Chapitre 4 : RÉGRESSION

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Chapitre 4 : RÉGRESSION"

Transcription

1 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 1 / 50

2 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 2 / 50

3 L équation de la régression (1) Un modèle de régression multiple contient 1< K < n 1 variables indépendantes, x 1, x 2,..., x K. (On utilisera k comme indice pour une variable particulière.) Les paramètres sont estimables quand K = n 1, mais l ajustement est alors parfait et l inférence est impossible. En pratique, on doit veiller à ce que n >> K. L équation de la régression linéaire multiple (ou le «modèle de régression») s écrit donc de la façon suivante : y = β + β x + β x + + β x + ε, où E(ε) = 0, K K E ( y ) β0 β1x1 β2x2... βk xk = , ( ) E y x1, x2,..., xk = β0 + β1x1 + β2x βk xk, où β0, β1, β2,..., β K sont les paramètres du modèle, et le terme d erreur ε est une variable aléatoire. Régression linéaire multiple 3 / 50

4 L équation de la régression (2) Tout comme dans le cas de la régression linéaire simple, β 0 représente le point, où x 1 = x 2 =... = x K = 0 («constante»). La valeur d un paramètre β k > 0 donne le nombre d unités supplémentaires de y associées à une augmentation par une unité de x k lorsque toutes les autres variables indépendantes sont constantes (variation «ceteris paribus»). ( ) E y x1, x2,... x K est la moyenne de y pour un vecteur de valeurs des variables indépendantes { x1, x2,..., x K} donné. Régression linéaire multiple 4 / 50

5 L équation de la régression (3) Si K > 2, on ne peut plus représenter le modèle de régression de façon graphique. Avec K = 2, une représentation graphique est possible, puisqu il n y a que trois dimensions : x 1, x 2 et y. L équivalent à la droite de régression en régression linéaire simple est alors appelé «surface de réponse» : Régression linéaire multiple 5 / 50

6 L équation estimée Les statistiques d échantillon b 0, b 1, b 2,..., b K servent d estimations de β0, β1, β2,..., β K. Ainsi, l équation estimée de la régression est donnée par : ˆ K K y = b + b x + b x + + b x, où ŷ est l estimation ponctuelle de ( ) E y x1, x2,... x K. Régression linéaire multiple 6 / 50

7 Processus d estimation Régression linéaire multiple 7 / 50

8 Estimation par les moindres carrés Tout comme pour la régression linéaire simple, la méthode la plus répandue pour calculer b 0, b 1, b 2,..., b K est l estimateur des moindres carrés. Formellement, la méthode est alors la suivante : { b b b b } ( y yˆ ),,,..., argmin = K i i b 1 0, b1, b2,... b i = K n b, b, b,... b n i = 1 Régression linéaire multiple 8 / 50 2 ( y b b x b x... b x ) = arg min K i 0 1 1i 2 2i K Ki L estimateur des moindres carrés pour une régression multiple suit la même logique que celle de la régression linéaire simple, mais sa formulation est plus compliquée, nécessitant l utilisation de l algèbre matricielle. De plus, l estimation est trop compliquée pour être faite «à la main» avec un effort raisonnable et est donc toujours effectuée avec l aide d un ordinateur. 2

9 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 9 / 50

10 Hypothèses de l estimateur MCO Tout comme pour la régression linéaire simple, la légitimité des tests d hypothèse repose sur les cinq hypothèses faites à propos du terme d erreur du modèle de régression, ε. En fait, on peut démontrer que, sous condition que ces hypothèses soient satisfaites, l estimateur des MCO est le meilleur des estimateurs concevables, dans le sens suivant (théorème de Gauss-Markov): o Les coefficients estimés b 0, b 1, b 2,..., b K sont des estimations nonbiaisées des paramètres β0, β1, β2,..., β K. o L estimateur MCO implique les variances des coefficients estimés s, s, s,..., s les plus petites de tous les estimateurs b0 b1 b2 b k linéaires et non-biaisés concevables. Régression linéaire multiple 10 / 50

11 Test du t de Student (1) Si les hypothèses sur ε sont satisfaites, on peut se servir de la loi du t de Student pour tester des hypothèses sur des paramètres individuels β k. Statistique de test : t k bk βk n K 1 = t s b k o Le calcul de l erreur type des coefficients estimés s b k est trop compliqué pour être effectué «à la main», mais sa logique est la même que dans le cas de la régression linéaire simple. o Notamment, s tend à diminuer avec n. b k L intervalle de confiance autour d un paramètre estimé individuel est alors donné par : n K b ± t 1 * s k α b k Régression linéaire multiple 11 / 50

12 Test du t de Student (2) Dans la plupart des applications, l hypothèse la plus importante concerne la signification statistique de x k comme facteur «explicatif» des variations de y. H 0 : β k = 0 ; H 1 : β k 0 statistique de test : t k k = t n K 1 Régression linéaire multiple 12 / 50 b s Ces statistiques de test sont fournies par tous les logiciels statistiques pour chacun de coefficients estimés b 0, b 1, b 2,..., b K. Puisque t 0.05 = 1.96, une façon de tester la significativité statistique à 5% d un coefficient estimé d une régression multiple basée sur un grand échantillon est de vérifier si t k > Pour tester la significativité à 1%, on vérifie si t k > b k

13 Test du F de Fisher Si les hypothèses sur ε sont satisfaites, on peut se servir de la loi du F de Fisher pour déterminer s il existe une relation significative entre y et l ensemble des variables indépendantes ; on parle du test de signification globale. H 0 : β1 = β2 =... = β k = 0 H 1 : au moins un des paramètres n est pas égal à zéro Statistique de test : F = SCReg K F SCRes n K 1 ( K, n K 1) Régression linéaire multiple 13 / 50

14 Multicolinéarité (1) Il est possible qu aucun des coefficients estimés b k soit individuellement statistiquement significatif (selon le test du t de Student), mais que le modèle soit quand même globalement statistiquement significatif (selon le test du F de Fisher). L explication de ce phénomène apparemment paradoxal est la multicolinéarité : le fait que les variables indépendantes x k, tout en étant indépendantes de y, peuvent parfaitement être corrélées entre elles. Plus les variables indépendantes sont corrélées, plus il devient difficile de déterminer l effet propre d une variable indépendante particulière sur la variable dépendante. Autrement dit, quand la multicolinéarité est forte, les erreurs type des coefficients s sont grands, et le risque peut être fort que les coefficients estimés prennent le signe opposé à celui du vrai paramètre. Régression linéaire multiple 14 / 50 b k

15 Multicolinéarité (2) En pratique il peut être utile d inspecter la matrice de corrélation entre les variables indépendante. Comme valeur pratique (très) approximative, on utilise parfois un seuil de ρ = 0.7 pour déterminer s il y a un problème potentiel de multicolinéarité entre deux variables. La multicolinéarité peut prendre la forme d une relation linéaire entre plusieurs variables indépendantes, càd elle peut être présente même si les corrélations entre paires de variables individuelles sont toutes relativement faibles. Des tests plus avancés existent pour vérifier la présence de ce phénomène. Le meilleur moyen pour pallier au problème de multicolinéarité est d augmenter la taille de l échantillon n. S il y a colinéarité parfaite entre deux ou plusieurs variables indépendantes, leurs paramètres ne peuvent pas être estimés. Régression linéaire multiple 15 / 50 ˆ k x x l

16 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 16 / 50

17 R-carré (1) La définition du R-carré (aussi : «coefficient de détermination multiple») est identique à celle pour la régression linéaire simple : R n 2 i = 1 n i = 1 ( yˆ y ) ( y y ) i 2 i SCReg SCReg = = = 2 SCReg + SCRes SCTot n n 2 2 ( yi yˆ ) i ui i = 1 i = 1 n n 2 2 = 1 = 1 = 1 ( y y ) ( y y ) i i = 1 i = 1 i SCRes SCTot Régression linéaire multiple 17 / 50

18 R-carré (2) Le R-carré exprime le pourcentage de la somme des carrés totaux «expliqué» (dans le sens d une explication géométrique et non causale!) par l équation estimée de la régression. Le R-carré ne peut pas être décomposé en «contributions explicatives» de chacune des K variables explicatives. Exception : cas de zéro colinéarité entre les variables explicatives (qui sont donc «orthogonales») Exemple : vecteurs de variables binaires par pays et par année dans un modèle des différences de taux de chômage décomposition du R-carré en une composante «conjoncturelle» (contribution au R-carré des différences temporelles) et une composante «structurelle» (contribution au R-carré des différences inter-pays) Régression linéaire multiple 18 / 50

19 R-carré et test du F de Fisher Il existe une relation mathématique entre le R-carré et la statistique de test de signification globale (du F de Fisher) : SCReg 2 K ( n K 1) R F = = ( 2 SCRes K 1 R ) n K 1 Étant donné n et K, un R-carré élevé implique une statistique F élevée. De plus, la statistique F varie en fonction de n et de K. Pour un R- carré donné, plus n K est grand, plus la statistique F est élevée. Intuitivement, cela représente le fait que plus il y a d observations par rapport au nombre de variables indépendantes, plus il semble invraisemblable qu une certaine qualité d ajustement du modèle (càd un certain R-carré) se soit produit aléatoirement. Régression linéaire multiple 19 / 50

20 R-carré ajusté (1) Puisque la méthode des MCO minimise la somme des carrés des résidus (SCRes), le R-carré augmente si on ajoute des variables indépendantes (ce qui ne change pas SCTot) même si ces variables ne sont pas statistiquement significatives. La valeur du R-carré dépend donc de K, ce qui complique la comparaison de la qualité d ajustement de différents modèles de régression si le nombre de variables indépendantes n est pas identique. Pour cette raison, SCRes il est courant de calculer le «R-carré ajusté» : ( ) 2 1 ( 2 ) 1 R 1 n K 1 1 R n 2 = =, R 1 SCTot n 1 n K 1 ( ) Régression linéaire multiple 20 / 50

21 R-carré ajusté (2) SCRes 2 est la variance estimée des résidus, s u ; et SCTot n est la variance estimée de y. On peut donc aussi ( n K 1) ( 1) écrire le R-carré ajusté de la façon suivante : R 2 ( s 2 s 2 ) =. 1 u y Si l ajout d une variable indépendante diminue SCRes 2 proportionnellement moins qu il n augmente K, alors s u augmente, et le R-carré ajusté diminue. Le R-carré ajusté peut donc diminuer ou augmenter quand on ajoute des variables indépendantes. Il est même possible que le R-carré ajusté prenne des valeurs négatives (si K est grand et le R-carré est petit). On peut démontrer que l ajout d une variable indépendante augmente le R-carré ajusté si la statistique du t de Student de cette variable est supérieure à 1. Pour augmenter le R-carré ajusté, une variable indépendante supplémentaire n a donc pas besoin d être statistiquement significative, même au seuil de 10%. Régression linéaire multiple 21 / 50

22 Exemple Statville (1) Le syndic cherche à savoir si l effet de l âge sur le revenu des habitants de sa commune reste statistiquement significatif si on contrôle aussi pour la durée d expérience des travailleurs dans leur fonction actuelle. Il recense donc la variable «expérience» pour les 12 individus de son échantillon aléatoire simple. ind. revenu âge expérience Moyenne Ecart type Régression linéaire multiple 22 / 50

23 Exemple Statville (2) Excel : Outils - Utilitaire d analyse - Régression linéaire cocher Intitulé présent 2 R 2 R 2 R s u SCRes RAPPORT DÉTAILLÉ Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil de confiance = 95% Limite supérieure pour seuil de confiance = 95% Constante E âge expérience Régression linéaire multiple 23 / 50

24 Exemple Statville (3) Le syndic conclut que, étant donné l âge, les années d expérience dans la fonction ne constituent pas un déterminant statistiquement significatif du salaire. Le modèle prédit donc que deux travailleurs qui ont le même âge mais des durées d expérience différentes auront le même salaire en moyenne. On note que par rapport à l estimation de la régression linéaire simple (avec l âge comme unique variable indépendante), le R- carré a augmenté (de à 0.588). Par contre, puisque la valeur de la statistique t de la variable «expérience» est inférieure à 1, le R-carré ajusté a diminué (de à 0.496). Malgré l augmentation du R-carré, la valeur de la statistique F a diminué (de 14.1 à 6.4) et celle de l erreur type de la régression a augmenté (de 2239 à 2353). L augmentation de K (de 1 à 2) a donc plus que compensé la diminution de SCRes (de 50.1 mn à 49.8 mn). Régression linéaire multiple 24 / 50

25 Exemple Statville (4) Corrélation entre les variables «âge» et «expérience» : 12 ˆρ = 0.77 La multicolinéarité pourrait jouer un rôle (càd les variations dans le valeurs de la variable «expérience» ne sont pas suffisamment indépendantes de l âge, ainsi qu avec seulement 12 observations on arrive pas à identifier statistiquement un effet spécifique dû à «expérience». Excel : =COEFFICIENT.CORRELATION(âge;expérience) Prédiction du salaire pour une personne de 55 ans avec 15 ans d expérience : yˆ x = 55, x = 15 = E yˆ x = 55, x = 15 ( ) ( ) = * * 15 = La construction d un intervalle de confiance autour de cette prévision n est pas possible avec Excel. Régression linéaire multiple 25 / 50

26 Exemple Statville (5) Dans les tableaux publiés de résultats de la régression, il est utile de présenter les coefficients ainsi que leurs erreurs types et des symboles indiquant le niveau de signification statistique du test bilatéral de H 0 : β k = 0. Une telle présentation des résultats facilite des tests d hypothèse alternatifs, H 0 : β = z. o Le syndic pourrait s intéresser si la véritable hausse salariale moyenne par année d âge est égale à 500 francs (α = 5%) : b n K 1 9 tx 1= 500 = = = 2.58 ; t α t s 89.3 = = b 1 o Intervalle de confiance de 95% approximatif pour n 60 : b ± 2s b1 k Les déterminants salariaux à Statville variable dépendante: salaires; estimateur: MCO Variables indépendantes : âge expérience Constante 269.9* (89.3) 23.4 (103.2) * (3500.3) R-carré 0.59 R-carré ajusté 0.50 Erreur type de la régression Observations 12 Remarques : erreurs types entre parenthèses ; * : significatif à 5% Régression linéaire multiple 26 / 50

27 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 27 / 50

28 Bases Par «spécification», on entend la formulation du modèle empirique, càd de l équation de la régression. La spécification linéaire est suffisamment flexible pour permettre l estimation d une large gamme de modèles théoriques, dont certains sont non linéaires à la base (mais «intrinsèquement linéaires»). Nous présenterons quelques spécifications particulières très utiles : o spécification polynomiale o variables indépendantes binaires o spécification logarithmique o interactions Il existe des modèles théoriques non linéaires qui ne peuvent être transformés en une spécification linéaire et nécessitent donc l utilisation d un estimateur non linéaire (pas traité dans ce cours). y = β + β x + β Exemple : ( ) Régression linéaire multiple 28 / 50

29 Spécification polynomiale La spécification de base de la régression linéaire multiple peut être considérée comme un cas particulier d une classe de fonctions plus large, les fonctions polynomiales : y = + x + x + x + + x K β0 β1 β2 β3... βk ε K : le «degré» du polynôme K = 2 : polynôme du deuxième degré (ou «parabole») Si ε satisfait les hypothèses du modèle des MCO, cette spécification peut être estimée avec la méthode des moindres carrés : ( ) 2 3 yˆ = E y x = b + b x + b x + b x b x K K Régression linéaire multiple 29 / 50

30 Exemple Statville (1) Le syndic se rend compte que sa spécification initiale n est pas satisfaisante. En particulier, l hypothèse d une relation linéaire entre l âge et le revenu des habitants n est pas plausible. Il décide donc d estimer un modèle polynomial du deuxième degré pour la variable indépendante «âge» : y = β + β x + β x + β x + ε, où x 1 = âge, et x 2 = expérience Régression linéaire multiple 30 / 50

31 Exemple Statville (2) Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil de confiance = 95% Limite supérieure pour seuil de confiance = 95% Constante âge âge^ expérience b 1 et b 2 sont statistiquement significatifs «expérience» devient statistiquement significative (à 10%) spécification parabolique semble justifiée Régression linéaire multiple 31 / 50

32 Exemple Statville (3) Prédictions impliquées par les coefficients estimés pour une personne avec dix ans d expérience : yˆ x = 10 = * x 22.1* x + 98 * 10 ( ) Prédiction de l âge auquel le revenu est maximal, x : max 1 yˆ max = b1 + 2b2x1 = 0 x1 max x = b 2b x max = = 2 * 22.1 ( ) 47 revenu âge Régression linéaire multiple 32 / 50

33 Variables indépendantes binaires Une variable indépendante binaire (aussi : variable «muette», «indicatrice», ou «dummy») ne prend que deux valeurs : 0 ou 1. Les variables binaires sont utilisées pour distinguer deux niveaux mutuellement exclusifs des valeurs d une variable quantitative ou qualitative. Quelques exemples : o dimension temporelle : bonne/mauvaise conjoncture ; été/nonété ; avant/après campagne publicitaire o dimension spatiale : nord/sud ; ville/campagne ; Suisse/étranger o variables qualitatives : homme/femme ; employé/non-employé o variables quantitatives groupées : ménages à plus/moins de de revenu ; firmes avec plus/moins de 10 employés Le niveau pour laquelle la variable binaire est définie comme égale à zéro, est appelée le «niveau de référence». Régression linéaire multiple 33 / 50

34 Exemple Statville (4) Le syndic cherche à savoir si, au-delà de l âge et de l expérience 2 (càd «en contrôlant pour» x 1, x 1 et x 2 ), le sexe des travailleurs influence leur salaire moyen. Il définit alors la variable muette x 3 suivante : o individu i est une femme x 3 = 1 o individu i est un homme x 3 = 0 (niveau de référence) ind. revenu âge expérience femme Moyenne Ecart type Régression linéaire multiple 34 / 50

35 Exemple Statville (5) Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil de confiance = 95% Limite supérieure pour seuil de confiance = 95% Constante âge âge^ expérience femme En moyenne, une femme gagne francs de moins qu un homme du même âge et avec le même nombre d années d expérience. Cet effet est statistiquement significatif au seuil de 10% mais non au seuil de 5%. Régression linéaire multiple 35 / 50

36 Exemple Statville (6) Prédictions impliquées par les coefficients estimés o pour une femme avec dix ans d expérience : 2 ( yˆ x2 = 10, x3 = 1) = * x * x * o pour un homme avec dix ans d expérience : yˆ x = 10, x = 0 = * x 20.8 * x * 10 ( ) revenu femmes hommes b 3 = âge Régression linéaire multiple 36 / 50

37 Exemple Statville (7) Plutôt qu estimer les paramètres du modèle de régression (des corrélations conditionnelles), le syndic pourrait s intéresser aux corrélations «pures» ˆkl ρ entre toutes les paires de variables indépendantes kl (les corrélations inconditionnelles). examiner la matrice de corrélation Excel : Outils - Utilitaire d analyse Analyse de corrélation Intitulés en première ligne revenu âge âge^2 expérience femme revenu 1 âge âge^ expérience femme ! Régression linéaire multiple 37 / 50

38 Variables binaires pour niveaux multiples Des variables indépendantes binaires peuvent aussi servir pour représenter des variables qualitatives ou des variables quantitatives groupées avec C > 2 niveaux. Dans ce cas on crée C 1 variables binaires, une pour chaque niveau sauf un, appelé «catégorie de référence». Exemple Statville : Trois tranches d âge o 0 30 : x1 = 0 ; x2 = 0 o : x1 = 1 ; x2 = 0 E ( y ) = β0 + β1x1 + β2x2 o : x1 = 0 ; x2 = 1 β 0 est le salaire moyen des jeunes (0 30) β 1 est la différence entre le salaire moyen du groupe des 31 à 55 par rapport à celui des jeunes. β 2 est la différence entre le salaire moyen du groupe des 56 à 65 par rapport à celui des jeunes. Régression linéaire multiple 38 / 50

39 Spécifications logarithmiques (1) Un modèle non linéaire mais «intrinsèquement linéaire» est l équation Cobb-Douglas, k =, souvent utilisée en Régression linéaire multiple 39 / 50 K y a x β microéconomie pour représenter l origine des courbes d offre (fonction de production) et de demande (fonction d utilité). k = 1 β1 β2 ε version stochastique (K = 2) : y = ax1 x2 e, où ε satisfait les cinq hypothèses du modèle des MCO Ce modèle devient linéaire quand on le transforme en logarithmes naturels : ln y = β + β ln x + β ln x + ε, où β 0 = lna o Puisque pour estimer ce modèle on transforme la variable dépendante ainsi que les variables indépendantes, on parle de la «double transformation logarithmique» ou de la «spécification log-log». k

40 Spécifications logarithmiques (2) Un grand atout de la spécification log-log est que les coefficients estimés peuvent être interprétés comme des élasticités. On parle donc aussi du «modèle à élasticité constante».) ( ln y ) 1 y = = ln y y y y y xk y ln y o élasticité de y par rapport à x k : = = = βk x x k y k ln xk x o Tout comme les coefficients standardisés, les coefficients d un modèle log-log peuvent être comparés à travers les variables indépendantes k, puisque par définition les élasticités sont toutes exprimées dans les mêmes unités (càd en termes de déviations en pourcentage de y et de x k ). k ( y ) Régression linéaire multiple 40 / 50

41 Spécifications logarithmiques (3) Un autre modèle «intrinsèquement linéaire» est donné par 0 1x x2 k xk y = e β + β + β + + β. 0 1x1 2x2 version stochastique (K = 2) : y = e β + β + β + ε, où ε satisfait les cinq hypothèses du modèle des MCO Ce modèle devient linéaire quand on le transforme en logarithmes naturels : ln y = β + β x + β x + ε o Puisque pour estimer ce modèle on ne transforme que la variable dépendante, on parle de la «spécification semilogarithmique». Régression linéaire multiple 41 / 50

42 Spécifications logarithmiques (4) Les paramètres d une telle spécification sont des semi-elasticités : il représentent la variation en pourcentage de la variable dépendante par rapport à une variation d une unité de la variable indépendante en question. Puisque ces semi-elasticités dépendent des unités de mesure des variables indépendantes, elle ne sont pas directement comparables à travers les différentes variables indépendantes. La spécification semi-logarithmique est utilisée en macroéconomie afin de modéliser des taux de croissance stables : 0 1 o Soit y = e β + β x+ ε, où y est un agrégat économique (PIB, niveau des prix, ), et x est la variable «temps» (en mois, trimestres, années, ). d ln y o Alors β 1 = est le taux de croissance moyen de y. dx Régression linéaire multiple 42 / 50

43 Exemple Statville (8) Spécification log-log (régression simple) : ln(revenu) = β 0 + β 1 *ln(âge) + ε Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Limite inférieure pour seuil Limite supérieure pour Coefficients Erreur-type Statistique t Probabilité de confiance = 95% seuil de confiance = 95% Constante E ln(âge) par pourcent d âge supplémentaire, le revenu moyen augmente de 0.25 pourcent R-carré (0.68) plus élevé que dans la régression avec y et x non transformées (0.59, voir ch ) spécification log-log (nonlinéaire) mieux ajustée aux données Régression linéaire multiple 43 / 50

44 Exemple Statville (9) Spécification semi-logarithmique (régression simple) : ln(revenu) = β 0 + β 1 *âge + ε Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil Limite supérieure pour de confiance = 95% seuil de confiance = 95% Constante E âge par année d âge supplémentaire, le revenu moyen augmente de 0.57 pourcent R-carré (0.57) moins élevé que dans la régression avec y et x non transformés (0.59, voir. ch ) spécification semi-logarithmique moins bien ajustée aux données Régression linéaire multiple 44 / 50

45 Exemple Statville (10) revenu yˆ = x ( ( x) ) yˆ = exp * ln yˆ = exp( x) âge Régression linéaire multiple 45 / 50

46 Interactions (1) L équation de régression linéaire multiple implique des effets isolés y de chaque variable indépendante : = βk k x En ajoutant des produits de variables indépendantes («termes d interaction»), on peut modéliser des interdépendances entre les effets des variables indépendantes : y = β + β x + β x + β x x + ε y y = β1 + β3x2, = β2 + β3x1 x1 x2 k Régression linéaire multiple 46 / 50

47 Interactions (2) β 1 (β 2 ) représente l effet de x 1 (x 2 ) sur ŷ quand x 2 (x 1 ) est égal à zéro. Puisque une valeur de zéro n est souvent pas très réaliste ou informative (p.ex. dans une estimation des déterminants salariaux), on estime souvent une spécification transformée : ( )( ) y = β + ɶ β x + ɶ β x + β x x x x + ε βɶ 1 ( βɶ 2 ) est alors l effet de x 1 (x 2 ) sur ŷ quand x 2 (x 1 ) prend sa valeur moyenne. Si x 1 est une variable continue et x 2 une variable binaire, alors β 2 représente le déplacement de l intercept, et β 3 représente le changement de la pente de ŷ par rapport à x 1, quand x 2 passe de 0 à 1. Régression linéaire multiple 47 / 50

48 Exemple Statland (1) Les syndics de Statville et Statdorf cherchent à savoir si les salaires moyens croissent à un rythme différent avec l âge dans leurs deux communes. Ils collectionnent des données pour des échantillons aléatoires simples dans les deux communes (n = 12). ind. commune revenu âge âge*commune moyenne écart type moyenne écart type Régression linéaire multiple 48 / 50

49 Exemple Statland (2) revenu = β 0 + β 1 *commune + β 2 *âge + β 3 *âge*commune + ε, où commune = 0 Statville ; commune = 1 Statdorf Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 24 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil Limite supérieure pour de confiance = 95% seuil de confiance = 95% Constante E commune âge âge*commune revenu commune = 1 = = 245 âge (différence non significative du point de vue statistique) Régression linéaire multiple 49 / 50

50 Exemple Statland (3) revenu revenu estimé: Statville revenu estimé: Statdorf revenu observé: Statville revenu observé: Statdorf âge Régression linéaire multiple 50 / 50

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie A. Arfaoui PLA Définitions Paramètres marginaux Covariance Coefficient de Corrélation Coefficient

Plus en détail

Séminaire de Statistique

Séminaire de Statistique Master 1 - Economie & Management Séminaire de Statistique Support (1) Statistique descriptive «Uni & Bi-variée» R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière

Plus en détail

ECGE 1224 - Statistiques en économie et gestion : TP 1

ECGE 1224 - Statistiques en économie et gestion : TP 1 ECGE 14 - Statistiques en économie et gestion : TP 1 Exercice 1 Un dé parfaitement équilibré est lancé. Soit X la variable aléatoire (v.a.) correspondant au résultat obtenu avec le dé. a) Justifer pourquoi

Plus en détail

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 TABLE DES MATIÈRES Sommaire... 5 Avant- propos... 9 Remerciements... 19 À propos de l auteur... 23 CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 1.1 Qu est- ce que

Plus en détail

Économétrie. Francesco Quatraro M1 EFM 2010/2011

Économétrie. Francesco Quatraro M1 EFM 2010/2011 Francesco Quatraro M1 EFM 2010/2011 1 La violation des hypothèses Le modèle des MCO considère que les hypothèses suivantes sont toutes respectées: H1: le modèle est linéaire en x i,t H2: les valeurs x

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

Plus en détail

Définitions Covariance Corrélation Meilleur prédicteur linéaire. Chapitre 5 Couple de variables aléatoires

Définitions Covariance Corrélation Meilleur prédicteur linéaire. Chapitre 5 Couple de variables aléatoires Chapitre 5 Couple de variables aléatoires Définitions 1 On appelle couple de variables aléatoires (discrètes) l application: Ω R ω (X (ω), Y (ω)) 2 La distribution d un couple de v.a. est définie par les

Plus en détail

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Julien JACQUES Polytech Lille - Université Lille 1 Julien JACQUES (Polytech Lille) Statistiques de base 1 / 48 Plan 1 Tests

Plus en détail

Exercices de travaux dirigés Cours d économétrie Maîtrise d économétrie

Exercices de travaux dirigés Cours d économétrie Maîtrise d économétrie Exercices de travaux dirigés Cours d économétrie Maîtrise d économétrie September 21, 2004 1 Le modèle linéaire - Rendements d une fonction de production Cobb-Douglas Présentation du problème: On considère

Plus en détail

Exercice n HF 0201 - Corrigé

Exercice n HF 0201 - Corrigé ENAC/ISTE/HYDRAM HYDROTHEQUE : base de données d exercices en Hydrologie Cours : Hydrologie Fréquentielle / Thématique : Construction des courbes IDF Exercice n HF 0201 - Corrigé Logo optimisé par J.-D.Bonjour,

Plus en détail

Exercice II. l offre de transport (en tonnes.kilomètres) l effectif le poids de la flotte (en tonnes) le caractère public ou privée de la compagnie

Exercice II. l offre de transport (en tonnes.kilomètres) l effectif le poids de la flotte (en tonnes) le caractère public ou privée de la compagnie 1 Exercice II II. On dispose de données (fichier «aviation87.xls», section Exemples pour Excel) concernant le transport aérien en 1987, et indiquant pour 50 compagnies occidentales : Q L K PP l offre de

Plus en détail

1. Explorer, organiser et démontrer des propriétés géométriques en termes de longueurs et d angles. Découvrir et étudier des nombres irrationnels.

1. Explorer, organiser et démontrer des propriétés géométriques en termes de longueurs et d angles. Découvrir et étudier des nombres irrationnels. Compétences : math, 2 ème degré (pages 1 à 3) math, 3 ème degré (pages 4 à 8) 3 grands thèmes du cours à 4h sem (pages 9 à 11) 3 grands thèmes du cours à 2h sem (pages 12 à 14) (Seules les définitions

Plus en détail

Mathématique - Cours

Mathématique - Cours Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : partie seconde partie 1/3 partie 2/3 partie 3/3 Sommaire 1 Ensemble

Plus en détail

Statistiques Appliquées Rôle des femmes dans la société

Statistiques Appliquées Rôle des femmes dans la société Statistiques Appliquées Rôle des femmes dans la société Denis Schelling Semestre d automne 2012 Résumé A partir de données concernant le rôle des femmes dans la société, nous avons effectué une analyse

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance Deuxième partie II Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance (version corrigée, 4 avril 27) Construction d estimateurs 4 Construction d estimateurs Estimateur

Plus en détail

INTRODUCTION A L ETUDE DES VARIABLES QUALITATIVES

INTRODUCTION A L ETUDE DES VARIABLES QUALITATIVES INTRODUCTION A L ETUDE DES VARIABLES QUALITATIVES Plan Introduction Définition Catégories de variables qualitatives Modèles pour Données avec Troncature Les Modèles pour Données Censurées Définition de

Plus en détail

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Université de Strasbourg Ségolen Geffray M2 - Statistique geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Ces exercices seront effectués au moyen du logiciel

Plus en détail

Chapitre 18 - LA METHODE DE L ANALYSE CONJOINTE.

Chapitre 18 - LA METHODE DE L ANALYSE CONJOINTE. 203 Chapitre 18 - LA METHODE DE L ANALYSE CONJOINTE. A-DÉFINITION. L analyse conjointe permet d estimer les valeurs d usage et de non-usage d un bien ou de services à partir de choix et de situations hypothétiques.

Plus en détail

2- La relation risque rentabilité attendue

2- La relation risque rentabilité attendue 2- La relation risque rentabilité attendue L'incertitude est au cœur de la logique financière. Par la composition de leur portefeuille, les investisseurs choisissent un profil de risque. Si on suppose

Plus en détail

Chapitre 8: Inférence, échantillonnage et estimation

Chapitre 8: Inférence, échantillonnage et estimation Chapitre 8: Inférence, échantillonnage et estimation 1. Echantillonnage aléatoire simple 2. Inférence statistique 3. Estimation 4. Evaluation graphique de l adéquation d un modèle de distribution 1 L inférence

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Introduction aux Systèmes Dynamiques

Introduction aux Systèmes Dynamiques Introduction aux Systèmes Dynamiques Introduction Deux grands chapitres : Les équations différentielles ordinaires dans IR Les systèmes d équations différentielles dans IR² Applications : Dynamique des

Plus en détail

De 2012 à 2014, le ralentissement de l inflation dans. Rue de la Banque N 6 Mai 2015

De 2012 à 2014, le ralentissement de l inflation dans. Rue de la Banque N 6 Mai 2015 Inflation basse en zone euro : rôle des prix d imports et de l atonie économique Nicolas CHATELAIS, Annabelle DE GAYE et Yannick KALANTZIS Direction de la Conjoncture et des Prévisions macroéconomiques

Plus en détail

Méthode des moindres carrés

Méthode des moindres carrés Chapitre 5 Méthode des moindres carrés Une situation courante en sciences biologiques est d avoir à sa disposition deux ensembles de données de taille n, {y 1,y 2,...,y n } et {x 1,x 2,...,x n }, obtenus

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

Volume et température d un gaz

Volume et température d un gaz Volume et température d un gaz Par Pascal Rebetez Janvier 7 Introduction Après avoir étudié expérimentalement la relation entre le volume et la température d un gaz (de l air), nous comparons les données

Plus en détail

Estimation indirecte en sciences humaines : une méthode bayésienne

Estimation indirecte en sciences humaines : une méthode bayésienne Estimation indirecte en sciences humaines : une méthode bayésienne Henri Caussinus, Institut de Mathématiques de Toulouse, en collaboration avec Daniel Courgeau, INED Isabelle Séguy, INED Luc Buchet, CNRS

Plus en détail

Validation d une méthode performante de dosage des steviols glycosides de Stevia Rebaudiana

Validation d une méthode performante de dosage des steviols glycosides de Stevia Rebaudiana Validation d une méthode performante de dosage des steviols glycosides de Stevia Rebaudiana J.M. Roussel, Consultant, Aix-en-Pce Prof. Dr. Gertrud Morlock, Chair of Food Science, JLU Giessen S. Meyer,

Plus en détail

Sommaire. Les pourcentages. Les suites. Statistiques. Les probabilités. Descriptif de l épreuve... Conseils pour l épreuve...

Sommaire. Les pourcentages. Les suites. Statistiques. Les probabilités. Descriptif de l épreuve... Conseils pour l épreuve... Sommaire Descriptif de l épreuve............................................. Conseils pour l épreuve............................................ Les pourcentages FICHES Pages 1 Pourcentage Proportions....................................7

Plus en détail

Section 3 - Méthode des prix hédoniques

Section 3 - Méthode des prix hédoniques Section 3 - Méthode des prix hédoniques L3 économétrie - Modélisation et inférence statistique Florence Goffette-Nagot GATE CNRS - Université Lyon 2 - ENS-LSH XX Section 3 - Estimation de prix hédoniques

Plus en détail

Chapitre 2. Caractéristiques des distributions à une variable quantitative

Chapitre 2. Caractéristiques des distributions à une variable quantitative Chapitre 2. Caractéristiques des distributions à une variable quantitative Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University

Plus en détail

Régression linéaire simple

Régression linéaire simple Résumé Ce chapitre introduit la notion de modèle linéaire par la version la plus élémentaire : epliquer Y par une fonction affine de X. Après avoir epliciter les hypothèses nécessaires et les termes du

Plus en détail

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7. Statistique Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.fr Cours Statistique, 2010 p. 1/52 Plan du cours Chapitre 1 : Estimation

Plus en détail

DIU Infirmières de Santé au Travail - IDF. Service Central de Santé au Travail de l AP-HP PLAN DE COURS

DIU Infirmières de Santé au Travail - IDF. Service Central de Santé au Travail de l AP-HP PLAN DE COURS DIU Infirmières de Santé au Travail - IDF Faculté de Médecine Paris VII - Denis Diderot Mardi 7 juin 2016 STATISTIQUES EN SANTE AU TRAVAIL : NOTIONS ESSENTIELLES Service Central de Santé au Travail de

Plus en détail

I. LA VARIABILITE AU SEIN DES POPULATIONS

I. LA VARIABILITE AU SEIN DES POPULATIONS I. LA VARIABILITE AU SEIN DES POPULATIONS La notion de population recouvre un concept difficilement réductible à une définition unique. Au sens de la génétique, une population représente une entité de

Plus en détail

L estimation du modèle a priori Décompter les ddl

L estimation du modèle a priori Décompter les ddl L estimation du modèle a priori Décompter les ddl ------------ François Cheptou Juin 004 Dans le programme de mathématiques BTS Chimiste, trois modèles a priori sont étudiés. ) = µ (modèle simple) ) =

Plus en détail

Discrimination à l embauche Quels apports des procédures de testing?

Discrimination à l embauche Quels apports des procédures de testing? Discrimination à l embauche Quels apports des procédures de testing? Séminaire D3E Romain Aeberhardt Denis Fougère Julien Pouget Roland Rathelot INSEE-CREST 17 novembre 2008 Aeberhardt, Fougère, Pouget

Plus en détail

1 Droite de régression de y en x

1 Droite de régression de y en x CHU Amiens IFTLM 2ème année, UPJV IUP Santé 2012-2013 Statistique Cours 2 Statistique descriptive à deux variables - Régression Le cours précédent traitait de la statistique descriptive univariée, c est-à-dire

Plus en détail

Équations récurrentes en finance

Équations récurrentes en finance Équations récurrentes en finance Daniel Justens Face à un problème concret, le mathématicien a plusieurs options. Il peut en donner une représentation très simplifiée et, dans ce cas, le problème se réduira

Plus en détail

Chapitre 6 TESTS STATISTIQUES

Chapitre 6 TESTS STATISTIQUES Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 6 TESTS STATISTIQUES Les tests statistiques sont des méthodes de la statistique inférentielle qui, comme

Plus en détail

Des mathématiques à l'usage des Sciences Économiques et Sociales

Des mathématiques à l'usage des Sciences Économiques et Sociales Des mathématiques à l'usage des Sciences Économiques et Sociales A quoi servent les suites, les fonctions, les intégrales, les probabilités, en Sciences Economiques et Sociales. Nous allons tenter ci-dessous

Plus en détail

Chapitre 7. L Offre agrégée et la demande agrégée. Objectifs. Objectif: Expliquer les déterminants de l offre agrégée.

Chapitre 7. L Offre agrégée et la demande agrégée. Objectifs. Objectif: Expliquer les déterminants de l offre agrégée. Chapitre 7 L Offre et la demande Objectifs Expliquer les déterminants de l offre Expliquer les déterminants de la demande Expliquer l équilibre macroéconomique 1 2 Objectifs (suite) Expliquer les effets

Plus en détail

Terminologie de la productivité Neuchâtel, septembre 2014

Terminologie de la productivité Neuchâtel, septembre 2014 Département fédéral de l'intérieur DFI Office fédéral de la statistique OFS Économie nationale Terminologie de la productivité Neuchâtel, septembre 2014 Le présent document définit la terminologie en vigueur

Plus en détail

Modélisation et Simulation

Modélisation et Simulation Cours de modélisation et simulation p. 1/77 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation

Plus en détail

Les différenciations de salaires au cours de la carrière : deux études sur un panel long.

Les différenciations de salaires au cours de la carrière : deux études sur un panel long. Les différenciations de salaires au cours de la carrière : deux études sur un panel long. Sébastien Roux INSEE-CREST COE, 13 mai 2008 Roux (CREST) Trajectoires salariales COE, 13 mai 2008 1 / 36 Introduction

Plus en détail

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters Analyse de données en présence de clusters Notion de clusters Conséquences de la non prise en compte des clusters Un exemple, une structure hiérarchique Elevage > Animal Le facteur d inflation de la variance

Plus en détail

Généralités sur les fonctions numériques

Généralités sur les fonctions numériques 7 Généralités sur les fonctions numériques Une fonction numérique est, de manière générale, une fonction d une variable réelle et à valeurs réelles. 7.1 Notions de base sur les fonctions Si I, J sont deux

Plus en détail

La différence entre risque et volatilité : intérêt et limites du CAPM

La différence entre risque et volatilité : intérêt et limites du CAPM La différence entre risque et volatilité : intérêt et limites du CAPM Le CAPM (Capital Asset Pricing Model) établit la relation clef qui doit unir sur un marché efficient la prime de risque des différents

Plus en détail

Connaître les variations des fonctions polynômes de degré 2 (monotonie, extremum) et la propriété de symétrie de leurs courbes.

Connaître les variations des fonctions polynômes de degré 2 (monotonie, extremum) et la propriété de symétrie de leurs courbes. www.mathsenligne.com 2N3 - FONCTION CARRE ET SECOND DEGRE COURS (1/6) CONTENUS CAPACITES ATTENDUES COMMENTAIRES Expressions algébriques Transformations d expressions algébriques en vue d une résolution

Plus en détail

Chapitre 5. Chapitre 5: Prévision 115. Slide 186

Chapitre 5. Chapitre 5: Prévision 115. Slide 186 Chapitre 5: Prévision 115 Slide 186 Chapitre 5 Prévision Dans ce chapitre, nous aordons les prolèmes de prévision de la demande, qui sont très importantes à moyen terme pour l étlissement du plan agrégé,

Plus en détail

Texte 1, Choix intertemporel du consommateur Microéconomie 3-851-84

Texte 1, Choix intertemporel du consommateur Microéconomie 3-851-84 1 Texte 1, Choix intertemporel du consommateur Microéconomie 3-851-84 1. Présentation générale du contexte intertemporel La théorie du comportement du consommateur telle que nous l'avons vue jusqu'à présent,

Plus en détail

Université François-Rabelais Droit - Economie - Sciences Sociales

Université François-Rabelais Droit - Economie - Sciences Sociales Université François-Rabelais Droit - Economie - Sciences Sociales Tours Année universitaire : 205-206 Session : galop d essai du er semestre Année d étude : Licence première année Sciences Economiques

Plus en détail

TRINÔME DU SECOND DEGRÉ

TRINÔME DU SECOND DEGRÉ TRINÔME DU SECOND DEGRÉ Définition On appelle fonction trinôme du second degré, toute fonction f définie sur IR qui, à x associe f(x) = ax 2 + bx + c, a, b et c étant trois réels avec a 0. Exemple Les

Plus en détail

Contents. Fonctions affines 3. Fonctions usuelles 7. Dérivation 11. Fonctions de plusieurs variables 15. Optimisation sous contraintes 23

Contents. Fonctions affines 3. Fonctions usuelles 7. Dérivation 11. Fonctions de plusieurs variables 15. Optimisation sous contraintes 23 Contents Fonctions affines 3 Fonctions usuelles 7 Dérivation 11 Fonctions de plusieurs variables 15 Optimisation sous contraintes 23 i Fonctions affines 1 Définition - représentation graphique Les fonctions

Plus en détail

Microéconométrie II. Exploiter des données à plusieurs dimensions Modèles basiques de panel

Microéconométrie II. Exploiter des données à plusieurs dimensions Modèles basiques de panel Claudio Araujo 9/09/03 Microéconométrie II. Eploer des données à plusieurs dimensions Modèles basiques de panel Claudio Araujo CERDI, Universé d Auvergne Clermont-Ferrand, France www.cerdi.org http://www.cerdi.org/claudio-araujo/perso/.

Plus en détail

II. LA DIVERSITE DE L'OCCUPATION DU TERRITOIRE

II. LA DIVERSITE DE L'OCCUPATION DU TERRITOIRE II. LA DIVERSITE DE L'OCCUPATION DU TERRITOIRE A. DEMOGRAPHIE 1. Evolution démographique 1.1. Dynamisme démographique 1.2. Structure de la population 1.3. Structure des ménages 2. Hypothèses d'évolution

Plus en détail

TUTORAT UE 4 2015-2016 Biostatistiques Séance n 5 Semaine du 19/10/2015

TUTORAT UE 4 2015-2016 Biostatistiques Séance n 5 Semaine du 19/10/2015 TUTORAT UE 4 2015-2016 Biostatistiques Séance n 5 Semaine du 19/10/2015 Tests statistiques 2 M. Molinari. Séance préparée par Cécile JOURDAN, Charlotte SILVESTRE, Brice LAVABRE, Julie DUSSAUT, Mathilde

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

La régression linéaire simple

La régression linéaire simple Chapitre 1 La régression linéaire simple Si l état décide d accentuer les mesures contre l alcool au volant, quel en sera l effet sur la sécurité routière? Réduire la taille des classes à l école primaire

Plus en détail

Commande par retour d états ou placement des pôles

Commande par retour d états ou placement des pôles Cas continu Commande par retour d états ou placement des pôles Position de problème Soit le système décrit par l équation d état. = + X AX BU Y = CX est dont le polynôme caractéristique est n P( λ) = λ

Plus en détail

«L efficacité des EHPAD en France» auteurs: Brigitte DORMONT et Cécile MARTIN

«L efficacité des EHPAD en France» auteurs: Brigitte DORMONT et Cécile MARTIN «L efficacité des EHPAD en France» auteurs: Brigitte DORMONT et Cécile MARTIN JESF 2011 1 er et 2 décembre à Clermont-Ferrand Discutant: Charline Mourgues (CERDI- PhD Student). Introduction 1. Présentation

Plus en détail

Économétrie II Ch. 1. Modèle de régression linéaire L3 Économétrie L3 MASS

Économétrie II Ch. 1. Modèle de régression linéaire L3 Économétrie L3 MASS Économétrie II Ch. 1. Modèle de régression linéaire L3 Économétrie L3 MASS Prof. Philippe Polomé, U. Lyon 2 Année 2012-2013 1 Ch. 1. Modèle de Régression Linéaire 1.1 MRL formel Y t β 0 + β 1 X 1t +...

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

Université Pierre & Marie Curie Licence 3 UE LM336 Analyse Numérique des Equations Différentielles Année 2014 15. Projet TP LM336

Université Pierre & Marie Curie Licence 3 UE LM336 Analyse Numérique des Equations Différentielles Année 2014 15. Projet TP LM336 Université Pierre & Marie Curie Licence 3 UE LM336 Analyse Numérique des Equations Différentielles Année 2014 15 Projet TP LM336 1 Potentiel d action Le but de cette section est de simuler numériquement

Plus en détail

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre INFORMATIQUE ORIENTATION LOGICIELS CLASSIFICATION AUTOMATIQUE Prof.É.D.Taillard Classification automatique @Prof. E. Taillard EIVD, Informatique logiciel, 4 e semestre CLASSIFICATION AUTOMATIQUE But :

Plus en détail

Groupe : (h, k) ( 5, 12)

Groupe : (h, k) ( 5, 12) Fiche de soutien Les propriétés de la fonction racine carrée PROPRIÉTÉ FONCTION SOUS FORME CANONIQUE f(x) = a + k (ou f(x) = a 1 + k et a 1 = a ) EXEMPLE f(x) = 2 12 (ou f(x) = 6 12) Coordonnées du sommet

Plus en détail

PREMIERE ANNEE COMMUNE DES ETUDES DE SANTE. Faculté de Médecine Lyon Est Année Universitaire 2010-2011 UE4. Epreuve du jeudi 16 décembre 2010

PREMIERE ANNEE COMMUNE DES ETUDES DE SANTE. Faculté de Médecine Lyon Est Année Universitaire 2010-2011 UE4. Epreuve du jeudi 16 décembre 2010 PREMIERE ANNEE COMMUNE DES ETUDES DE SANTE Faculté de Médecine Lyon Est Année Universitaire 2010-2011 UE4 Epreuve du jeudi 16 décembre 2010 Dr Claire BARDEL, Dr Marie-Aimée DRONNE, Dr Delphine MAUCORT-BOULCH

Plus en détail

Discussion Clémentine Garrouste JESF 2013 1/22

Discussion Clémentine Garrouste JESF 2013 1/22 "Déterminants de la demande de soins en milieu urbain dans un contexte de subvention à Pikine, Sénégal", M. Dieng, M. Audibert, J-H. Le Hesran, A. Ta Dial Discussion Clémentine Garrouste JESF 2013 1/22

Plus en détail

2 nde Corrigé de l évaluation n 3 de mathématiques Lundi 13 Mai 2013. Lectures graphiques (9 points) Les 2 parties sont indépendantes Partie A

2 nde Corrigé de l évaluation n 3 de mathématiques Lundi 13 Mai 2013. Lectures graphiques (9 points) Les 2 parties sont indépendantes Partie A nde Corrigé de l évaluation n 3 de mathématiques Lundi 13 Mai 013 Lectures graphiques (9 points) Les parties sont indépendantes Partie A Tous les clients d un petit restaurant ont opté pour la formule

Plus en détail

10 contrats pour votre prochain Projet Logiciel Agile

10 contrats pour votre prochain Projet Logiciel Agile 10 contrats pour votre prochain Projet Logiciel Agile Auteur : Peter Stevens Son article du 29 avril 2009 : http://agilesoftwaredevelopment.com/blog/peterstev/10-agile-contracts Son blog : http://www.scrum-breakfast.com/

Plus en détail

Un pourcentage est la part, la proportion, que représente un sous-ensemble B dans un ensemble A. On le calcule de la manière suivante :

Un pourcentage est la part, la proportion, que représente un sous-ensemble B dans un ensemble A. On le calcule de la manière suivante : FICHE TD n 1 : LE POURCENTAGE Un pourcentage est la part, la proportion, que représente un sous-ensemble B dans un ensemble A. On le calcule de la manière suivante : Sous-ensemble B / Ensemble A x 100

Plus en détail

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Guy Perrière Pôle Rhône-Alpes de Bioinformatique 14 novembre 2012 Guy Perrière (PRABI) Tests statistiques 14 novembre 2012 1 / 40 Plan

Plus en détail

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

Un exercice de TVA sociale

Un exercice de TVA sociale Un exercice de TVA sociale Stéphane Gauthier, Université de Caen et CREST http://www.crest.fr/pageperso/gauthier/tvasociale.pdf Thème général Quels sont les effets sur l emploi de modifications des assiettes

Plus en détail

Analyse en composantes principales (ACP)

Analyse en composantes principales (ACP) Analyse en composantes principales (ACP) François Husson Laboratoire de mathématiques appliquées - Agrocampus Rennes husson@agrocampus-ouest.fr 1 / 31 Quel type de données? L ACP s intéresse à des tableaux

Plus en détail

La rentabilité des actifs financiers

La rentabilité des actifs financiers La rentabilité des actifs financiers Définitions : taux de rentabilité (actuariel) = taux d'actualisation qui annule la valeur actuelle nette. «RA» pour un investissement «financier» «RI» pour un investissement

Plus en détail

Un risque de perte d emploi plus élevé

Un risque de perte d emploi plus élevé N 25 Septembre 1999 Un risque de perte d emploi plus élevé en Languedoc-Roussillon En Languedoc-Roussillon, le risque de perdre son emploi dans l année est de 7 %. Il est supérieur de deux points à celui

Plus en détail

Le MEDAF Modèle d'évaluation des actifs financiers

Le MEDAF Modèle d'évaluation des actifs financiers Le MEDAF Modèle d'évaluation des actifs financiers Comment le risque affecte-t-il la rentabilité espérée d'un investissement? Le MEDAF (CAPM = Capital Asset Pricing Model) donne une réponse cohérente.

Plus en détail

Série n 5 : Optimisation non linéaire

Série n 5 : Optimisation non linéaire Université Claude Bernard, Lyon I Licence Sciences & Technologies 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France Option: M2AO 2007-2008 Série n 5 : Optimisation

Plus en détail

partie a Introduction à la statistique 1

partie a Introduction à la statistique 1 table des matières F AVANT-PROPOS À L ÉDITION AMÉRICAINE Abréviations viii xiv partie a Introduction à la statistique 1 1. Statistique et probabilité ne sont pas intuitives 3 Nous avons tendance à passer

Plus en détail

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 105 HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 1. Introduction En statistiques il arrive fréquemment que les individus soient décrits par un grand nombre de caractères. : voitures décrites par leur

Plus en détail

USS Union syndicale suisse www.uss.ch. Rapport 2012 sur la répartition des revenus et de la fortune en Suisse

USS Union syndicale suisse www.uss.ch. Rapport 2012 sur la répartition des revenus et de la fortune en Suisse Rapport 2012 sur la répartition des revenus et de la fortune en Suisse Écarts entre les salaires : les politiques peuvent et doivent agir Daniel Lampart, économiste en chef et premier secrétaire de l USS/fq

Plus en détail

Le stress au travail chez les prestateurs de soins de santé par Kathryn Wilkins

Le stress au travail chez les prestateurs de soins de santé par Kathryn Wilkins Le stress au travail chez les prestateurs de soins de santé 35 Le stress au travail chez les prestateurs de soins de santé par Kathryn Wilkins Mots-clés : santé au travail, charge de travail, professions

Plus en détail

TD1, sur la Régression Logistique (STA 2211)

TD1, sur la Régression Logistique (STA 2211) TD, sur la Régression Logistique STA 22) Exercice : Un sondage international cité dans un article de presse le 4 décembre 2004) rapportait le faible taux d approbation de la politique du Président des

Plus en détail

Cours de Mathématiques 2

Cours de Mathématiques 2 Cours de Mathématiques 2 première partie : Analyse 2 DEUG MIAS 1 e année, 2 e semestre. Maximilian F. Hasler Département Scientifique Interfacultaire B.P. 7209 F 97275 SCHOELCHER CEDEX Fax : 0596 72 73

Plus en détail

INTRODUCTION A LA RECHERCHE QUANTITATIVE

INTRODUCTION A LA RECHERCHE QUANTITATIVE INTRODUCTION A LA RECHERCHE QUANTITATIVE Deuxième partie : de la base de données aux résultats Juin 2010 Julien Gelly, Caroline Huas, Josselin Le Bel Plan 2 1. Introduction 2. Saisie des données : Epi

Plus en détail

Statistique (MATH-F-315, Cours #3)

Statistique (MATH-F-315, Cours #3) Statistique (MATH-F-315, Cours #3) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

L ESTIMATION DES ÉCARTS SALARIAUX

L ESTIMATION DES ÉCARTS SALARIAUX Novembre 2005 L ESTIMATION DES ÉCARTS SALARIAUX (articles 60 à 68) La Loi sur l équité salariale vise à corriger les écarts salariaux dus à la discrimination systémique fondée sur le sexe à l égard des

Plus en détail

Problème 4: Les diagrammes suivants représentent la distribution de 4 variables discrètes X1, X2, X3 et X4 :

Problème 4: Les diagrammes suivants représentent la distribution de 4 variables discrètes X1, X2, X3 et X4 : Cours 5-62-96 : Traitement et analyse des données Test autodiagnostique PARTIE 1 : Problème 1 : Pour chacune des distributions ci-dessous, identifier la population et la variable étudiée en précisant si

Plus en détail

Bases du Modèle Linéaire

Bases du Modèle Linéaire AgroParisTech Bases du Modèle Linéaire J.J. Daudin, E. Lebarbier, C. Vuillet Table des matières 1 Introduction 3 2 Estimation des paramètres 5 2.1 Estimation des paramètres de l espérance......................

Plus en détail

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour L / Recueil d exercices corrigés et aide-mémoire USTV M Analyse numérique G FACCANONI Dernière mise-à-jour Jeudi mai Avertissement : ces notes sont régulièrement mises à jour et corrigées, ne vous étonnez

Plus en détail

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques (605) GESTION DE STOCK À DEMANDE ALÉATOIRE Résumé : Chaque mois, le gérant d un magasin doit

Plus en détail

Les paraboles. x ax 2 + bx + c.

Les paraboles. x ax 2 + bx + c. 1ES Résumé du cours sur le second degré. Les paraboles. On appelle fonction du second degré une fonction de la forme x ax 2 + bx + c. Bien sûr a doit être différent de 0 sinon ce n est pas une fonction

Plus en détail

Principe d un test statistique

Principe d un test statistique Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2008/2009 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre

Plus en détail

Plan de cours. Programme : Sciences de la nature 200.B0 2-2-2. 2 2/3 unités. Automne 2010

Plan de cours. Programme : Sciences de la nature 200.B0 2-2-2. 2 2/3 unités. Automne 2010 Plan de cours Programme : Sciences de la nature 00.B0 Département : Titre du cours : Code du cours : Mathématiques Probabilités et Statistiques 01-GHC-04 -- /3 unités Automne 010 Éric Brunelle A-10 450-347-5301

Plus en détail

Qualité Six Sigma. Sommaire. Sylvain ROZÈS. 28 mars 2008. 1 Introduction 1. 2 Étude séparée de quatre échantillons 1

Qualité Six Sigma. Sommaire. Sylvain ROZÈS. 28 mars 2008. 1 Introduction 1. 2 Étude séparée de quatre échantillons 1 Qualité Six Sigma Sylvain ROZÈS 28 mars 2008 Sommaire 1 Introduction 1 2 Étude séparée de quatre échantillons 1 3 Étude sur l ensemble des échantillons 8 4 Étude sur les range 13 1 Introduction Le but

Plus en détail

Théorème de Rolle et égalité des accroissements finis. Applications

Théorème de Rolle et égalité des accroissements finis. Applications 0 Théorème de Rolle et égalité des accroissements finis. Applications 0. Le théorème de Rolle sur un espace vectoriel normé Pour ce paragraphe, on se donne un espace vectoriel normé (E, ). Le théorème

Plus en détail

Les banques françaises passent avec succès les stress tests européens.

Les banques françaises passent avec succès les stress tests européens. Paris, le 15 juillet 2011 Les banques françaises passent avec succès les stress tests européens. L ABE (Autorité Bancaire Européenne) et les autorités de supervision nationales, dont l Autorité de contrôle

Plus en détail

Un sujet pour l épreuve B (modélisation et informatique)

Un sujet pour l épreuve B (modélisation et informatique) Un sujet pour l épreuve B modélisation et informatique) Présentation Le texte proposé ci-après est conçu pour l épreuve B, portant plus particulièrement sur la modélisation et l informatique l épreuve

Plus en détail