Mémoire Régression Simple Et Multiple

Ministère de l’Enseignement Supérieur et de la Recherche Scienti…que
Université Abdelhamid Ibn Badis de Mostaganem
Faculté des Sciences Exactes et de l’Informatique
Département de Mathématiques et de l’Informatique

Filière : Mathématiques
MÉMOIRE DE FIN D’ÉTUDES
Pour l’Obtention du Diplôme de Master en Mathématiques
Option : Analyse Fonctionnelle
Présenté par :
BERRADIA Hayet
THÈME :
La régression linéaire simple et multiple
Soutenu le : Juin 2021

Devant le jury composé de :
BOUABDELLI Rabab MCB Université de Mostaganem Président
KAISSERLI Zineb MCA Université de Mostaganem Examinateur
BENSIKADDOUR Djemaia MCB Université de Mostaganem Encadrant
Année Universitaire : 2020-2021

Table des matières
Remerciements i
Résumé ii
Introduction 1
1 Généralités sur les séries statistiques 2

1.1 Vocabulaire statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Séries statistiques doubles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Traitement des données et représentation graphique . . . . . . . . . . . 3
1.2.2 Covariance d’une série statistique double . . . . . . . . . . . . . . . . . 6
1.3 Ajustement a¢ ne d’une série statistique double . . . . . . . . . . . . . . . . . 6
1.3.1 Méthodes d’ajustement a¢ ne d’une série statistique double . . . . . . . 7
1.3.2 Coe¢ cient de corrélation linéaire . . . . . . . . . . . . . . . . . . . . . 10
2 La régression linéaire simple 11

2.1 Estimation des paramètres par la méthode des moindres carrés ordinaires (MCO) 11
2.2 Les modèles de la régression linéaire simple . . . . . . . . . . . . . . . . . . . . 13
2.3 Les tests d’hypothèses dans une régression linéaire simple . . . . . . . . . . . . 14
2.3.1 Les espérances mathématiques, les variances et les covariances des es-
timateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.2 Analyse de la variance . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
TABLE DES MATIÈRES 3
2.3.3 Coe¢ cient de détermination . . . . . . . . . . . . . . . . . . . . . . . . 27

2.3.4 Tests des coe¢ cients et les intervalles de con…ance . . . . . . . . . . . . 29
2.3.5 Estmation des paramètres par des intervalles de con…ance . . . . . . . . 35
2.3.6 Analyse de la variance et test de Fisher . . . . . . . . . . . . . . . . . . 36
3 Régression linéaire multiple 43

3.1 Modèle de la régression multiple . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1.1 La forme matricielle du modèle de la régression multiple . . . . . . . . 44
3.2 Estimation des coe¢ cients de régression . . . . . . . . . . . . . . . . . . . . . 45
3.2.1 Propriétés des estimateurs du modèle de la régression multiple . . . . . 46
3.2.2 Coe¢ cient de détermination . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Les tests statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.1 Le test de student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.2 Test de Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Conclusion 57
Annexe1 "table de Student" 58
Annexe 2 "table de Fisher" 59
Annexe 3 "table de Fisher" 60
Bibliographie 61
Remerciements
Tout d’abord, ce travail ne serait pas aussi riche et n’aurait pas pu avoir le jour sans l’aide et
l’encadrement de Dr Dj. BENSIKADDOUR, je la remercie pour la qualité de son encadrement
exceptionnel, pour sa patience, sa rigueur et sa disponibilité durant la préparation de ce
mémoire.
Je tiens à remercier Dr R. BOUABDELLI, maître de conférence à l’université de Mostaga-

nem, qui m’a fait l’honneur de présider mon jury et d’avoir accepté d’évaluer mon mémoire.
Je remercie très vivement Dr Z. KAISSERLI, maître de conférence à l’université de Mosta-

ganem, d’avoir accepté d’examiner ce travail.
Mes remerciements s’adressent aussi à tous mes professeurs pour leurs générosités et la grande
patience dont ils ont su faire preuve malgré leur charges académiques et professionnelles.
Résumé
En statistique appliquée, un modèle de régression linéaire est un modèle de régression qui

cherche à établir une relation linéaire entre une variable Y , dite expliquée, et une ou plusieurs
variables X, dites explicatives. Son objectif est de trouver un modèle de prévision de Y en
fonction de X, autrement dit la variable exliquée Y est modélisée par une fonction a¢ ne
d’une autre variable X:
Ce mémoire est consacré à présenter la régression linéaire (simple et multiple), sa signi…cation,
son emploi, et l’interprétation de ses paramètres.
INTRODUCTION
L’analyse de régression peut être dé…nie comme la recherche de la relation stochastique qui
lie deux ou plusieurs variables. Son champ d’application recouvre de multiples domaines,
parmi lesquels on peut citer la physique, l’astronomie, la biologie, la chimie, la médecine, la
géographie, la sociologie, l’histoire, l’´économie, la linguistique et le droit.
La régression est l’une des méthodes les plus connues et les plus appliquées en statistique
pour l’analyse de données quantitatives. Elle est utilisée pour établir une liaison entre une
variable quantitative et une ou plusieurs autres variables quantitatives.
Sous la forme d’un modèle, si on s’intéresse à la relation entre deux variables, on parlera de
régression simple en exprimant une variable en fonction de l’autre. Si la relation porte entre
une variable et plusieurs autres variables, on parlera de régression multiple.
La régression linéaire simple et multiple est une classe particulière de modèle de règression
qui sert à expliquer une variable Y , appelée variable endogène par une ou plusieurs variables
explicatives dites exogènes a travers une fonction a¢ ne.
Ce travail se situe dans le cadre de l’analyse des données quantitatives, il est composé de
trois chapitres. Le premier consiste à présenter des généralités sur les séries statistiques, le
deuxième chapitre est consacré à étudier la régression linéaire simple où on va estimer les
paramètres b et a du modèle
Yt = b + aXt + "t
par la méthode des moindres carrés ordinaire (MCO) et tester sa signi…cativité. Finalement,
dans le dernier chapitre on généralise les résultats du chapitre 2 en traitant la régression
multiple représentée par le modèle suivant :
Yt = b0 + b1 x1t + b2 x2t + ::: + bk xkt + "t ; pour t = 1; :::; n
où b0 ; b1 ; b2 ; :::; bk sont les paramètres du modèle.

Chapitre 1
Généralités sur les séries statistiques
Ce chapitre sert à rappeler essentiellement des dé…nitions, outils et notions dont aura besoin
tout au long de ce travail. Pour plus de détails, on invite le lecteur à consulter les références
([2], [5], [7], et [9]).
1.1 Vocabulaire statistique

Le terme statistique désigne à la fois un ensemble de données d’observations, et l’activité qui
consiste en leur traitement et leur interprétation.
* La population Statistique : est l’ensemble d’individus sur lequel des méthodes et des
techniques de présentation et de description statistique sont appliquées. Par exemple :
1/ La population d’un pays.
2/ Les fonctionnaires d’un établissement.
3/ Le parc automobile français.
* Les individus statistiques ou unités statistiques : sont les éléments de la population

statistique. On associe à ces éléments des propriétés appelées "caractères".
Un caractère peut être :
1/ Qualitatif : couleur, sexe, e¢ cacité d’un traitement,...
2/ Quantitatif : grandeur, âge, taille, poids,...
On distingue deux types de caractère quantitatif :

1.2 Séries statistiques doubles 3
1/ discret.
2/ continu.
Une étude statistique est en fait l’étude de propriétés caractéristiques "caractères" de la

population considérée. Généralement le nombre d’individus d’une population est très grand,
pour cela l’étude statistique se restreint à une partie de cette population supposée assez
représentative qu’on appelle "échantillon".
Si l’échantillon est composé de n individus qui forment la population alors x = (x1 ; x2 ; :::; xn )
est la série statistique associée au caractère étudié et n est la taille de l’échantillon.
1.2 Séries statistiques doubles

Il arrive fréquemment d’étudier deux caractères quantitatifs di¤érents x et y d’un échantillon
d’une même population pour déterminer s’il existe une relation entre eux (par exemple :
les dépenses et les revenus d’une société) dans le sens que les valeurs de l’un peuvent être
obtenues à partir de l’autre à laide d’une correspondance, on dit alors que x et y sont deux
variables statistiques dépendantes.
En passant aux séries des centres, on pourra toujours supposer que les séries considérées sont
à valeurs quantitatives discrètes (isolées).
1.2.1 Traitement des données et représentation graphique
Pour chaque individu de l’échantillon (de la population), on relève la valeur de deux caractères
x et y, on obtient alors une liste de couples de nombres (xi ; yj )1 i k , k; l 2 N que l’on
1 j l
peut présenter sous forme d’un tableau à deux entrées
x=y y1 y2 ... yj . yl e¢ ctif marginal de x

x1 n11 n12 ... n1j . n1l n1:
x2 n21 n22 ... . . . .
xi ni1 ni2 ... nij . nil n:
: . . ... . . . .
xi nk1 nk2 ... nkj . nkl nk:
e¢ ctif marginal de y n:1 n:2 ... n:j . n:l n
* x1 ; x2 ; :::::; xk sont les valeurs du caractère x:
* y1 ; y2 ; :::::; yl sont les valeurs du caractère y:

* nij est l’e¤ectif du couple (xi ; yj ) pour tout 1 i k et 1 j l:

X
l
* ni : est l’e¤ectif marginal de xi ; ni : = nij :
j=1
X
k
* n: j est l’e¤ectif marginal de yj ; n: j = nij :
i=1
X
k X
l X
k X
l
* n est l’e¤ectif total, n = nij = ni : = n: j :
i=1 j=1 i=1 j=1
Soit la série statistique double (xi ; yj ; nij )1 i k où x1 ; x2 ; :::; xk sont les di¤érentes valeurs
1 j l
du premier caractère x et y1 ; y2 ; :::; yl sont les valeurs du second caractère y:
Dé…nition 1.2.1 "Nuage de points" Dans un repère orthogonal du plan, l’ensemble des
points Mij de coordonnées (xi ; yj ) constitue le nuage de points associé à la série statistique
double donnée ci-dessus.
Figure 1 : nuage de points
Dé…nition 1.2.2 "Le point moyen" On appelle le point moyen du nuage de points associé
à la série statistique double (xi ; yj ; nij )1 i k le point G de coordonnées (x; y) où x et y sont
1 j l
les moyennes arithmétiques des séries statistiques (xi ; ni: )1 i k et (yj ; n:j )1 j l respectivement
dé…nies comme suit :
1X
k
x= xi
n i=1
et
1X
l
y= yj :
n j=1
Exemple 1.2.1 Le tableau suivant donne le chi¤re d’a¤aire réalisé au cours des 6 derniers
mois par un site de vente en ligne en fonction du nombre de commandes reçues.
Nombre de commandes xi 6400 8350 9125 9600 10050 12000

Chi¤re d’a¤airemensuel yi (DA) 250000 320000 335000 350000 370000 400000
a. Représentation du nuage de points
Figure 2 : Nuage de points exp 1.2.1
b. Calcul du point moyen
1X
k
x = xi
n i=1
1X
6
= xi
6 i=1
= 9254; 166667 ' 9254; 17
et
1X
l
y = yj
n j=1
1X
6
= yj
6 j=1
= 337500 DA
D’où le point moyen est G(9254; 17 ; 337500):

1.3 Ajustement a¢ ne d’une série statistique double 6
1.2.2 Covariance d’une série statistique double
Dé…nition 1.2.3 On appelle covariance d’une série statistique double (xi ; yj ; nij )1 i k le
1 j l
nombre Cov(x; y) donné par :
Cov(x; y) = xy xy
!
1 X
k X
l
= nij xi yj xy
n i=1 j=1
où x et y sont les moyennes arithmétiques des deux séries simples x et y respectivement

dé…nies précédemment.
Remarque 1.2.1 La covariance mesure les dispersions des deux variables x et y autour de
leurs moyennes.
1/ Si Cov(x; y) est nulle, on dit que les deux variables x et y se produisent indépendamment.
2/ Si Cov(x; y) > 0; les deux variables x et y sont liées positivement ) l’une augmente,
l’autre augmente aussi.
3/ Si Cov(x; y) < 0; les deux variables x et y sont liées négativement ) l’une augmente,
l’autre diminue.
Proposition 1.2.1 "Propriétés de la covariance" Soient x et y deux variables statis-

tiques et a; b; a0 et b0 des constantes réelles, alors :
1/ Cov(x; x) = V ar(x):
2/ Cov(x; y) = Cov(y; x):
3/ Cov(ax + b; a0 y + b0 ) = aa0 Cov(x; y):
1.3 Ajustement a¢ ne d’une série statistique double

On considère la série statistique double (xi ; yj ; nij )1 i k ; avec un nuage de points Mij (xi ; yj )
1 j l
associé.
Si les points de nuage paraissent presque alignés, on peut chercher une relation de la forme
y = ax + b où a et b sont deux constantes réelles telles que a est non nulle. Cette relation
exprime de façon approchée les valeurs de la variable statistique y en fonction des valeurs de
la variable x: Alors, graphiquement, il s’agit de déterminer l’équation de la droite qui passe
au plus prés de la majorité des points du nuage.
1.3.1 Méthodes d’ajustement a¢ ne d’une série statistique double
Il existe de nombreuses méthodes d’obtenir un ajustement a¢ ne d’une série statistique

double, les plus utilisées sont :
Méthode de Mayer
La détermination d’un ajustement a¢ ne d’une série statistique double par la méthode de

Mayer se fait en trois étapes :
i/ Découper la série statistique double en deux sous-séries de même e¤ectif, si n l’e¤ectif

total de la population est impair, on peut mettre la valeur surnuméraire du caractère
dans n’importe laquelle des deux sous-séries.
ii/ Calculer les coordonnées des deux points moyens G1 et G2 associés à ces deux sous-séries.
Trouver l’équation de la droite qui passe par les deux points G1 et G2 : Cette droite est dite
la droite de Mayer, elle constitue un ajustement a¢ ne de la série statistique double.
Exemple 1.3.1 On reprend l’exemple (1.2.1). On partage le nuage de points en deux groupes
de même importance suivant les valeurs croissantes de xi , et on calcule les coordonnées des
points moyens G1 et G2 de chaque groupe de points.
Les coordonnées de G1 (x1 ; y1 ) avec x1 = moyenne des valeurs x du premier groupe et y1 =

moyenne des valeurs y du même groupe.
6400 + 8350 + 9125

x1 = = 7958; 33:
3
et
250000 + 320000 + 335000

y1 = = 301666; 67:
3
Donc G1 (7958; 33 ; 301666; 67) :
De manière similaire on trouve les coordonnées du point moyen G2 (x2 ; y2 ) du deuxième

groupe.
9600 + 10050 + 12000
x2 = = 10550
3
et
350000 + 370000 + 400000
y2 = = 373333; 33:
3
D’où G2 (10550 ; 373333; 33) :
On trace la droite d’ajustement qui passe par les deux points G1 (7958; 33 ; 301666; 67) et
G2 (10550 ; 373333; 33) ; elle a la forme y = ax + b où
373333; 33 301666; 67
a= = 27:07
10550 7958; 33
Et
b = 301666; 67 27:07 7958; 33 = 86932:
Ainsi, la droite d’ajustement a¢ ne a pour équation : y = 27:07x + 86932:
Figure 3 : Ajustement linaire par la mthode de Mayer
Méthode de moindres carrés

La méthode de moindres carrés consiste à trouver l’équation : y = ax + b de la droite (D)

dite la droite de régression y en x; telle que
Cov(x; y)
a= et b = y a x:
V ar(x)
De façon similaire on peut chercher l’équation x = a0 y + b0 de la droite (D) dite la droite de
régression x en y; où
Cov(x; y)
a0 = et b0 = x a0 y:
V ar(y)
Remarque 1.3.1 Les deux droites de régression données ci-dessous passent par le point
moyen G (x; y) :
Exemple 1.3.2 On considère 5 spécimens fossiles d’un animal disparu pour lesquels on pos-
sède les mesures de la longueur en (cm) de leur humérus x et de leur fémur y:
1/ Le tableau suivant regroupe les résultats obtenus
t xt yt x2t yt2 xt yt
1 44 40 1936 1600 1760
2 65 60 4225 3600 3900
3 71 59 5041 3481 4189
4 75 65 5625 4225 4875
5 87 77 7569 5929 6699
Moyenne 68,4 60,2 4879,2 3767 4284,6
V ar(x) = x2 x2 = 4879; 2 (68; 4)2 = 200; 64 cm2
V ar(y) = y 2 y 2 = 3767 (60; 2)2 = 142; 96 cm2
Cov(x; y) = xy x y = 4284; 6 (68; 4) (60; 2) = 166; 92 cm2
2/ On peut déterminer, par la méthode des moindres carrées ordinaires, l’équation y = ax+b
de la droite (D) de régression de x et y: Comme
Cov(x; y) 166:92
a
^= = = 0; 83194
V ar(x) 200:64
et
b = y a x = 60; 2 0; 83194 68; 4
= 3; 2955:
Alors
(D) : y = 0; 83194x + 0; 83194:
3/ De façon similaire on peut chercher l’équation : x = a0 y + b0 de la droite (D0 ) dite la droite

de régression x en y:
Cov(x; y) 166; 92
a0 = = = 1; 16759
V ar(y) 142; 96
et
b0 = x a0 y = 68; 4 1; 16759 60; 2 = 70; 28892:
D’où
(D0 ) : x = 1; 16759y + 70; 28892:
1.3.2 Coe¢ cient de corrélation linéaire
Dé…nition 1.3.1 On appelle coe¢ cient de corrélation linéaire du couple (x; y), le nombre
réel r(x; y) déduit de la covariance et donné par :
Cov(x; y)
r(x; y) = :
x y
1/ Le coe¢ cient de corrélation ne dépend pas des unités de mesure des variables statistiques
étudiées.
2/ La valeur du coe¢ cient de corrélation est comprise entre 1 et 1 :
jr(x; y)j 1:
3/ L’absence de corrélation (r(x; y) = 0) implique l’absence de relation linéaire entre les

variables statsitiques:
4/ Si r(x; y) > 0, alors les variables aléatoires x et y varient dans le même sens, et elles
varient dans le sens contraire si r(x; y) < 0:
3
5/ Lorsque la corrélation est forte r(x; y) 4
les deux droites de régression sont très proches
et l’ajustement linéaire du nuage de points sera possible, dans le cas contraire le nuage
de points ne peut pas être ajusté par une droite, mais il se peut trouver une fonction
qui donne la variabilité de x par rapport à y:
Chapitre 2
La régression linéaire simple
Dans ce chapitre, on va introduire le modéle de la régression linéaire. Comme il s’agit d’un

modéle avec une seule variable explicative, on parle de régression simple. On va ainsi dé…nir
la droite de régression à partir des données d’un échantillon par la méthode des moindres
carrés.
2.1 Estimation des paramètres par la méthode des moindres

carrés ordinaires (MCO)
Soit le modèle de régression suivant :
Yt = b + aXt + "t (2.1.1)
L’estimation des paramètres b et a est obtenue en minimisant la somme des carrés des erreurs
X
n X
n X
n
M in "2t = M in (Yt b aXt )2 = M in S2
t=1 t=1 t=1
Pour que cette fonction ait un minimum, il faut que les dérivées par-rapport à b et a soient
nulles.
@S X n X
n X
n
=0,2 (Yt b aXt ) ( 1) = 0 ) Yt = nb + a Xt (2.1.2)
@b t=1 t=1 t=1
et
@S X n X
n X
n X
n
=0,2 (Yt b aXt ) ( Xt ) = 0 ) Yt Xt = b Xt + a Xt2 (2.1.3)
@a t=1 t=1 t=1 t=1
2.1 Estimation des paramètres par la méthode des moindres carrés ordinaires
(MCO) 12
En notant ^b et a
^ les solutions des équations (2.1.2) et (2.1.3), on obtient
X
n X
n
Yt Xt
^b = t=1
^ t=1
a
n n
ou
^b = Y a
^X (2.1.4)
car
X
n X
n
Yt Xt
t=1 t=1
Y = et X =
n n
sont les moyennes arithmétiques de Y et X respectivement.
En remlaçant la valeur de ^b dans l’équation (2.1.3), on obtient
!
X
n X
n X
n X
n
Yt Xt Y Xt = a Xt2 X Xt
t=1 t=1 t=1 t=1
ce qui donne
X
n X
n
Yt Xt Y Xt
t=1 t=1
a
^ =
Xn X
n
Xt2 X Xt
t=1 t=1
X
n
Yt Xt nY X
t=1
=
Xn
Xt2 nX 2
t=1
X
n
Yt Y Xt X
t=1
=
X
n
2
Xt X
t=1
Les estimateurs des MCO du modèle de régression linéaire simple (2.1.1) sont :
2.2 Les modèles de la régression linéaire simple 13
X
n
Yt Xt nY X
t=1
a
^ =
Xn
Xt2 nX 2
t=1
X
n
Yt Y Xt X
t=1
=
X
n
2
Xt X
t=1
et
^b = Y a
^X:
2.2 Les modèles de la régression linéaire simple

Dé…nition 2.2.1 Le modèle de régression linéaire simple est une variable endogène (dépen-
dante) expliquée par une seule variable exogène (indépendante) mise sous forme mathématique
suivante :
Yt = b + aXt + "t ; t = 1; :::; n
avec
*/ Yt : La variable endogène (dépendante, à expliquer) à la date t.
*/ Xt : La variable exogène (indépendante, explicative) à la date t.
*/ b; a : Les paramètres inconnus du modèle.
*/ "t : L’erreur aléatoire du modèle.
*/ n : Nombre d’observations.
Remarque 2.2.1 La régression linéaire simple a deux modèles :
1/ Le modèle théorique (modèle non ajusté)
Yt = b + aXt + "t
2.3 Les tests d’hypothèses dans une régression linéaire simple 14
2/ Le modèle estimé (modèle ajusté)
Yt = ^b + a
^Xt + et
avec
Y^t = ^b + a
^Xt
et
et = Yt Y^t
et = Yt ^b a
^Xt
et : est le résidu du modèle.
2.3 Les tests d’hypothèses dans une régression linéaire

simple
Les tests d’hypothèses statistiques sur les paramètres (les coe¢ cients) du modèle de la ré-
gression simple et l’établissement des intervalles de con…ance qui permettent de véri…er la
validité du modèle.
Pour tester des hypothèses sur les paramètres a et b, on suppose que les erreurs et sont indé-
2
pendantes et normalement distibuées. C’est-à-dire les erreurs suivent la loi normale N (0; ).
Soit le modèle de régression simple
Yt = b + aXt + "t (2.3.1)
Les hypothèses du modèle : Le modèle (2.3.1) possède les propriétés suivantes :
1. E("t ) = 0 8t : L’erreur est centrée.
2. E("2t ) = 2
"; 8t : La variance de l’erreur est constante.
3. Cov("t ; "t0 ) = 0; 8"t 6= "t0 : Les erreurs ne sont pas auto-correlées.
4. Cov(Xt ; "t0 ) = 0 : L’erreur n’est pas corrélée avec la variable X .
5. La variable X n’est pas aléatoire.
6. Le modèle est linéaire en X par rapport aux paramètres.

2.3.1 Les espérances mathématiques, les variances et les covariances

des estimateurs
On pose les nouvelles variables (changement de variables)
xt = Xt X et yt = Yt Y
1/ L’espérance mathématique de a
^:
Soit le modèle suivant :

Yt = ^b + a
^Xt + et :
D’après la méthode des MCO, on a :

X
n
Yt Y Xt X
t=1
a
^=
X
n
2
Xt X
t=1
ce qui implique
X
n
yt xt
t=1
a
^= (2.3.2)
Xn
x2t
t=1
On remplace la valeur yt dans (2.3.2), on obtient :

X
n
x t Yt Y
t=1
a
^ =
X
n
x2t
t=1
X
n X
n
x t Yt Y xt
t=1 t=1
= :
Xn X
n
x2t x2t
t=1 t=1
Alors
X
n
x t Yt
t=1
a
^= : (2.3.3)
Xn
x2t
t=1
Car
X
n X
n
xt = Xt X = nX nX = 0
t=1 t=1
On remplace maintenant Yt = b + aXt + "t dans l’équation ( 2.3.3), on obtient
X
n
xt (b + aXt + "t )
t=1
a
^ =
X
n
x2t
t=1
X
n X
n X
n
b xt + a xt Xt + x t "t
t=1 t=1 t=1
=
X n
x2t
t=1
X
n Xn
a xt Xt + x t "t
t=1 t=1
=
X
n
x2t
t=1
X
n X
n
a xt xt + X x t "t
t=1 t=1
= +
X
n Xn
x2t x2t
t=1 t=1
0 1 0 1
X
n X
n X
n
B x2t C B xt C x t "t
B t=1 C B t=1 C t=1
= aB
BX
C + Xa B
C BX
C+
C
@
n n X
n
2A @ 2A
xt xt x2t
t=1 t=1 t=1
Il résulte alors
X
n
x t "t
t=1
a
^ =a+ (2.3.4)
Xn
x2t
t=1
En passant à l’espérance mathématique, on trouve

0 1
X
n
B x t "t C
B t=1 C
a) = E (a) + E B
E (^ B X n
C
C
@ 2 A
xt
t=1
X
n
xt E ("t )
t=1
= E (a) +
X
n
x2t
t=1
Or, d’après l’hypothèse (1)

E ("t ) = 0
alors,
E (^
a) = a:
Finalemet a est un estimateur sans biais.
2/ L’espérance mathématique de ^b :
On a
^b = Y a
^X
Xn
xt yt
t=1
= Y X
Xn
x2t
t=1
0 1
Xn
B xt C
B t=1 C
= Y XB
BX n
C Yt
C Y
@ 2A
xt
t=1
0 1
Xn
B x t Yt C
B t=1 C
^b = Y XB
B X n
C:
C
@ A
x2t
t=1
D’ou 0 1
Xn B C
B1 Xxt C
^b = B C Yt
Bn X
n C
t=1 @ A
x2t
t=1
Or que
Yt = b + aXt + "t ;
donc
0 1 0 1 0 1
Xn B C
Xn B C
Xn B C
B1 Xxt C B1 Xxt C B1 Xxt C
^b = b B C+ B C aXt + B C "t
Bn X A
n C Bn X A
n C Bn X
n C
t=1 @ 2 t=1 @ 2 t=1 @ 2A
xt xt xt
t=1 t=1 t=1
0 1 0 1
X
n
B xt Xt C n B C
B t=1 C X B1 Xxt C
= b + aX B
aX B n C + B C "t
X C Bn X
n C
@ 2 A t=1 @ 2A
xt xt
t=1 t=1
Comme Xt = xt + X, on déduit
0 n 1 0 1
X
B xt xt + X C Xn B C
B t=1 C B1 Xxt C
^b = b + aX aX B C+ B C "t
B Xn C B X
n C
@ A t=1 @ n A
x2t x2t
t=1 t=1
0 1 0 1 0 1
X
n X
n
2
B xt C B xt C n B C
B t=1 C B C X B1 Xxt C
= b + aX aX B
BX
C
C
2B t=1
aX B n C
C + B
B
C "t :
C
@
n
A @ X A t=1 @ n X
n
A
x2t x2t x2t
t=1 t=1 t=1
On obtient alors 0 1
Xn B C
B1 Xxt C
^b = b + B C "t :
Bn X
n C
t=1 @ A
x2t
t=1
En passant à l’espérance mathématique, on trouve

0 0 1 1
B n B C C
BX B 1 Xxt C C
E ^b = E (b) + E B
B
B
B
C "t C
@ t=1 @ n X A C
n C
A
x2t
t=1
0 1
Xn B C
B1 Xxt C
= E (b) + B C E ("t )
Bn X
n C | {z }
t=1 @ 2 A =0
xt
t=1
E ^b = E (b) = b:
D’où b est aussi un estimateur sans biais.
3/ La variance de a
^:
Par dé…nition, la variance de (^

a) est donnée par :
V ar (^
a) = E [^
a a)]2 et E (^
E (^ a) = a:
D’un autre coté, on sait que

X
n
x t "t
t=1
a
^ =a+ :
Xn
x2t
t=1
Ce qui implique
X
n
x t "t
t=1
a
^ a= :
Xn
x2t
t=1
Alors, on déduit que

0 12
X
n
B x t "t C
B t=1 C
V ar (^
a) = E (^
a a) = E B
2
B X n
C
C
@ A
x2t
t=1
!2
1 X
n
= !2 E x t "t
X
n
t=1
x2t
t=1
1 2 2 2 2 2 2
= !2 E x1 "1 + x2 "2 + :: + xn "n + 2x1 x2 "1 "2 + :: + 2xn 1 xn "n 1 "n :
X
n
x2t
t=1
D’après les hypothèses (1), (2), et (3) du modèle de régression simple, on obtient :
1 2 2 2 2 2 2
V ar (^
a) = !2 " x1 + " x2 + :: + " xn :
X
n
x2t
t=1
D’où
X
n
2
" x2t
t=1
V ar (^
a) = !2
X
n
x2t
t=1
2
"
= :
X
n
x2t
t=1
Finalement
2
"
V ar (^
a) =
X
n
x2t
t=1
3/ La variance mathématique de ^b :
On a
0 1
Xn B C
B1 Xxt C
^b = b + B C "t
Bn X
n C
t=1 @ A
x2t
t=1
0 1
Xn B C
B1 Xxt C
) ^b b= B C "t :
Bn X
n C
t=1 @ A
x2t
t=1
Par dé…nition, la variance de ^b est donnée par :

h i2
V ar ^b = E ^b E ^b
2
= E ^b b :
Puisque E ^b = b, on obtient
2
V ar ^b = E ^b b
2 0 1 32
6X B C 7
6 n B1 Xxt C 7
6
= E6 B C "t 7
B X A 7
n C
4 t=1 @ n 5
x2t
t=1
20 1 0 1 32
6B C B C 7
6B 1 Xx1 C B Xxn C 7
= E6B C "1 + ::: + B 1 C "n 7
6B n X C
n Bn X C
n 7
4@ A @ A 5
x2t x2n
t=1 t=1
2 0 12 0 12 3
6 B C B C 7
6 B1 Xx1C 2 B1 Xxn C 2 7
6 Bn X
n C " 1 + ::: + Bn X
n C "n + 7
6 @ A @ A 7
6 2 xt 2 xn 7
6 7
= E6
6 00 1 0 t=1 1 0 t=1 1 0 1 1 7
7
6 7
6 BB C B C B C B C C 7
6 BB 1 Xx1C B1 Xx2C B1 Xxn C B1 Xxn C C 7
6 2 BB n X
n C "1 B n X
n C 2
" + ::: + Bn X
n
1
C "n 1 Bn X
n C "n C 7
4 @@ 2
A @ 2
A @ 2
A @ 2
A A 5
xt xt xt xt
t=1 t=1 t=1 t=1
D’après les hypothèses (1), (2) et (3) du modèle de régression simple, on obtient
0 12
Xn B C
B1 Xxt C
V ar ^b = 2 B C :
" Bn X
n C
t=1 @ A
x2t
t=1
Il résulte, alors 0 1
B C
Xn B C
B1 2Xxt X 2 x2t C
V ar ^b = 2" B 2 + !2 C
Bn X
n
X
n C
t=1 @ 2 A
n xt x2t
t=1 t=1
X
n
Puisque xt = 0;
t=1 0 1
X
n
B x2t
+ nX 2
C
B t=1 C
V ar ^b = 2 B C
" B X
n C
@ A
n x2t
t=1
et comme Xt = xt + X , donc on déduit que

0 1
X
n
B Xt2 C
B
2 B t=1
C
V ar ^b = "B X
C
n C
@ A
n x2t
t=1
0 1
X
n
B Xt2 C
B
2B
C
= "B X
t=1 C
n C
@ 2A
n Xt X
t=1t
5/ La covariance mathématique ^b; a

^
Par dé…nition, la covariance ente ^b; a

^ se calcule comme suit :
h i
Cov ^b; a
^ = E ^b E ^b (^
a E (^
a))
h i
= E ^b b (^
a a)
Comme ^b; a
^ sont sans biais, alors
2 0 1 3
X
n
6 n B C x t "t 7
6X B 1 Xxt C 7
Cov ^b; a
^ = E6
6
B
B
C "t
C
t=1 7
7
4 t=1 @ n X
n
A Xn
5
x2t x2t
t=1 t=1
20 13
X
n X
n X
n X
n
6B "t x t "t X x t "t x t "t C 7
6B C7
6B t=1 t=1 C7
Cov ^b; a
^ = E 6B t=1 t=1
!2 C7
6B X n
X
n C7
4@ n x2t A5
x2t
t=1
2 3 2 t=1 !2 3
X
n X
n Xn
6 "t x t "t 7 6 x t "t 7

6 t=1 t=1 7 6 7
6 t=1 7
Cov ^b; a
^ = E6
6
7
7 XE 6 !2 7
4 X n
5 6 X n 7
n x2t 4 2 5
xt
t=1 t=1
D’après les hypothèses (1), (2) et (3) du modèle de régression simple, il résulte que
2
X
Cov ^b; a
^ = "
X
n
x2t
t=1
Théorème 2.3.1 (Gaus Markov) : Les estimateurs sans biais du modèle de la régression
simple (2.1.1) sont linéaires et de variances minimales.
Xn
Preuve. L’estimateur des MCO s’écrit a ^= pt yt , avec
t=1
(Xt X)
pt =
X
n
(Xt X)2 :
t=1
On considère un autre estimateur linéaire en yt et sans biais, c’est-à-dire
Xn
= t yt
t=1
X
n X
n
et on montre que t = 0 et t xt = 1 et E("t ) = 0: L’égalité
t=1 t=1
X
n X
n X
n
E( ) = b t +a t xt + t E("t )
t=1 t=1 t=1
X
n X
n
= b t +a t xt
t=1 t=1
est vraie pour tout a. L’estimateur est sans biais donc E( ) = a pour tout a, c’est-à-dire
Xn X
n
que t = 0 et t xt = 1: On montre maintenant que V ar( ) a): On a
V ar(^
t=1 t=1
V ar( ) = V ar( a
^+a
^)
= V ar( a
^) + V ar(^
a) + 2Cov( a
^; a
^):
Or
Cov( a
^; a
^) = Cov( ; a
^) V ar(^
a)
X
n
2
t (Xt X)
2
t=1
= X X
(Xt X)2 (Xt X)2
= 0:
X
n X
n
Cette dernière égalité étant due aux relations t = 0 et t xt = 1: Ainsi,
t=1 t=1
V ar( ) = V ar( a
^) + V ar(^
a):
Comme la variance est toujours positive, alors
V ar( ) V ar(^
a):
De façon similaire, on montre que ^b est linéaire et de variance minimale.
2.3.2 Analyse de la variance
Pour dé…nir l’équation de l’analyse de la variance des paramètres du modèle (2.1.1), on a

besoin des propriétés données dans le lemme suivant :
Lemme 2.3.1 Soit le modèle de régression simple (2.1.1) véri…ant les hypothèses citées ci-
dessus, alors
X
n
1= et = 0 : la somme des résidus est nulle (la droite de régression passe par le point
t=1
moyen, cela est valable uniquement pour les modèles contenant le terme constant).
X
n Xn
2= Yt = Y^t : égalité entre la moyenne de la série à expliquer et la moyenne de la série
t=1 t=1
ajustée.
Preuve. Soit le modèle de régression simple :Yt = b + aXt + "t ; sachant que le résidu est :
et = Yt Y^t
où
Y^t = ^b + a
^Xt :
1/ On sait que
Yt = Y^t + et
= ^b + a
^Xt + et :
Donc
X
n X
n X
n
Yt = n^b + a
^ Xt + et
t=1 t=1 t=1
ce qui imlique
X
n
et = nY n^b a
^nX:
t=1
En remplaçant ^b par sa valeur, on obtient alors

X
n
et = nY n Y a
^X a
^ nX
t=1
= nY nY + a
^ nX a
^nX:
Par conséquent
X
n
et = 0:
t=1
X
n
2/ Puisque et = 0; on déduit alors
t=1
X
n X
n
et = Yt Y^t = 0
t=1 t=1
X
n X
n
=) Yt Y^t = 0
t=1 t=1
X
n X
n
=) Yt = Y^t :
t=1 t=1
D’où Y = Y^ :
A partir des deux propriétés du Lemme (2.3.1), on peut déduire la fonction fondamentale
d’analyse de la variance. On a
Yt Y^t = et =) Yt = Y^t + et :
D’où
Yt Y = Y^t + et Y:
Cela implique
2 2
Yt Y = Y^t Y + e2t + 2 Y^t Y et :
Passant aux sommes, on trouve

X
n
2
X
n
2 X
n X
n
Yt Y = Y^t Y + e2t + 2 Y^t Y et :
t=1 t=1 t=1 t=1
Comme
X
n X
n X
n
et = 0 et Yt = Y^t ;
t=1 t=1 t=1
alors
X
n
Yt Y^t = 0:
t=1
On déduit donc
X
n
2
X
n
2 X
n
Yt Y = Y^t Y + e2t :
t=1 t=1 t=1
D’où
SCT = SCE + SCR: (2.3.5)
Dé…nition 2.3.1 L équation (2.3.5) est appelée l’équation de l’analyse de la variance, telle
que
X
n
2
1/ SCT = Yt Y : désigne la variabilité totale.
t=1
Xn
2
2/ SCE = Y^t Y : désigne la variabilité expliquée.
t=1
X
n X
n
2
3/ SCR = e2t = Yt Y^t : désigne la variabilité des résidus.
t=1 t=1
2.3.3 Coe¢ cient de détermination
De l’équation (2:3:5); on peut déduire le coe¢ cient de détermination
SCT SCE SCR

= +
SCT SCT SCT
ce qui implique
SCE SCR
1= + :
SCT SCT
D’où
SCR SCE
r2 = 1 = :
SCT SCT
Alors
SCE
r2 = :
SCT
Remarque 2.3.1 Le coe¢ cient de détermination permet de déterminer la qualité de l’ajus-

tement linéaire en mesurant la part de la variation total de y expliquée par le modèle de
régression sur x: Sa valeur est comprise entre 0 et 1 (0 r2 1): Plus la valeur de r2 est
proche de 1, plus le modèle est plus signi…catif.
Exemple 2.3.1 On dispose des données qui sont représentés dans le tableau suivant :
Xt (kg) 100 200 300 400 500 600 700

Yt (DA) 40 50 50 70 65 65 80
où Yt : Désigne les quantités consommées (en kg) et Xt : Désigne le prix des quantités
consommées (en DA).
1/ On trace un graphique des couples de données liant le prix et les quantités consommées.
On obtient le nuage de points suivant :
Figure 4 : Droite de rgression simple exp

2.2.1
2/ Les estimateurs par la méthodes des moindres carrés de la pente a

^ et de l’ordonnée à
l’origine ^b de la droite de régression estimée d’équation Y^t = ^b + a
^Xt sont :
X
n
Yt Y Xt X
Cov (X; Y ) t=1
a
^= =
V ar (X) X
n
2
Xt X
t=1
et
^b = Y a
^X
On a n = 7, X = 400 kg et Y = 60 DA:
2
V ar (X) = X 2 X
1X 2
7
2
V ar (X) = X X
7 t=1
V ar (X) = 200000 (400)2
V ar (X) = 40000 (kg)2

et
Cov (X; Y ) = XY X Y
1X
7
Cov (X; Y ) = Xt Yt X Y
7 t=1
Cov (X; Y ) = 26357; 14286 24000
Cov (X; Y ) = 2357; 142857 kg:DA
On trouve, donc
2357; 142857
a
^ =
40000
= 0; 058928571
et
^b = Y a
^X
^b = 60 (0; 0589 400)
^b = 36; 42857143
Par conséquent, la droite qui ajuste le nuage de point est :
(D) : Y^t = 36; 42 + 0; 058Xt :
2.3.4 Tests des coe¢ cients et les intervalles de con…ance

Estimation de la variance des erreurs
Soit le modèle de régression simple :
Yt = b + aXt + "t
Le résidu est donné par

et = Yt Y^t
où
Y^t = ^b + a
^Xt
et
Y = b + aX + ":
On a
et = b + aXt + "t ^b a
^Xt :
On remplace ^b par sa valeur, on obtient
et = b + aXt Y +a
^X a
^Xt + "t
On remplace aussi Y par sa valeur, on obtient
et = (a a
^) Xt (a a
^ ) X + "t "
= (a a
^) Xt X + ("t ") :
D’où
et = (a a
^) xt + ("t ")
En élevant ce terme au carré et e¤ectuant la somme sur les n observations, on trouve
X
n X
n
e2t = [(a a
^) xt + ("t ") ]2
t=1 t=1
X
n
2 2
X
n X
n
= ("t " ) + (a a
^) x2t + 2 (a a
^) xt ("t ")
t=1 t=1 t=1
Or d’après l’expression (2.3.4), on a

X
n X
n
xt ("t ") = (a a
^) x2t :
t=1 t=1
Cela conduit à
X
n X
n
2 2
X
n
e2t = ("t ") (a a
^) x2t
t=1 t=1 t=1
En passant à l’espérance mathématique, on obtient
! " n #
X n X 2 2
X
n
E e2t = E ("t " ) E (a a
^) x2t
t=1 t=1 t=1
On examine les deux membres de cette équation

a/
" # " #
X
n
2
X
n
E ("t ") = E "2t 2""t + "2
t=1
" t=1 #
X n X
n X
n
= E "2t 2" "t + "2
" t=1 t=1 t=1
#
X n
= E "2t 2"n" + n"2
" t=1 #
X n
= E "2t 2n" + n" 2 2
" t=1 #
X n
= E "2t n" 2
" t=1 #
X n X
n
= E "2t " "t
t=1 t=1
2 " #2 3
X
n
6 "t 7
6X n 7
6 t=1 7
= E6 "2t 7
6 n 7
4 t=1 5
2 !2 3
Xn
1 X
n
= 4 E "2t E "t 5
t=1
n t=1
Comme E ("2t ) = 2
" (hypothèse 2)
" #
X
n
1
E ("t " )2 = n 2
" E("21 + "22 + ::: + "2n ):
t=1
n
Or, d’après l’hypothèse 3 d’indépendance des erreurs, les doubles produits sont donc tous
nuls. Par conséquent
" #
X
n
1
E ("t " )2 = n 2
" n 2
" =n 2
"
2
"
t=1
n
2
= " (n 1)
b/
2
X
n
E (a a
^) x2t = 2
":
t=1
En e¤et
2
E (a ^)2 =
a "
:
X
n
x2t
t=1
D’où !
X
n
E e2t = 2
" (n 1) 2
"
t=1
2
= (n 2) ":
Alors
X
n
e2t
t=1
^ 2" =
n 2
^ 2" est un estimateur sans biais de 2
".
Test des coe¢ cients
En considérant le modèle de régression simple
Yt = b + aXt + "t :
On sait que
X
n
e2t
t=1
^ 2" = (2.3.6)
n 2
2 2
et "i suit la loi normale de moyenne nulle et de variance "; N (0; ") :
De (2.3.6) on a
X
n
(n 2) ^ 2" = e2t
t=1
X
n
e2t
(n 2) ^ 2" t=1 2
=) 2
= 2
! n 2
" "
2
où n 2 est la loi de Khi-deux de (n 2) degrés de liberté.
D’autre part, on a
0 1 0 0 11
X
n
B C B B Xt2 CC
B 2 C B B CC
B
^ ! N Ba; n
a " C
et b ! N B
^ 2 B t=1 CC
C Bb; " B X CC
@ X 2A
n
@ @ 2 AA
xt n Xt X
t=1 t=1
Par un changement de variables, on obtient les variables centrées réduites Z1 et Z2 suivant

toutes les deux la loi normale centrée réduite N (0; 1)
a
^ a ^b b
Z1 = v 2 ! N (0; 1) et Z2 = v 0 1 ! N (0; 1)
u " u X
n
uX n u
t u B Xt2 C
x2t u B C
u 2 t=1
t=1 u "B X n C
t @ 2A
n (Xt X )
t=1
D’après la dé…nition de la loi de Student T qui est : le rapport d’une loi centrée réduite et la
racine carrée d’une loi de khi-deux divisée par le nombre de ses degrés de liberté. On a
Z1
TC = q p
(n 2) ^ 2" = 2" = n 2
" Z1 " a
^ a
TC = = : s n ! Tn 2 :
^" ^" X
"= x2t
t=1
Finalement,
a
^ a %
TC = ! Tn 2 ; (2.3.7)
^ 2a^ 2
où Tn 2 est la loi de Student de (n 2) degré de liberté et est le taux (seuil) de risque.
Suivant la même procédure pour ^b, on obtient
^b b %
TC = ! Tn 2 ; (2.3.8)
^^2b 2
A partir des résultats (2.3.7) et ( 2.3.8), on peut e¤ectuer les tests d’hypothèses suivants :
8 8
< H0 : b = 0 < H0 : a = 0
contre et contre
: :
H1 : b 6= 0 H1 : a 6= 0
Règle de décision et la construction du test des paramètres
On considère un test bilatéral et on commence par le paramètre a:Tester a consiste à tester

l’hypothèse suivante : 8
< H0 : a = 0
contre
:
H1 : a 6= 0
Sous l’hypothèse H0 : a = 0 , on obtient la valeur critique (TC ) calculée à partir de l’expression
a
^ a %
TC = ! Tt n 2;
^ a^ 2
où
* TC : Déigne la valeur critique de la statistique T (dite calculée).
^ : Désigne la valeur estimée du paramètre a:

* a
* ^ a^ : Désigne la valeur de l’écart-type du paramètre a:
* : Le seuil donné.(En général, on prend = 5%):
* n 2 : Degré de liberté.
* Tt : Désigne la valeur de la statistique Student T lue à partir de la table statistique.
Règle de décision
=0:05
– Si jTC j < Tt on accepte l’hypothèse H0 : la variable xi n’est pas contributive à l’ex-
plication de Y .
=0:05
– Si jTC j > Tt on accepte l’hypothèse H1 : la variable xi est contributive à l’explication
de Y .
De même, le test du paramètre b consiste à tester l’hypothèse suivante :
8
< H0 : b = 0
contre
:
H1 : b 6= 0
Sous l’hypothèse H0 : b = 0 , on obtient la valeur critique TC tel que
^b b %
TC = ! Tt n 2;
^^b 2
avec
* TC : Désigne la valeur critique de la statistique T (dite calculée).
* ^b : Désigne la valeur estimée du paramètre b:
* ^^b : Désigne la valeur de l’écart-type du paramètre b:
* : Le seuil donné.(Engénéral = 5%):
* n 2 : Degré de liberté.
* Tt : Désigne la valeur de la statistique Student T lue à partir de la table statistique.
Règle de décision
=0:05
– Si jTC j < Tt on accepte l’hypothèse H0 : le modèle ne contient pas de constante.
=0:05
– Si jTC j > Tt on accepte l’hypothèse H1 : le modèle contient la constante.
2.3.5 Estmation des paramètres par des intervalles de con…ance
Dé…nition 2.3.2 L’estimation par intervalle d’un paramètre inconnu consiste à calculer
à partir d’un estimateur choisi ^, un intervalle Ic = [LI; LS] dans lequel il est vraisemblable
que la valeur correspondante du paramètre s’y trouve. La probabilité liée à cet intervalle de
con…ance est exprimée en pourcentage noté 1 où est le taux de risque. La probabilité
1 est appelée le niveau de con…ance ou le seuil de con…ance
Pr (LI LS) = 1
où 1 est la probabilité associée à l’intervalle d’encadrer la vraie valeur du paramètre et

LI (resp: LS) est la borne inférieure (resp. supérieure) de l’intervalle de con…ance.
Remarque 2.3.2 Le niveau de con…ance est toujours associé à l’intervalle et non au para-
mètre inconnu :
Intervalles de con…ances des paramètres a et b
Les intervalles de con…ances des paramètres a et b au seuil donné (au niveau de con…ance (1 ))
sont donnés par :
p
Intervalle de con…ance du paramètre a :
Pr a
^ T 2 ^ a^ < a < a
^ + T 2 ^ a^ = 1
p
Intervalle de con…ance du paramètre b :
h i
Pr ^b T 2 ^^b < b < ^b + T 2 ^^b = 1
p 2
Intervalle de con…ance de : On a
X
n
e2t
t=1
^2 = = S2
n 2
(n 2) S 2 2
=) 2
! n 2
D’où
2 (n 2) S 2 2
Pr 1 < 2
< 2 =1
2
1 (n 2) S 2 2
2
Pr < < =1 :
(n 2) S 2 2 (n 2) S 2
Finalement
(n 2) S 2 2 (n 2) S 2
Pr 2
< < 2
=1
2 1
2.3.6 Analyse de la variance et test de Fisher
On a déjà dé…ni SCT , SCR et SCE; ces sommes peuvent être utilisées pour tester l’hypo-
thèse suivante : 8
< H0 : b = 0
contre
:
H1 : b 6= 0
Sous l’hypothèse H0 : b = 0, On a
E (SCT ) = (n 1) 2 ; E (SCE) = (1) 2

et E(SCR) = (n 2) 2
avec (n 1); (1) et (n 2) sont des degrés de libertés de SCT; SCE; et SCR respectivement.
D’autre part, lorsque H0 est véri…ée on a
SCT 2 SCE 2 SCR 2

! n 1; ! 1 et ! n 2
n 1 1 n 2
Du moment que SCE

2 et SCR
2 sont indépendants, on peut déduire donc la valeur critique de
Fisher F qui se dé…nit comme suit : le rapport entre deux Chi-deux ( ) indépendants et leurs
degrés de libertés.
Alors, on obtient :
SCE
2 SCE
1 1
FC = SCR = SCR
2
n 2
n 2
SCE (n 2)
= ! FT (1; n 2; %)
SCR 1
avec
*/ FC : désigne la valeur critique de Fisher calculée.
*/ (1; n 2; %) : se sont des degrés de libertés.
*/ FT : désigne la valeur de Fisher lue à partir de la table statistique de Fisher aux degrés
de liberté 1; n 2.
*/ % : Le seuil donné.
Règle de décision
1. Si jFC j > FT (1; n 2; %) on rejette l’hypothèse H0 ; cela signi…e que, H1 est acceptée :
c’est-à-dire le modèle est globalement signi…catif.
2. Si jFC j < FT (1; n 2; %) on rejette l’hypothèse H1 ; cela signi…e que, H0 est acceptée :
c’est-à-dire le modèle n’est pas globalement signi…catif.
Tableau d’analyse de la variance
Source Degré Somme Moyenne

F calculé
de la variance de liberté des carrés des carrés
Xn
2
M Creg
Régression n=1 SCE = Y^t Y M Creg = SCE
1
FC = M Cres
t=1
X
n
2
Résiduelle n 2 SCR = Yt Y^t M Cres = SCR
n 2
t=1
Xn
2
Total n 1 SCT = Yt Y
t=1
Exemple 2.3.2 On veut expliquer le rendement de mais Y (en quintal) à partir de la quantité
d’angrais utilisé (en kg) sur des parcelles de terrain similaires.
i Y X
1 16 20
2 18 24
3 23 28
4 24 22
5 28 32
6 29 28
7 26 32
8 31 36
9 32 41
10 34 41
Moyenne 26.1 30.4
Le tableau ci-dessous représente les données "Rendements Agricoles"
2
i Y X Yt Y Xt X Yt Y Xt X Xt X
1 16 20 -10,1 -10,4 105,4 108,160
2 18 24 -8,1 -6,4 51,4 40,960
3 23 28 -3,1 -2,4 7,44 5,765
4 24 22 -2,1 -8,4 17,64 70,560
5 28 32 1,9 1,6 3,04 2,560
6 29 28 2,9 -2,4 -6,96 5,760
7 26 32 -0,1 1,6 -0,6 2,560
8 31 36 4,9 5,6 27,44 31.360
9 32 41 5,9 10.6 62.54 112.360
10 34 41 7,9 10.6 38.74 112.360
Moyenne 26,1 30,4 Somme 351,6 492,4
Estimation des coe¢ cients "Rendements agricoles " voici les prancipales étapes :
1/ On calcule les moyennes des variables : Y = 26; 1 Q et X = 30; 4 kg:

2
2/ On forme les valeurs de Yt Y ; Xt X ; Yt Y Xt X ; Xt X :
X
n X
n
2
3/ On réalise les sommes Yt Y Xt X = 351; 6 Q Kg et Xt X = 492; 4 kg 2 :
i=1 i=1
4/ On déduit en…n les estimations des parmètres du modèle de la régression simple Y en x
X
n
Yt Y Xt X
i=1 351; 6 Q
a
^= = = 0; 7141 Q=kg
X
n
2 492; 4 kg
Xt X
i=1
et
^b = Y a
^X = 26; 1 0; 7141 30; 4 = 4; 3928 Q
La droite de régression peut être représentée dans le ghraphique nuage de points.
Figure 5 : Rendement agricole
Calculer la colonne des valeurs prédites Y^ ;en déduire le résidu ^" et …nalement obtenir les
sommes des carrés .
2
i Y X Yt Y Xt X Yt Y Y^ ^" ^"2
1 16 20 -10,1 -10,4 102,010 18,674 -2,674 7,149
2 18 24 -8,1 -6,4 65,610 21,530 -3,530 12,461
3 23 28 -3,1 -2,4 9,610 24,386 -1,386 1,922
4 24 22 -2,1 -8,4 4,410 20,102 3,898 15,195
5 28 32 1,9 1,6 3,610 27,242 0,758 0,574
6 29 28 2,9 -2,4 8,410 24,386 4,614 21,286
7 26 32 -0,1 1,6 0,010 27,242 -1,242 1,544
8 31 36 4,9 5,6 24,010 30,099 0,901 0,812
9 32 41 5,9 10,6 34,810 33,669 -1,669 2,785
10 34 41 7,9 10,6 62,410 33,669 0,331 0,110
26; 1 30; 4 314; 9 63; 838749
Moyenne |{z} |{z} Somme | {z } Somme | {z }
Y X SCT SCR
On a
SCE = SCT SCR = 251; 061251;
le coe¢ cient de détermination R2 = 0:79727295 et le coé¢ cient de corrélation R = 0:89290142:

On calcule Y^i . pour (i = 1) : Y^1 = a

^ X1 + ^b = 0; 17405 20 + 4; 39277 = 18; 674: On en
déduit le résidu ^" : ^"1 = Y1 Y^1 = 16 18; 674 = 2; 674: Le coe¢ cient de détermination
est obtenu avec sa forme usuelle
SCE 251; 061

R2 = = = 0; 797273:
SCT 314; 900
Puis, le coe¢ cient de corrélation linéaire simple
p
R= 0; 797273 = 0; 892901:
Le tableau d’analyse de variance complet et le test F de signi…cativité globale

F calculé
Xn
2
SCE = Y^t Y M Creg = SCE
1 FC = M Creg
M Cres
Régression n=1 t=1 = 251; 061251 = 31; 46192618
= 251; 061251
Xn
2
n 2 = 10 2 SCR = Yt Y^t M Cres = SCR
n 2
Résiduelle
=8 t=1 = 7; 979843623
= 63; 83874898
X n
2
n 1 = 10 1 SCT = Yt Y
Total
=9 t=1
= 314; 9
A ce stade , nous obtenons l’estimation de la variance de l’erreur, soit
SCR 63; 839

^ 2" = = = 7; 980:
n 2 8
L’écart -type estimé de l’erreur correspond à la racine carrée
p
^" = 7; 980 = 2; 825:
Pour obtenir l’estimation de l’écart -type de la pente , nous avons besoin de la somme des
écarts à la moyenne au carré des x
v
u
u ^ 2"
^ a^ = u n
uX
t Xt X
2
t=1
r
7; 980
=
492; 4
p
= 0; 01621
= 0; 12730:
On forme la statistique de test
a
^ 0; 71405
Ta^ = = = 5; 60909:
^ a^ 0; 12730
Au risque = 5%; le seuil critique pour la loi de Student à (n 2) degrés de liberté pour un
test bilatéral est T1 2
= 2; 30600: Puisque j5; 60909j > 2; 30600; on calcule que la pente est
signi…cativement nou nulle au risque 5%: On souhaite mettre en oeuvre le test d’hypothéses
suivant pour les "Rendements agricoles "
H0 : a = 0:5
H1 : a > 0:5
Il s’agait d’un test de conformité à un standard unilatéral. La région critique au risque du
test s’écrit
a
^ 0; 5
R:C : > T1
^ a^
Voyons ce qu’il en sur nos données
a
^ 0; 5 0; 71405 0; 5
= = 1; 68145
^ a^ 0; 12730
A comparer avec T0;95 (8) = 1; 85955 pour un test à 5% .Nous sommes dans la région d’ac-
ceptation c-à-d .nous ne pouvons pas rejeter l’hypothèse nulle .
La valeur du paramétre a n’est pas signi…cativement supérieur à la référence 0; 5 au risque
5%:
Intevalle de con…ance au niveau 95% :
a
^ T2 ^ a^ ; a
^ + T2 ^ a^
[0; 71405 2; 30600 0; 12730 ; 0; 71405 + 2; 30600 0; 12730]
[0; 42046 ; 1; 00761]
Le résultat est cohérent avec le teste de signi…cativité de la pente , l’intervalle de con…ance

ne contient pas la valeur 0:
Chapitre 3
Régression linéaire multiple
En pratique la variable expliquée ne dépend pas que d’une variable explicative. On introduit
dans ce chapitre des modèles de régression linéaire avec plusieurs variables explicatives. On
parle alors de la régression linéaire multiple.
La droite de régression que l’on avait en régression simple est ici remplacée par un hyperplan
des régressions. A…n d’estimer les paramètres de cet hyperplan, on peut comme en régression
simple, utiliser la méthode des moindres carrés.
3.1 Modèle de la régression multiple

Le modèle général de la régrssion multiple est une généralisation du modèle simple dans
lequel …gurent plusieurs variables explicatives
Yt = b0 + b1 x1t + b2 x2t + ::: + bk xkt + "t ; pour t = 1; :::::; n (3.1.1)
avec
1. Yt = variable à expliquer a la date t:
2. x1t = variable explicative 1 à la date t:
3. xkt = variable explicative k à la date t:
4. b0 ; b1 ; b2 ; :::; bk : les paramètres du modèle.
5. "t = erreur de spéci…cation, elle est inconnue.
6. n = nombre d’observations.
3.1 Modèle de la régression multiple 44
3.1.1 La forme matricielle du modèle de la régression multiple
L’écriture du modèle (3.1.1) est n’est pas très pratique. A…n de faciliter l’expression de
certains résultats, on a habituellement recours aux notations matricielles. En écrivant le
modèle (3.1.1), observation par observation, on obtient
8
>
> Y1 = b0 + b1 x11 + b2 x21 + ::: + bk xk1 + "1
>
>
< Y2 = b0 + b1 x12 + b2 x22 + ::: + bk xk2 + "2
:::
>
>
>
> Yt = b0 + b1 x1t + b2 x2t + ::: + bk xkt + "t
:
Yn = b0 + b1 x1n + b2 x2n + ::: + bk xkn + "n
On peut réécrire le modèle (3.1.1) sous la forme matricielle suivante :
Y(n;1) = X(n;k+1) B(k+1;1) +"(n;1) (3.1.2)
telle que
0 1 0 1
Y1 b0 0 1 0 1
B C B C 1 x11 x21 : : xk1 "1
B Y2 C B b1 C B C B C
B C B C B 1 x12 x22 : : xk2 C B "2 C
B : C B : C B C B C
: : : : : x :
Y(n;1) =B
B : C; B =B
C B : C; X =B
C B
C et " = B
C B
C
C
B C B C B : : : : : : C B : C
B Yt C B bt C @ A @ A
@ A @ A 1 x1t x2t : : xkt "t
: :
1 x1n x2n : : xkn "n
Yn bk
On remarque que la première colonne de la matrice X, est le vecteur 1n (tous les termes sont
1), qui correspond au coe¢ cient b0 (coe¢ cient du terme constant).
La matrice X est de n lignes et k + 1 colonnes (k est le nombre de variables explicatives
réelles, c’est-à-dire constante exclue) et n est le nombre d’observations.
Les hypothèses du modèle le modèle (3.1.1) repose sur les hypothèses suivantes :
1/ H0 : Les valeurs xit sont observées sans erreurs.
2/ H1 : E("t ) = 0 espérance des erreurs est nulle.
3/ H2 : E("2t ) = 2
" la variance de l’erreur est constante 8(t):
4/ H3 : E("t "0t ) = 0 si t 6= t; (indépendance des erreurs ).
5/ H4 : Cov (xij ; "i ) = 0; l’erreur est indépendante de xij :

3.2 Estimation des coe¢ cients de régression 45
6/ H5 : Absence de colinéarité entre les variables explicatives =) (X X) régulière et (X

1
X) existe.
0
X X
7/ H6 : n
: Tend vers une matrice …nie non singulière.
8/ H7 : n > k + 1 : nombre d’observations est supérieur aux nombre des explicatives.
3.2 Estimation des coe¢ cients de régression

Soit le modèle sous forme matricielle à k variables explicatives et n observations
Yt = Xt B + "t (3.2.1)
A…n d’estimer le vecteur (B) composé des coe¢ cients b0 ; b1 ; b2 ; :::; bk , on applique la méthode
des moindres carrées ordinaire (MCO) qui consiste à minimiser la somme des carrées des
erreurs. L’expression à minimiser sur B s’écrit
X
n X
n
"2i = [yi b0 b1 xt1 ::: bk xtk ]2
i=1 i=1
= kY XBk2
= (Y XB)0 (Y XB)
où (Y XB)0 est la matrice transposée de (Y XB) : On pose
S = (Y XB)0 (Y XB)
= Y 0Y 2B 0 X 0 Y + B 0 X 0 XB
Par dérivation matricielle de S
@S
= 2X 0 Y + 2X 0 XB:
@B
X
n
@S
Comme min "2i est la valeur qui annule @B
; alors
i=1
@S
=0) 2X 0 Y + 2X 0 XB = 0
@B
d’où
1
B = (X 0 X) X 0Y
car de l’hypothèse H6 , (X 0 X) est inversible.

Le modéle estimé s’écrit :
Y^t = ^b0 + ^b1 x1t + ^b2 x2t + ::: + ^bk xkt + et
avec
et = Yt Y^t ,
où et : est le résidu, c’est-à-dire l’écart entre la valeur observée de la variable à expliquer et

sa valeur estimée (ajustée).
3.2.1 Propriétés des estimateurs du modèle de la régression mul-

tiple
^ est un estimateur sans biais
1/ B
Soit le modèle
Y = X B + ":
On a
Y =X B ^ +"
=) e = Y Y^ .
Y^ = X B^
Alors
^ = (X X) 1 X 0 Y = (X X) 1 X 0 (X B + ")
B
^ = (X X) 1 X 0 (X B) + (X X) 1 X 0 "
B
^ = B + (X X) 1 X 0 "
B
^
B B = (X X) 1 X 0 " (3.2.2)
D’où
^ = B + (X X) 1 X 0 E(") = B
E(B)
^ est donc sans biais.

car E(") = 0 (hypothèse H2 ). L’estimateur B
2/ Estimateur de la variance de l’erreur
On a
h i
^ =E (B
V ar( B) ^ ^
B)( B B) (3.2.3)
Or d’après (3.2.2)
0
^
B B = (X X) 1 X 0 " et ^
B B = "0 X(X 0 X) 1 :
ce qui conduit à
0
^
B B ^
B B = (X X) 1 X 0 ""0 X(X 0 X) 1 :
D’où
^ = (X X) 1 X 0 E (""0 ) X(X 0 X)
V ar( B) 1
car E (""0 ) = 2
"I : matrice des variances de l’erreur ": En e¤et, d’après les hypothèses H3 et
H4 ; on a
0 1
[E ("1 "1 )] E ("1 "2 ) ::: E ("1 "n )
B E ("2 "1 ) E ("2 "2 ) ::: E ("2 "n ) C
E (""0 ) = B
@
C
A
::: :::
E ("n "1 ) E ("n "2 ) ::: E ("n "n )
0 2 1
" 0 ::: 0
B 0 2
" ::: 0 C
B
= @ C
::: ::: A
2
0 0 0 "
^ devient
Alors, V ar( B)
^ =
V ar( B) 2 1 1
" (X X) (X X)(X X)
En…n,
^ =
V ar( B) 2 1
(3.2.4)
" (X X) :
2
Puisque " est inconnu, on l’estime . Soit le modèle
Yt = X B + " t
On a
e=Y Y^
et
Y^ = X B:
^
D’où
et = Y ^
XB (3.2.5)
^ = (X X) 1 X 0 Y dans l’équation (3.2.5), on aura

En remplaçant B
et = Y X(X X) 1 X 0 Y = I X(X X) 1 X 0 Y:
On pose
M =I X(X X) 1 X 0 :
Alors
X
n
e2t = e0 e = "0 M 0 M " = "M "
t=1
et
E(e0 e) = 2
" In T r I X(X X) 1 X 0 = 2
" In (n k 1) :
On obtient alors
e0 e
^ 2" = ; n > k + 1 (hypothsèse H8 ) :
n k 1
L’estimateur sans biais de la variance ^ 2" est donné par
X
n
2
Y^t Y
t=1
s2 =
n k 1
SCE
=
n k 1
où SCE est la somme des carrés des résidus
2
SCE = Y^t Y In
On dé…nit également la somme totale des carrés
2 2
SCT = Yt Y In = Y 0Y n Y ;
et la somme des carrés de la régression
SCR = k^"k2 :
On peut aisément véri…er que

SCT = SCR + SCE:
3.2.2 Coe¢ cient de détermination
Dé…nition 3.2.1 On appelle coe¢ cient de détermination la quantité
SCR
R2 = 1
SCT
X n
^"2
t=1
= 1
X
n
2
Yt Y
t=1
X
n
2
Y^t Y
t=1
= 1
X
n
2
Yt Y
t=1
Qui est donc la part de variation de Y expliquée par le modèle de régression.
Dé…nition 3.2.2 Le coe¢ cient de détermination corrigé R2 est dé…ni par :

SCR
(n k 1)
R2 = 1 SCT
n 1
n k 1
R2 = 1 1 R2
n 1
où n est le nombre d’observations et (k + 1) est nombre de séries explicatives.
Remarque 3.2.1 Le coe¢ cient de détermination corrigé R2 véri…e les propriétés suivantes
1/ R2 < R2 si k > 1:
2/ R2 = R2 si k = 1:
3/ R2 peut prendre des valeurs négatives.

3.3 Les tests statistiques 50
3.3 Les tests statistiques

3.3.1 Le test de student
Tester l’in‡uence directe de la variable explicative sur la variable endogène, revient à tester
son coe¢ cient de régression s’il est égale ou di¤érent de 0, pour un seuil choisi, en général on
prend = 0; 05: Le test bilatéral d’hypothèse est le suivant :
8
< H0 : bt = 0;
contre
:
H1 : bt 6= 0:
La statistique de student est la suivante :
^bt bt %
TC = ! St n k 1; (3.3.1)
^^bt 2
avec
*/ T c : la valeur calculée,
*/ T : la valeur de la table de Student lue à partir de la table statistique,
*/ n k 1 : degrés de liberté,
%
*/ 2
: seuil de risque.
Règle de décision
=0;05
Si jTC j < T on accepte l’hypothèse H0 : la variable xt n’est pas contributive à l’expli-
cation de Y . Dans le cas contraire, on rejette H0 et on accepte H1 :
3.3.2 Test de Fisher
Le test de Fisher est test de signi…cation globale du modèle de regression. Pour tester si
l’ensemble des variables explicatives ont une infuence sur la variable à expliquer, on fait le
test d’hypothèse suivant :
L’hypothèse nulle H0 : b1 ; b2 ; :::; bk = 0; pour un seuil %
Contre
L’hypothèse alternative H1 : il existe au moins bi 6= 0
3.3 Les tests statistiques 51
Sous H0 , on a
X
n
2
(Y^t Y)
t=1
k
FC = X
n
"2
^
t=1
(n k 1)
X
n
y^t2
t=1
k
= X
n
"2
^
t=1
(n k 1)
R2
k
FC = (1 R2 )
! F (k; n k 1; %) (3.3.2)
(n k 1)
avec
*/ FC : la valeur calculeé,
*/ F : la valeur lue de la table de Fisher,
*/ (k; n k 1) : degrés de liberté .
*/ % : seuil de risque .
Régle de décision
Si jFC j > Ft on rejette l’hypothèse H0 et on accepte H1 ! le modèle est globalement signi-

…catif. Dans le cas contraire, on accepte l’hypothèse H0 ! le modèle n’est plus signi…catif.
Tableau d’analyse de la variance

F calculé
Xn
2
M Creg
Régression k SCE = Y^t Y M Creg = SCE
k
FC = M Cres
t=1
X
n
2
Résiduelle n k 1 SCR = Yt Y^t M Cres = SCR
n k 1
t=1
Xn
2
Total n 1 SCT = Yt Y
t=1
3.4 Application 52
3.4 Application
Soit le modéle à trois variables explicatives x1 ; x2 et x3
Yt = b0 + b1 x1t + b2 x2t + b3 x3t + "t :
On dispose des données du tableau
1/
t Y x1 x2 x3
1 12 2 45 121
2 14 1 43 132
3 10 3 43 154
4 16 6 47 145
5 14 7 42 129
6 19 8 41 156
7 21 8 32 132
8 19 5 33 147
9 21 5 41 128
10 16 8 38 163
11 19 4 32 161
12 21 9 31 172
13 25 12 35 174
14 21 7 29 180
1/ Forme matricielle du modèle : on dispose de 14 observations (n = 14) et trois va-
riables explicatives, le modèle peut donc s’écrire : Y = XB + "; avec
0 1 0 1 0 1
12 1 2 45 121 0 1 "1
B C B C b0 B C
B 14 C B 1 1 43 132 C B b1 C B "2 C
Y =B
B 10 C ; X=B
C B 1 3 43 145 C ; B=B
C
C et " = B
@ b2 A B "3 C:
C
@ ::: A @ ::: ::: ::: ::: A @ ::: A
b3
21 1 7 29 180 "14
^ = (X 0 X) 1 X 0 Y , on calcule X 0 X et (X 0 X)
2/ Estimation des paramètre du modèle : B 1
3.4 Application 53
0 1
0 1 1 2 45 121
1 1 1 ::: 1 B C
B 1 1 43 132
2 1 3 ::: 7 C B C
X 0X = B CB 1 3 43 145 C
@ 45 43 43 ::: 29 A B
@
C
A
::: ::: ::: :::
121 132 154 ::: 180
1 7 29 180
0 1
14 85 532 2094
B 85 631 3126 13132 C
= B
@ 532
C
3126 20666 78683 A
2094 13132 78683 317950
et
0 1
20; 1864 0; 015065 0; 23145 0; 07617
B 0; 015065 0; 013204 0; 001194 0; 00094 C
(X 0 X) 1
=B
@ 0; 23145 0; 001194 0; 003635 0; 000575 A .
C
0; 07617 0; 00094 0; 000575 0; 000401

On a aussi 0 1
0 1 12 10
1 1 1 ::: 1 B C 248
B 14
2 1 3 ::: 7 C B C B 1622 C
X 0Y = B CB 10 C=B C
C @ 9202 A :
@ 45 43 43 ::: 29 A B
@ A
:::
121 132 154 ::: 180 37592
21
Donc
0 10 1
20; 1864 0; 015065 0; 23145 0; 07617 248
B 0; 015065 0; 013204 0; 001194 C B
0; 00094 C B 1622 C
^ = B
B C
@ 0; 23145 0; 001194 0; 003635 0; 000575 A @ 9202 A
0; 07617 0; 00094 0; 000575 0; 000401 37592
0 1
32; 89132
B 0; 801900 C
= B C
@ 0; 38136 A :
0; 03713
On prend ^b0 = 32; 89, ^b1 = 0; 80; ^b2 = 0; 38; et ^b3 = 0; 03:
3/ Calcul de ^ 2" et de ^ 2B^ : On commence tout d’abord par calculer le résidu e
e = Y Y^ = Y ^
X B
= Yt ^b0 + ^b1 x1t + ^b2 x2t + ^b3 x3t :
En remplçant les paramètres ^bt par leurs valeurs trouvées ci-dessus, on trouve
3.4 Application 54
et = Yt 32; 89 0; 80x1t + 0; 38x2t + 0; 03x3t ):
Les résultats numériques sont consignés dans le tableau ci-dessous
t Y Y^t et e2t
1 12 12,84 -0,80 0,70
2 14 12,39 1,61 2,58
3 10 13,18 -3,18 10,11
4 16 13,39 1,61 2,58
5 14 17,70 -3,70 13,67
6 19 17,88 1,12 1,26
7 21 22,20 -1,20 1,44
8 19 18,86 0,14 0,02
9 21 16,51 4,49 20,14
10 16 18,76 -2,70 7,63
11 19 17,92 1,08 1,17
12 21 21,90 -0,90 0,81
13 25 22,71 2,90 5,27
14 21 20,76 0,24 0,06
P
14 P
14
/ / / et = 0 e2t = 67; 45
t=1 t=1
Il est clair que la somme des résidus est bien nulle et
X
14
e2t
0
ee 67; 45
^ 2" = = t=1 = = 6; 745:
n k 1 14 3 1 10
La matrice des variances donnée par (3.2.4) est :
^ = ^ 2 (X X) 1
V ar( B) "
0 1
20; 1864 0; 015065 0; 23145 0; 07617
B 0; 015065 0; 013204 0; 001194 0; 00094 C
= 6; 745 B C
@ 0; 23145 0; 001194 0; 003635 0; 000575 A :
0; 07617 0; 00094 0; 000575 0; 000401
Les variances des coe¢ cient de régression se trouvent sur la diagonale

3.4 Application 55
^^2b0 = 6; 745 20; 17 = 136; 04 ) ^^b0 = 11; 66
^^2b1 = 6; 745 0; 013 = 0; 087 ) ^^b1 = 0; 29
^^2b2 = 6; 745 0; 0036 = 0; 024 ) ^^b2 = 0; 15
^^2b3 = 6; 745 0; 0004 = 0; 0026 ) ^^b3 = 0; 05
X
14
4/ Le coe¢ cient de détermination R2 : d’après ce qui précède, on a e2t = 67; 45,
t=1
X
14
2
et Yt Y = 226; 86: Alors
t=1
X
14
e2t
t=1 67; 45
R2 = 1 =1 = 0; 702
X
14
2
226; 86
Yt Y
t=1
2
Le R corrigé est donné par :
n k 1
R2 = 1 1 R2
n 1
14 1
= 1 (1 0; 702) = 0; 613
14 4
On remarque la baisse du coe¢ cient de détermination lorsque on le corrige par le degré de

liberté.
5/ Test Student au seuil de 5% (pour la valeur = 5% ) , soit :
^b1 0; 80
T^b1 = = = 2; 75
^^b1 0; 29
0;05 0;05
et la valeur lue de la table de Student est T10 = 2; 228: Comme T^b1 > T10 ; alors l’hypothèse
Ho est rejetée. Par conséquent H1 est acceptée b1 6= 0: On déduit donc que la variable
explicative x1 est contributive à l’explication de Y; de même pour les autres paramètres du
modèle
^b2 0;38 0;05
*/ ^ ^b
= 0;15
= T^b2 = 2; 53 > T10 = 2; 228 ! b2 6= 0 est l’hypothèse acceptée.
2
3.4 Application 56
^b3 0;03 0;05

*/ ^ ^b
= 0;05
= T^b3 = 0; 60 < T10 = 2; 228 ! b3 6= 0 est l’hypothèse rejetée ) b3 = 0 est
3
l’hypothèse acceptée.
Remarque 3.4.1 La variable x2 est explicative de Y alors que la variable x3 n’est pas contri-
butive à l’explication de Y , il convient donc de la retirer de ce modèle et de procéder à une
nouvelle estimation .
6/ Les intervalles de con…ance de chacun des coe¢ cients :

h i
ICb1 = ^b1 ^^b1 Tn0:05k 1 ; ^b1 + ^^ T 0:05
b1 n k 1 = [0; 14; 1:45] :
h i
ICb2 = ^b2 ^^b2 Tn0:05k 1 ; ^b2 + ^^b2 Tn0:05k 1 = [ 0; 17; 0; 04] :
h i
ICb3 = ^b3 ^^b3 Tn0:05k 1 ; ^b3 + ^^b3 Tn0:05k 1 = [ 0; 14; 0; 08] :
La valeur 0 n’appartient pas à l’intervalle de con…ance à 95% de b1 et b2 , donc ces deux

coe¢ cients sont signi…cativement di¤érents de 0, en revanche, 0 appartient à l’intervalle de
con…ance de b3 , ce coe¢ cient n’est pas signi…cativement di¤érent de 0.
7/ Le test de Fisher de la signi…cation globale de la régression
R2 0;702
k 3 0:05
FC = (1 R2 )
= (1 0;702)
= 7; 878 > F(3;10) = 3; 71
(n k 1) 10
0:05
F(3;10) est la valeur lue de la table de Fisher à (3; 10) degrés de liberté et au seuil = 5%: On
rejette l’hypothèse H0 de nullité de tous les coe¢ cients. Alors, la régression est globalement
signi…cative.
Conclusion
Ce mémoire est une courte exposition de l’un des outils statistiques qui construisent un
modèle statistique, en comparant la relation entre une variable dépendante et une autre
variable indépendante, a…n de produire une équation statistique qui peut clari…er la relation
entre ces variables. Cette relation est dite la régression linéaire.
La régression linéaire peut être simple, lorsqu’il y a une variable dépendante et une autre
indépendante, ou multiple, lorsqu’il y a un nombre k 2 de variables exlicatives d’une
variable à expliquer.
Annexe 1 : Table de Student
Table de Student
Annexe 2 : Table de Fisher
Table de Fisher
Annexe 3 : Table de Fisher "suite"
Table de Fisher
Bibliographie
[1] Dj. Bensikaddour, Cours de Statistique II, Master 1 Analyse fondamentale, Univ-
Mostaganem, (2020).
[2] Dj. Bensikaddour, Cours de Statistique descriptive et probabilités, Univ-Mostaganem,

(2016/2017).
[3] N. Boukrif, Cours Régression linéaire simple et multiple, Université Abderrahmane

MIRA-Bejaia, (2016).
[4] Ar. Guyader, Régression linéaire, Université Rennes 2, Année (2012/2013).
[5] C. Labrousse, Introduction à l’économétrie, Maîtrise d’économétrie, Dunod, (1983).
[6] E. Lebarbier, S. Robin, Exemples d’application du modèle linéaire.
[7] A. Liorzou, Initiation pratique à la statistique, Berger-Levrault, Nancy-778722, (1979).
[8] De. Philippe, Cours D’économétrie, Université De Friboug, (2006-2007).
[9] Ve. Renée, Statistique et probabilités pour l’ingénieur, Dunod, (2014).
[10] Bo. Régis, Économétrie, Cours et exercices corrigés, Dunod, (2015).
[11] Ra. Ricco, Econométrie, La régression linéaire simple et multiple, Université Lumière
Lyon 2, (2018).

Mémoire Régression Simple Et Multiple

Transféré par

Droits d'auteur :

Formats disponibles

Mémoire Régression Simple Et Multiple

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mémoire Régression Simple Et Multiple

Transféré par

Droits d'auteur :

Formats disponibles

Ministère de l’Enseignement Supérieur et de la Recherche Scienti…que

Université Abdelhamid Ibn Badis de Mostaganem

Faculté des Sciences Exactes et de l’Informatique

Département de Mathématiques et de l’Informatique

Soutenu le : Juin 2021

Année Universitaire : 2020-2021

1 Généralités sur les séries statistiques 2

2 La régression linéaire simple 11

2.3.3 Coe¢ cient de détermination . . . . . . . . . . . . . . . . . . . . . . . . 27

3 Régression linéaire multiple 43

Annexe1 "table de Student" 58

Annexe 2 "table de Fisher" 59

Annexe 3 "table de Fisher" 60

Je tiens à remercier Dr R. BOUABDELLI, maître de conférence à l’université de Mostaga-

Je remercie très vivement Dr Z. KAISSERLI, maître de conférence à l’université de Mosta-

En statistique appliquée, un modèle de régression linéaire est un modèle de régression qui

Yt = b0 + b1 x1t + b2 x2t + ::: + bk xkt + "t ; pour t = 1; :::; n

où b0 ; b1 ; b2 ; :::; bk sont les paramètres du modèle.

Généralités sur les séries statistiques

1.1 Vocabulaire statistique

1/ La population d’un pays.

2/ Les fonctionnaires d’un établissement.

3/ Le parc automobile français.

* Les individus statistiques ou unités statistiques : sont les éléments de la population

1/ Qualitatif : couleur, sexe, e¢ cacité d’un traitement,...

2/ Quantitatif : grandeur, âge, taille, poids,...

On distingue deux types de caractère quantitatif :

Une étude statistique est en fait l’étude de propriétés caractéristiques "caractères" de la

1.2 Séries statistiques doubles

1.2.1 Traitement des données et représentation graphique

x=y y1 y2 ... yj . yl e¢ ctif marginal de x

* y1 ; y2 ; :::::; yl sont les valeurs du caractère y:

* nij est l’e¤ectif du couple (xi ; yj ) pour tout 1 i k et 1 j l:

Figure 1 : nuage de points

Nombre de commandes xi 6400 8350 9125 9600 10050 12000

a. Représentation du nuage de points

Figure 2 : Nuage de points exp 1.2.1

b. Calcul du point moyen

D’où le point moyen est G(9254; 17 ; 337500):

1.2.2 Covariance d’une série statistique double

où x et y sont les moyennes arithmétiques des deux séries simples x et y respectivement

Proposition 1.2.1 "Propriétés de la covariance" Soient x et y deux variables statis-

2/ Cov(x; y) = Cov(y; x):

3/ Cov(ax + b; a0 y + b0 ) = aa0 Cov(x; y):

1.3 Ajustement a¢ ne d’une série statistique double

1.3.1 Méthodes d’ajustement a¢ ne d’une série statistique double

Il existe de nombreuses méthodes d’obtenir un ajustement a¢ ne d’une série statistique

La détermination d’un ajustement a¢ ne d’une série statistique double par la méthode de

i/ Découper la série statistique double en deux sous-séries de même e¤ectif, si n l’e¤ectif

Les coordonnées de G1 (x1 ; y1 ) avec x1 = moyenne des valeurs x du premier groupe et y1 =

6400 + 8350 + 9125

250000 + 320000 + 335000

De manière similaire on trouve les coordonnées du point moyen G2 (x2 ; y2 ) du deuxième

b = 301666; 67 27:07 7958; 33 = 86932:

Ainsi, la droite d’ajustement a¢ ne a pour équation : y = 27:07x + 86932:

Figure 3 : Ajustement linaire par la mthode de Mayer

Méthode de moindres carrés

La méthode de moindres carrés consiste à trouver l’équation : y = ax + b de la droite (D)

1/ Le tableau suivant regroupe les résultats obtenus