Régression linéaire multiple : démarche et interprétation
Régression linéaire multiple : démarche et interprétation
Econometrics · lab
Voir tous les documents en mathématiques
Fiche de révisionGuide de TP
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce TP a pour objectif de trouver une relation linéaire entre plusieurs variables économiques à l'aide de la régression linéaire multiple. À la fin de ce TP, l'étudiant sera capable de :
Pour réaliser ce TP, il est nécessaire d'avoir accès au logiciel Eviews 10.0. De plus, une connaissance de base en statistiques et en économétrie est recommandée, notamment sur les concepts de régression, d'hypothèses statistiques et de tests de significativité.
Dans ce TP, nous allons estimer un modèle macroéconomique avec la formule suivante :
Y = f (PIB, DCF, FBCF, RNB, TINTER)
Nous allons suivre plusieurs étapes pour obtenir les résultats souhaités.
Commencez par calculer les paramètres statistiques des variables suivantes : DCF, FBCF, IDE, RNB, TINTER. Voici les résultats attendus :
| DCF | FBCF | IDE | RNB | TINTER | |
|---|---|---|---|---|---|
| Moyenne | 2.56E+10 | 6.91E+09 | 8.63E+08 | 2.95E+10 | 4.96E+08 |
| Médiane | 2.51E+10 | 6.87E+09 | 6.82E+08 | 3.03E+10 | 4.40E+08 |
| Maximum | 4.18E+10 | 1.08E+10 | 3.24E+09 | 4.59E+10 | 9.54E+08 |
| Minimum | 9.83E+09 | 2.99E+09 | 77419355 | 1.19E+10 | 2.66E+08 |
| Écart-type | 1.10E+10 | 2.41E+09 | 6.91E+08 | 1.16E+10 | 2.27E+08 |
| Skewness | 0.025539 | 0.170888 | 1.883719 | -0.083008 | 0.605097 |
| Kurtosis | 1.401177 | 1.809987 | 6.727899 | 1.446793 | 1.911398 |
| Jarque-Bera | 3.198554 | 1.916178 | 35.11353 | 3.050015 | 3.312031 |
| Probabilité | 0.202043 | 0.383625 | 0.000000 | 0.217619 | 0.190898 |
| Somme | 7.68E+11 | 2.07E+11 | 2.59E+10 | 8.86E+11 | 1.49E+10 |
| Somme des carrés des écarts | 3.51E+21 | 1.68E+20 | 1.38E+19 | 3.89E+21 | 1.49E+18 |
| Observations | 30 | ||||
Il est crucial de vérifier les hypothèses des moindres carrés ordinaires (MCO) pour assurer la validité du modèle. Nous allons examiner la multicolinéarité et effectuer des tests d'autocorrélation.
Examinez la matrice de corrélation des variables :
| DCF | FBCF | IDE | RNB | TINTER | |
|---|---|---|---|---|---|
| DCF | 1 | 0.9076 | 0.4915 | 0.9894 | 0.9153 |
| FBCF | 0.9076 | 1 | 0.6377 | 0.9555 | 0.6879 |
| IDE | 0.4915 | 0.6377 | 1 | 0.5571 | 0.3346 |
| RNB | 0.9894 | 0.9555 | 0.5571 | 1 | 0.8543 |
| TINTER | 0.9153 | 0.6879 | 0.3346 | 0.8543 | 1 |
| DCF | FBCF | IDE | RNB | TINTER | |
|---|---|---|---|---|---|
| DCF | 1.1696E+20 | 2.3257E+19 | 3.6088E+18 | 1.2179E+20 | 2.2065E+18 |
| FBCF | 2.3257E+19 | 5.6140E+18 | 1.0259E+18 | 2.5770E+19 | 3.6333E+17 |
| IDE | 3.6088E+18 | 1.0259E+18 | 4.6098E+17 | 4.3056E+18 | 5.0639E+16 |
| RNB | 1.2179E+20 | 2.5770E+19 | 4.3056E+18 | 1.2956E+20 | 2.1676E+18 |
| TINTER | 2.2065E+18 | 3.6333E+17 | 5.0639E+16 | 2.1676E+18 | 4.9686E+16 |
Nous allons maintenant estimer les paramètres du modèle. La formule à estimer est :
Yi = β₀ + β₁X₁i + β₂X₂i + β₃X₃i + β₄X₄i + β₅X₅i + εi
Les résultats incluront les paramètres estimés, les écarts-types, les valeurs t empiriques et les probabilités associées.
Il est important de construire des intervalles de confiance pour les paramètres estimés. Comparez les valeurs obtenues avec 4 ; si elles sont inférieures, cela indique une absence de corrélation entre les variables.
Nous allons effectuer un test d'autocorrélation des erreurs d'ordre 1 et d'ordre 2. Pour cela, nous calculons la statistique de Durbin-Watson (DW) :
DW = 1.037
Consultez la table de DW pour les valeurs d1 et d2 avec n = 30 et k = 4 :
Nous avons DW ∈ [d₁ - d₂], donc nous ne pouvons pas conclure.
Nous passons alors au test d'autocorrélation des erreurs d'ordre 2, le test LM. La statistique du multiplicateur de Lagrange suit une distribution limite de khi-deux à p degré de liberté. Si la probabilité associée à LM < 5%, nous rejetons l'hypothèse nulle. Dans notre cas, cette probabilité (0,0189) est < 5%, donc il y a autocorrélation des erreurs d'ordre 1 et 2.
Nous allons également effectuer un test d'hétéroscédasticité des erreurs pour vérifier la constance de la variance des erreurs.
Pour chaque paramètre, si la valeur p-value ≤ niveau de signification, le résultat est considéré comme statistiquement significatif et permet de rejeter l'hypothèse nulle. En général, p ≤ 0,05. Sinon, nous acceptons H0.
Lors de la réalisation de ce TP, plusieurs erreurs peuvent survenir :
La régression linéaire multiple est une méthode statistique utilisée pour modéliser la relation entre une variable dépendante et plusieurs variables indépendantes. Elle permet d'estimer les coefficients qui quantifient cette relation.
Les hypothèses des MCO peuvent être vérifiées en examinant la multicolinéarité, l'autocorrélation des erreurs et l'hétéroscédasticité. Des tests statistiques comme le test de Durbin-Watson et le test de Breusch-Pagan sont souvent utilisés.
Une p-value inférieure à 0,05 indique que le résultat est statistiquement significatif, ce qui signifie que nous pouvons rejeter l'hypothèse nulle et conclure que la variable a un effet sur la variable dépendante.
Les coefficients de régression indiquent l'ampleur et la direction de l'effet d'une variable indépendante sur la variable dépendante, toutes choses étant égales par ailleurs. Un coefficient positif indique une relation directe, tandis qu'un coefficient négatif indique une relation inverse.
Des logiciels comme Eviews, R, Python (avec des bibliothèques comme statsmodels) ou SPSS peuvent être utilisés pour effectuer des régressions linéaires multiples et analyser les résultats.