CHAPITRE 1 : RAPPELS SUR LE MODELE LINEAIRE. 1.Définition et propriétés

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "CHAPITRE 1 : RAPPELS SUR LE MODELE LINEAIRE. 1.Définition et propriétés"

Transcription

1 CHAPITRE 1 : RAPPELS SUR LE MODELE LINEAIRE Brefs ra p p els su r les p ro p ri é t é s des est i m a t eu rs u su els (M C O, M C G, est i m a t eu rs à v a ri a b les i n st ru m en t a les) da n s les m o dè les li n é a i res O n i n si st e p a rt i c u li è rem en t su r l interprétation d es m od è l es et su r les propriétés as y m ptotiq u es d es es tim ateu rs 1.Définition et propriétés E c h a n t i llo n de t a i lle n d o b serv a t i o n s i n di v i du elles, i n di c é es p a r i 1,..., n, ré a li sa t i o n s de v a ri a b les a lé a t o i res y i, x i y i v a ri a b le c o n t i n u e p ren a n t ses v a leu rs da n s R x i v a ri a b les en n o m b re K, de t y p e q u elc o n q u e 1

2 Notations: on c onf ond l e s v a r i a b l e s a l é a t oi r e s e t l e u r s r é a l i sa t i ons on r é se r v e l e s m a j u sc u l e s p ou r d e s v e c t e u r s E x e m p l e : Y y 1,..., y n H y p oth è se g é né r al e (sa u f m e nt i on c ont r a i r e ) : l e s v a r i a b l e s y i, x i sont i nd é p e nd a m m e nt d i st r i b u é e s 1.1.Définitions L a v a r i a b l e d é p e nd ante y i s é c r i t c om m e : y i x i u i e st u n p a r a m è t r e v e c t or i e l d e d i m e nsi on K inc onnu, à e stim e r R e m ar q u e s: 1. Le modèle est linéaire en. Les variables explicatives x i peuvent être des fonctions non linéaires connues des variables par exemple x 1i, l og, etc... x 1i, x 1i

3 Hypothèse pr i n c i pa l e: Eu i x i 0 (1) q u i i m p li q u e l a b sen c e d e c or r é l a ti on e nt r e la p e r t u r b a t i o n u i e t le s v a r i a b le s e x p li c a t i v e s x i : Ex i u i 0 () H y p o t h è s e s u p p lé m e nt a i r e d hom osc é d a sti c i té : Eu i x i (3) C on sé q u en c es : L e s p e r t u r b a t i o ns u i, u j, j i, s o nt i ndé p e nda m m e nt di s t r i b u é e s L e m o dè le e s t u n m o dè le sem i -pa r a m é tr i q u e : la lo i c o m p lè t e de la p e r t u r b a t i o n u i n e s t p a s s p é c i f i é e 3

4 x n1 x nk n,k Interprétations d e l a pertu rb ation u i 1. erreur de mesure sur la variable y i (mais pas sur les variables explicatives x i ). hétérogénéité inobservable entre les agents i l économétre n observe qu une partie des facteurs explicatifs de la variable dépendante y i ou hétérogénéité observable qui sont les variables x i les autres facteurs inobservables sont résumés par la perturbation u i E c ritu re m atric iel l e d u m od è l e: Y X U x 11 x 1K avec X 4

5 1..Propriétés 1. Théorème de Gauss-Markov : Sous les hypothèses (1) et (3), l estimateur des moindres carrés ordinaires défini comme: arg m i n Y X arg m i n n y i x i et donc, sous la condition d identification rgx X K, comme: X X 1 X Y est le meilleur estimateur linéaire en Y et sans biais (BLUE). Sous les hypothèses (1) et (3), et sous l hypothèse que les variables x i sont identiquement distribuées, la variance de l estimateur des moindres carrés ordinaires est égale à: i1 V 1 n E x i x i 5

6 p 3. Convergence en probabilité : Sous l hypothèse (1), l estimateur des MCO converge en probabilité vers la vraie valeur du paramètre quand n : p l i m n 4. Loi asymptotique : Si les x i sont identiquement distribuées, alors, sous les hypothèses (1) et (3), n n d ˆ n N 0, 1 Ex i x i Estimateur convergent de la variance asymptotique: (4) l i m n X X Estimateur convergent de : n n Û Û n Ex i x i p n 6

7 5. Si la loi conditionnelle des perturbations est normale: u i x i ˆ N0, alors pour toute valeur de n: ˆ N, V 6. Tests d hypothèses linéaires R r Soit R une matrice de taille G, K de rang G et r un vecteur de taille G. Un test de Fisher de l hypothèse nulle H 0 : R r peut être déduit de la loi asymptotique de l estimateur Statistique de test : W n 1 n R Sous H 0, on montre que n r RX X 1 R 1 R n r d,h 0 W n ˆ G n 7

8 7. Interprétation géométrique de l estimateur MCO: Projection orthogonale du vecteur Y sur l espace engendré par les variables explicatives X Soit P X la matrice de projection orthogonale sur l espace engendré par les variables X : Prédicteur de Y par les MCO : P X XX X 1 X Résidus du modèle : Ŷ P X Y X Û I P X Y M X Y M X matrice de projection orthogonale sur l espace orthogonal à celui engendré par les variables X 8

9 1.3.Identifiabilité Condition d e x is te nc e e t d u nic ité de l e s tim a te u r de s M CO : r g X X K (a b s e nc e de m u ltic oliné a r ité e ntr e le s v a r ia b le s e x p lic a tiv e s ) R a p p or t a v e c la c ondition dite d ide ntif ic a tion du p a r a m è tr e? Rappel: D é f i n i t i o n d e l i d en t i f i c at i o n d an s u n m o d è le par am é t r i q u e S oit Py i, x i ; la loi du v e c te u r y i, x i p a r a m é tr é e p a r, é lé m e nt d u n s ou s e ns e m b le c om p a c t de R K L e p a r a m è tr e e s t ide ntif ia b le s i,, P.,. ; P.,. ; de u x v a le u r s de q u i r é s u m e nt la loi de y i, x i de m a niè r e ide ntiq u e 9

10 p Dans le c adr e du m o dè le li né ai r e, o n a: y i x i u i E n p r é m u lt i p li ant p ar x i, o n o b t i e nt : Ex i y i Ex i x i Ex i u i Ex i x i L a C N S p o u r l i de nt i f i c at i o n de e st alo r s: r g Ex i x i K E n e f f e t, si c e t t e c o ndi t i o n n e st p as v é r i f i é e, l é q u at i o n p r é c é de nt e a p lu si e u r s so lu t i o ns, e t n e st p as dé f i ni de m ani è r e u ni q u e O n r e m ar q u e r a q u e c e t t e c o ndi t i o n d i de nt i f i c at i o n e st é t r o i t e m e nt li é e à la c o ndi t i o n de dé f i ni t i o n de l e st i m at e u r de s M C O, p u i sq u e : l i m n X X n Ex i x i 10

11 . Modèle linéaire général et modèle apparemment linéaire Lorsque l h y p ot h è se d h om osc é da st i c i t é n est p a s v é ri f i é e, l est i m a t eur des M C O rest e c onv erg ent M a i s sa loi a sy m p t ot i que et ses p rop ri é t é s d op t i m a li t é da ns l ensem b le des est i m a t eurs li né a i res (G a uss-m a rk ov ) sont a lt é ré es S olut i on: l est i m a t eur des moindres c a rré s g é né ra l isé s L a b a ndon de l h y p ot h è se d a b senc e de c orré la t i on ent re erreurs et ré g resseurs a lt è re la p rop ri é t é de c onv erg enc e de l est i m a t eur des M C O S olut i on: les est i m a t eurs à v a ria b l es inst ru ment a l es 11

12 .1.Modèle linéaire général On s u p p o s e q u e Eu i X i e t q u e Eu i u i X ii Notation: ii m a t r i c e c a r r é e d e t a i l l e n P r op r ié té s d e l e s tim ate u r M C O : 1. L estimateur des MCO reste sans biais et convergent. Si est connue, l estimateur des MCG est le meilleur estimateur linéaire sans biais (BLUE) 3. Cas particulier: quand I n, M C G X 1 1 X X 1 Y M C O M C G 1

13 4. Si est inconnue mais est une fonction d un paramètre appartenant à un sous ensemble compact de R G, alors la méthode des MCQG est convergente Principe : remplacer par un estimateur convergent n, et donc par : M C Q G X 1 X 1 X 1 Y 5. Remarque: les propriétés de ce dernier estimateur ne sont qu asymptotiques il est asymptotiquement équivalent à l estimateur MCG plim plim M C Q G M C G il est par conséquent convergent et asymptotiquement normal mais il est en général biaisé à distance finie 13

14 .. Régressions simultanées Application du cadr e d analy s e pr é cé de nt O n ob s e r v e G v ar iab le s dé pe ndante s y 1i,., y Gi e t le s v ar iab le s e x plicativ e s cor r e s pondante s x 1i,..., x Gi, e n nom b r e K 1,., K G le s y 1i,., y Gi, x 1i,..., x Gi s ont indé pe ndam m e nt dis tr ib u é s O n é cr it G m odè le s liné air e s y gi x gi g u gi O n s u ppos e q u e Eu gi x gi 0 C ov ar iance s e ntr e pe r tu r b ations d é q u ations dif f é r e nte s Eu gi u g i x 1i,., x Gi gg 14

15 Notons l a m a tr i c e d e s é l é m e nts gg e t p osons Y 1 X 1 0 u 1 1 Y, X, U, Y G 0 X G u G G Y X U D a ns c e c a s, on m ontr e f a c i l e m e nt q u e : 11 I N 1G I N VU X I N 1G I N GG I N où l e si g ne e st l e p r od u i t d e K r one c k e r 15

16 Rappel: Soit A u n e m a tr ic e d e ta il l e m, p e t B u n e m a tr ic e d e ta il l e s, t a l or s l e pr o d u i t d e K r o n ec k er A B e s t d e ta il l e ms, pt e t e s t é g a l à: A a 11 a mp, A B a 11 B a mp B P r o pr i é t é s : i A BC D AC BD, si AC et BD sont définies ii A B A B iii A B 1 A 1 B 1 si inversibles. C o n s é q u en c e: mc g X 1 I N X 1 X 1 I N Y 16

17 Cas p ar t i c u l i e r (p r o p r i é t é de Z e l l n e r ) : L o r s q u e l e s v a r i a b l e s e x p l i c a t i v e s s o n t l e s m ê m e s da n s t o u t e s l e s é q u a t i o n s X 1... X G X, a l o r s X I G X D a n s c e c a s, e n u t i l i s a n t l e s p r o p r i é t é s du p r o du i t de K r o n e c k e r : I G X 1 1 I N I G X I G X 1 I N Y 1 X 1 X 1 X Y I G X 1 X X Y L e s s o u s -v e c t e u r s de, s o n t n c é g a u x a u x e s t i m a t e u r s s M C O, g do de o b t e n u s e n e s t i m a n t l e s é q u a t i o n s s é p a r é m e n t E s t i m e r l e s y s t è m e t o u t e n t i e r n e p e r m e t p a s, da n s c e c a s, d a m é l i o r e r l e s e s t i m a t e u r s de s M C O 17

18 .3.Modèles apparemment linéaires. L h y p o t h è s e p r i nc i p a l e d a b s e nc e de c o r r é l a t i o n e nt r e r é g r e s s e u r s e t e r r e u r s n e s t p l u s v é r i f i é e : y i x i u i mais Eu i x i 0 E x e m p l e : Modèle à er r eu r de m es u r e S o i t l e v r a i m o dè l e : y i x i u i a v e c Eu i x i 0 e t Eu i u M a i s x i e s t m e s u r é e a v e c e r r e u r p a r x i : x i x i i a v e c E i e t E i x i 0 H y p.: l e s e r r e u r s de m e s u r e s o nt i ndé p e nda nt e s de l a p e r t u r b a t i o n u i : E i u i 0 18

19 On p e u t a lo r s r é é c r i r e le m o dè le e n f o nc t i o n de s o b s e r v a b le s c o m m e : y i x i u i x i x i x i u i i D a ns c e c a s, r é g r e s s e u r e t p e r t u r b a t i o n s o nt e n g é né r a l c o r r é lé s Ex i i u i i 0 (s a u f s i 0) Limite en p r o b a b ilité d e l es tima teu r d es M C O : Ex 1 x1 Ex y Ex x Ex x u E x x L a v a le u r a b s o lu e de e s t c e s s a i r e m e i é r i e u r e v a u r do nc né nt nf à la le a b s o lu e du p a r a m è t r e (b i a i s d a t t é nu a t i o n) E n l a b s e nc e d i nf o r m a t i o ns c o m p lé m e nt a i r e s p a r e x e m p le s u r o n ne p e u t g u è r e a lle r p lu s lo i n. L e p a r a m è t r e n e s t p a s i de nt i f i a b le 19

20 Information c omp l é me ntaire : v a r i a b l e s z i e n n o m b r e H n o n c o r r é l é e s a v e c l a p e r t u r b a t i o n u i m a i s c o r r é l é e s a v e c l e s v a r i a b l e s x i : Ez i u i 0 (5) r g Ez i x i K (6) S o i t Z l a m a t r i c e d e s o b s e r v a t i o n s d e z i P l u s i e u r s c a s p o s s i b l e s : 1. si H K, on définit l estimateur à VI comme : I V Z X 1 Z Y. si H K, on peut sélectionner K instruments parmi les H disponibles en posant Z ZA où A est une matrice déterministe donnée de dimension H, K et telle que z i est un vecteur de K variables qui ne sont pas colinéaires entre elles 0

21 Pour chaque A, on peut donc définir un estimateur à VI VIA Z X 1 Z Y A Z X 1 A Z Y (les z i sont des instruments puisque Ez i u i 0) Matrice de sélection optimale : A 1 Ez i z i Ez i x i Estimateur convergent de A : A Z Z1 Z X (obtenu par régression de X sur Z) Estimateur des doubles moindres carrés: 1. régression de X sur Z de manière à obtenir des valeurs prédites X Z Z 1 Z X orthogonales aux u i. puis régression des Y sur les X 3. le cas H K n est pas compatible avec la condition de validité (6). Dans ce cas, le paramètre n est pas identifié 1

22 Propriété prin c ipa le d e s e s tim a te u rs pa r V I : c on v e rg e n c e v e rs la v ra ie v a le u r d u pa ra m è tre (v oir c h a pitre pou r a n a ly s e a pprof on d ie ) L ors q u e H K, l e s tim a te u r I V e s t c on v e rg e n t e t a s y m ptotiq u e m e n t n orm a l (C A N ): n VI l o i ˆ N 0, EZ 1 1 X EZ ZEX Z n Corollaire: S i H K, re m pla c e r Z pa r ZA d a n s c e tte e x pre s s ion R em arq u e: L a c on v e rg e n c e d e s e s tim a te u rs I V im pliq u e q u e : n 1 n i1 u i A, où u i A y i x i VI A e s t u n e s tim a te u r c on v e rg e n t d e VI A e s t C A N e t s a v a ria n c e a s y m ptotiq u e e s t e s tim ée pa r V a s VI X ZZ 1 Z Z X 1

23 Exemple : er r eu r s de mes u r e S u ppo s o n s q u e l o n dis po s e d u n e a u t r e mes u r e a v ec er r eu r z i de x i : z i x i i E i E i x i 0 et q u e les er r eu r s de mes u r e s o n t n o n c o r r é lé es a v ec les er r eu r s de mes u r e i pr é s en t es da n s x i et a v ec la per t u r b a t io n du v r a i mo dè le: E i u i 0 E i i 0 D a n s c e c a s, il es t f a c ile de mo n t r er q u e la v a r ia b le z i es t u n e v a r ia b le in s t r u men t a le v a lide, i. e. q u i r es pec t e les c o n dit io n s (5) et (6): Ez i u i Ex i i u i i 0 r g Ez i x i r g Ex i i x i i r g Ex i x i 1 3

24 Conclusion Exemple de s pé c i f i c a ti o n d u n mo dè le c a u s a l D o n n é es y i s u r la dé li n q u a n c e da n s les dé pa r temen ts, u n e a n n é e do n n é e, et n o mb r es n i de po li c i er s da n s les dé pa r temen ts C o r r é la ti o n po s i ti v e en tr e c es deu x v a r i a b les C o mmen t l i n ter pr é te-t-o n? 1. Doit-on écrire un modèle: y i n i u i censé mesurer l impact du nombre de policiers? Comme la corrélation est positive, l estimation MCO du coefficient sera positive : un nombre accru de policiers serait contreproductif 4

25 . Ou doit-on écrire : n i y i v i en voulant mesurer la régle de décision du Ministère quant à l allocation géographique des policiers? Dans ce cas, l estimateur de est aussi positif, mais cela semble logique: La régle de décision est d affecter des policiers là où la délinquance est plus forte 3. Finalement, on doit sans doute écrire que les deux modèles sont simultanément vrais: équations simultanées (les estimateurs MCO dans les deux modèles sont biaisés) 5

Conseil économique et social

Conseil économique et social Na t i ons U ni e s E / C N. 1 7 / 20 0 1 / PC / 1 7 Conseil économique et social D i s t r. gé n é r a l e 2 ma r s 20 0 1 F r a n ç a i s O r ig i n a l: a n gl a i s C o m m i s s io n d u d é v el

Plus en détail

Chapitre 3: TESTS DE SPECIFICATION

Chapitre 3: TESTS DE SPECIFICATION Chapitre 3: TESTS DE SPECIFICATION Rappel d u c h api t r e pr é c é d en t : l i de n t i f i c a t i o n e t l e s t i m a t i o n de s y s t è m e s d é q u a t i o n s s i m u lt a n é e s r e p o

Plus en détail

INTRODUCTION 1. Les modèles linéaires à équations simultanées 2. L analyse des données de panel

INTRODUCTION 1. Les modèles linéaires à équations simultanées 2. L analyse des données de panel INTRODUCTION Complément a u x c ou r s d éc onométr i e s u r le modè le li néa i r e et s on es ti ma ti on D eu x pa r ti es : 1. Les modèles linéaires à équations simultanées : définition des notions

Plus en détail

La Cible Sommaire F oc us F o n d a t e u r : J e a n L e B I S S O N N A I S

La Cible Sommaire F oc us F o n d a t e u r : J e a n L e B I S S O N N A I S La Cible Sommaire F oc us F o n d a t e u r : J e a n L e B I S S O N N A I S D i r e c t e u r d e l a p u b l i c a t i o n : M a r t i n e M I N Y R é d a c t e u r e n c h e f : S e r g e C H A N T

Plus en détail

ra re ri ro ru ré rè rè ra re ri ro ru ar er ir or ur ér êr èr ar er ir or ur

ra re ri ro ru ré rè rè ra re ri ro ru ar er ir or ur ér êr èr ar er ir or ur Des syllables avec r ra re ri ro ru ré rè rè ra re ri ro ru ar er ir or ur ér êr èr ar er ir or ur ra re ri ro ru ré rê rè ra re ri ro ru ar er ir or ur ér êr èr ar er ir or ur ru ar ro ir Des syllables

Plus en détail

N L a R e v u e F r a n c o p h o n e d u M a n a g e m e n t d e P r o j e t 4 è m e t r i m e s t r e

N L a R e v u e F r a n c o p h o n e d u M a n a g e m e n t d e P r o j e t 4 è m e t r i m e s t r e La Cible Sommaire F o c u s F o n d a t e u r : J e a n L e B I S S O N N A I S D i r e c t e u r d e l a p u b l i c a t i o n : M a r t i n e M I N Y R é d a c t e u r e n c h e f : S e r g e C H A N

Plus en détail

La Cible Sommaire F o c u s

La Cible Sommaire F o c u s La Cible Sommaire F o c u s F o n d a t e u r : J e a n L e B I S S O N N A I S D i r e c t e u r d e l a p u b l i c a t i o n : M a r t i n e M I N Y R é d a c t e u r e n c h e f : S e r g e C H A N

Plus en détail

ÉPREUVE COMMUNE DE TIPE - Partie D

ÉPREUVE COMMUNE DE TIPE - Partie D ÉPREUVE COMMUNE DE TIPE - Partie D TITRE : Pollutions Electromagnétiques Temps de préparation :...2 h 15 minutes Temps de présentation devant le jury :.10 minutes Entretien avec le jury :..10 minutes GUIDE

Plus en détail

DEVENEZ UN SIMPLY-EXPERT

DEVENEZ UN SIMPLY-EXPERT DEVENEZ UN SIMPLYEXPERT Bonjour, N o u s s o m m e s l e s créate ur s du site Inte r net : ht tp://www.simplyla nd.com D e p u i s p r è s d e 2 a ns, notre je une équipe déve loppe un site Inte r net

Plus en détail

Réunion Commission Médicale-Trégunc sept 2010-Fabien CODRON

Réunion Commission Médicale-Trégunc sept 2010-Fabien CODRON Réunion Commission Médicale-Trégunc sept 2010-Fabien CODRON 1 P LA N 2 Le s d if f é r e n t s m é la n g e s L h is t o ir e d e la p lo n g é e t e k Le s a v a n t a g e s e t le s lim it e s d u t

Plus en détail

La Cible Sommaire F o c u s

La Cible Sommaire F o c u s La Cible Sommaire F o c u s F o n d a t e u r : J e a n L e B I S S O N N A I S D i r e c t e u r d e l a p u b l i c a t i o n : M a r t i n e M I N Y R é d a c t e u r e n c h e f : S e r g e C H A N

Plus en détail

PROJET CONCERNANT LE MAINTIEN LA RENOVA-èlON ET LA RESTAURATION DE L'IMMEUBLE SIS AU 4-0 RUE DE LA GOUTTE D'OR PAR UN CHANTIER DE JEUNES

PROJET CONCERNANT LE MAINTIEN LA RENOVA-èlON ET LA RESTAURATION DE L'IMMEUBLE SIS AU 4-0 RUE DE LA GOUTTE D'OR PAR UN CHANTIER DE JEUNES PARS GOUTTE D'OR "VVRE A LA GOUTTE D OR" 9 rue des Gardes - 75011 2 7. R U E D E C HARTRES 75018 PARS C.C.P. PARS 22 41709 W Ê k p P PROJET CONCERNANT LE MANTEN LA RENOVA-èlON ET LA RESTAURATON DE L'MMEUBLE

Plus en détail

i Le Qi Gong «a u t r a v a i l» L e Q i G o n g, «t r a v a i l de l En er g i e», es t u n e g y m n a s t i q u e de s a n t é c h i n o i s e t r

i Le Qi Gong «a u t r a v a i l» L e Q i G o n g, «t r a v a i l de l En er g i e», es t u n e g y m n a s t i q u e de s a n t é c h i n o i s e t r FÉDÉRATION DE QI GONG ET ARTS ÉNERGÉTIQU ES LE QI GONG «A U T R A V A IL» Crédit photo : Anne MELCER B L I B â A 3, a v u P a u C é z a n n 1 3 0 9 0 A i x v c T é : 0 4 4 2 9 3 3 4 3 1 a x : 0 4 4 2 6

Plus en détail

La fiction américaine dans les audiences des grands pays européens en 2010

La fiction américaine dans les audiences des grands pays européens en 2010 La fiction américaine dans les audiences des grands pays européens en 2010 1 Objectifs de travail L objet de ce document est d expertiser la place occupée, en 2010, par les fictions américaines dans les

Plus en détail

L art de recevoir depuis 1988

L art de recevoir depuis 1988 L art de recevoir depuis 1988 E X P LOR E Z LE S M I LLE E T U NE F AC E T T E S D E LA G A ST R O N O M I E E N D É C O U V R ANT M AÎ T R E & C H E F T R AI T EU R S, SY N O NY M E D E R AF F I NEM E

Plus en détail

LA GESTION DE MATCH ELECTRONIQUE G.D.M.E

LA GESTION DE MATCH ELECTRONIQUE G.D.M.E TUTORIEL SERVICE INFORMATIQUE LA GESTION DE MATCH ELECTRONIQUE G.D.M.E L A GES TI ON DE MATCH ELECTRONIQUE (G. D. M. E) ------------- D a t e : 15 Décembre 2012 ---------- A u t e u r : F é d é r a t i

Plus en détail

3 ème BREVET THEOREME DE THALES

3 ème BREVET THEOREME DE THALES Exercice 1 1 Construire un triangle ABC tel que AB = 6 cm AC = 7,2 cm et BC = 10 cm Placer les points R, T et E tels que : R [AB] et AR = 4,5 cm T [AC] et (RT) // (BC) E [AB) et E [AB] et BE = 2 cm 1 2

Plus en détail

Économétrie II. Économétrie II. Ch. 1. Rappels de Concepts L3 Économétrie L3 MASS. Pr. Philippe Polomé, U. Lyon 2. Année

Économétrie II. Économétrie II. Ch. 1. Rappels de Concepts L3 Économétrie L3 MASS. Pr. Philippe Polomé, U. Lyon 2. Année Économétrie Économétrie L3 Économétrie L3 MASS Pr. Philippe Polomé, U. Lyon 2 Année 2013-2014 Économétrie Modèle de Régression Linéaire (MRL) formel Table des matières Modèle de Régression Linéaire (MRL)

Plus en détail

Concerts (exemples) Fes ti v al T ran art Ital i e S EP T EM B R E 2011 PROCHAINES PREMIERES

Concerts (exemples) Fes ti v al T ran art Ital i e S EP T EM B R E 2011 PROCHAINES PREMIERES L e A L E P H G I T A R R E N Q U A R T E T T s e c o m p o s e d ' A n d r é s H e r n á n d e z A l b a, T i l l m a n n R e i n b e c k, W o l f g a n g S e h r i n g e r e t C h r i s t i a n W e r

Plus en détail

C a fé E u ro p e D é b a t. Les jeunes [fra nç a is ] en ont-ils m a rre des politiques?

C a fé E u ro p e D é b a t. Les jeunes [fra nç a is ] en ont-ils m a rre des politiques? C a fé E u ro p e D é b a t Les jeunes [fra nç a is ] en ont-ils m a rre des politiques? O rig ine S oc ia le des E lus O rig ine S oc ia le des D éputés en 2007 E n % O rig ine s oc ia le des M a ires

Plus en détail

L I C E N C E 1 G r a n d s c o n c e p t s d u d r o i t p r i v é ( + T D ) 7 D r o i t c o n s t i t u t i o n n e l : t h é o r i e d e l E t a t ( + T D ) 7 F o r m a t i o n h i s t o r i q u e d

Plus en détail

Régression linéaire multiple

Régression linéaire multiple 1 1 IRMA, Université de Strasbourg France ESIEA 08-03-2012 Régression linéaire simple Exemple Affiner le modèle Exemple : Issu du livre «Statistiques avec R», P.A. Cornillon, et al., Deuxième édition,

Plus en détail

T E L E C H A R G E M E N T D E S D O C U M E N T S 2

T E L E C H A R G E M E N T D E S D O C U M E N T S 2 SAISIR UNE MUTATION FICHE A L USAGE DES CLUBS - - - - - - - - - - - - - D a t e : 0 3 J u i n 2 0 0 9. - - - - - - - - - A u t e u r s : F é d é r a t i o n F r a n ç a i s e d e H a n d b a l l / M. S

Plus en détail

Définition : Un logiciel de traitement de texte permet en particulier Merci de visitez le site web : www.9alami.com

Définition : Un logiciel de traitement de texte permet en particulier Merci de visitez le site web : www.9alami.com I N T R O D U C T I O N W O R D e s t u n l o g i c i e l d e t r a i t e m e n t d e t e x t e t r è s p e r f o r m a n t q u i n o u s p e r m e t d de o ccurméee nr ta u n C e d o c u m e n t p e u

Plus en détail

20 e Journée de l'afphb

20 e Journée de l'afphb «La Pharmacie Hospitalière : quels projets pour le futur?» L Arrêté Royal du 4 mars 1991, 20 ans après C h â te a u d u L a c, G e n v a l - 7 m a rs 2 0 0 9 COMMENT UTILISER VOTRE BOÎTIER? Utilisez les

Plus en détail

La REGRESSION RIDGE 1 A

La REGRESSION RIDGE 1 A La REGRESSION RIDGE La régression Ridge ordinaire ou bornée ordinaire a été proposée par E. Hoerl et Kennard dans " Ridge regression : biaised estimation for nonorthogonal problems" Technometrics, Vol.

Plus en détail

D er m at o ses f r éq u en tes. D er m at o ses p l u s r ar es

D er m at o ses f r éq u en tes. D er m at o ses p l u s r ar es 1 D er m ato ses f r éq u en tes M o ti f s d e c o n su l tati o n : D er m at o ses f r éq u en tes D er m at o ses p l u s r ar es 2 D er m ato ses f r éq u en tes: D er m at i te at o p i q u e E r

Plus en détail

N 1 2 1 L a R e v u e F r a n c o p h o n e d u M a n a g e m e n t d e P r o j e t 2 è m e t r i m e s t r e 2 0 1 3

N 1 2 1 L a R e v u e F r a n c o p h o n e d u M a n a g e m e n t d e P r o j e t 2 è m e t r i m e s t r e 2 0 1 3 Expérience > O u t i l d e M a n a g e m e n t d e p r o jet : Planification 3D des projets informatiques p1 La pla nifi cati on 3 D, J ean Yves MOINE nou s en a donné la p rime ur (voi r La Ci ble n 110,

Plus en détail

La CDM E. Maintenir dans l emploi des salariés en risque d inaptitude médicale

La CDM E. Maintenir dans l emploi des salariés en risque d inaptitude médicale La CDM E Maintenir dans l emploi des salariés en risque d inaptitude médicale Hist orique En Isère, chaque année, 1000 à 1200 licenciements pour inaptitude médicale sont prononcés. En 2000 un groupe de

Plus en détail

[ VO ] en vert et la demi-droite [ LE ) en bleu. Exercice p 151, n 1 :

[ VO ] en vert et la demi-droite [ LE ) en bleu. Exercice p 151, n 1 : Exercice p 151, n 1 : 1) Placer trois points I, J et K non alignés, puis : a) tracer la droite passant par les points I et K ; b) tracer le segment d extrémités J et I ; c) tracer la demi-droite d origine

Plus en détail

Econométrie. Romain Aeberhardt. Février R. Aeberhardt (DARES et CREST) Econométrie Février / 43

Econométrie. Romain Aeberhardt. Février R. Aeberhardt (DARES et CREST) Econométrie Février / 43 Econométrie 1ère séance Romain Aeberhardt Supélec Février 2011 R. Aeberhardt (DARES et CREST) Econométrie Février 2011 1 / 43 Plan 1 Introduction 2 Le modèle linéaire simple 3 Le modèle linéaire multiple

Plus en détail

D é ce m b re 2 01 0 L e ttr e d 'i n fo r m a t i o n n 2 2 E d i to r i al L a f r o n ti è r e so c i ale L a p r i s e d e c o n s c i e n c e d e s e n tr e p r i s e s e n m a ti è re D e s e xa

Plus en détail

12. Régression linéaire simple

12. Régression linéaire simple 12. Régression linéaire simple MTH2302D S. Le Digabel, École Polytechnique de Montréal A2016 (v1) MTH2302D: régression 1/45 Plan 1. Introduction 2. Régression linéaire simple 3. Estimation des paramètres

Plus en détail

Rappels de Statistique et d Algèbre Linéaire. Emmanuel Duguet

Rappels de Statistique et d Algèbre Linéaire. Emmanuel Duguet Rappels de Statistique et d Algèbre Linéaire Emmanuel Duguet Septembre 200 table des matières Moments empiriques et moments théoriques 2 Momentsempiriquesdesvecteurs 2 Moyennearithmétique 2 2 Varianceempirique

Plus en détail

J o urnées de l'éc o no m ie - L yo n 2009 Ta ble R o nde «A rg ent P ublic /A rg ent P rivé»

J o urnées de l'éc o no m ie - L yo n 2009 Ta ble R o nde «A rg ent P ublic /A rg ent P rivé» Tebenkova Svetlana - Natixis 2008 J o urnées de l'éc o no m ie - L yo n 2009 Ta ble R o nde «A rg ent P ublic /A rg ent P rivé» Fo nds d I nves tis s em ent et de D évelo ppem ent des P a rtena ria ts

Plus en détail

L Ergonomie C a fé S c ie n c e s C o g n itiv e s - 2 8 /0 3 /0 7

L Ergonomie C a fé S c ie n c e s C o g n itiv e s - 2 8 /0 3 /0 7 L Ergonomie C a fé S c ie n c e s C o g n itiv e s - 2 8 /0 3 /0 7 L Ergonomie? Etymologie S o n n o m p ro v e n a n t d u g re c e rg o n (travail) e t n o m o s (lois) p o u r d é s ig n e r la s c

Plus en détail

P R O D U I T S C A L A I R E.

P R O D U I T S C A L A I R E. ère S 00/005 Produit scalaire J TAUZIEDE P R O D U I T S C A L A I R E I- DEFINITION ET PREMIERES PROPRIETES ) Produit scalaire de deux vecteurs colinéaires Définition Soit u et v deux vecteurs colinéaires

Plus en détail

S ITE S E T S O LS P O LLUÉ S PLAQU E TTE

S ITE S E T S O LS P O LLUÉ S PLAQU E TTE PLAQU E TTE A C TIV ITÉ S IN DU S TR IE LLE S A N C IE N N E S Archives départementales 76 R É AM ÉN AG E M E N T U R B AIN L es villes s e s o nt étendues s ur d a nc iens s ites indus triels 1863 1889

Plus en détail

Régression linéaire multiple

Régression linéaire multiple 1 1 IRMA, Université de Strasbourg Strasbourg, France Master 1 MCB 02-06-2010 Régression linéaire simple Exemple Affiner le modèle Exemple : Issu du livre «Statistiques avec R» Problème : Étude de la concentration

Plus en détail

LA TRANSACTION PÉNALE EN MATIÈRE ÉCONOMIQUE

LA TRANSACTION PÉNALE EN MATIÈRE ÉCONOMIQUE UNIVERSITE MOULOUD MAMMERI DE TIZI-OUZOU FACULTÉ DE DROIT ET SCIENCES POLITIQUES LA TRANSACTION PÉNALE EN MATIÈRE ÉCONOMIQUE THESE POUR L'OBTENTION DU DOCTORAT EN SCIENCES SPECIALITE : DROIT Par NAAR Fatiha

Plus en détail

LES CONSEILS DE LA VIE SOCIALE DEPARTEMENTAUX

LES CONSEILS DE LA VIE SOCIALE DEPARTEMENTAUX Une initiative de l ARS du Limousin voulue par son Directeur Général LES CONSEILS DE LA VIE SOCIALE DEPARTEMENTAUX "forum" d'expression des attentes des usagers et de leurs représentants concernant la

Plus en détail

Préparation de la sortie du patient

Préparation de la sortie du patient Préparation de la sortie du patient Thierry LEBAS Centre Hospitalier de LISIEUX 1 AUDITS CLINIQUES CIBLES Souhait de la HAS de proposer une méthode d évaluation ne nécessitant pas de moyens humains ou

Plus en détail

Identification des systèmes linéaires

Identification des systèmes linéaires Identification des systèmes linéaires G. Laurent 2009 Introduction On cherche à identifier les paramètres d un modèle entrée-sortie linéaire (en temps discret) sous la forme générale : y(k) = G(q)u(k)

Plus en détail

LES ESCALIERS. Du niveau du rez-de-chaussée à celui de l'étage ou à celui du sous-sol.

LES ESCALIERS. Du niveau du rez-de-chaussée à celui de l'étage ou à celui du sous-sol. LES ESCALIERS I. DÉF I NIT I O N Un escalier est un ouvrage constitué d'une suite de marches et de paliers permettant de passer à pied d'un niveau à un autre. Ses caractéristiques dimensionnelles sont

Plus en détail

CHAPITRE 4 : Le modèle de Cox 1. Approche par la régression

CHAPITRE 4 : Le modèle de Cox 1. Approche par la régression CHAPITRE 4 : Le modèle de Cox 1. Approche par la régression Le modèle de Cox est un modèle à hasards proportionnels de la forme: t Z 0 t. expz où la fonction 0 t n est pas spécifiée paramétriquement Lorsque

Plus en détail

La Cible Sommaireretoursommaire Focus F o n d a t e u r : J e a n L e B I S S O N N A I S

La Cible Sommaireretoursommaire Focus F o n d a t e u r : J e a n L e B I S S O N N A I S La Cible Sommaireretoursommaire Focus F o n d a t e u r : J e a n L e B I S S O N N A I S D i r e c t e u r d e l a p u b l i c a t i o n : M a r t i n e M I N Y Editorial > Projet s : é v o l u t ion

Plus en détail

CHAPITRE 2: MODELES LINEAIRES A EQUATIONS SIMULTANEES

CHAPITRE 2: MODELES LINEAIRES A EQUATIONS SIMULTANEES CHAPITRE 2: MODELES LINEAIRES A EQUATIONS SIMULTANEES 1 1. Exemple : u modèle d offre et de demade Marché de cocurrece pure et parfaite 1.1. Forme structurelle du modèle Foctios de de m a de e t d of f

Plus en détail

Chapitre 9 : Géométrie vectorielle

Chapitre 9 : Géométrie vectorielle Chapitre 9 : Géométrie vectorielle I Notion de vecteur 1 Translation et vecteur Soit A et B deux points du plan La translation qui transforme A en B associe à tout point C du plan l unique point D tel

Plus en détail

Le Beau Danube Bleu ˆ Œ ˆ« Œ Œ Œ Œ ˆ« l l l l. Œ ll ˆ«ˆ ˆ« » Œ ˆ« »»ˆ« »»» ============================= l l l l. l l l l. œ_»œ» Œ œ.

Le Beau Danube Bleu ˆ Œ ˆ« Œ Œ Œ Œ ˆ« l l l l. Œ ll ˆ«ˆ ˆ« » Œ ˆ« »»ˆ« »»» ============================= l l l l. l l l l. œ_»œ» Œ œ. _ _ Arrgt PCSL eus, roir des cieux, roir des eux, cieux, dont es ment fots es eus, yeux, dont es yeux, suis cours, suis eux, vers es ords Le Beau Danue Beu reux cours, re fait é co Johann Strauss Paroes

Plus en détail

La régression linéaire multiple

La régression linéaire multiple Plan La régression linéaire multiple - Chapitre V - Notes de cours Modélisation Statistique L3 MIASHS - Université de Bordeaux - Chapitre V - L3 MIASHS- La régression linéaire multiple 1/46 Plan Plan 1

Plus en détail

Introduction Stats Econométrie. Régression Logistique + Tests du χ 2

Introduction Stats Econométrie. Régression Logistique + Tests du χ 2 Introduction Stats Econométrie Régression Logistique + Tests du χ 2 marco.cuturi@ensae.fr ISE-2017 1 Quand la régression par moindre carrés ne marche pas Considérons le problème suivant: Des points x j

Plus en détail

N NO OSS M MO OD DÈ È ESS DEU MODÈLES D'ÉCHAFAUDAGE UN POTEAU OPTIMAL ROSACE 8 POSITIONS LE MULTI-RETO / LE MULTI-SYSTEM --

N NO OSS M MO OD DÈ È ESS DEU MODÈLES D'ÉCHAFAUDAGE UN POTEAU OPTIMAL ROSACE 8 POSITIONS LE MULTI-RETO / LE MULTI-SYSTEM -- LA MARQUE N NO OSS M MO OD DÈ È ESS DEU MODÈLES D'ÉCHAFAUDAGE UN POTEAU OPTIMAL ROSACE 8 POSITIONS LE MULTI-RETO / LE MULTI-SYSTEM -- P PE ER RF FO OR RM MA AN NC CE EE ET T LLÉ ÉG GÈ ÈR RE ET TÉ É D ES

Plus en détail

REGISTRES D ORDRE DES HYPOTHEQUES DE BOURGANEUF

REGISTRES D ORDRE DES HYPOTHEQUES DE BOURGANEUF ARCHIVES DEPARTEMENTALES DE LA CREUSE 4Q 2 REGISTRES D ORDRE DES HYPOTHEQUES DE BOURGANEUF Répertoire numérique Etabli par Bernadette BATHEROSSE et Catherine MAHRANE Et publié sous la direction de Gabriel

Plus en détail

Logistique de transport pour l e proj et LH C S. Prodon & S. Weisz ST Work sh op 2 0 0 3 Planification Objectifs M é th o d o l o g ie R e tou r te r r ain R é u ssites D ifficu l té s A m é lior ations

Plus en détail

Généralités sur le modèle linéaire

Généralités sur le modèle linéaire Résumé L objectif du chapitre est uniquement de mettre en place les principaux éléments du modèle linéaire (essentiellement gaussien), à savoir l estimation ponctuelle, l estimation par intervalle de confiance

Plus en détail

Statistiques - Ajustement de courbes

Statistiques - Ajustement de courbes Statistiques - Ajustement de courbes 1 Rappels de Statistiques 1.1 Moyenne, variance, écart-type Soit une série statistique : x 1, x 2, x n (n valeurs) Moyenne x = 1 n x i n i=1 Somme des carrés des écarts

Plus en détail

Rapport Financier 2012

Rapport Financier 2012 Rapport Financier 2012 présenté et validé lors de l'assemblée Générale 2013 du CHF Paris CICP - 4 mai 2013 BILAN Le fonds associatif est de 14 003. Il est composé des résultats positifs des années antérieures.

Plus en détail

Le chariot. Lecture / compréhension CE2. Papa a fabri q u é u n c hari o t. C u ri e u x, M aman e t l es e nfants

Le chariot. Lecture / compréhension CE2. Papa a fabri q u é u n c hari o t. C u ri e u x, M aman e t l es e nfants Lecture / compréhension CE2 Le chariot Papa a fabri q u é u n c hari o t. C u ri e u x, M aman e t l es e nfants v i e nnent v oi r l e d rôl e d engi n. «C e s t l e pl u s c houette c hari ot q ui ai

Plus en détail

Matrices A = 6. Exemple Si A =

Matrices A = 6. Exemple Si A = Matrices 1. Définition Une matriceade dimensionn p ou de format(n;p) est un tableau de nombres comportant n lignes et p colonnes. On note a ij l élément se trouvant à l intersection de la ligne i et de

Plus en détail

Méthode des moindres carrés (least squares LS)

Méthode des moindres carrés (least squares LS) Méthode des moindres carrés (least squares LS) La méthode des moindres carrés (MC) est une alternative au filtrage de Wiener. Les filtres de Wiener sont déduits à partir de moyennes d ensemble alors que

Plus en détail

D e u x p r o p h è t e s a u r o y a u m e d e J u d a: I s a ï e I e t J é r é m i e

D e u x p r o p h è t e s a u r o y a u m e d e J u d a: I s a ï e I e t J é r é m i e DECOUVRIR LA BIBLE N 9 M a n o n G i r a u d D e u x p r o p h è t e s a u r o y a u m e d e J u d a: I s a ï e I e t J é r é m i e Découverte historique et exégétique des prophètes Isaïe et Jérémie, accompagnée

Plus en détail

Statistique Mathématique 2 (MATH-F-309, Chapitre #6)

Statistique Mathématique 2 (MATH-F-309, Chapitre #6) Statistique Mathématique 2 (MATH-F-309, Chapitre #6) Thomas Verdebout Université Libre de Bruxelles 2015/2016 Plan du cours 1. Vecteurs aléatoires. 2. Loi normale multivariée. 3. Inférence dans les modèles

Plus en détail

S A L L E D E L A M A I R I E

S A L L E D E L A M A I R I E M e J é r ô m e G A R N I E R -2 1 R u e d e B a r b e n t a n e F 7 6 3 4 0 B L A N G Y S U R B R E S L E C A T A L O G U E D E L A V E N T E A U X E N C H E R E S P U B L I Q U E S D im a n c h e 1 3

Plus en détail

Préface. Préface à l édition française

Préface. Préface à l édition française Préface Préface à l édition française i vii 1 L économétrie 1 1.1 Introduction 1 1.2 Le paradigme de l économétrie 1 1.3 Pratique de l économétrie 4 1.4 Modélisation économétrique 4 1.5 Préliminaires 7

Plus en détail

Table des matières. Partie I Fondements de l analyse 11. Préface. Introduction 1

Table des matières. Partie I Fondements de l analyse 11. Préface. Introduction 1 Table des matières Préface xv Introduction 1 Partie I Fondements de l analyse 11 Chapitre 1 La régression linéaire simple 13 1.1 Le modèle de régression linéaire 14 1.2 Estimation des paramètres du modèle

Plus en détail

Montage de projet territorial

Montage de projet territorial Montage de projet territorial Collectivités Date(s) en fonction de vos/nos disponibilités A partir du 1er Septembre 2014 L offre La c oo pé r at iv e Cr es na v ous p ropos e de cr é er et c oo r do n

Plus en détail

SITUATION ÉCONOMIQUE DES ENTREPRISES

SITUATION ÉCONOMIQUE DES ENTREPRISES SITUATION ÉCONOMIQUE DES ENTREPRISES DU COMMERCE DE DÉTAIL AU 1 ER TRIMESTRE 2016 AVRIL 2016 RÉSUMÉ DES RÉSULTATS U NE AC T I VIT É QU I R E S T E PE U D YN AM IQU E CE 1 ER T R IM ESTR E ET D E S PR É

Plus en détail

ENSI 98 - Filière MP - MATHÉMATIQUES 2. Thème : Pseudo-inverse d une matrice - Méthode des moindres carrés discrets

ENSI 98 - Filière MP - MATHÉMATIQUES 2. Thème : Pseudo-inverse d une matrice - Méthode des moindres carrés discrets ENSI 98 - Filière MP - MATHÉMATIQUES 2 Thème : Pseudo-inverse d une matrice - Méthode des moindres carrés discrets PARTIE I - CONSTRUCTION D UNE MATRICE INVERSE A GAUCHE On suppose dans cette partie que

Plus en détail

Chapitre 14 Vecteurs gaussiens

Chapitre 14 Vecteurs gaussiens Chapitre 14 Vecteurs gaussiens Rappels Un vecteur aléatoire est une application de Ω dans R n : X : Ω R n ω X 1 ω,, X n ω où chaque composante est une variable aléatoire sur Ω On a alors F X x 1,, x n

Plus en détail

Ecole Doctorale de Dauphine

Ecole Doctorale de Dauphine Rappel sur le modèle linéaire Les modèles à effets fixes Les modèles à effets aléatoires Quel modèle choisir? Ecole Doctorale de Dauphine Laurent Davezies CREST, Paris 1er semestre 2012/2013 Rappel sur

Plus en détail

Définition : Excel L'utiliation simple L'utilisation mathématique Tableur (ou chiffrier) est un logiciel d application qui permet de :

Définition : Excel L'utiliation simple L'utilisation mathématique Tableur (ou chiffrier) est un logiciel d application qui permet de : I N T R O D U C T I O N E x c e le s t u n l o g i c i e l m u l t i f o n c t i o n s i n t é g r a n t u np tu ai bs ls ea un r taé u n g e s t i o n n ad i re e b a s e d e d o n n é e saé u n g r a

Plus en détail

Comment réserver votre stage?

Comment réserver votre stage? La loi du 23 décembre 1982 prévoit l obligation pour tout futur chef d entreprise du secteur des métiers et de l artisanat de suivre un Stage de Préparation à l Installation avant l immatriculation au

Plus en détail

La régression linéaire. Formation Fondamentale

La régression linéaire. Formation Fondamentale Formation Fondamentale Sommaire 1 Modéle statistique Généralités Relation statistique 2 les hypothèses Démarche Propriétés Qualité Tests Sommaire 1 Modéle statistique Généralités Relation statistique 2

Plus en détail

Les machines électriques à pôles lisses 1. I n t r o d u c t i o n 10 1 L ' i n t e r a c t i o n e n t r e u n c o u r a n t é l e c t r i q u e e t u n c h a m p m a g n é t i q u e e s t à l ' o r i

Plus en détail

Régression linéaire multiple

Régression linéaire multiple 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1ère Année 23-03-2009 Régression linéaire simple Exemple Affiner le modèle Problème : Étude de la concentration d ozone dans l air. Modèle :

Plus en détail

C- Liaison entre deux variables statistiques

C- Liaison entre deux variables statistiques C- Liaison entre deux variables statistiques 1- liaison entre 2 variables quantitatives 2- liaison entre 1 variable quantitative et 1 variables qualitative 3- liaison entre 2 variables qualitatives 4-

Plus en détail

Introduction à l Econométrie Ecole Centrale de Paris Année Pauline Givord

Introduction à l Econométrie Ecole Centrale de Paris Année Pauline Givord Introduction à l Econométrie Ecole Centrale de Paris Année 2006-2007 Pauline Givord 3 novembre 2006 Table des matières 1 Le modèle linéaire : les MCO 6 1.1 Introduction : le modèle linéaire simple......................

Plus en détail

Corrigé du baccalauréat S Centres étrangers 15 juin 2009

Corrigé du baccalauréat S Centres étrangers 15 juin 2009 Durée : 4 heures Corrigé du baccalauréat S Centres étrangers 5 juin 9 EXERCICE 5 points Restitution organisée de connaissances : ) a Démontrer que pb)=pb A)+ p B A b Démontrer que, si les évènements A

Plus en détail

S O M M AIR E P R ÉFAC E. u e lle s so n t ce s e x ige n ce s e sse n tie lle s? Au commencement. E u ro p ée n n e p o u r le s

S O M M AIR E P R ÉFAC E. u e lle s so n t ce s e x ige n ce s e sse n tie lle s? Au commencement. E u ro p ée n n e p o u r le s A u c o m m e n c e m e n t p 2 L A g rém e n t Te c h n iq u e E u ro p ée n p o u r le s S y stèm e s d E ta n c h éité Liq u ide p 4 G a ra n tie déc e n n a le - E x c e p tio n fra n ça ise La rép

Plus en détail

IMPÔTS DES NON RÉSIDENTS

IMPÔTS DES NON RÉSIDENTS IMPÔTS DES NON RÉSIDENTS A RT 227 À 248 CIR 92 1. Les assujettis Les non-habitants du Royaume vo ir la d é f i ni ti o n d h ab it a nt d u Ro ya u me o u le domi cile f i sc ale e n Belgiq u e o u le

Plus en détail

Chapitre 4 Spécification et problèmes de données

Chapitre 4 Spécification et problèmes de données Chapitre 4 Spécification et problèmes de données Licence Econométrie Econométrie II 7-8 Martin Fournier Fournier@gate.cnrs.fr L3 Econométrie - Econométrie II. Formes fonctionnelles L3 Econométrie - Econométrie

Plus en détail

Comme pour toutes les autres questions, d autres méthodes ou options sont évidemment possibles à condition d être justifiées.

Comme pour toutes les autres questions, d autres méthodes ou options sont évidemment possibles à condition d être justifiées. 0 0 3 3 EXERCICE Soit les matrices A = et B = 2 3 0 0. Calculer le déterminant de A. En déduire le rang de cette matrice. 0 0 0 Dét(A) = dét = dét 0 0 car (propriété P ) le déterminant d une matrice ne

Plus en détail

Exercice p 219, n 3 : Quatre droites sont tracées et les deux droites rouges sont parallèles. Enoncer le théorème de Thalès.

Exercice p 219, n 3 : Quatre droites sont tracées et les deux droites rouges sont parallèles. Enoncer le théorème de Thalès. Exercice p 219, n 3 : Quatre droites sont tracées et les deux droites rouges sont parallèles Enoncer le théorème de Thalès Les droites ( BA ) et ( ZI ) sont sécantes en R, et les droites ( AI ) et ( BZ

Plus en détail

6 è m e M e e tin g In te rn a tio n a l d e N A P "J e a n B U N O Z "

6 è m e M e e tin g In te rn a tio n a l d e N A P J e a n B U N O Z P r o t o c o l e d e l a r e n c o n t r e 6 è m e M e e t in g In t e r n a t io n a l d e N A P " J e a n B U N O Z " 2 e t 3 j u in 2 0 0 7 A N T IB E S 17 :09 P ro to c o le ré c a p itu la tif d

Plus en détail

Probabilités et Statistiques

Probabilités et Statistiques Probabilités et Statistiques Année 2010/2011 laurent.carraro@telecom-st-etienne.fr olivier.roustant@emse.fr Cours n 13 Régression Influence des prédicteurs Rappel modèle linéaire Y vecteur des réponses

Plus en détail

Rapport Extra-Financier du fonds SG MONETAIRE ISR au 31/03/2012

Rapport Extra-Financier du fonds SG MONETAIRE ISR au 31/03/2012 Rapport Extra-Financier du fonds SG MONETAIRE ISR au 31/03/2012 Page 1 Une sélection ESG intégrée au processus d investissement 1 Définition de l univers d investissement Univers d investissement Indice

Plus en détail

LA MOINDRE CARRE ORDINAIRE : Un apport géométrique a l analyse statistique

LA MOINDRE CARRE ORDINAIRE : Un apport géométrique a l analyse statistique LA MOINDRE CARRE ORDINAIRE : Un apport géométrique a l analyse statistique L apport de la géométrie dans la modélisation MCO Houédikin Tonahouédo Morel HONDI ASSAH Keywords : test de Durbin et Watson,

Plus en détail

TESTS de STUDENT ET FISHER

TESTS de STUDENT ET FISHER TESTS de STUDENT ET FISHER Rappelons les hyphothèses des MCO: H 0 : n k H 2 0 La matrice X des variables explicatives est de plein rang, alors t XX est de rang k et donc inversible. Hypothèses sur les

Plus en détail

Chapitre 4 : Méthode des moindres carrés

Chapitre 4 : Méthode des moindres carrés Chapitre 4 : Méthode des moindres carrés Table des matières 1 Introduction 2 11 Généralités 2 12 Notion de modèle et de regression linéaire multiple 2 2 Critère des moindres carrés - formulation 2 21 Critère

Plus en détail

Chapitre 4 : Applications linéaires

Chapitre 4 : Applications linéaires Chapitre 4 : Applications linéaires I. Applications Dans ce paragraphe, on s intéresse à des applications allant d un ensemble à un autre (sans aucune structure d espace vectoriel). Un ensemble est un

Plus en détail

Nom : VECTEURS 2nde. Exercice 1. ABCD est un parallélogramme de centre O. Donner l ensemble des égalités vectorielles possibles sur cette figure.

Nom : VECTEURS 2nde. Exercice 1. ABCD est un parallélogramme de centre O. Donner l ensemble des égalités vectorielles possibles sur cette figure. Exercice 1 ABCD est un parallélogramme de centre O. Donner l ensemble des égalités vectorielles possibles sur cette figure. Illustration D. Le Fur 1/?? Exercice 2 ABCD est un parallélogramme de centre

Plus en détail

Traitement des Gaz Acides : E njeux et Nouveaux Développements

Traitement des Gaz Acides : E njeux et Nouveaux Développements Traitement des Gaz Acides : E njeux et Nouveaux Développements J o u r n é e s d u P é tr o le s, P a r is 2 0 2 1 o c to b r e 2 0 0 8 S ommaire Objectifs du traitement des gaz acides P rincipaux procédés

Plus en détail

Estimation ARMA. Un processus ARMA est la solution stationnaire de l équation récurrente : θ k Z t k + Z t. k=1. k=1 φ kz k 0 pour z = 1.

Estimation ARMA. Un processus ARMA est la solution stationnaire de l équation récurrente : θ k Z t k + Z t. k=1. k=1 φ kz k 0 pour z = 1. Estimation ARMA Un processus ARMA est la solution stationnaire de l équation récurrente : X t = p φ k X t k + k=1 q θ k Z t k + Z t k=1 où Z t BB(0, σ 2 ) et où φ(z) = 1 + p k=1 φ kz k 0 pour z = 1. Paramètre

Plus en détail

Banque PT 1999 : Mathématiques II-B

Banque PT 1999 : Mathématiques II-B Banque PT 999 : Mathématiques II-B. Première partie.. ) E t E 2 = @ d où F = @ 2 et t F = @ 2 f(~e 3 ) = ~e 3 donc la droite vectorielle de base ~e 3 est stable par f. f(~e ) = ~e et f(~e 2 ) = 2 ~e +

Plus en détail

Mesurer des potentiels d emplois accessibles aux actifs. L exemple de l Île-de-France

Mesurer des potentiels d emplois accessibles aux actifs. L exemple de l Île-de-France Mesurer des potentiels d emplois accessibles aux actifs. L exemple de l Île-de-France Sandrine Wenglenski Maître de Conférences à l Université Paris-Est Marne-La-Vallée Laboratoire Ville Mobilité Transport

Plus en détail

Les audiences de la fiction dans les grands pays européens en 2011

Les audiences de la fiction dans les grands pays européens en 2011 Les audiences de la fiction dans les grands pays européens en 2011 1 Objectifs de travail L objet de ce document est de rassembler les palmarès d audience des programmes de fiction dans les principaux

Plus en détail

FACULTÉ DES SCIENCES Université de Nice-Sophia Antipolis

FACULTÉ DES SCIENCES Université de Nice-Sophia Antipolis FACULTÉ DES SCIENCES Université de Nice-Sophia Antipolis Année Universitaire : 2009-2010 Filière : MASS Année d étude : Licence 3 Responsable cours : V. BERENGER Nature du document : à l appui du cours

Plus en détail

Corrigé du baccalauréat S Antilles-Guyane Septembre 2015

Corrigé du baccalauréat S Antilles-Guyane Septembre 2015 Corrigé du baccalauréat S Antilles-Guyane Septembre 5 EXERCICE Commun à tous les candidats 6 points Soit n un entier naturel non nul. On considère la fonction f n définie et dérivable sur l ensemble R

Plus en détail

C h a m p io n a t ré g io n a le c o m ité Ile -d e -F ra n c e P ic a rd ie. P ro to c o le d e la re n c o n tre

C h a m p io n a t ré g io n a le c o m ité Ile -d e -F ra n c e P ic a rd ie. P ro to c o le d e la re n c o n tre P ro to c o le d e la re n c o n tre C h a m p io n a t r é g io n a le c o m ité Ile -d e -F r a n c e P ic a r d ie 2 9 a v r l 2 0 0 7 P is c in e d e N o g e n t s u r M a r n e 19:35 P ro to c o le

Plus en détail

ECOLE NATIONALE SUPERIEURE D ARCHITECTURE DE LA VILLE & DES TERRITOIRES A MARNE-LA-VALLEE DOCUMENT SOUMIS AU DROIT D AUTEUR

ECOLE NATIONALE SUPERIEURE D ARCHITECTURE DE LA VILLE & DES TERRITOIRES A MARNE-LA-VALLEE DOCUMENT SOUMIS AU DROIT D AUTEUR PARIS / IVRY DIS-CONTINUITES DE LA METROPOLE PIETRO BOSCOLO PFE 2114 m² / cos 5 1110 m² 6,5 hectares COS 2,00 186817 m² 7200 m² /cos 0,7 146 m²/cos 2 644 m²/cos 0,4 652 m² 0,4 3907 m² /cos 0,8 3850 m²

Plus en détail