Le modèle de régression linéaire simple
Problème : estimer les paramètres du modèle
yi=a+bxi+ei
Hypothèses : La méthode des MCO consiste à minimiser la somme des carrés des aléas A partir des conditions du premier ordre on obtient les paramètres estimés :
Les estimateurs des MCO sont BLUE (Best Linear Unbiaised Estimator) et convergents :
Sous l'hypothèse de normalité des aléas, les estimateurs des MCO sont des estimateurs du maximum de vraisemblance. Soit f la fonction de densité de la loi normale, le logarithme de la fonction de vraisemblance s’écrit : Méthode du maximum de vraisemblance conduit à choisir les estimateurs de a et b tels que la fonction LogL est maximale ou bien tels que la somme des carrés des aléas est minimisée. La droite de régression de l’échantillon est donnée par et l’écart entre les valeurs observées et les valeurs estimées de y est appelé le résidu. La série des résidus (notée e) a une moyenne nulle et on montre que la variance de y est la somme de la variance de et de la variance des résidus :
La qualité de l’ajustement est mesurée par le coefficient de corrélation (r2 x,y)entre la variable expliquée et la variable explicative. Il est identique au coefficient de détermination (R2) donné par le rapport entre la variance de et la variance de y. Ce coefficient est compris entre 0 et 1. Une valeur proche de 1 indique que la qualité de l’ajustement est bonne.
Un R2 égal à 0,9 signifie que 90% des variations de la variable endogène sont expliquées par le modèle. Les estimateurs des MCO sont distribués selon un loi normale. Cependant, afin d’effectuer des tests statistiques il faut estimer la variance des aléas. Un estimateur non biaisé de est donné par la somme des carrés des résidus divisée par le nombre d’observations moins le nombre de paramètres estimés :
et la distribution statistique de la variance estimée des aléas est une loi du Chi-deux : Ainsi il est possible de calculer la variance estimée des paramètres
et la distribution des statistiques est une distribution de Student avec un degré de liberté égal au nombre d’observations moins le nombre de paramètres estimés car ces statistiques sont le rapport d'une statistique distribuée selon une loi normale et d'une statistique dont le carré est distribué selon une loi du Chi-deux. Le test de significativité des paramètres consiste alors à tester l’hypothèse nulle d’égalité à 0 de chaque paramètre successivement. L’hypothèse est acceptée lorsque la valeur du paramètre estimé rapportée à son écart-type est inférieure en valeur absolue à la statistique de student pour un seuil de risque donné a. C Pour donner un intervalle de confiance de la prévision de la variable y, pour une valeur x0 de x donnée, il faut déterminer l'espérance et la variance de l’erreur de prévision notée e0 , L’espérance de l’erreur de prévision est nulle et sa variance est donnée par :
La statistique est par conséquent distribuée selon une loi normale d’espérance nulle et de variance égale à celle de l’erreur de prévision. La variance des aléas étant estimée par l’intervalle de confiance de y sachant que la variable x est égale à x0 s’écrit pour un niveau de risque a:
avec : C On peut également donner un intervalle de confiance de E(y/x=x0). Dans ce cas, la statistique est distribuée selon une loi normale d’espérance nulle et de variance
l’intervalle de confiance de E(y/x=x0), pour un niveau de risque a, est donné par :
avec :
|