Régression linéaire multiple : démarche et interprétation
Objectifs et prérequis du TP sur la régression linéaire multiple Objectifs Ce TP sur la régression linéaire multiple a pour objectif de trouver une relation linéaire entre plusieurs variables économiques.
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
Econometrics · DOCX · 7 pages
Objectifs et prérequis du TP sur la régression linéaire multiple
Objectifs
Ce TP sur la régression linéaire multiple a pour objectif de trouver une relation linéaire entre plusieurs variables économiques. À la fin de ce TP, vous serez capable de :
- Estimer les paramètres d'un modèle de régression multiple
- Vérifier les hypothèses des Moindres Carrés Ordinaires (MCO)
- Interpréter les résultats obtenus
- Effectuer des tests d'autocorrélation et d'hétéroscédasticité
Prérequis
Pour réaliser ce TP, vous aurez besoin des éléments suivants :
- Logiciel Eviews 10.0
- Connaissances de base en statistiques et en économétrie
- Un jeu de données macroéconomiques comprenant les variables PIB, DCF, FBCF, RNB et TINTER
Estimation du modèle de régression linéaire multiple
Nous allons estimer le modèle suivant :
Y = f (PIB, DCF, FBCF, RNB, TINTER)
Pour cela, nous utiliserons l'équation à estimer :
Yi = β₀ + β₁X₁i + β₂X₂i + β₃X₃i + β₄X₄i + β₅X₅i + εi
Étape 1 : Calcul des paramètres statistiques
Commencez par calculer les paramètres statistiques des variables. Voici un tableau récapitulatif :
| 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 | 30 | 30 | 30 | 30 |
Étape 2 : Vérification des hypothèses des MCO
Il est crucial de vérifier les hypothèses des MCO, notamment la multicolinéarité. Pour cela, 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 |
Ensuite, vérifiez la matrice de variance-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 des paramètres
Après avoir vérifié les hypothèses, procédez à l'estimation des paramètres du modèle. Les résultats incluront :
- Paramètres estimés : $\hat{β_{i}}$
- Écart-types estimés des paramètres : $\hat{σ_{\hat{β_{i}}}}$
- T empiriques : $\hat{t_{\hat{β_{i}}}}$
- Probabilités = P-value
Résultats attendus de la régression
Les résultats de la régression doivent être analysés pour interpréter les relations entre les variables. Vérifiez les intervalles de confiance et comparez les valeurs de la dernière colonne par rapport à 4. Si elles sont inférieures, cela indique une absence de corrélation entre les variables.
Erreurs fréquentes avec la régression linéaire multiple
Lors de la mise en œuvre de la régression linéaire multiple, plusieurs erreurs peuvent survenir :
- Multicolinéarité : Vérifiez les corrélations élevées entre les variables explicatives.
- Autocorrélation des erreurs : Utilisez le test de Durbin-Watson pour détecter l'autocorrélation.
- Hétéroscédasticité : Testez la variance des erreurs pour s'assurer qu'elle est constante.
Questions fréquentes
Qu'est-ce que la régression linéaire multiple ?
La régression linéaire multiple est une méthode statistique qui permet d'analyser la relation entre une variable dépendante et plusieurs variables indépendantes. Elle vise à estimer les coefficients qui décrivent cette relation.
Comment vérifier les hypothèses des MCO ?
Pour vérifier les hypothèses des MCO, il est essentiel d'examiner la multicolinéarité, l'autocorrélation des erreurs et l'hétéroscédasticité. Des tests statistiques comme le test de Durbin-Watson et le test d'hétéroscédasticité peuvent être utilisés.
Comment interpréter les résultats d'une régression ?
Les résultats d'une régression incluent les coefficients estimés, les valeurs p et les intervalles de confiance. Un coefficient significatif indique une relation entre la variable dépendante et la variable indépendante correspondante.
Qu'est-ce que le test de Durbin-Watson ?
Le test de Durbin-Watson est utilisé pour détecter l'autocorrélation des erreurs dans un modèle de régression. Une valeur proche de 2 indique l'absence d'autocorrélation, tandis que des valeurs inférieures à 1 ou supérieures à 3 suggèrent une autocorrélation.
Comment effectuer un test d'hétéroscédasticité ?
Pour effectuer un test d'hétéroscédasticité, vous pouvez utiliser des tests comme le test de Breusch-Pagan ou le test de White. Ces tests vérifient si la variance des erreurs est constante à travers les observations.
Commentaires
Aucun commentaire pour le moment. Posez la première question.