Le modèle de régression linéaire

Dimension: px
Commencer à balayer dès la page:

Download "Le modèle de régression linéaire"

Transcription

1 Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le choix de ce dernier commence d habitude par une observation ou une proposition selon laquelle une variable est «causée par» ou «varie avec» une autre, ou encore par une assertion au sujet d une relation entre une variable et une ou plusieurs covariables dont on attend qu elles soient liées à la variable d intérêt. Le modèle pourrait décrire de manière générale un comportement, comme suggérer, par exemple, que l utilisation d un système de santé par un individu dépend, entre autres, de l état de santé tel qu il est perçu par ce dernier, des variables démographiques telles que le revenu, l âge et le niveau d instruction, et du montant et du type d assurance que détient l individu. Il pourrait prendre la forme d une proposition verbale ou même d une figure comme un organigramme ou un diagramme de corrélations qui indique les directions des effets. Il est rare que le modèle économétrique fleurisse d emblée en ensemble d équations. Au lieu de cela, il prend naissance à travers une idée ou une relation. La prochaine étape que doit naturellement suivre l économètre est la traduction de cette idée en un ensemble d équations tout en gardant en tête que certaines caractéristiques de ces équations vont répondre à des questions intéressantes sur la variable d intérêt. Pour poursuivre notre exemple, un énoncé bien défini de la relation entre l assurance détenue et les soins demandés pourrait être en mesure de répondre à la question «Comment l utilisation d un système de santé dépend-elle de la couverture en assurance?». Plus précisément, la relation est-elle «positive» toutes choses égales par ailleurs, un consommateur assuré est-il davantage enclin à «demander plus de soins de santé» ou bien «négative»? Finalement, on pourrait considérer une proposition plus précise, comme par exemple «Combien en plus (en moins)?». Ce chapitre, et les suivants, vont développer un ensemble d outils dont les modélisateurs se servent pour étudier en détail des questions comme celles posées précédemment, à partir des données et des méthodes économétriques. D un point de vue purement statistique, le chercheur pourrait avoir en tête une variable y représentant la «demande de soins de santé, H», un vecteur de

2 10 Chapitre 2 Le modèle de régression linéaire covariables x (le revenu I, l assurance T ) et une distribution de probabilité conjointe p(h,i,t ). Énoncée sous cette forme, la «relation» n est pas décrite d une manière particulièrement intéressante : quel est le processus statistique qui engendre la demande de soins de santé, le revenu et la couverture en assurance? Il est cependant vrai que p(h,i,t ) = p(h I,T )p(i,t ), c est-à-dire que la probabilité de distribution conjointe se décompose en une distribution conjointe de la couverture en assurance et du revenu dans la population, et une distribution de la «demande de soins de santé» pour un revenu et une couverture en assurance définis. De ce point de vue, la distribution conditionnelle p(h I,T ) présente un intérêt tandis que p(i,t ), la distribution du revenu et de la couverture en assurance dans la population, ne peut avoir que très peu, voire aucun intérêt. (Par ailleurs, du même point de vue, et étant donné le revenu, p(t I), la «demande» conditionnelle de couverture en assurance pourrait être aussi intéressante.) En suivant ce raisonnement, le modélisateur s intéresse souvent non pas à la variation conjointe de toutes les variables du modèle mais à la variation conditionnelle d une ou plusieurs variables liées aux autres. La notion de distribution conditionnelle constitue un point de départ intéressant dans la réflexion sur la relation entre une variable d intérêt «y» et un ensemble de variables «x» dont on pense qu elles peuvent y être liées. Une question nous ramène à celle posée précédemment, à savoir «Quel est le modèle?». Quelles sont les caractéristiques de la distribution conditionnelle qui nous intéressent? En réfléchissant en ces termes, le modélisateur porte souvent son attention sur la valeur espérée E[y x] qui n est autre que la fonction de régression et qui nous amène au sujet de ce chapitre. Concernant l exemple précédent, le «nombre de visites chez le médecin» pourrait constituer un choix naturel pour y, comme dans un exemple étudié à plusieurs reprises tout au long du livre. Cependant, au cas où l on considérerait le revenu I dont la distribution est souvent fortement asymétrique, il se peut que la moyenne ne soit pas très intéressante. Compte tenu de la catégorie d âge, M[I x], la médiane conditionnelle pourrait se révéler une statistique plus intéressante. Par ailleurs, considérant toujours la distribution du revenu (sachant la catégorie d âge), d autres quantiles comme le 20 e percentile ou encore un seuil de pauvreté défini comme par exemple le 5 e percentile pourraient être encore plus intéressants. Finalement, si l on considère des études en finance où la variable d intérêt est le rendement d un actif, alors dans certains cas, la moyenne ne présente aucun intérêt : la variance et la variance conditionnelle sont particulièrement intéressantes. Nous avons commencé l étude du modèle de régression en essayant de comprendre le concept de «modèle». Nous nous intéresserons maintenant à la moyenne conditionnelle qui est ordinairement la caractéristique qui suscite notre intérêt. Après avoir expliqué comment étudier la fonction de régression, nous nous en servirons comme point de départ pour observer d autres caractéristiques telles que les quantiles et les variances. Le modèle de régression linéaire est l outil le plus utilisé du kit de l économètre. Bien que ce dernier s en serve de plus en plus comme d un simple point de départ de l analyse complète, il demeure l outil de référence pour commencer toute recherche empirique. Il est aussi une sorte de lentille à travers laquelle on voit des relations entre les variables. Au sein de ce chapitre, nous développerons le modèle de régression linéaire. Nous présenterons en détail les hypothèses fondamentales du modèle. Aux chapitres suivants, nous étudierons plus en détail les spécifications et les

3 2.2 Le modèle de régression linéaire 11 difficultés qui se présenteront si l on applique des techniques fondées sur le modèle simple tel que présenté ici. 2.2 Le modèle de régression linéaire Le modèle de régression linéaire multiple étudie la relation entre une variable dépendante et une ou plusieurs variables indépendantes. Sa forme générique est y = f(x 1, x 2,..., x K ) + ε = x 1 β 1 + x 2 β x K β K + ε, (2-1) où y est la variable dépendante ou variable expliquée et x 1,..., x K sont les variables indépendantes ou variables explicatives. On appelle la fonction f(x 1, x 2,..., x K ) l équation de régression de la population de y sur x 1,..., x K. Dans cette spécification, on appelle aussi x k, k = 1,..., K, régresseurs ou covariables. La théorie économique permet de déterminer les variables dépendantes et indépendantes du modèle. Cela n est pas toujours facile. Par exemple, une fonction de demande, quantité = β 1 + prix β 2 + revenu β 3 + ε, et une fonction inverse de demande, prix = γ 1 + quantité γ 2 + revenu γ 3 + u sont des représentations identiques d un système de marché. En modélisation, il apparaît souvent utile de considérer des «variations autonomes» de certaines variables. On peut concevoir ainsi des variations des variables indépendantes en dehors de la relation définie par le modèle, tandis qu une variation de la variable dépendante est la réponse à un choc indépendant ou exogène. 1 Le terme ε est une perturbation aléatoire. En effet, il «perturbe» une relation qui, autrement, serait stable. Celle-ci a plusieurs origines dont la principale relève du fait que, dans une approximation, on ne peut capter tous les effets d une variable économique. L effet net (positif ou négatif) des facteurs omis est pris en compte par la perturbation. D autres raisons expliquent la présence de cette dernière dans un modèle empirique. Les «erreurs de mesure» en sont probablement la plus importante. Si établir une théorie sur les relations liant des variables semble facile, il en va autrement lorsqu il s agit d obtenir des mesures précises de celles-ci. Par exemple, il est difficile d obtenir des mesures correctes de profits, de taux d intérêt, de stocks de capitaux, etc. À l extrême, il se peut que la variable théorique ne soit pas observable. Le modèle de consommation avec revenu permanent (Friedman, 1957) en fournit un exemple édifiant. On suppose que chaque observation de l échantillon (y i, x i1, x i2,..., x ik ), avec i = 1,..., n, est généré par un processus décrit par y i = x i1 β 1 + x i2 β x ik β K + ε i. La valeur observée de y i est la somme de deux composantes : l une d entre elles est déterministe et l autre est aléatoire, ε i. L objectif est d estimer les paramètres inconnus 1. Pour la relation de demande étudiée ici, cette définition suppose que seul le revenu peut être considéré comme une variable indépendante, tandis que le prix et la quantité sont des variables dépendantes. En effet, sur un marché, prix et quantités sont déterminés en même temps, et ne varient que lorsqu un élément change en dehors du marché.

4 12 Chapitre 2 Le modèle de régression linéaire du modèle, d utiliser les données pour étudier la validité des propositions théoriques et, éventuellement, d utiliser le modèle pour prévoir la variable y. La manière de procéder dépend fortement des hypothèses émises sur le processus stochastique ayant conduit aux données. Exemple 2.1 : La fonction de consommation de Keynes Dans l exemple 1.2, nous avons étudié un modèle de consommation proposé par Keynes dans sa Théorie Générale (1936). L idée selon laquelle la consommation, C, et le revenu, X, sont liés semble conforme aux observations des figures 1.1 et 2.1. (Ces données figurent au tableau F2.1.) Naturellement, la fonction linéaire n est qu une approximation. Même en ignorant les années de guerre, la consommation et le revenu ne peuvent être liés par une simple relation déterministe. Le modèle linéaire C = α+βx décrit seulement les faits saillants de l économie observée. L étape suivante consiste à incorporer l aléa inhérent au monde réel. Ainsi, on écrit C = f(x, ε), où ε est un terme stochastique. Il est important de ne pas considérer ε comme un passe-partout qui permet de pallier les insuffisances du modèle. Le modèle incorporant ε semble convenable pour décrire les données ne comprenant pas les années de guerre. Durant cette période, la consommation n a pas atteint les niveaux historiquement conformes aux revenus correspondants en raison du rationnement. Un modèle susceptible de décrire la consommation pendant cette période devrait intégrer cela. Pour intégrer le terme stochastique dans le modèle, la méthode la plus fréquente consiste à supposer qu il est additif. L équation se réécrit alors : C = α + βx + ε. Celle-ci est l équivalent empirique du modèle théorique de Keynes. Mais qu en est-il des années de guerre? S il fallait «ajuster» ces données par une droite, la meilleure approximation serait celle en pointillé de la figure 2.1. Une spécification cependant plus appropriée, satisfaisant à la fois la nature stochastique des données et les circonstances particulières des années , pourrait être celle qui décale la droite vers le bas. On a alors C = α+βx+d guerreδ w+ε, où d guerre est une variable indicatrice (on dit encore variable muette) prenant la valeur 1 lorsqu on se situe entre et 0 sinon, avec δ w < C X Figure 2.1 : Données de consommation,

5 2.2 Le modèle de régression linéaire 13 Le modèle de régression multiple présente un aspect très important : il permet d identifier les effets d un ensemble de variables explicatives sur une variable dépendante. L exemple 2.2 décrit une application connue. Exemple 2.2 : Salaire et niveau d instruction Des études ont été faites sur le lien entre le salaire et le niveau d instruction. En moyenne, on s attend à ce que des niveaux d études élevés entraînent des revenus importants. Le modèle de régression simple salaires = β 1 + β 2instruction + ε, néglige cependant le fait que la plupart des individus n obtiennent des salaires élevés qu à un âge avancé, quel que soit leur niveau d études. Ainsi, β 2 va surestimer l effet marginal du niveau d études. Si l âge et l instruction sont positivement corrélés, alors le modèle de régression va associer toute hausse du salaire à une hausse du niveau d études. Une spécification tenant compte de l effet de l âge s écrit salaires = β 1 + β 2instruction + β 3âge + ε. On observe souvent que le salaire augmente moins vite durant les dernière années de travail que pendant les premières. Pour prendre en compte ce phénomène, on redéfinit le modèle pour obtenir salaires = β 1 + β 2instruction + β 3âge + β 4âge 2 + ε, où les coefficients β 3 et β 4 sont supposés respectivement positif et négatif. Ce modèle peut être utilisé pour comparer les salaires de deux individus de même âge mais ayant des niveaux d études différents, même si les données disponibles ne portent pas sur de tels individus. Demeure la difficulté de mesurer le niveau d études. Ashenfelter et Krueger (1994) ont étudié les revenus de jumeaux en utilisant la spécification précédente. Nous examinerons cette étude à la section [Les études portant sur les jumeaux et, de manière générale, sur les frères et sœurs offrent un courant de recherche intéressant sur le lien entre le niveau d instruction et le revenu. On pourrait citer comme exemples les études de Ashenfelter et Zimmerman (1997) et de Bonjour, Cherkas, Haskel, Hawkes, et Spector (2003).] L expérience sous-jacente au modèle de salaire spécifié précédemment est une comparaison entre deux individus qui sont identiques en termes de niveau d instruction, mais différents par leur âge. Si l on considère cette interprétation, «l effet» du niveau d instruction sur le salaire est donné par E[salaires âge,instruction]/ instruction = β 2. En fait, l économètre pense à l expérience consistant à augmenter d une année supplémentaire le niveau d études de l individu, ce qui est inobservable. En effet, il faudrait pouvoir observer le niveau d études de l individu deux fois, à savoir tel qu il est effectivement observé dans l échantillon, instruction i, et une seconde fois dans le cas hypothétique (contrefactuel), instruction i + 1. Si nous considérons le niveau d instruction comme un «traitement», alors l objectif de l expérience est de mesurer «l impact du traitement sur les données traitées». Au chapitre 19, nous obtiendrons un tel résultat en utilisant des données non expérimentales. De nombreuses études se sont penchées sur le sujet. Dans cette formulation, le niveau d instruction n est pas vraiment «indépendant». Les individus ayant une forte motivation choisiront de poursuivre leurs études. Ils peuvent également entreprendre des démarches qui, en moyenne, leur garantiront des revenus plus élevés. Le cas échéant, un β 2 positif mesure-t-il vraiment l effet du niveau d instruction sur le revenu, ou reflète-t-il

6 14 Chapitre 2 Le modèle de régression linéaire certains effets sous-jacents sur les deux variables? Nous aborderons ces questions dans le chapitre Hypothèses du modèle de régression linéaire Le modèle de régression linéaire se fonde sur un ensemble d hypothèses concernant les données et la relation retenue. Ces hypothèses sont énoncées au sein du tableau Linéarité du modèle de régression Soient x k le vecteur colonne de n observations de la variable x k, k = 1,..., K, et X une matrice n K constituée des données ainsi empilées. Dans la plupart des cas, la première colonne de X est formée du vecteur unitaire de sorte que β 1 représente la constante du modèle. Soient y le vecteur des n observations, y 1,..., y n, et ε le vecteur des perturbations. Le modèle (2-1) se réécrit ou, si l on utilise l hypothèse 1, y = x 1 β x K β K + ε, (2-2) Hypothèse : y = Xβ + ε. (2-3) Notation Nous utiliserons des caractères gras x pour désigner une colonne ou une ligne de X. Dans (2-2), x k représente la k-ième colonne de X. Les indices j et k représenteront les variables colonnes. La relation (2-3) se réécrit pour une observation y i = x iβ + ε i. (2-4) Les indices i et t désignent les observations lignes de X. Dans (2-4), x i est un vecteur colonne, transposé de la i-ième 1 K ligne de X. Nous nous intéressons principalement à l estimation et à l inférence statistique du vecteur des paramètres β. Remarquons que l exemple 2.1 présente un cas particulier de modèle simple de régression où X ne possède que deux colonnes dont la première est la colonne unitaire. L hypothèse de linéarité suppose également l additivité de la perturbation. Pour qu une régression soit linéaire, elle doit être de la forme (2-1), soit par rapport aux variables telles quelles, soit après une transformation appropriée. Par exemple, le modèle y = A x β e ε 2. Une autre difficulté à laquelle se trouve confronté l économètre disposant de données en coupe transversale est qu il n est pas possible, en comparant tout simplement les individus âgés et les jeunes individus dans l échantillon, de déduire les caractéristiques du revenu de ces derniers dans le cas où ils seraient plus âgés. Nous reviendrons sur un problème comparable au chapitre 19 portant sur les effets de traitement des données.

7 2.3 Hypothèses du modèle de régression linéaire 15 Tableau 2.1 : Hypothèses du modèle de régression linéaire H1. Linéarité : y i = x i1 β 1 + x i2 β x ik β K + ε i. La relation entre y et x 1,..., x K est linéaire. H2. Plein rang : Il n existe pas de relation linéaire exacte entre les variables indépendantes. Cette hypothèse est nécessaire pour l estimation des paramètres du modèle. H3. Exogénéité des variables indépendantes : E [ε i x j1, x j2,..., x jk ] = 0. L espérance de la perturbation conditionnelle aux réalisations des variables indépendantes est nulle. En d autres termes, les variables indépendantes n interviennent pas dans la prédiction de ε i. H4. Homoscédasticité et absence d autocorrélation : La variance de ε i est constante et finie σ 2 et ε i n est pas corrélé avec ε j, pour i j. Cette hypothèse restrictive sera dans certains cas levée dans les chapitres suivants. H5. Génération des données : Les observations de (x j1, x j2,..., x jk ) peuvent être un mélange de constantes et de variables aléatoires. Les hypothèses les plus importantes, à ce stade de l étude, sont l hypothèse d indépendance par la moyenne (H3) et l hypothèse implicite d indépendance par la variance (H4). Les régressions seront effectuées conditionnellement à X. Ainsi, que les variables explicatives soient déterministes ou aléatoires n a aucune influence sur les résultats. Plus tard dans certains chapitres, nous préciserons la nature de la relation qui existe entre ε i et x j. H6. Distribution normale : Les perturbations sont distribuées selon la loi normale. Cette hypothèse n est pas indispensable pour l analyse. est linéaire (après transformation logarithmique), alors que y = A x β + ε ne l est pas. Ainsi, la variable dépendante est la somme de deux composantes : une composante déterministe α+βx et une composante aléatoire ε. Ces deux composantes ne sont pas directement observées car α et β sont inconnus. L hypothèse de linéarité n est pas aussi restrictive qu il paraît au premier abord. Dans la régression, la linéarité se réfère à la manière dont les paramètres et la perturbation sont incorporés dans l équation, pas nécessairement à la relation entre les variables. Par exemple, les équations y = α + βx + ε, y = α + β cos(x) + ε, y = α + β/x + ε, et y = α + β ln x + ε sont toutes linéaires par rapport à une fonction de x. Dans ces exemples, seul x a été transformé, mais y aurait pu l être également, comme dans le cas y = A x β e ε où la transformation logarithmique donne ln y = α + β ln x + ε. Plusieurs formes fonctionnelles peuvent être utilisées. Par exemple, le modèle loglinéaire s écrit ln y = β 1 + β 2 ln x 2 + β 3 ln x β K ln x K + ε.

8 16 Chapitre 2 Le modèle de régression linéaire Cette équation est aussi appelée forme fonctionnelle à élasticité constante. En effet, l élasticité de y par rapport à x est ln y/ ln x k = β k. La forme log-linéaire est souvent utilisée dans des modèles de demande et de production. Exemple 2.3 : Le marché de l essence aux États-Unis Les données utilisées concernent le marché américain de l essence et portent sur les années Elles sont fournies au tableau F2.2. Nous utilisons ces données pour estimer l élasticité de la demande par rapport au revenu et aux prix direct et croisé. Elles nous permettent également de soulever l intéressante question au sujet de la proposition «toutes choses égales par ailleurs». Considérons le modèle de consommation d essence par tête : ln(essence/pop) = β 1 + β 2ln(revenu/pop) + β 3lnP essence + β 4 ln P voitures neuves + β 5 ln P voitures d occasion + ε. Dans cette spécification, les paramètres β mesurent respectivement les élasticités revenu, prix croisés et prix directs des voitures neuves et d occasion. La voiture et l essence sont des biens complémentaires. Si le prix des voitures neuves augmente, «toutes choses égales par ailleurs», soit la consommation d essence baisse, soit les consommateurs réduisent leurs achats de voitures neuves. Si les voitures d occasion consomment plus d essence que les neuves, alors une augmentation du prix des voitures neuves entraînera une augmentation de la consommation d essence. On peut utiliser le modèle de régression multiple et les données sur l essence pour répondre à ces questions. La spécification semi-log est souvent utilisée dans les modèles de croissance : ln y t = x tβ + δt + ε t. Dans ces modèles, le taux de croissance autonome (non expliqué par le modèle luimême) est ln y/ t = δ. D autres formulations peuvent être issues de la forme générale f(y t ) = g(x tβ + ε t ). Le modèle de régression linéaire est parfois interprété comme une approximation d une fonction inconnue (voir section A.8.1). Cette interprétation du modèle linéaire a cependant ses limites car une telle approximation (même avec des formes quadratiques) ne s applique qu à des cas restreints de variations des variables indépendantes. En revanche, le modèle «translog» étudié dans l exemple suivant est plus souple en termes d approximation. Exemple 2.4 : Le modèle translog Les travaux récents portant sur la demande et la production utilisent des formes fonctionnelles flexibles. En économétrie, celles-ci permettent de modéliser les effets de second ordre comme les élasticités de substitution, fonction de la dérivée seconde des fonctions de production, de coût, ou d utilité. Dans le modèle linéaire, ces effets sont nuls. Le modèle log-linéaire (par exemple, le modèle de Cobb-Douglas) contraint ceuxci à prendre des valeurs inintéressantes, 1 ou +1. La forme fonctionnelle flexible la plus courante est la forme translog. Elle est souvent interprétée comme une approximation de second ordre d une forme fonctionnelle inconnue (Berndt et Christensen, 1973). Posons y = g(x 1,..., x K). On a ln y = ln g(...) = f(...). Si l on utilise la transformation x k = exp(ln x k ), la fonction s interprète comme le logarithme des x, et

9 2.3 Hypothèses du modèle de régression linéaire 17 ln y = f(ln x 1,..., ln x K). Le développement de Taylor du second ordre au point x = [1,1,...,1] donne ln y =f(0) Cette fonction se réécrit K [ f( )/ ln x k ] ln x=0 ln x k k=1 K ln y = β 0 + k=1 l=1 K [ 2 f( )/ ln x k ln x l ] ln x=0 ln x k ln x l + ε. K β k ln x k k=1 K k=1 l=1 K γ kl ln x k ln x l + ε. Ce modèle est linéaire par définition mais peut s adapter à plusieurs courbures lorsqu il est utilisé comme approximation d une autre fonction. Le modèle log-linéaire devient ainsi un cas particulier lorsque γ kl = 0. En outre, on peut tester la théorie sous-jacente. En effet, si la fonction étudiée est continue et deux fois différentiable, alors, d après le théorème de Young, γ kl = γ lk. En dépit de sa grande souplesse, le modèle linéaire ne couvre pas tous les cas. Dans l exemple du chapitre 18, nous étudierons un modèle de régression expliquant le nombre de visites chez le médecin, un exemple déjà évoqué dans l introduction de ce chapitre. La moyenne conditionnelle E[y x] = exp(x β) constitue une spécification adéquate pour une telle variable dépendante. On pourrait être tenté de linéariser la moyenne conditionnelle par une transformation logarithmique, à savoir ln E[y x] = x β. Cela n est pas une bonne idée puisque ln E[y x] est différent de E[ln y x]. De plus, comme y peut prendre la valeur zéro (comme c est le cas de beaucoup d observations de l échantillon), la spécification linéaire x β (qui peut être négative) ne peut s appliquer ni à ln y ni à y. Ainsi, les méthodes envisagées dans ce chapitre ne s appliquent pas aux modèles ayant une variable dépendante similaire à celle mentionnée dans ce paragraphe. Des techniques plus ou moins simples ont été développées pour étudier ce genre de modèles non linéaires. Nous les étudierons dans le chapitre Hypothèse de plein rang L hypothèse 2 énonce qu il n existe pas de relation linéaire exacte entre les variables. Hypothèse : X est une matrice n K de rang K. (2-5) Par conséquent, X est de plein rang-colonne. Les colonnes de X sont linéairement indépendantes avec K observations au moins (voir A-42). Cette hypothèse est connue sous le terme de condition d identification. L intérêt de cette hypothèse est illustré dans l exemple suivant.

10 18 Chapitre 2 Le modèle de régression linéaire Exemple 2.5 : Rang court Soit le modèle en coupe transversale C = β 1 + β 2 revenu non salarial + β 3salaire + β 4revenu total + ε, où le revenu total est égal au salaire plus le revenu non salarial. Il existe évidemment une relation linéaire exacte entre les régresseurs du modèle. Posons β 2 =β 2 + a, β 3 =β 3 + a, β 4 =β 4 a, où a est un nombre quelconque. Si l on substitue β 2, β 3, et β 4 à β 2, β 3, et β 4, alors on obtient la même valeur du second membre du modèle. Manifestement, on ne peut estimer les paramètres de ce modèle. Si le nombre d observations est inférieur à K, alors X ne peut être de plein rang. On formule donc l hypothèse (redondante) que n est au moins aussi grand que K. Dans un modèle linéaire avec deux variables et un terme constant, l hypothèse de plein rang signifie que le régresseur x varie. Dans le cas contraire, les observations forment une ligne verticale. Ce dernier cas n invalide pas les autres hypothèses du modèle. Nous faisons juste face à un problème de données. Exemple 2.6 : Un modèle non identifié Dans l exemple 3.4, nous étudierons un modèle dont la variable expliquée est le prix de vente des toiles de Monet. Les théoriciens du domaine ont en tête divers modèles expliquant le prix de vente de toiles vendues aux enchères. Un étudiant naïf suggère le modèle suivant : ln prix = β 1 + β 2 ln taille + β 3 ln(rapport d aspect) + β 4 ln hauteur + ε = β 1 + β 2x 2 + β 3x 3 + β 4x 4 + ε, où taille = largeur hauteur et rapport d aspect = largeur/hauteur. Ce modèle a les mêmes problèmes que rencontre le modèle de consommation de l exemple 2.5. Dans ce cas-ci, x 2 x 4 = x 3 + x 4, ce qui rend le modèle non estimable car non identifé Régression La structure du terme d erreur est telle que Pour l ensemble des observations, l hypothèse 3 se réécrit : E [ε i X] = 0. (2-6) E [ε 1 X] Hypothèse : E [ε 2 X] E [ε X] =. = 0.. (2-7) E [ε n X]

11 2.3 Hypothèses du modèle de régression linéaire 19 Notons que dans (2-7), le membre de gauche stipule que l espérance de chaque ε i conditionnellement à toutes les observations x i est nulle. Cela signifie que les observations x ne fournissent pas d informations sur la valeur moyenne de la perturbation. Dans le cas des séries temporelles, bien que x i ne donne pas d information sur E[ε i ], il se pourrait que x j donne des indications sur les observations des périodes futures. Nous étudierons les conséquences de l omission d une telle hypothèse (Wooldridge, 1995). Nous supposerons également que les perturbations ne donnent aucune information sur elles-mêmes, c est-à-dire E [ε i ε 1,..., ε i 1, ε i+1,..., ε n ] = 0. À ce niveau, nous supposons que les perturbations sont générées de manière purement aléatoire. La nullité de l espérance conditionnelle entraîne également celle de l espérance non conditionnelle puisque E [ε i ] = E x [E [ε i X]] = E x [0] = 0. En effet, pour chaque ε i, Cov[E [ε i X], X] = Cov[ε i, X] et l hypothèse 3 suppose que Cov[ε i, X] = 0 pour tout i. L implication inverse n est pas vraie, c est-à-dire, E[ε i ] = 0 n implique pas E[ε i x i ] = 0. L exemple suivant illustre ce phénomène. Exemple 2.7 : Non-nullité de la moyenne conditionnelle des perturbations La figure 2.2 montre la différence qui existe entre E[ε i] = 0 et E[ε i x i] = 0. Globalement, la moyenne des perturbations dans l échantillon est nulle. Cependant, si l on se restreint à des intervalles spécifiques de x, cette moyenne est non nulle. Une telle observation dans l échantillon devrait nous amener à nous interroger sur l adéquation de cette hypothèse. Dans ce cas précis, la véritable expression de la moyenne conditionnelle (que l économètre ne connaît pas en général) est E[y x] = 1 + exp(1,5x). Visiblement, le modèle linéaire ne s applique pas aux données de cet échantillon Y ,25 0,50 0,75 1 1,25 1,50 X Ajustement Y a = +0,8485 b = +5,2193 R 2 = 0,9106 Figure 2.2 : Perturbations dont la moyenne conditionnelle est non nulle mais dont la moyenne non-conditionnelle est nulle.

12 20 Chapitre 2 Le modèle de régression linéaire Dans la plupart des cas, l hypothèse de nullité de l espérance n est pas restrictive. Considérons un modèle à deux variables et supposons que l espérance de ε est µ 0. Alors, α + βx + ε est identique à (α + µ) + βx + (ε µ). Si l on pose α = α + µ et ε = ε µ, on reproduit le modèle d origine. Les analyses concernant les frontières de la fonction de production fournissent un exemple d application dans le chapitre 18. Si le modèle d origine ne contient pas de terme constant, supposer que E [ε i ] = 0 pourrait être substantiel. Cela suggère l existence d un problème possible dans les modèles sans constante. En règle générale, les modèles de régression ne devraient pas être spécifiés sans constante, à moins que cela ne soit explicitement dicté par la théorie sous-jacente. 3 Si nous avons des raisons de supposer que l espérance de la perturbation est non nulle, alors cela doit être spécifié dans la régression. L hypothèse 3 suppose également que E [y X] = Xβ. (2-8) La régression de y sur X est l espérance conditionnelle, E [y X]. Si l on omet l hypothèse 3, Xβ n est pas la fonction «espérance conditionnelle». Les autres hypothèses apportent des informations supplémentaires sur les caractéristiques des perturbations et indiquent sous quelles conditions sont obtenues les observations de x Perturbations sphériques La quatrième hypothèse concerne la variance et la covariance des perturbations : Var[ε i X] = σ 2, pour tout i = 1,..., n, et Cov[ε i, ε j X] = 0, pour tout i j. Lorsque la variance est constante, on parle d homoscédasticité. Soit le modèle expliquant les profits d une entreprise en fonction de sa taille. Même en tenant compte de la taille, les profits des grandes entreprises seront sujets à des variations plus importantes que ceux des petites. L hypothèse d homoscédasticité ne semble donc pas convenir dans ce cas. De même, les dépenses des ménages sont soumises à une forte hétéroscédasticité même si le revenu et la taille du ménage sont pris en compte. Lorsque les observations ne sont pas corrélées entre elles, on parle de d absence d autocorrélation. La figure 2.1 suggère que les perturbations ne sont pas vraiment indépendantes. Bien que le nombre d observations soit faible, il apparaît que, en moyenne, chaque perturbation tend à être suivie d une autre de même signe. Cette «inertie» est appelée autocorrélation. Beaucoup d études sont consacrées aux méthodes permettant de tenir compte de l autocorrélation (voir chapitre 20). Notons que l absence d autocorrélation ne suppose pas que les observations y i et y j ne soient 3. Les modèles de différences premières peuvent être spécifiés sans constante de régression. Considérons y t y t 1. S il existe une constante α dans le membre de droite de l équation, alors y t est une fonction de αt, qui est alors un régresseur explosif. Les modèles avec une tendance linéaire font l objet d une attention particulière dans la littérature sur les séries temporelles (voir chapitre 19).

13 2.3 Hypothèses du modèle de régression linéaire 21 pas corrélées. L hypothèse énonce que les écarts des observations par rapport à leurs moyennes ne sont pas corrélés. Ces deux hypothèses supposent que E [ε 1 ε 1 X] E [ε 1 ε 2 X]... E [ε 1 ε n X] E [εε E [ε 2 ε 1 X] E [ε 2 ε 2 X]... E [ε 2 ε n X] X] = E [ε n ε 1 X] E [ε n ε 2 X]... E [ε n ε n X] σ σ = σ 2 Cela se résume dans l hypothèse 4 : Hypothèse : E [εε X] = σ 2 I. (2-9) Si l on utilise la formule de la décomposition de la variance (B-69), on obtient Var[ε] = E [Var[ε X]] + Var[E [ε X]] = σ 2 I. Dans le cadre des séries temporelles, les modèles du type Var[ε t ε t 1 ] = σ 2 + αε 2 t 1 dits «GARCH» (voir chapitre 20) ne violent pas l hypothèse précédente, mais supposent que Var[ε t ε t 1 ] Var[ε t ]. Les perturbations qui ne satisfont pas les hypothèses d homoscédasticité et d absence d autocorrélation sont parfois dites sphériques Processus générateur des régresseurs On suppose généralement que x i est non stochastique, ce qui est le cas des données expérimentales. Dans une étude, la liste des régresseurs est choisie pour y i donné. À ce stade, l hypothèse de régresseurs non stochastiques est purement d ordre technique et simplifie l analyse. En effet, cela permet d utiliser des résultats de statistique mathématique en considérant le vecteur x i comme une constante connue pour la distribution de probabilité de y i. Dans ce cas, les hypothèses H3 et H4 deviennent non conditionnelles et la distribution de probabilité de ε i n incorpore pas de constantes de X. Les spécialistes des sciences sociales n ont presque jamais accès à des données expérimentales, et seuls quelques-uns de leurs modèles sont construits avec des régresseurs non aléatoires. Une telle approche paraît difficilement soutenable dans un modèle macroéconomique. Normalement, les régresseurs x i ainsi que y i devraient être aléatoires et le problème est alors celui de la nature du processus générant les régresseurs. 4. Ce terme se rapporte à la distribution normale multivariée (voir B-95). Dans la densité normale multivariée, si Σ = σ 2 I, alors f(x) = c est l équation d une «boule» centrée en µ de rayon σ dans un espace de dimension n. Le terme sphérique est employé, que la distribution supposée soit normale ou non. Parfois cette hypothèse est explicite.

14 22 Chapitre 2 Le modèle de régression linéaire Si ces derniers sont aléatoires, la distribution conjointe de y i et de x i doit être prise en compte en énonçant les hypothèses 1 à 4. La nature précise du régresseur et la manière dont on conçoit le processus d échantillonnage sont primordiales pour les propriétés statistiques des estimateurs et des statistiques de test. Finalement, l hypothèse essentielle est l hypothèse 3 d absence de corrélation entre X et ε. Cette méthode ne semble pas complètement satisfaisante non plus, puisque X peut contenir des éléments non stochastiques, y compris une constante, une tendance temporelle, et des variables indicatrices (ou muettes). Nous supposerons alors que X peut être un mélange de constantes et de variables aléatoires et que la moyenne et la variance de ε i sont indépendantes de tous les éléments de X. Hypothèse : X peut être fixe ou aléatoire. (2-10) Normalité On suppose que les perturbations sont normalement distribuées, d espérance nulle et de variance constante. Ce faisant, on ajoute la normalité de la distribution aux hypothèses 3 et 4. Hypothèse : ε X N[0, σ 2 I]. (2-11) Compte tenu de la structure et de la source de ε, les conditions d application du théorème central limite sont vérifiées, du moins approximativement, et il est raisonnable de formuler l hypothèse de normalité. Cette dernière semble souvent inutile et inadéquate dans le cadre des modèles de régression. Mis à part les situations où une distribution différente est clairement spécifiée [c est par exemple le cas des modèles à frontières stochastiques (voir chapitre 18)], l hypothèse de normalité est tout à fait raisonnable. L hypothèse de normalité n est pas nécessaire pour obtenir les résultats du modèle de régression multiple. Elle permet cependant d obtenir des résultats statistiques exacts, et de construire des intervalles de confiance et des statistiques de test, comme nous le montrerons à la section 4.5 et au chapitre 5. Cette hypothèse sera levée ultérieurement et la plupart des résultats statistiques maintenus (voir sections 4.4 et 5.6) Indépendance Le terme «indépendant» a été utilisé plusieurs fois dans ce chapitre. À la section 2.2, nous avons appelé les régresseurs du modèle variables indépendantes. Cette notion d indépendance s explique par les sources de variation qui, dans ce contexte, sont extérieures au processus décrit. Ainsi, dans notre exemple de demande de soins de santé, nous avons expliqué les variations dans la demande de soins par des variations de revenu. Nous n avons cependant pas donné d explications concernant les variations du revenu. Nous avons ainsi supposé que celles-ci proviennent de sources extérieures au modèle. On appelle l hypothèse (2-6), à savoir E[ε i X] = 0, l hypothèse d indépendance par la moyenne. Elle suppose que les variations des perturbations ne sont pas expliquées par celles des variables indépendantes. Nous avons aussi supposé à la section que les perturbations sont non corrélées entre elles (hypothèse H4 du tableau 2.1).

15 Résumé et conclusions 23 Cela implique que E[ε i ε j ] = 0 pour tout i j, c est-à-dire, les perturbations sont aussi indépendantes à travers leur moyenne. L hypothèse de leur normalité (conditionnelle) de la section (hypothèse H6) suppose qu elles sont statistiquement indépendantes, ce qui constitue une hypothèse plus forte que celle d indépendance par la moyenne. Nous avons enfin étudié à la section l indépendance linéaire des colonnes de la matrice X. Cette notion d indépendance provient de l algèbre et est liée à la notion de rang en colonnes de X. Pour la modélisation, une telle notion implique que, si les variables ne varient pas de façon indépendante, il est impossible de les inclure dans un modèle de régression linéaire. Il existe cependant une ambiguïté dans cette notion d indépendance des variables. En effet, nous avons inclus dans l exemple 2.2 âge et âge 2 comme régresseurs. Ces régresseurs ne varient pas de façon indépendante l un de l autre, ce qui ne constitue pas un obstacle à l estimation du modèle de régression. En effet, même si ces deux variables ne sont pas indépendantes de façon fonctionnelle, elles le sont de façon linéaire. C est cette dernière hypothèse qui compte pour le modèle de régression linéaire. Résumé et conclusions Ce chapitre a posé le cadre du modèle de régression linéaire qui sert de point de départ à la modélisation en économétrie. Les hypothèses du modèle sont résumées au sein de la figure 2.3 dans le cas de deux variables. E(y x) x E(y x x 2 ) E(y x x 1 ) N( x 2, 2 ) E(y x x 0 ) x 0 x 1 x 2 x Figure 2.3 : Le modèle de régression.

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7.

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7. UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre Fiche N 7 (avec corrigé) L objet de ce TD est de vous initier à la démarche et à quelques

Plus en détail

SUJET INÉDIT 1. Dossier 1. Charges et choix d une unité d œuvre 4 points 45 minutes CHAPITRES 1 et 4

SUJET INÉDIT 1. Dossier 1. Charges et choix d une unité d œuvre 4 points 45 minutes CHAPITRES 1 et 4 SUJET INÉDIT 1 La société Coupe & Shampoing Coupe & Shampoing est un salon de coiffure indépendant. Afin de faire face à la concurrence de salons de coiffure franchisés, son dirigeant, Kamel, aimerait

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Examen Décembre 00. C. Hurlin Exercice 1 (15 points) : Politique de Dividendes On considère un problème de politique de

Plus en détail

Probabilités Loi exponentielle Exercices corrigés

Probabilités Loi exponentielle Exercices corrigés Probabilités Loi exponentielle Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : densité de probabilité Exercice 2 : loi exponentielle de paramètre

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

La régression sur données de panel

La régression sur données de panel La régression sur données de panel 1 I. Définition Les données utilisées en économétrie sont le plus souvent des séries chronologiques, tel le nombre de naissances enregistrées par an dans le département

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Les indices à surplus constant

Les indices à surplus constant Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté

Plus en détail

Terminale ES Correction du bac blanc de Mathématiques (version spécialité).

Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Lycée Jacques Monod février 05 Exercice : Voici les graphiques des questions. et.. A 4 A Graphique Question. Graphique Question..

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

Session B2: Assurance

Session B2: Assurance 33 èmes Journées des Économistes de la Santé Français 1 er et 2 décembre 2011 Session B2: Assurance Auteurs: Sophie Guthmuller et Jérôme Wittwer, Université Paris-Dauphine Référé: Aurore Pélissier, CERDI,

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Espaces vectoriels et applications linéaires

Espaces vectoriels et applications linéaires Espaces vectoriels et applications linéaires Exercice 1 On considère l'ensemble E des matrices carrées d'ordre 3 défini par,,, 1) Montrer que est un sous-espace vectoriel de l'espace vectoriel des matrices

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Relation entre deux variables : estimation de la corrélation linéaire

Relation entre deux variables : estimation de la corrélation linéaire CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de première ES ii Table des matières 1 Les pourcentages 1 1.1 Variation en pourcentage............................... 1 1.1.1 Calcul d une variation............................

Plus en détail

Notes de cours L1 MATH120. Hervé Le Dret

Notes de cours L1 MATH120. Hervé Le Dret Notes de cours L1 MATH120 Hervé Le Dret 18 octobre 2004 40 Chapitre 3 Vecteurs dans R m Dans ce chapitre, nous allons nous familiariser avec la notion de vecteur du point de vue algébrique. Nous reviendrons

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

L équivalent patrimonial des droits à la retraite en France

L équivalent patrimonial des droits à la retraite en France L équivalent patrimonial des droits à la retraite en France Christophe Daniel (GRANEM, Université d Angers), Anne Lavigne (LEO, Université d Orléans), Stéphane Mottet(GRIEF, Université de Poitiers), Jésus-HerellNzeObame(GRANEM,

Plus en détail

Les déterminants de la demande de travail et de l investissement dans les entreprises privées québécoises.

Les déterminants de la demande de travail et de l investissement dans les entreprises privées québécoises. Université de Montréal Les déterminants de la demande de travail et de l investissement dans les entreprises privées québécoises. Par Faoziat Akanni Sous la direction de M. Yves Richelle et M. Abraham

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Une contribution aux études empiriques en économie de la croissance

Une contribution aux études empiriques en économie de la croissance Une contribution aux études empiriques en économie de la croissance Gregory Mankiw, David Romer, David Weil Quarterly Journal of Economics, Mai 1992 Résumé Cet article cherche à savoir si le modèle de

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Emmanuel PAUL Chapitre 1 : Statistique descriptive 1 Objectifs des statistiques. Il s agit d étudier un ou plusieurs

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions 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 détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan Exo7 Systèmes linéaires Vidéo partie 1. Introduction aux systèmes d'équations linéaires Vidéo partie 2. Théorie des systèmes linéaires Vidéo partie 3. Résolution par la méthode du pivot de Gauss 1. Introduction

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

L analyse de variance à un critère de classification (ANOVA)

L analyse de variance à un critère de classification (ANOVA) Bio 041 L analyse de variance à un critère de classification (ANOVA) Pierre Legendre & Daniel Borcard, Université de Montréal Référence: Scherrer (007), section 14.1.1.1 et 14.1. 1 - Introduction Objectif:

Plus en détail

Conditions d application des méthodes statistiques paramétriques :

Conditions d application des méthodes statistiques paramétriques : Conditions d application des méthodes statistiques paramétriques : applications sur ordinateur GLELE KAKAÏ R., SODJINOU E., FONTON N. Cotonou, Décembre 006 Conditions d application des méthodes statistiques

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple 4.3.1 Equation et Estimation 4.3.2 Inférence 4.3.3 Coefficients de détermination 4.3.4 Spécifications Régression linéaire multiple 1 / 50 Chapitre

Plus en détail

Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES

Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES Nous abordons dans ce chapitre l analyse de données statistiques particulières

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE.

LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE. LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE. Synthèse des travaux réalisés 1. Problématique La question D7 du plan d exécution du Programme National de Recherches

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

CONCOURS 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) 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 détail

Économétrie II. Économétrie II. L3 Économétrie L3 MASS Ch. 5. 9i : E (e i x i ) 6= 0 : Endogénéité. Prof. Philippe Polomé, U. Lyon 2.

Économétrie II. Économétrie II. L3 Économétrie L3 MASS Ch. 5. 9i : E (e i x i ) 6= 0 : Endogénéité. Prof. Philippe Polomé, U. Lyon 2. Économétrie Économétrie L3 Économétrie L3 MASS Prof. Philippe Polomé, U. Lyon 2 Année 2014-2015 Économétrie Rappel 1. E (e i )=0 8i : Espérance nulle 2. X var (e i )=s 2 8i : Homoscédasticité 3. X cov

Plus en détail

HEC Université de Lausanne Analyse économique : macroéconomie

HEC Université de Lausanne Analyse économique : macroéconomie HEC Université de Lausanne Analyse économique : macroéconomie Prof. Mathias Thoenig et Philippe Andrade Examen de Rattrapage : Session d été 2015 Nom et prénom No matricule No de place Points EX 1 EX 2

Plus en détail

Introduction à l approche bootstrap

Introduction 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 détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Table des matières: Guidelines Fonds de Pensions

Table des matières: Guidelines Fonds de Pensions Table des matières: Guidelines Fonds de Pensions TABLE DES MATIERES... 1 INTRODUCTION... 2 1 FINANCEMENT ET FINANCEMENT MINIMUM... 3 1.1 FINANCEMENT... 3 1.2 FINANCEMENT DE PLAN... 3 1.3 FINANCEMENT MÉTHODE

Plus en détail

CONCOURS D'ELEVE INGENIEUR STATISTICIEN ECONOMISTE OPTIONS MATHEMATIQUES ET ECONOMIE. Les candidats traiteront l'un des trois sujets au choix.

CONCOURS D'ELEVE INGENIEUR STATISTICIEN ECONOMISTE OPTIONS MATHEMATIQUES ET ECONOMIE. Les candidats traiteront l'un des trois sujets au choix. ECOLE NATIONALE SUPERIEURE DE STATISTIQUE ET D'ECONOMIE APPLIQUEE ABIDJAN 1 AVRIL 21 CONCOURS D'ELEVE INGENIEUR STATISTICIEN ECONOMISTE OPTIONS MATHEMATIQUES ET ECONOMIE EPREUVE D'ORDRE GENERAL DUREE :

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité Introduction à l analyse des données Analyse des Données () Le but de l analyse de données est de synthétiser, structurer l information contenue dans des données multidimensionnelles Deux groupes de méthodes

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels

Direction 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 détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France 1 1 IRMA, Université de Strasbourg Strasbourg, France Master 2ème Année 12-10-2011 Ce chapitre s appuie essentiellement sur deux ouvrages : «Les sondages : Principes et méthodes» de Anne-Marie Dussaix

Plus en détail

Déclassement d'actifs et stock brut de capital

Déclassement d'actifs et stock brut de capital Extrait de : La mesure du capital - Manuel de l'ocde 2009 Deuxième édition Accéder à cette publication : http://dx.doi.org/10.1787/9789264067752-fr Déclassement d'actifs et stock brut de capital Merci

Plus en détail

Méthodes de sondage Echantillonnage et Redressement

Méthodes de sondage Echantillonnage et Redressement Méthodes de sondage Echantillonnage et Redressement Guillaume Chauvet École Nationale de la Statistique et de l Analyse de l Information 27 avril 2015 Guillaume Chauvet (ENSAI) Echantillonnage 27 avril

Plus en détail

BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES. Durée : 2 heures Coefficient : 2

BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES. Durée : 2 heures Coefficient : 2 BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES Durée : 2 heures Coefficient : 2 SUJET Dès que le sujet vous est remis, assurez-vous qu il

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

Population étudiante en médecine vétérinaire : projections

Population étudiante en médecine vétérinaire : projections Population étudiante en médecine vétérinaire : projections Assemblée Générale des étudiants de Louvain 17 juin 2015 1 Avant-propos Depuis quelques semaines, la question de la surpopulation dans les filières

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels

Direction 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 détail

S5 Info-MIAGE 2013-2014 Mathématiques Financières Les bases de l évaluation des investissements

S5 Info-MIAGE 2013-2014 Mathématiques Financières Les bases de l évaluation des investissements Université de Picardie Jules Verne Année 2013-2014 UFR des Sciences Licence mention Informatique parcours MIAGE - Semestre 5 Mathématiques Financières LES BASES DE L EVALUATION DES INVESTISSEMENTS Les

Plus en détail

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham Exposé: la technique de simulation MONTE-CARLO Présenté par : Elmalki Hajar Bourkkadi Salmane Alla Taoufiq Benabdenbi Ilham Encadré par : Prof. Mohamed El Merouani Le plan Introduction Définition Approche

Plus en détail

0. La science économique n aborde pas directement. 1.0 Science Economique? 1.1 Possible Définitions

0. La science économique n aborde pas directement. 1.0 Science Economique? 1.1 Possible Définitions 0. La science économique n aborde pas directement Comment spéculer en bourse Comment démarrer sa propre entreprise Comment trouver un job bien payé Comment investir ou dépenser intelligemment La science

Plus en détail

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Données qualitatives, modèles probit et logit

Données qualitatives, modèles probit et logit Données qualitatives, modèles probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours de Christophe Hurlin. On est confronté à des données qualitatives en micro-économie

Plus en détail

Tests 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 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 détail

ORDRE DE RÉACTION : MÉTHODES DE

ORDRE DE RÉACTION : MÉTHODES DE ORDRE DE RÉACTION : MÉTHODES DE RÉSOLUTION Table des matières 1 Méthodes expérimentales 2 1.1 Position du problème..................................... 2 1.2 Dégénérescence de l ordre...................................

Plus en détail

UNE EXTENSION DU MODELE DE CONSOMMATION DES MENAGES L'OFFRE DE TRAVAIL

UNE EXTENSION DU MODELE DE CONSOMMATION DES MENAGES L'OFFRE DE TRAVAIL UNE EXTENSION DU MODELE DE CONSOMMATION DES MENAGES L'OFFRE DE TRAVAIL I P L A N... A Arbitrage entre consommation et travail B Effets de l'augmentation du salaire C Déterminants de l'offre du travail

Plus en détail

Questions pratiques 4: Transformer la variable dépendante

Questions pratiques 4: Transformer la variable dépendante Questions pratiques 4: Transformer la variable dépendante Jean-François Bickel Statistique II SPO8 Transformer une variable consiste en une opération arithmétique qui vise à construire une nouvelle variable

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Changement technique induit rôle des normes et des prix dans les mécanismes d induction : une approche de longue période

Changement technique induit rôle des normes et des prix dans les mécanismes d induction : une approche de longue période Changement technique induit rôle des normes et des prix dans les mécanismes d induction : une approche de longue période Rapport final pour l IFE Synthèse Mai 2005 Mourad Ayouz Franck Nadaud Sous la direction

Plus en détail

TABLEAU 5 Nombre moyen (et écarts types) de mots produits selon le niveau scolaire et les trois conditions de révision

TABLEAU 5 Nombre moyen (et écarts types) de mots produits selon le niveau scolaire et les trois conditions de révision Dans ce tableau, si le chercheur ne s intéresse pas aux notes item par item mais simplement à la note globale, alors il conservera seulement les première et dernière colonnes et calculera des statistiques

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Projetde SériesTemporelles

Projetde SériesTemporelles COMMUNAUTE ECONOMIQU E ET MONETAIRE DE L AFRIQUE CENTRALE (CEMAC) INSTITUT SOUS REGIONAL DE STATISTIQUES ET D ECONOMIE APPLIQUEE (ISSEA) Projetde SériesTemporelles MODELISATION DE LA RENTABILITE DE L INDICE

Plus en détail

Plusieurs exercices de la douzième séance de TD

Plusieurs exercices de la douzième séance de TD Plusieurs exercices de la douzième séance de TD Décembre 2006 1 Offre du travail 1.1 énoncé On considère un ménage dont les préférences portent sur la consommation et le temps consacré aux activités non

Plus en détail

CHAPITRE 2 LA MESURE ET L ANALYSE DU RISQUE D EXPLOITATION

CHAPITRE 2 LA MESURE ET L ANALYSE DU RISQUE D EXPLOITATION CHAPITRE 2 LA MESURE ET L ANALYSE DU RISQUE D EXPLOITATION 42 NOTES DE COURS CHAPITRE 2 43 1. INTRODUCTION Au premier chapitre, nous avons étudié le rendement de l exploitation. Nous avons également introduit

Plus en détail

N 2015-XX. Les études de l emploi cadre

N 2015-XX. Les études de l emploi cadre DOCUMENT SOUS EMBARGO JUSQU AU 4 MARS À 00 h 01 LES ÉCARTS DE SALAIRE HOMMES-FEMMES ÉDITION 2015 Les études de l emploi cadre N 2015-XX Mars 2015 Composantes de la rémunération des cadres Méthode employée

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

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Frédéric Messine Introduction Dans ce chapitre, nous allons étudier une application de la dérivation des fonctions de plusieurs variables

Plus en détail

Continuité en un point

Continuité en un point DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à

Plus en détail