Projet d économétrie
|
|
- Christine Bessette
- il y a 7 ans
- Total affichages :
Transcription
1 1 Projet d économétrie Après avoir mis la base de données portant le nom Don130e.txt du fichier Bazen sur Eviews afin d effectuer une analyse des variables Y et X à partir des 70 observations. Nous sommes donc amenés à répondre à ces différentes questions. Question 1 (a) Décrire les séries (analyse graphique, statistiques descriptives). Sur notre base de données, il y a deux variables Y et X tel que Y figure dans la première colonne et X figure dans la deuxième colonne. Nous allons analyser chaque variable séparément. Pour la variable Y : On a l histogramme et les statistiques suivantes : Densité de Y Y Series: Y Sample 1 70 Observations 70 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability Figure 1. Analyse descriptive de la variable Y : Cette figure représente la fréquence de la distribution de notre variable en histogramme. Les valeurs pour lesquelles la variable y est le plus concentrée tournent autour de 38 Nous allons effectuer une analyse de la variable Y à partir des différentes statiques qui figurent sur le carré à côté de l histogramme. 1. Mean représente la valeur moyenne de la variable, calculé par la somme de la variable divisée par le nombre d observation. Dans notre cas, la moyenne de la variable Y est de 37, Median représente la valeur placée au milieu de la variable quand les valeurs sont en ordre croissant. La médiane, dans notre cas, est de 38,14534.
2 2 3. Max et Min sont les valeurs maximales et minimales de la variable. La valeur maximale est de 40,21456 et la valeur minimale est de 30, Std.Dev. ( Standard deviation ) est une mesure de dispersion de la variable ou encore l écart type. Standard déviation est donnée par : où N est le nombre d observation et est la moyenne de la variable Y. La valeur de Standard déviation est Skewness représente une mesure d asymétrie de la distribution autour de la moyenne. Skewness est calculé par : où est un écart type estimé. Si la distribution est symétrique, par exemple la distribution normale, la valeur de Skewness est de zéro. Si la valeur de Skewness est positive, on dit que la distribution est étalée à droite. Si elle est négative, on dit que la distribution est étalée à gauche. On remarque que la valeur de Skewness est de -1, ce qui signifie que la dispersion est étalée à gauche ( voir l histogramme ). 7. Kurtosis mesure l aplatissement de la distribution de la variable. Il est calculé par : La valeur de Kurtosis de la distribution normale est de 3. Dans notre cas, la valeur de Kurtosis est de 5, Jarque-Bera est un test statistique qui sert à tester si la distribution est normale. Les deux coefficients (Skewness et Kurtosis) permet de comparer une distribution à une distribution normale, pour cela, on pose l hypothèse suivante : Ho : Skewness = 0 et Kurtosis -3 = 0 Pour tester cette hypothèse, on va utiliser la formule suivante : Où N est le nombre d observation, S est la valeur de Skewness, K représente la valeur de Kurtosis et k représente le nombre de paramètres estimés.
3 3 Cette série statistique est distribuée selon liberté. une loi de Khi deux à 2 degrés de La table numérique de Khi deux à 2 degré de liberté nous donne la valeur critique de 5,99 à 5% d erreur. Or dans la figure 1, la valeur de Jarque-Bera est de 42,62427 donc elle est supérieur à la valeur critique alors on rejette l hypothèse Ho. Ce qui signifie que notre distribution de la variable Y n est pas normale. 9. Probability est la probabilité que la valeur de Jarque-Bera dépasse la valeur critique. Si la probabilité est inférieure à 5%, on rejette l hypothèse nulle de la distribution normale. Si la probabilité est supérieure à 5, on accepte l hypothèse nulle de la distribution normale. Dans notre cas, la probabilité est de 0 donc on rejette l hypothèse nulle. Pour la variable X : On a l histogramme et les statistiques suivantes : Densité de X Series: X Sample 1 70 Observations 70 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis X Jarque-Bera Probability Figure 2. Analyse descriptive de la variable X Cette figure représente la fréquence de la distribution de notre variable en histogramme. Les valeurs pour lesquelles la variable X est le plus concentrée tournent autour de 33. Nous allons effectuer une analyse de la variable X à partir des différentes statiques qui figurent sur le carré à côté de l histogramme. 1. La moyenne ( Mean ) de la variable X est de 32, La médiane ( Median) est de 33, Max et Min sont les valeurs maximales et minimales de la variable. La valeur maximale est de 35,16726 et la valeur minimale est de 26, La valeur de Standard déviation ( Std.Dev. )est 1,
4 4 5. La valeur de Skewness est de ce qui signifie que la dispersion est étalée à gauche (voir l histogramme). 6. La valeur de Kurtosis est de 4, Jarque-Bera est un test statistique qui sert à tester si la distribution est normale. Les deux coefficients (Skewness et Kurtosis) permet de comparer une distribution à une distribution normale, pour cela, on pose l hypothèse suivante : Ho : Skewness = 0 et Kurtosis -3 = 0 Pour tester cette hypothèse, on va utiliser la formule suivante : Où N est le nombre d observation, S est la valeur de Skewness, K représente la valeur de Kurtosis et k représente le nombre de paramètres estimés. Cette série statistique est distribuée selon une loi de Khi deux à 2 degrés de liberté. La table numérique de Khi deux à 2 degré de liberté nous donne la valeur critique de 5,99 à 5% d erreur. Or dans la figure 2, la valeur de Jarque-Bera est de 34,27750 donc elle est supérieur à la valeur critique alors on rejette l hypothèse Ho. Ce qui signifie que notre distribution de la variable X n est pas normale. 8. la probabilité est de 0 donc on rejette l hypothèse nulle de la distribution normale. (b) Tester la (non) stationnarité et déterminer l ordre d intégration des séries Yt et Xt. Pour tester la stationnarité de nos 2 séries (Y et X), nous allons faire appel au test de Dickey-Fuller Augmenté. A partir du test de Dickey Fuller, on a l équation suivante : = + + (1) Si, on en conclut que la série est stationnaire ( intégrée d ordre 0 ). Si, on dit que la série est non stationnaire (série intégrée d ordre k à déterminer). Si, on dit que la série est explosive. k représente le nombre de fois qu on différencie la série non stationnaire afin qu elle devienne stationnaire. Pour effectuer ce test, on pose : H0 : H1 : A partir de l équation (1), on soustrait des deux côtés de l équation : - = + - +
5 5? = + ( -1) + Or on pose = - 1 donc on a :? = + + (2) Pour effectuer un test à partir de l équation (2), on pose : Nous savons que suit la loi de Dickey-fuller( DF). Si DF < DF* alors on rejette Ho en acceptant H1, cela signifie que la série est stationnaire. Si DF > DF* alors on accepte Ho ce qui signifie que la série est non stationnaire. Le modèle est très restreint. Pour éviter le problème d autocorrélation, on introduit une constante et deux retards dans l équation (2) et on utilise le test de Dickey Fuller augmenté ( DFA ). Notre équation (2) devient alors :? = + +? +? + (3) Nous allons poser les mêmes hypothèses : Nous savons que suit la loi de Dickey-fuller Augmenté (DFA). Nous allons effectuer une analyse statistique de chaque variable. Pour la variable Yt, on a les résultats suivants : Null Hypothesis: Y has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=10) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(Y)
6 6 Date: 12/08/02 Time: 15:45 Sample(adjusted): 3 70 Included observations: 68 after adjusting endpoints Y(-1) D(Y(-1)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Figure 3. On remarque que la valeur de DFA est de -3, (figurée en lettre gras), elle est inférieure à la valeur critique à 5% qui est de -2, Alors on rejette Ho en acceptant H1, ce qui signifie que la série Yt est stationnaire (intégrée d ordre 0). On remarque que la probabilité est de 0,15% qui est inférieure à 5% donc on rejette Ho. On peut observer sur le graphique de notre série Y qu elle est stationnaire : 42 Y Y t Pour la variable Xt : Null Hypothesis: X has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=10) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation
7 7 Dependent Variable: D(X) Date: 12/08/02 Time: 17:16 Sample(adjusted): 2 70 Included observations: 69 after adjusting endpoints X(-1) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Figure 4. On remarque que la valeur de DFA est de -3, (figurée en lettre gras), elle est inférieure à la valeur critique à 5% qui est de -2, Alors on rejette Ho en acceptant H1, ce qui signifie que la série Xt est stationnaire (intégrée d ordre 0). On remarque que la probabilité est de 0,88% qui est inférieure à 5% donc on rejette Ho. On peut observer sur le graphique de notre série X qu elle est stationnaire : 36 X X t Question 2 : Estimer le modèle suivant et effectuer des statistiques de spécification (Ex. autocorrélation, ). yt = + xt + ut (4) (a) Nous allons estimer ce modèle statique ( 4 ) à l aide du logiciel Eviews. On obtient les résultats suivants : Dependent Variable: Y
8 8 Date: 12/08/02 Time: 19:08 Sample: 1 70 Included observations: 70 C X R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Nous allons effectuer un test individuel. L hypothèse nulle Ho : = 0 et = 0 Figure 5. On sais que t* = / (se ( )) suit la loi t de student à n-k degré de liberté Où n = le nombre d observation et k est le nombre de paramètre à estimer. n = 70 et k = 2. Sur le figure 5, on remarque que la valeur de t de student pour le paramètre est de 5, qui est supérieure au seuil critique à 5% ( 2 ) alors on rejette l hypothèse nulle ce qui signifie que le paramètre est significativement différent de 0. Et aussi on trouve que la valeur de t de student pour le paramètre à 68 degré de liberté est de 45,69742 qui est supérieur au seuil critique à 5% (2) alors on rejette Ho ce qui signifie que le paramètre est significatif autrement dit la variable explicative X explique bien notre modèle. On peut aussi regarder les valeurs de la probabilité pour les deux paramètres sont inférieure à 5%, on rejette donc Ho pour les 2 paramètres. (b) Tests de spécification : On va faire les tests sur l équation suivante : yt = + xt + ut (4) 1. Test de Normalité Ce test porte sur une série de résidu. On va tester si la distribution du résidu suit la loi normale ou non.a l aide du test de Jarque-Bera qui est un test statistique qui sert à tester si la distribution est normale. Sur Eviews, on a le résultat suivant :
9 Series: Residuals Sample 1 70 Observations 70 Mean 6.85E-15 Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability Figure 6. La table numérique de Khi deux à 2 degré de liberté nous donne la valeur critique de 5,99 à 5% d erreur. Or dans la figure 6, la valeur de Jarque-Bera est de 1, donc elle est inférieure à la valeur critique alors on accepte l hypothèse Ho. Ce qui signifie que notre distribution du résidu est normal. 2. Test d hétéroscédasticité. C est un test qui porte aussi sur le résidu.on va tester si la variance de notre résidu est constante ou non à l aide du test de White. Sur Eviews, on obtient le résultat suivant : White Heteroskedasticity Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Date: 12/14/02 Time: 13:38 Sample: 1 70 Included observations: 70 C X X^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Figure 7.
10 10 Test de White est un test avec une hypothèse nulle : il n y a pas d hétéroscédasticité. On sait que la statistique de White suit la loi de Khi- deux : W = T RT ~ [k(k+1)]/2 Où T est le nombre d observation et k est le nombre de paramètre estimé dans la régression auxiliaire sans la constante. Si est inférieure à la valeur critique, on accepte Ho alors il y a absence d hétéroscédasticité. Si est supérieure à la valeur critique, on rejette Ho alors il y a hétéroscédasticité. Sur la figure 7, la valeur de est de qui est inférieure à la valeur critique (3.84 à 1 degré de liberté et une erreur de 5 % ). On peut aussi constater que la probabilité est de % > à 5% alors on accepte Ho, ce qui veut dire qu il y a pas d hétéroscédasticité donc la variance de notre résidu est constante. 3. Test d autocorrélation. Il porte sur le résidu. On va tester si la covariance est nulle ou non à l aide du test de Durbin-Watson. Sur Eviews, on obtient le résultat suivant : Dependent Variable: Y Date: 12/14/02 Time: 13:04 Sample: 1 70 Included observations: 70 C X R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Figure 8. L hypothèse nulle de ce test : il n y a pas d autocorrélation. On sais que :
11 11 Si DW est supérieure à la borne supérieure critique ( DW2), on accepte Ho alors il n y a pas d autocorrélation. Si DW est inférieure à la borne inférieure critique (DW1), on rejette Ho alors il y a autocorrélation. Dans la figure 8. La valeur de la statistique de Durbin-Watson est de 1, qui est supérieure à la borne supérieure critique (1,64) alors on accepte Ho ce qui signifie qu il n y a pas d autocorrélation. (c) Test de linéarité. On va effectuer un test de CHOW et de RAMSEY RESET sur nos 2 variables afin d observer si nos variables sont linéaires ou non. Pour un test de CHOW On va couper nos séries en 2 périodes à la valeur 30 puisqu on remarque que nos séries se coupent à cette valeur. Sur Eveiws, on obtient le résultat suivant : Chow Breakpoint Test: 30 F-statistic Probability Log likelihood ratio Probability Figure 9. Ce test consiste à détecter s il y a un changement structurel. Pour cela, on a : yt = + xt + ut (4) T y1 = ß3 + ß4x1 + u1 T1 y2 = ß5 + ß6x2 + u2 T2 l hypothèse nulle : Ho : ß2=ß4=ß6 H1 : ß4? ß6 On sais que : F = ( SCRc ( SCR1 SCR2 ) ) /k ~ F(k ; T-2k ) ( SCR1 SCR2 )/T-2k Si F < F* alors on accepte Ho, c'est-à-dire qu il y a absence de changement structurel. Si F > F* alors on rejette Ho, c'est-à-dire qu il y a changement structurel.
12 12 Dans la figure 9, on observe que la valeur de la statistique de Fisher set de qui inférieure à la valeur critique (3.15 avec V1 =2, V2=66 et à 5%). Donc on accepte Ho, ce qui signifie qu il n y a pas changement de structure. Donc on va raisonner sur une seule période. Pour un test de RAMSEY Ce test consiste à tester s il y a manque de variables ou problème de formes fonctionnelles dans notre modèle. Sur Eviews, on obtient le résultat suivant : Ramsey RESET Test: F-statistic Probability Log likelihood ratio Probability Test Equation: Dependent Variable: Y Date: 12/14/02 Time: 16:07 Sample: 1 70 Included observations: 70 C X FITTED^ FITTED^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Figure 10. On teste Ho sur une base d une régression augmentée. A partir de l équation (4) : yt = + xt + bzt + ut Où et b = [b1, b2, b3, ] On va tester si b est nulle ou non. Donc on a l hypothèse nulle suivante : Ho : b1 = b2 = b3 =.. = 0 On remarque que la statistique de Fisher est de et la probabilité est de qui est supérieure à 5%. Alors on accepte Ho, ce qui signifie qu il n y a pas de manque de variables ni problème de forme fonctionnelle dans notre modèle.
13 13 Question 3 : En fonction des résultats précédents, proposer un modèle approprié pour la relation entre y et x à l aide des tests de spécification. Les résultats précédents nous permettent d écrire la relation statique suivante : Yt = Xt + Ut Nous allons donc construire un modèle approprié à l aide du modèle dynamique de référence puisque le modèle statique est tout simplement un cas particulier du modèle ARE (Yt = ß1 + ß2*Yt-1 + ß3*Xt + ß4*Xt-1 + Ut). Avec ß2 =0 et ß4 = 0. Nous avons effectué le test de signification qui nous a confirmé que ces deux coefficients sont significatifs. Or nous avons aussi effectué un test de normalité selon lequel on a trouvé que notre résidu ne suit pas la loi normale. On a donc décidé d étudier le modèle d ajustement partiel Pour cela, on va ajouter la variable explicative suivante dans la modèle statique : Yt-1 On a donc : Yt = ß1 + ß2*Yt-1 + ß3*Xt + Ut ( 5 ) En faisant l estimation, on remarque que R² de ce modèle est supérieur à R² du modèle statique : R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Modèle dynamique R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Modèle statique On va tout d abord effectuer un test de signification et en suite un test de spécification du modèle de référence.
14 14 (a) Estimation du modèle Sur Eviews, on a le résultat suivant : Dependent Variable: Y Date: 12/14/02 Time: 18:30 Sample(adjusted): 2 70 Included observations: 69 after adjusting endpoints C Y(-1) X R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Test individuel de signification Figure 11. Dans la figure 11, on constate que la coefficient d estimateur de la constante est significative puisque la statistique du test de t de student est supérieure à la valeur critique à 5% d erreur qui est égale à 2 avec 67 degré de liberté. On remarque aussi que les autres coefficients sont significativement différents de zéro puisque toutes les statistiques du test de t de student sont supérieures à la valeur critique alors toutes les variables explicatives expliquent bien notre modèle. Test global de signification On constate que la probabilité de Fisher est inférieure à 5% ce qui signifie que les coefficients sont globalement significatifs. (b) Test de spécification Nous allons effectuer des tests de spécification à partir de résidu du modèle dynamique suivant : Yt = ß1 + ß2*Yt-1 + ß3*Xt + Ut (5)
15 15 1. Test de normalité. Sur Eviews, on obtient le résultat suivant : Series: Residuals Sample 2 70 Observations 69 Mean 1.39E-14 Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability Figure 12. La table numérique de Khi deux à 2 degré de liberté nous donne la valeur critique de 5,99 à 5% d erreur. Or dans la figure 12, la valeur de Jarque-Bera est de 2, donc elle est inférieure à la valeur critique alors on accepte l hypothèse Ho. Ce qui signifie que notre distribution du résidu est normale. 2. Test d hétéroscédasticité Sur Eviews, on obtient le résultat suivant : White Heteroskedasticity Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Date: 12/14/02 Time: 18:49 Sample: 2 70 Included observations: 69 C Y(-1) Y(-1)^ Y(-1)*X X X^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Figure 13.
16 16 A l aide de la statistique de White, la valeur de est de qui est inférieure à la valeur critique (7,82 à [2(2+1)]/2 = 3 degré de liberté et une erreur de 5 %). On constate aussi que la probabilité est de 93,9823 % > à 5% alors on accepte Ho, ce qui veut dire qu il y a pas d hétéroscédasticité donc la variance de notre résidu est constante. 3.Test d autocorrélation Nous allons effectuer un test d autocorrélation à l aide de la statistique de Breuschgodfrey (LM) puisqu on a introduit un retard dans notre modèle. Eviews nous fournit le résultat suivant Breusch-Godfrey Serial Correlation LM Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID Date: 12/14/02 Time: 23:44 Presample missing value lagged residuals set to zero. C Y(-1) X X(-1) RESID(-1) R-squared Mean dependent var 1.35E-14 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Figure 14. Après avoir estimé un modèle (5), on en déduit un résidu à partir duquel on construit l équation suivant : Où p représente le nombre de retard de résidu introduit dans l équation (6). (6) L hypothèse nulle : Ho : a1 = a2 = a3 = = 0
17 17 Or on sais que : LM = T AR ~ p Où T est le nombre d observation. Dans la figure 14, on a introduit p = 1 d où l hypothèse nulle est la suivante : Ho : a1 = 0 Avec LM = T AR ~ 1 La statistique de test de khi deux est de qui est inférieure à la valeur critique à 5 % avec 1 degré de liberté (= 3,84), alors il n y a pas d autocorrélation dans notre modèle. (c) Test de linéarité. On va effectuer un test de CHOW et de RAMSEY RESET sur nos 3 variables afin d observer si nos variables sont linéaires ou non. Pour un test de CHOW On va couper nos séries en 2 périodes à la valeur 30 puisqu on remarque que nos séries se coupent à cette valeur. Chow Breakpoint Test: 30 F-statistic Probability Log likelihood ratio Probability Figure 15. Ce test consiste à détecter s il y a un changement structurel. Pour cela, on a : Yt = ß1 + ß2*Yt-1 + ß3*Xt + Ut (5) T Y1 = ß3 + ß4 (Yt-1)1 + ß5X1 + u1 Y2 = ß6 + ß7 (Yt-1)2 + ß8X2 + u2 T1 T2 L hypothèse nulle : Ho : ß2=ß4=ß7 et ß3 = ß5= ß8 H1 : ß4? ß7 et ß5? ß8 On sais que : F = (SCRc (SCR1 SCR2)) /k ~ F (k ; T-2k)
18 18 (SCR1 SCR2)/T-2k Si F < F* alors on accepte Ho, c'est-à-dire qu il y a absence de changement structurel. Si F > F* alors on rejette Ho, c'est-à-dire qu il y a changement structurel. Dans la figure 15, on observe que la valeur de la statistique de Fisher est de 0, qui est inférieure à la valeur critique (2,75 avec V1 =3, V2=64 et à 5%). Donc on accepte Ho, ce qui signifie qu il n y a pas changement de structure. Donc on va raisonner sur une seule période. Pour un test de RAMSEY Ce test consiste à tester s il y a manque de variables ou problème de formes fonctionnelles dans notre modèle. Sur Eviews, on obtient le résultat suivant : Ramsey RESET Test: F-statistic Probability Log likelihood ratio Probability Test Equation: Dependent Variable: Y Date: 12/15/02 Time: 10:58 Sample: 2 70 Included observations: 69 C Y(-1) X FITTED^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Figure16 On teste Ho sur une base d une régression augmentée. A partir de l équation (4) : Yt = ß1 + ß2*Yt-1 + ß3*Xt + bzt + Ut Où et b = [b1, b2, b3, ] On va tester si b est nulle ou non. Donc on une hypothèse nulle suivante : Ho : b1 = b2 = b3 =.. = 0
19 19 On remarque que la statistique de Fisher est de et la probabilité est de qui est supérieure à 5% alors on accepte Ho, ce qui signifie qu il n y a pas de manque de variables ni problème de forme fonctionnelle dans notre modèle. En conclusion et en fonction des résultats précédents, notre modèle approprié est un modèle d ajustement partiel qui est un cas particulier du modèle ARE. On a donc introduit une seule variable retardée dans notre modèle statique, on obtient le modèle approprié suivant : Yt = *Yt *Xt Question 4 : Quelles conclusions tirez-vous de la comparaison des relations de courte et longue période? Notre relation à court terme est alors : Yt = *Yt *Xt (CT) On va chercher la relation à long terme à partir du régime stationnaire : Y* = ß1/1- ß2 + (ß3/1- ß2) X* Or ß1/1- ß2 = / = 5, Et ß3/1- ß2 = / = 0, Notre relation à long terme du régime stationnaire : Y* = 5, , X* (LT) A long terme, notre relation (CT) se transforme en relation (LT) puisque le régime stationnaire nous impose que Yt-1 = Yt =Y* et Xt = X*. Notre relation à court terme est en forme du modèle d ajustement partiel avec un retard.
MODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailLa Banque nationale doit contrôler le franc en se fixant un objectif de taux de change
CON FERENCE D E P R E S S E D U 6 F E V R I E R 2 0 1 5 Daniel Lampart, premier secrétaire et économiste en chef de l USS La Banque nationale doit contrôler le franc en se fixant un objectif de taux de
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailRépartition du tourisme de croisière dans la Caraïbe : quels déterminants?
Centre d Etude et de Recherche en Economie, Gestion, Modélisation et Informatique Appliquée www.ceregmia.eu Document de travail 2010-09 Décembre 2010 Répartition du tourisme de croisière dans la Caraïbe
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailINVESTISSEMENTS DIRECTS ETRANGERS ET CROISSANCE ECONOMIQUE EN COTE D IVOIRE
INTRODUCTION Aujourd hui, près de 750 millions de personnes vivent en Afrique subsaharienne (ASS) ; elles sont parmi les plus pauvres du globe terrestre. Pour pousser la croissance économique dans un environnement
Plus en détailMaster 2: Econométrie 2
Master 2: Econométrie 2 Partie 1 Michel BEINE michel.beine@uni.lu Université du Luxembourg Master 2: Econométrie 2 p. 1/22 Manuel La partie économétrique du cours est basé sur le livre Introductory Econometrics,
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailErreur statique. Chapitre 6. 6.1 Définition
Chapitre 6 Erreur statique On considère ici le troisième paramètre de design, soit l erreur statique. L erreur statique est la différence entre l entrée et la sortie d un système lorsque t pour une entrée
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailChafa Azzedine - Faculté de Physique U.S.T.H.B 1
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1 Définition: La cinématique est une branche de la mécanique qui étudie les mouements des corps dans l espace en fonction du temps indépendamment des causes
Plus en détailRésumé non technique
Résumé non technique Constats : selon le FMI, l indexation et l ajustement biennal du salaire social minimum sont des facteurs déterminants à la fois du différentiel d inflation et de l inflation au Luxembourg
Plus en détailDensité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas
Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser
Plus en détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailINTRODUCTION AU LOGICIEL R
INTRODUCTION AU LOGICIEL R Variables et mise en jambe Anne Dubois, Julie Bertrand, Emmanuelle Comets emmanuelle.comets@inserm.fr INSERM UMR738 (UMR738) 1 / 68 Sur le site www.cran.r-project.org : Ou trouver
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en détailDEMANDE DU RIZ IMPORTE, DEMANDE DU RIZ PRODUIT LOCALEMENT AU TOGO : UNE ESTIMATION À PARTIR DU MODÈLE ALMOST IDEAL DEMAND SYSTEM (AIDS)
DEMANDE DU RIZ IMPORTE, DEMANDE DU RIZ PRODUIT LOCALEMENT AU TOGO : UNE ESTIMATION À PARTIR DU MODÈLE ALMOST IDEAL DEMAND SYSTEM (AIDS) By Tchabletienne, Kombate; Koffi-Tessio, E.M.; and Diagne, A. Poster
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailModèle de calcul des paramètres économiques
Modèle de calcul des paramètres économiques selon norme SIA 480 Calcul de rentabilité pour les investissements dans le bâtiment Version 3.2 1. Introduction 1.1 Version Excel Le modèle de calcul a été développé
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailL ACTIONNARIAT FAMILIAL ET SON INCIDENCE SUR LA PERFORMANCE DES PME FRANÇAISES APRES LEUR INTRODUCTION EN BOURSE
L ACTIONNARIAT FAMILIAL ET SON INCIDENCE SUR LA PERFORMANCE DES PME FRANÇAISES APRES LEUR INTRODUCTION EN BOURSE FADIL Nazik Professeur de comptabilité et finance Ecole de Management de Normandie 30 rue
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailBernard HAUDEVILLE Rédha YOUNES BOUACIDA Université Paul Cézanne - Aix Marseille III
Bernard HAUDEVILLE Rédha YOUNES BOUACIDA Université Paul Cézanne - Aix Marseille III Les relations entre activités technologiques, innovation et croissance dans les PME algériennes : une étude empirique
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailUtilisation du Logiciel de statistique SPSS 8.0
Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000
Plus en détailTitle Text. Gestion de données de mobilité Mobility data management
Title Text Gestion de données de mobilité Mobility data management Contenu de la présentation Content Entrepôt de données de mobilité et exportation Automatisation de la génération d objets dynamiques
Plus en détailINITIATION AU LOGICIEL SAS
INITIATION AU LOGICIEL SAS (version 9.1.3 sous Windows) Hélène HAMISULTANE Bibliographie : Initiation au logiciel SAS(9) pour Windows, Coqué N. (juin 2006). www.agroparistech.fr/img/pdf/polysas.pdf SAS
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailLangage SQL : créer et interroger une base
Langage SQL : créer et interroger une base Dans ce chapitre, nous revenons sur les principales requêtes de création de table et d accès aux données. Nous verrons aussi quelques fonctions d agrégation (MAX,
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailPROGRAMMATION ET LOGICIELS ECONOMETRIQUES
PROGRAMMATION ET LOGICIELS ECONOMETRIQUES Manfred GILLI UNIVERSITE DE GENEVE Département d économétrie 1993 2006 (Ed 10 11 2006) TABLE DES MATIÈRES 1 ENVIRONNEMENT DE TRAVAIL 1 2 TSP: NOTIONS GÉNÉRALES
Plus en détailCOMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES
J. sci. pharm. biol., Vol.9, n - 00, pp. 9-0 EDUCI 00 9 VALLEE POLNEAU S.* DIAINE C. COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES Notre étude visait à comparer les résultats obtenus
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détail2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des
2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des marques déposées de Minitab, Inc. aux Etats-Unis et
Plus en détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailTP de Statistiques: Utilisation du logiciel R
TP de Statistiques: Utilisation du logiciel R Année 2006-2007 2 Table des matières Introduction i 1 Premiers pas avec R 1 1.1 R est une calculatrice............................................. 1 1.2 R
Plus en détailSolvabilité II et rentabilité ajustée au risque des produits en assurance-vie
Solvabilité II et rentabilité ajustée au risque des produits en assurance-vie Vladislav GRIGOROV, CRO SwissLife France Journées d études de l IA, Deauville, 21 septembre 2012 Introduction Solvency II représente
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détail... /5. Bases de Données I (J. Wijsen) 23 janvier 2009 NOM + PRENOM : Orientation + Année : Cet examen contient 11 questions.
Bases de Données I (J. Wijsen) 23 janvier 2009 NOM + PRENOM : Orientation + Année : Cet examen contient 11 questions. Question 1 Donnez la traduction en modèle relationnel du schéma Entité-Association
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailCours 9. Régimes du transistor MOS
Cours 9. Régimes du transistor MOS Par Dimitri galayko Unité d enseignement Élec-info pour master ACSI à l UPMC Octobre-décembre 005 Dans ce document le transistor MOS est traité comme un composant électronique.
Plus en détailINDICES DE PRIX EXPÉRIMENTAUX DES SERVICES FINANCIERS
Distr. GÉNÉRALE CES/AC.49/2003/9 29 septembre 2003 FRANÇAIS Original: ANGLAIS COMMISSION DE STATISTIQUE et COMMISSION ÉCONOMIQUE POUR L EUROPE (CEE-ONU) ORGANISATION INTERNATIONALE DU TRAVAIL (OIT) CONFÉRENCE
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détail1- Enregistrer le nouveau planning
La planification est un outil indispensable de management de projet, un moyen essentiel de prise de décisions pour le chef de projet : pour définir les travaux à réaliser, fixer des objectifs, coordonner
Plus en détailComparaisons internationales de la dette
Annexe 2 Comparaisons internationales de la dette Faits saillants Selon les statistiques officielles publiées par le Fonds monétaire international (FMI) et l Organisation de coopération et de développement
Plus en détail