Beruflich Dokumente
Kultur Dokumente
ECONOMETRIE DE L’ENTREPRISE
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
Exemples:
- Le modèle Keynésien : C = f(Y)
C 0
avec: Y
- Le modèle de Friedman : C = f(Y,p,g,pr,…)
6 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
1. INTRODUCTION
Note:
* La théorie économique nous renseigne
seulement sur la relation entre les variables;
Théorie Économique
Modèles Collecte
économétriques des données
Estimation
des modèles
Tests des
L’inférence
estimations
acceptation rejet
1.3. LA REGRESSION
Elle signifie l’analyse de la dépendance
susceptible d’exister entre deux ou plusieurs
variables.
On parle généralement de:
dépendance stockastique :
c’est une dépendance aléatoire avec cette fois des
variables aléatoires
yt f'(xt) t
Yt X t t
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.
14 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
2. Les modéles de Regression Simple
La loi de Probabilité de t :
Implications:
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.
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
Les variables Xt :
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
2. Les modéles de Regression Simple
xt Xt X et yt Yt Y
i i i
Ou bien :
yi2 yi2
i i
donc :
ˆ² xi2
0 R² i 1
24
yi2
23/12/2012 i L'ENTREPRISE
ECO. DE A. ELABJANI
2. Les modéles de Regression Simple
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.
ˆ ² xi2N 2
ESSN 2
F1; N 2 i
RSS
i2
i
ESS N 2
F1; N 2 TSS R²
1 RSS 1R²/ N 2
TSS
H2 : La loi de Probabilité de t :
t N(0, ² )
Implications:
H3 : La covariance de t :
cov(t , t-1)= 0
H4 : La covariance des Xt et t :
cov(X1t , t)= 0
cov(X2t , t)= 0
Yt ˆ ˆ X 1t ˆ X 2t t Ou bien Yˆt ˆ ˆ X 1t ˆ X 2t
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
23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
3. Le modéle de Regression Multiple
ESS ˆ
x y ˆ x2t yt
R²
1 t t
TSS 2
y t
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
45 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
3. Le modéle de Regression Multiple
ˆ x y ˆ x y /31
1t t 2t t
F31; N 3
i i
i2 / N 3
i
ESS
N 3 R ² N 3
F 2; N 3 TSS
ESS
1 R ² 2
1 2
TSS
Caractéristiques:
* deux bornes à calculer b1 et b2;
* deux régions critiques;
* une région d‟accépatation.
50 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
3. Le modéle de Regression Multiple
Caractéristiques:
* Une borne à calculer b;
* Une région critique à gauche de t;
*une région d‟accépatation à droite de t.
Caractéristiques:
* Une borne à calculer b;
* Une région critique à droite de t;
* une région d‟accépatation à gauche de
t.
52 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
3. Le modéle de Regression Multiple
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.
Tel que :
cov(t+1 ,t)0 (H3 n‟est plus vérifiée)
54 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
3. Le modéle de Regression Multiple
- N : le Nbre d’observation
- k : le Nbre de regresseurs (exclu la
constante)
- : le niveau de signification
57 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
3. Le modéle de Regression Multiple
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
Test de nulleté:
H0 : cov(t+1 ,t) = 0
H1 : cov(t+1 ,t)0
Test positif:
H0 : = 0
H1 : > 0
59 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
3. Le modéle de Regression Multiple
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.
60 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
3. Le modéle de Regression Multiple
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.
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)).
23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
3. Le modéle de Regression Multiple
P Yˆi t / 2 (nk 1)ˆ Y Yi Yˆi t / 2 (nk 1)ˆ Y 0,95
PLowerYi Yi UpperY0,95
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
3. Le modéle de Regression Multiple
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
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 ?
78 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
4. Les Applications Empiriques
Etude de cas n° 3:
Cas de : La production et l‟emploi
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. LA REGRESSION PAS A PAS
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.
86 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
5. LA REGRESSION PAS A PAS
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
88 23/12/2012 ECO. DE L'ENTREPRISE A. ELABJANI
5. LA REGRESSION PAS A PAS
4ieme étape :
tableau n°4 : régressions 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
5ieme étape :
tableau n°5 : régressions partielles
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