Aller au contenu

Régression linéaire multiple : démarche et interprétation

Objectifs et prérequis du TP sur la régression linéaire multiple Objectifs 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 : Estimer les paramètres d'un modèle de régression multiple. Vérifier les hypothèses des moindres carrés ordinaires (MCO).

D'après le document Régression linéaire multiple : démarche et interprétation

Cet article a été rédigé automatiquement à partir du document source, puis vérifié avant publication.

Document source

Objectifs et prérequis du TP sur la régression linéaire multiple

Objectifs

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 :

  • Estimer les paramètres d'un modèle de régression multiple.
  • Vérifier les hypothèses des moindres carrés ordinaires (MCO).
  • Interpréter les résultats obtenus et les tests d'hypothèses.

Prérequis

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.

Estimation du modèle de régression linéaire multiple

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.

Étape 1 : Calcul des paramètres statistiques

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

Étape 2 : Vérification des hypothèses des MCO

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.

Problème de multicolinéarité

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

Matrice de Var-covariance des variables

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

Estimation

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.

Construction des intervalles de confiance

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.

Test d’autocorrélation des erreurs

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 :

  • d1 = 0.941
  • d2 = 1.51
  • 4 - d1 = 3.059
  • 4 - d2 = 2.49

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.

Test d’hétéroscédasticité des erreurs

Nous allons également effectuer un test d'hétéroscédasticité des erreurs pour vérifier la constance de la variance des erreurs.

Test de significativité des paramètres

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.

Erreurs fréquentes avec la régression linéaire multiple

Lors de la réalisation de ce TP, plusieurs erreurs peuvent survenir :

  • Multicolinéarité : Vérifiez la matrice de corrélation pour éviter des variables trop corrélées.
  • Autocorrélation : Assurez-vous que les erreurs ne sont pas corrélées dans le temps.
  • Hétéroscédasticité : Vérifiez que la variance des erreurs est constante.
  • Interprétation des p-values : Ne confondez pas significativité statistique et significativité économique.

Questions fréquentes

Qu'est-ce que la régression linéaire multiple ?

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.

Comment vérifier les hypothèses des MCO ?

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.

Que signifie une p-value inférieure à 0,05 ?

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.

Comment interpréter les coefficients de régression ?

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.

Quels outils utiliser pour réaliser une régression linéaire multiple ?

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.

Partager

Commentaires

Aucun commentaire pour le moment. Posez la première question.

Les commentaires sont relus avant publication. Votre e-mail n'est jamais affiché.

← Toutes les révisions