1.Test de contraintes linéaires 2.Test d’ajout des variables
3.Test de Stabilité
4.Test d’autocorrélation des erreurs
Le test de Fisher
Le test de Student s’applique aux hypothèses simples
0
: 0
Exemples:
H H
0: 1
2 1
0 :
H
Des hypothèses qui contiennent une seule égalité
0 1
0
: , H
Pour des hypothèses composées, on utilise le test F de Fisher
L’idée de base: Si on écrit la relation avec les restrictions imposées la somme de carrés des résidus sera forcément plus élevée – car on contraint la valeur de certains paramètres
SCRS
ˆ
RSCRC SCR
Exemple: H0:β= βR Le test F de Fisher est basé sur la différence
0
SC
SCR
SCR
Si
SCR
C SCR
S 0
on accepterait l’hypothèse nulle la contrainte n’a pas beaucoup
d’incidence sur la SCR
La statistique F de Fisher est calculée de la manière suivante:
) 1 /(
'
* /
k n
SCR
k k
SCR F SCR
S
S C
•SCRc: modèle sous Ho; Modèle avec contrainte
•SCRs: Modèle complet; modèle sans contrainte
•Avec k = nombre de variables explicatives du modèle complet
•et k’ nombre de variables explicatives du modèle avec contrainte
• (k-k’= le nombre de restrictions précisées dans l’hypothèse nulle
• n = nombre d’observations
i. test de contraintes linéaires
Exemple : la fonction de production
la fonction de production Cobb-Douglas
i i
i
AL K
Q
i ii
i
AL K
L
Q
1
i i
i
AL K
Q ln ln
i i
i
A L K
Q ln ln ln
ln
i i i i
ln Q ln L ln K
donc une relation linéaire donc une relation non linéaire
i i
L Q ln ln
i i
K
Q
ln
ln
k l A q
Estimation des paramètres
k l
A
q ln ln ln
ln
i i
i
i
A l k
q ln ln ln ln
Modèle économétrique
Fonction de production – Cobb-Douglas
L’échantillon
i =1, 2, …., 80 entreprises – Q, L, K
i i
i
i
A l k
q ln ln ln ln
80 138
, 1 96
, 0
) 013 ,
0 ( )
04 ,
0 ( )
19 , 0 (
ln ˆ 197 ,
0 ln
826 ,
0 86
, 3 ln
2
n SCR
R
k l
q
s
i i
i
i
Modèle complet sans contrainte:
SCRs=1,138
; SCRs: Somme des Carrées des résidus du modèle complet sans contraintei i
i
i
A l k
q ln ln ln ln
1
0
:
H H
1: 1
1 ln q
i ln A 1 ln l
i ln k
i
i
i i
ii
i
l A k l
q ln ln ln ln ln
i i
i i
i
l A k
l
q
ln ln ln
Ho est la contrainte linéaire.
Nous voulons tester si la fonction de production est à élasticité constante
Le modèle sous contrainte
1
0
: H
Statistique F de Fisher :
579 , ) 0
3 80 /(
138 , 1
1 / ) 138 , 1 147 , 1 ( )
3 80 /(
1 / )
* (
S
S C
SCR
SCR F SCR
80 147
, 1 81
, 0
) 011 ,
0 ( )
018 ,
0 (
ln ˆ 201 ,
0 01
, 4 ln
2
n SCR
R
l k l
q
c
i i
i i
i
SCRc: Somme des carrées des résidus du modèle sous Ho donc sous contrainte. SCRc=1,147 La contrainte
F. calculé
F. Fisher théorique; (5%;1;77)=3,97
ii. test d’ajout de variables
Test sur la nullité d’un sous-ensemble de (k-g ) paramètres
jSoit un modèle complet à k variables explicatives:
Y =
o
1X
1
2X
2...
gX
g ...
kX
k
On veut tester l’hypothèse nulle H
o:
g+1= …=
k= 0 On doit aussi analyser le modèle réduit:
Y =
o
1X
1
2X
2...
gX
g modèle avec contraintes)
La statistique du test = un F partiel:
SC Re s réduit SC Re s complet
k g
F SC Re s complet / n k 1 ~ F k-g, n-k-1
iii. Test de stabilité: le test de Chow
Deux groupes dans l’échantillon
0
d
id
i 1
,...,
02 ,
1 n
i i n
0 1 , 2 ,..., n
i i
i
i
β x β x β u
y
1
2 2
3 3
Est-ce que les paramètres sont identiques pour les deux groupes?
i i
i
i
β x β x β u
y
10
2 20
3 30
,...,
02 ,
1 n
i
i i
i
i
β x β x β u
y
11
2 21
3 31 i n
0 1 , 2 ,..., n
La stratégie consiste à effectuer trois régressions : une première sur l’ensemble de la période,
et deux sur deux sous-périodes que l’on juge pertinente.
L’idée est de comparer la SCR (Somme des Carrées des Résidus )et la somme des deux SCR sur les deux sous-périodes.
S’il n’y a pas de changement structurel, il ne doit pas y avoir de différence entre SCR et SCR1+SCR2.
Autrement dit, le fait de scinder l’échantillon en deux n’améliore pas la qualité de la régression.
Le test est le suivant :
Ho: SCR=SCR1+SCR2 H1:SCR# SCR1+SCR2
1. Estimation de la régression sur la période totale et calcul de la SCR
2. Estimation de la régression sur les 2 sous-périodes et calcul de SCR1 et de SCR2, on en déduit SCR1+SCR2
3. On calcule la statistique :
i i
i
i
β x β x β u
y
12
2 22
3 32
,...,
02 ,
1 n
i
i i
i
i
β x β x β u
y
11
2 21
3 31
n n
i
0 1 , 2 ,...,
Hypothèse nulle:
23 1
3 2
2 1
2 2
1 1
1
0
: β β , β β , β β
H
0 ,
0 ,
0
:
11 12 21 22 31 320
β β β β β β
H
i i
i
i
β x β x β u
y
1
2 2
3 3 Avec les restrictions imposées, on a :
n i 1 , 2 ,...,
SCR
C SCR
2
1 SCR
2
1
SCR
SCR
SCR 6 paramètres
ou
Test de stabilité se Chow :un exemple
0105 ,
0 0043 ,
0 0062 ,
2
0
1
SCR
SCR
0485 ,
0
SCR
B A
B A
B A
B A
H
0C:
0
0,
1
1,
2
2,
3
30105
, 0 0043 ,
0 0062 ,
2
0
1
SCR
SCR SCR 0 , 0485
68 8 54 , 3
/ 0105 ,
0
4 / 0105 ,
0 0485 ,
0 8
68 / ) (
4 / (
2 1
2
1
SCR SCR
SCR SCR
F SCR
4 , 60 2 , 52
F
2 1
1) L’ajout des variables explicatives x2 et x3 améliore-t-il significativement la qualité de
Ho: a2=a3=0 H1:a2#a3#0
SCRes de modèle sans contrainte 67,45
ddl du modèle (n=14;k+1=4) 10
SCRes du modèle avec contrainte 70,88
ddl(n=14;k+1=3) 11
F de Fisher = 0,5085
F_théorique (5%;1;10) 4,96
F_calculé < F_théorique donc accéotation de Ho;
l'ajout de la variable x3 n'ameliore pas la qualité du modèle
2) Un économiste suggère que dans ce modèle a1 = 1 et a2 = a3 , qu’en pensez-vous ?
Ho:a1=1 et a2=a3
H1:a1#1 et /ou a2#a3
SCRes de modèle sans contrainte 67,44767
ddl du modèle (n=14;k+1=4); k=3 10
SCRes modél sous contrainte linéaire donc sous Ho 108,79
ddl (14-(k+1); k=1 12
F_Fisher 3,065
F_théorique= 4,10
Fcalculé < F_théorique donc accéptattion de Ho;
Les contraintes linéaires sont compatibles avec les données
Test d’autocorrélation des erreurs d’ordre 1
Test de Durbin et Watson
Autocorrélation des erreurs (AC)
Définition: Les erreurs sont corrélées entre elles dans le temps.
Autocorrélation d’ordre un: les erreurs successives sont corrélées entre elles:
où:
test l’erreur commise au temps t
r
1est la corrélation entre les valeurs successives de
t:r
1= cor(
t-1,
t) u
test une erreur aléatoire indépendante. de u
t-1t t
t
r u
1 1Détection de l’ autocorrélation:
1- Graphique des résidus (e
t) en fonction du temps (t)
Copyright 1996 Lawrence C. Marsh
AC > 0
AC = 0
AC < 0
e
t0
.
e
t0
e
t0
t
t
t
. . . . .
. . . . . . .
. . . . . . .. .
. . . .
. . .
.. .
. .
.
.
. . . .
. . .
.. . .
. . .
.
. .
.
. .
. .
. .
. .
. .
. .
.
.
Test de Durbin et Watson
Coefficient de corrélation sérial r
1d’ordre un entre résidus successifs:
-1 r
1 1
pour un échantillon très grand: DW 2(1- r
1) 0 DW 4
0 dL ? dU 2 4
–
dU ? 4-
dL 4 DW+1 0 -1 =
r
1AC>0 AC=0 AC<0
n1 t
2 t n
2 t
2 1 t t
e
e
DW e
1.Si la valeur calculée de la statistique DW est inférieure à la valeur tabulée d1 alors il existe une auto-corrélation positive (ou p>0).
2.Si la valeur calculée de la statistique DW est comprise entre d2 et 4-d2 , il n’est pas possible de rejeter l’hypothèse nulle d’absence d’auto-corrélation des résidus (ou p=0). Cet intervalle est autrement dit l’intervalle pour il n’existe pas d’auto-corrélation des erreurs.
3.Si la valeur calculée de la statistique DW est supérieure à la valeur tabulée 4-d1 alors il existe une auto-corrélation négative (ou p<0).
Les autres situations correspondent à des zones d’indétermination. La figure qui suit résume l’interprétation du test de Durbin et Watson.
Règles de décision pour DW
• Modèle:
•
26
t t
t
u
1
,
Xβ ε y
Hypothèses Règles de décision au niveau
0
0 :
H DW dU
‘conserve’ H
0.
0
1 :
H DW dL
rejette H
0.
dL dU
DW ,
on ne peut se prononcer.
0
0 :
H 4 DW dU
‘conserve’ H
0.
0
1 :
H 4 DW dL
rejette H
0.
DW dL, dU
4
on ne peut se prononcer.
0
0 :
H DW dU
et
4 DW dU ‘conserve’ H
0.
0
1 :
H DW dL
ou
4 DW dL rejette H
0.
Sinon on ne peut rien dire.
Exemple :
Soit le modèle suivant : yi=a0+a1xi+ei; avec yi : Consommation finale des ménages ; xi : le revenu national et ei un bruit blanc gaussien ; ei-N(0 ;σ).
L’estimation du modèle nous donne les résultats suivants : yi= 1176,08 + 0,78 xi ; n=10 ; La statistique de Durbin et Watson est égale à : 1,67
Tester l’existence d’une autocorrélation des erreurs
DW=1.67 ; d1=1.08 ; d2=1.36 ;
d1 et d2 sont lus dans la table de Durbin et Watson pour n=10 ;k=1 ;α=5%
0---d1=1.08---d2=1.36---DW=1.67---2---4-d2---4-d1---4 Ho : indépendance ;
H1 : autocorrélation des erreurs.
DW se trouve dans la région d’indépendance ;