en
considérant 3 regresseurs et 2
variables exogénes:
Yt    X 1t   X 2t   t (1)
Dans le cadre duquel la méthode

des MCO (OLS) demeure la méthode la
plus fréquemment utilisée.
3.1. Les hypothèses des MCO

Ce sont les mêmes hypotheses
supposées par GAUSS dans le cas du
modéle linéaire simple.
On considére :
H1: Le modèle est linéaire : Cf. l’équation (1)
* Yt ; X1t et X2t représentent des valeurs
numériques observées sans erreur;
*  ;  et  sont des paramètres à estimer;
* t est l‟élément non observé
H2 : La loi de Probabilité de t :
t  N(0, ² )
Implications:
 Si E(t )=0 alors E(Yt) =  + X1t+  X2t.

 Si Var(t )=² alors Var(Yt) = ².
Hypoyhèse d‟Homoscédasticité.

H3 : La covariance de t :
cov(t , t-1)= 0
Implications sur Yt:
 Si E (i , J )=0 alors cov (Yt ,Yt-1)=0.
C‟est l‟hypothèse de non-corrélation

des observations.
H4 : La covariance des Xt et t :
cov(X1t , t)= 0
cov(X2t , t)= 0
Ce qui implique la non-corrélation

entre les variables exogénes et les
éléments aléatoires.

H5 : Les variables Xit :
Les variables exogènes X1t et X2t sont

linéairement indépendantes.
Elles sont :
* non stochastiques çàd déterministiques.
* non-colinéaires entre elles.

3.2. Estimation OLS

Tout le probléme consiste à
déterminer les éstimateurs des
éléments de la population définis
dans le modéle économétrique.
Nous proposons de déterminer les
valeurs des estimateurs suivants:
ˆ, ˆ, ˆ, ˆ² et ˆt

On estime le modéle (1) pour avoir :
Yt  ˆ  ˆ X 1t  ˆ X 2t  t Ou bien Yˆt  ˆ  ˆ X 1t  ˆ X 2t
Ce qui donne :  t  Yt Yˆt

Objectif:
La méthode OLS suppose de minimiser tous
les t²
t2  (Yt Yˆt)²
Les Résultats des estimations donnent :
ˆ  Y  ˆ X 1 ˆ X 2
 x 1t yt  x 2t ² x 2t yt  x 1t x 2t
ˆ 

 x 2t ² x 1t ²  x 1t x 2t 
2
et  x 2t yt  x 1t ² x 1t yt  x 1t x 2t
ˆ 

 x 2t ² x 1t ²  x 1t x 2t 
2
avec :
x  X1t X1
40 1t
x 2t  X 2t X 2 et yt  Yt Y
3.3. Interprétation des estimateurs

̂ ?:
mesure seulement l’effet marginal de X1
sur la variable endogéne Y tel que :
ˆ  î Sachant que X est constante
 Y
2
X1i
ˆ?:
mesure seulement l’effet marginal de X2
sur la variable endogéne Y tel que :
 î
41
ˆ

X
Y
2 i
Sachant que X1 est constante
3.4. Le coefficient de détermination Ajusté

Rbar²
Deux niveaux sont à distingués à cet
égard:
 Nous déterminons D‟abord, selon son
écriture, le coefficient de détermination R²,
on trouve :
ESS ˆ
  x y ˆ x2t yt
R²  
1 t t
TSS 2
 y t

Le probléme posé à ce niveau réside dans

le fait que le coefficient de détermination
R² calculé de cette manière paraît comme
une fonction croissante du nombre de
regresseurs k, tel que :
R² 0
k
Ce qui signifie que quant le nombre de
regresseurs «k» augmente, le R²
augmente aussi même si les variables
exogénes ajoutées dans le modèle
n’expliquent
43 23/12/2012
pas ECO.
vraiment
DE L'ENTREPRISE
Y. A. ELABJANI
En effet, même si la Variance totale

de la V. endogène Yi est indépendante
de k, le R² peut automatiquement
augmenté par le biais de la variance
résiduelle qui en est dépendante.
 Au lieu de raisonner sur la base de R²,
on détermine le coefficient de
détermination ajusté (normalisé) Rbar²
tel que :
  t / N k
2
R² 1
44  y t / N 1
2
Qu‟on peut écrire aussi comme :

N 1
R²  1  1  R² 
N k
Remarques :
1. Généralement Rbar² est inférieur au R²
2. Parfois le Rbar² est négatif
Exemple: N=22 ; k=2 et R²=0,01
 Rbar²= -0,0395
3.5. Les Tests d‟Hypothèses

Par rapport aux tests d‟hypotèses
analysés dans la cadre de la MLS, d‟autres
tests plus intéréssants sont à vérifier à 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.

Idem que précédemment.
Les hypotèses appliquées sont:
H0 : tous les i = 0
H1 : au moins un i  0
On raisonne sur la valeur de la statistique F
de Fischer, avec :
 ˆ x y ˆ x y / k 1
 1t t 2t t 
Fk 1; N k  ESS / k 1   
i i
RSS / N k
 i2 / N k
i

Dans le cas du MRM, on aura :
H0 : == = 0
H1 :  0 ou 0 ou 0
Et la statistique F de Fischer est définit par:
 ˆ  x y ˆ x y /31
 1t t 2t t 
F31; N 3  
i i
 i2 / N 3
i

La même équation peut être écrite :
ESS
 N  3 R ²  N  3
F 2; N 3   TSS 


ESS 

1  R ²  2
 1  2
 TSS 
Le même raisonnement est à appliquer:

Si Fcal > Flue
alors on rejette H0 et on décide H1 çàd que
au moins un coefficient sera non nul.
Dans ce cas, le modèle sera accepté
d’abord23/12/2012
49 dans sa globalité.
ECO. DE L'ENTREPRISE A. ELABJANI

Ce sont les tests de signification des
coefficients estimés.
Les hypotèses appliquées sont de plusieurs
natures:
 Test Bilatéral:
H0 :  = 0
H1 :   0
Caractéristiques:
* deux bornes à calculer b1 et b2;
* deux régions critiques;
* une région d‟accépatation.

 Test Unilatéral:
H0 :  = 0=0,5
H1 :  < 0=0,5
Caractéristiques:
* Une borne à calculer b;
* Une région critique à gauche de t;
*une région d‟accépatation à droite de t.


Test Unilatéral:
H0 :  = 0=0,5
H1 :  > 0=0,5
Caractéristiques:
* Une borne à calculer b;
* Une région critique à droite de t;
* une région d‟accépatation à gauche de
t.
Régle de décision:
La statistique appliquée dans ce cadre
est celle de Student, avec : ˆ   t
sd ˆ 
Et on raisonne, selon la valeur de t, comme suit:
Si tcal > tlue alors on décide H1.
çàd que le poids de la variable exogène
correspondante est significatif dans le modèle.
Dans le cas contraire H0 est vraie et la V.

exogène
53 sera non significative dans le modèle.
3.5.3. Le test de Durbin Watson (1950)

Appelé aussi le test d‟indépendance
des erreurs, le test de DW permet de
détecter l‟existence d‟autocorrélation
des erreurs et donc des observations
elles mêmes du modéle.
si on a : Y     X 1t   X 2t  
t t
Tel que :
cov(t+1 ,t)0 (H3 n‟est plus vérifiée)
L‟autocorrélation des erreurs du modéle

signifie ici que l‟on aura:
t+1 = t + vi
Çàd que : t+1 =  t + ni (estimés)
pour ce faire, on calcule la statistique DW:
 t 1   t ²  t 1  t2 2 t 1 t
2
d 
 t ²  t ²
1  t 1 t  
 d  2
   t ² 

 d 21̂ 
Généralement, d est comprise entre 0 et

4 et centrée sur la valeur de 2.
Tout dépend de la valeur de  estimé qui
peut être soit positive soit négative.
 t 1 t 
ˆ 
 t ²
 1  ˆ  1
 hat=1  AP parfaite d=0  Evidence d’AP
hat=-1 AN parfaite  d=4  Evidence d’AN
56hat=0  Absence d’Ad=2  Evidence d’AA
Le test de DW mène au calcul de deux

valeurs de d à savoir d1 et d2 (ou bien dL
et dU) lues sur la table statistique de DW
et qui sont fonctions de 3 critères :
- N : le Nbre d’observation
- k : le Nbre de regresseurs (exclu la
constante)
-  : le niveau de signification
Représentation graphique:
H0 H0
H1 H1
A A
U A A U
T B B T
D D
O S S O
E E
E E
P P
P N N N
E E
O D C C D E
N N
S O E E O G
D D
I U U A
A A
T T A A T T
N N
I E U U E I
C C
V T T V
E E
E O O E

Formulation des tests:

Les hypotèses appliquées sont du genre de
celles de Fischer:
 Test de nulleté:
H0 : cov(t+1 ,t) = 0
H1 : cov(t+1 ,t)0
 Test positif:
H0 :  = 0
H1 :  > 0
 Test négatif :
H0 :  = 0
H1 :  < 0
Remarques :
1. Le test de DW suggère l‟intercepte 
dans la regression.
2. Pas de retard pour la variable endogène
Yt sinon d sera biaisé vers 2.
Remarques (suite):
3. Une des faibleses de DW aussi c‟est
qu‟on travaille sur des résidus qui ne
sont pas observés, ce qui entraine
toute possibilité d‟anomalies.
4. Sa validité reste faible dans le cas
de petits échantillons.

3.5.4. Le test de COLINEARITE (Haitovsky)

La colinéarité ou multicolinéarité se
traduit par l‟existence
d‟autocorrélations multiples entre les
variables exogénes.
Dans un modéle de regression
multiple comportant plusieurs
variables explicatives, la colinéarité
est parfois fort probable d‟exister.
Son existence est soupsonnée

chaque fois que :
* la statistique F est petite;
* le coeficient de corrélation R² est
aussi maigre;
* alors que le nombre de variables
explicatives est important.

On applique pour détecter son

existence le test de Haitovsky qui
permet de calculer la valeur Chi-deux:
nk 1
² log(1det(X' X))
6(2k 5)
Avec:
* n : le Nbre d’observations
* k : le Nbre de regresseurs (exclu la
constante)
*  : le niveau de signification donné.
Principe du test:
H0 : det (X‟X) = 0
H1 : det (X‟X)  0
Règle de décision:
 Si ²cal < ²lue  on accépte H1
 présence de colinéarité
Si ²cal > ²lue  on accépte H0
 absence de colinéarité
Remarque:
La valeur de ² est lue sur la table de Chi-deux
au
65 degré de liberté de 0.5×(k ×(k-1)).
Afin d‟en vérifier l‟existence, des

regressions diverses entre toutes les
variables explicatives seront souhaitables.
Si les regressions sont significatives
entre ces dernières, il serait alors
nécessaire de corriger ce fait en éliminant
certaines d‟entre elles.
Seules les variables exogènes qui
contiennent le plus d‟information dans la
variable endogène seront gardées dans le
modéle.
A la fin de ce travail, le modèle sera

simplifié en un modèle restreint.
celui-ci ne va contenir, par
conséquent, qu‟un minimum de
variables mais avec plus de poids de
signification par rapport au
comportement de la variable
endogène.
C‟est ainsi que le R² et le F pourront
automatiquement s‟améliorer.
3.6. LA PHASE DE PREVISION

Si l‟étape de la prévision correspond
à l‟un des ultimes objectifs ciblés
dans la modélisation économétrique,
son application restera, cependant,
totalement liée aux résultats des
tests effectués.
Si on admet que le modéle estimé
est parfaitement significatif, ceci se
traduit par:
 Un test global bon permetant

d‟accépter le modéle;
 Des tests marginaux significatifs;
 Absence d‟autocorrélation des
erreurs;
 Absence de multicolinéarité entre
les variables.
La prévision nous servira pour

calculer des valeurs approchées de
la variable expliquée (endogéne) en
considérant avoir les mêmes
conditions et le même environnement
dans le futur.
L‟équation de la prévision sera
déterminée comme suit:
Yî ˆ0 ˆ1X1i ˆ2 X 2i ˆ3 X 3i ....ˆk X ki
70 Yî 12030,6X1i 1,78X 2i 0,46X 3i ....0,26X ki
A titre de vérification, on peut à l‟aide

du logiciel calculer les écarts (les
résidus) entre :
* les valeurs observées de Yi;
* les valeurs calculées de Yi hat.
Afin d‟améliorer cet argument, un
test de validité pourra être fait sur les
valeurs calculées de la variable
endogéne grâce à “l‟intervalle de
prévision” de Yi.
Celui-ci est donné par la formule suivante:
 
P Yî t  / 2 (nk 1)ˆ Y  Yi  Yî t  / 2 (nk 1)ˆ Y 0,95
PLowerYi  Yi  UpperY0,95
Avec:
* t= la valeur lue dans la table de la LNCR
à % de risque;
* = le niveau de risque;
*72 ˆ  SEE   i

ˆ 2

RSS
Y
23/12/2012  kDE L'ENTREPRISE
NECO. N k A. ELABJANI
Sur RATS :
**********Etape de la prévision**********
Prj Yhat
Print(dates) / Y Yhat Residus
graph(header=„PREVISION DE Y‟) 2
#Y
# Yhat

Sur RATS :
*************Intervalle de Prévision*******
set upper = (Yhat(t) + t/2(SEE))
set lower = (Yhat(t) - t/2(SEE))
graph(key=upleft,header=„Intervalle de prévision‟) 3
# upper
# lower
# Yhat

4. Les Applications Empiriques
4.1. les étapes de l’application

Les applications empiriques doivent
être exécutées sur le programme de Rats
en passant par 3 étapes essentielles:
1ère étape: constitution du fichier data
* créer et nommer le fichier data;
* créer et nommer les séries
temporelles.
2ème étape: constitution du fichier

programme
* créer et nommer le fichier programme;
* taper votre programme de régression
linéaire;
* Exécuter le programme.
3ème étape: traitement et analyse des
données
* retrouver les statistiques essentielles;
76 * utiliser
23/12/2012
les tests nécessaires;
ECO. DE L'ENTREPRISE A. ELABJANI
* tirer votre conclusion.

4.2. Etude de cas n° 1:

CHIFFRE D’AFFAIRES ET FRAIS DE PUBLICITE
FRAIS DE CHIFFRE
ANNEES
PUBLICITE D’AFFAIRES
Janvier 25 000 280 000
Fév 17 000 250 000
Mars 18 000 255 000
Avril 28 000 292 000
Mai 22 000 265 000
Juin 20 000 260 000
Jui 19 000 262 000
Aout 22 000 280 000
Sept 30 000 285 000
Oct 30 000 296 000
Nov 27 000 285 000
Déc 24 000 270 000
TAF :
1.Saisir les données sur le fichier data ?
2.régresser le CA sur les FP ?
3.estimer les paramètres ?
4.exécuter les tests nécessaires ?
5.donner l’équation du modèle
économétrique à utiliser dans les
prévisions ?
Etude de cas n° 3:
Cas de : La production et l‟emploi

5. LA REGRESSION PAS A PAS
5.1. Présentation:
Lorsque le nombre des variables
explicatives est important, il devient
nécessaire de disposer de méthode de
sélection automatique des variables.
Les méthodes les plus utilisées dans ce
cadre sont:
* La Regression pas à pas ascendante
(Forward Stepwise Regression);
* La Regression pas à pas descendante
(Backward
80 Stepwise
23/12/2012 ECO. DERegression).
L'ENTREPRISE A. ELABJANI
5.2. Les caractéristiques

Il s’agit d’une méthode itérative consistant
de :
* sélectionner à chaque étape la variable
explicative dont l’apport marginal est
important et significatif;
* maximiser le R² de la variable endogène
avec toutes les variables sélectionnées
aupravant.
La méthode de la Regression pas à pas

ascendante se résume dans les étapes suivantes:
1. Regresser La variable endogène sur

toutes les variables du modéle prises
isolément;
2. Sélectionner la 1ère meilleure
variable contenant l’information
significative de la VE;
3. Regresser à nouveau La VE sur les
variables restantes du modéle;
4. Resélectionner la 2ème meilleure

variable qui améliore le R² de la VE;
5. On le fait autant de fois jusqu’au

moment où l’amélioration du R² n’est plus
avantageuse avec l’ajout de nouvelle
variable.

Dans le cas de la regression

descendante, il faut passer par le
contraire.
Çàd :
1. Regresser La variable endogène sur
toutes les variables du modéle (le modéle
complet);
2. Supprimer la 1ère variable contenant
l’information la moins significative dans la
VE;
3. Regresser à nouveau La VE sur les

variables restantes du modéle;
4. Resélectionner la 2ème mauvaise
variable à supprimer sans affaiblir le R²
de la VE;
5. On le fait autant de fois jusqu’au
moment où la suppression d’une autre
variable causera une grande perte sur le
R².
Application n° 4:
Cas du chiffre d’affaires multicritère.
Les étapes à suivre:
1.Commencer par analyser les résulltats
de la regression du modèle complet;
2.Faites les tests nécessaires;
3.Possibilité de réduire le modèle;
4.Exécuter une regression pas à pas.
Résultats n° 1: R²= 0.80

n° variables Coeff. t
1 Constant 3179.128 4.79
2 MT 4.72 4.29
3 RG* 1.43 0.43
4 PX * -14.24 -1.63
5 BR* -3.52 -0.55
6 INV 1.96 2.58
7 PU 8.37 4.71
8 FV * 1.17 0.59
9
87 TPUB * -0.18 -0.45
LA MULTICOLINEARITE
Variables MT RG Px BR INV PUB FV Tpub
Ventes 0.72 -0.08 0.29 0.08 0.45 0.57 0.57 -0.1
MT 1 -0.07 0.55 0.16 0.14 0.2 0.82 -0.02
RG 1 0.03 0.02 0.09 -0.12 0.03 -0.15
Px 1 0.44 -0.06 0.25 0.7 -0.16
BR 1 0.17 0.1 0.4 -0.13
INV 1 0.24 0.16 -0.12
PUB 1 0.17 -0.2
FV 1 -0.06
Tpub 1
5.3. Exemple de la RPP ascendante

1ère étape : régressions partielles par rapport
aux différentes variables exogènes
Tableau n° 1 : régressions partielles
Variables R2 (CA ; Xi) ti
MT 0.52 6.23
Rg 0.007 -0.5
Px 0.08 1.8
BR 0.006 0.49
Inv 0.2 3.05
Pub 0.32 4.12
FV 0.32 4.18
Tpub 0.009 -0.58
§ 2ieme étape : On étudie maintenant les

R2(CA;MT;Xj) càd en régressant CA sur le MT
et une autre variable des 7 restantes :
tableau n°2 : régressions partielles
Variables R2(CA;MT;Xj ) tj
Rg 0.5206 -0.287
Px 0.5374 -1.1628
Br 0.5267 -0.289
INV 0.6438 3.495
Pu 0.7053 4.7
FV 0.5199 -0.1815
Tpub 0.5262 -0.7035
3ieme étape : De la même façon on reconstruit le

tableau (3) donnant les R2 ( CA ; MT ; Pub ; Xj ) :
Variables R2 ( CA ; MT ; Pub; Xj ) tj
Rg 0.7055 0.136
Px 0.7502 -0.47
Br 0.71 -0.71
INV 0.77 3.25
FV 0.7062 -0.315
Tpub 0.7053 0.33

4ieme étape :
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

5ieme étape :
2
Variables R (CA;MT;Pub;INV;Px;Xj) tj
Rg 0.802 0.554
Br 0.8012 -0.42
FV 0.8019 0.54
Tpub 0.8001 -0.84

L Analyse Des Donn Es-1

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

L Analyse Des Donn Es-1

Hochgeladen von

Copyright:

Verfügbare Formate

LES MODELES D’AIDE A LA DECISION

Filière de Sc. Eco.- Semestre 5 et 6

2 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

1.1. LES CONCEPTS DE LA STATISTIQUE

1.1. DEFINTION DE L’ECONOMETRIE

4 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

1.1. DEFINTION DE L’ECONOMETRIE

Ce qu’on mesure ce sont les variables

* L’économétrie nous donne par contre la

7 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

1.2. LA METHODOLOGIE DE L’ECONOMETRIE

8prévision 23/12/2012 ECO. DE L'ENTREPRISE

 dépendance déterministique (mathématique)

y  f'(x)  log x; e x;....

9 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

t : Représente l‟élément de perturbation (d‟erreur

1.4. LES VARIABLES DU MODELE ECONOMETRIQUE

 les variables endogénes:

 Ce sont les variables à expliquer Yt;

1.4. LES VARIABLES DU MODELE ECONOMETRIQUE

 Les variables exogènes:

 Ce sont les variables explicatives de la variable

12 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

En analyse économétrique, le modéle de

La méthode des Moindres Carrés

13 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

2.1. Les hypothèses des MCO

H2 : « t suit une loi Normale d‟espérance

 Si E(t ) = 0 alors E(Yt) =  + Xt.

Ce qui implique une absence de

Ceci implique une absence de

H5 : « Gauss suppose enfin que la variable

Les variables exogènes sont

18 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

2.2. Les Elements de l‟Estimation

ˆ, ˆ, ˆ² et ˆt

2.2. Les Elements de l‟Estimation

Après démonstration et simplification

21 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

2.3. Les propriétés des estimateurs

2.4. Le coefficient de détermination R²

 yi2  ˆ² xi2 i2

càd TSS  ESSRSS

Afin de déduire la valeur du coefficient de

25 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

2.5. Les Tests d‟Hypothèses

26 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

2.5.1. Le test Global de Fischer F

27 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

2.5.1. Le test Global de Fischer F

28 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

La même équation peut être écrite :

Le raisonnement est le suivant:

2.5.2. Les tests Particuliers

La statistique appliquée dans ce cadre est

Le même raisonnement que précédemment:

Un parmi Les modéles de

Dans le cadre duquel la méthode

3.1. Les hypothèses des MCO

 Si E(t )=0 alors E(Yt) =  + X1t+  X2t.

34 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI

Implications sur Yt:

 Si E (i , J )=0 alors cov (Yt ,Yt-1)=0.