Régression linéaire

L’un des problèmes issu de la violation des hypothèses est  «  l’hétéroscédasticité des erreurs » qui fera l’objet de notre travail. Nous illustrerons se problème à travers une méthode de prévision couramment utilisée en économétrie : le modèle linéaire multiple que nous exposerons brièvement dans la première partie. Dans la deuxième partie, nous attaquerons le but du sujet « l’hétéroscédasticité des erreurs » par une présentation et une énumération de ses origines. Par la suite nous chercherons

CHAPITRE I : REGRESSION LINEAIRE SIMPLE ET REGRESSION LINEAIRE MULTIPLE 7 I- REGRESSION LINEAIRE SIMPLE 7 1. Description du modèle : exemple introductif 7 2. Le modèle et ses hypothèses 8 3. Formulation des estimateurs : les moindres carrées 8 4. Hypothèse de normalité des erreurs 12 5. Equation et tableau d’analyse de la variance 13 II- LE MODELE DE REGRESSION MULTIPLE 14 1. Présentation du modèle 15 2. Hypothèses du modèle, estimation des coefficients de régression et propriétés

Chapitre 3 Liaison entre deux variables 3.1 Liaison linéaire entre deux variables quantitatives On considère un couple de variables (X, Y ). On dispose d’observations de ce couple de variables sur un échantillon de taille n : pour chaque individu on connaît le couple d’observations (xi , yi ). 3.1.1 Covariance n Définition 1. On définit la covariance de X et Y par : 1 Cov(X, Y ) = n [(xi − x)(yi − y )] . ¯ ¯ i=1 L’unité dans laquelle est exprimée la covariance est le produit des unités

Expéditeur : Service comptabilité Destinataire : Direction financière Date : 30/10/2013 Objet : Comparaison entre la prévision des ventes selon la droite d’ajustement ou selon la droite de régression La droite d’ajustement linéaire des ventes de buses en fonction du temps (Y = 359,37 t + 5 000,2) donne une prévision pour N+1 de 7 516 buses vendues. Cette méthode de prévision fait l’hypothèse que la tendance observée au cours des six dernières années sera obligatoirement maintenue

de corrélation y A y B y C y D ? • • • • x x x x 1 : corrélation non linéaire 2 : absence de liaison en moyenne mais pas en dispersion 3 : corrélation linéaire 4 : absence de liaison 7 Ph. LERAY - A. ROGOZAN UV Statistique Cours n°3 quantitative vs. quantitative • Coefficient de corrélation linéaire r n ⇒ mesure le caractère linéaire du nuage de points 1 ∑  xi−x yi− y cov  X ,Y  n i=1 r= = avec −1 r1 s X sY s X sY 1 1 2 2 2 2 où

conditionnelle Mesure de la dépendance entre deux variables qualitatives : - tableau croisé - test du chi-deux 2 3 Mesure de la dépendance entre deux variables quantitatives : - analyse graphique - coefficient de corrélation - ajustement linéaire Devoir sur table (1 h 30) 4 Séries chronologiques : - composantes - tendance longue durée (moyennes mobiles, moindres carrés) 5 Séries chronologiques : - coefficients saisonniers - désaisonnalisation Séries chronologiques : - prévisions

Analyse des données. CHAPITRE 1. REGRESSION ET CORRELATION 1.1. INTRODUCTION. En analyse de régression, on cherche à expliquer une variable métrique Y qui dépend d’une ou de plusieurs variables explicatives métriques X1, X2,..., Xp. A cette fin, un modèle mathématique peut représenter convenablement la relation entre Y et les Xi, ce modèle servira aussi pour faire des prévisions. Y = f ( X1, X2,..., Xp ) La variable Y s’appelle la variable expliquée, dépendante, endogène, tandis que les X1

Chapitre 2 : le modèle de régression simple Introduction * Etude de la relation et de la dépendance entre deux variables : une variable explicative, exogène (X) et une variable à expliquer, endogène (Y) * Caractère linéaire (au niveau des coefficients) : modèle linéaire sous la forme d’une équation : linéarité dans les paramètres : Y = aX+b * Modèle aléatoire : terme d’erreur intégré : Y = aX + b + Ԑ 1. Présentation – spécification et hypothèses du modèle Yt = aXt + b +

Alexandre Popier Université du Maine, Le Mans Octobre 2010 A. Popier (Le Mans) Licence SPI. Octobre 2010 1 / 16 P LAN DU COURS 1 R ELATION LINÉAIRE 2 D ROITE DE RÉGRESSION A. Popier (Le Mans) Licence SPI. Octobre 2010 2 / 16 P LAN 1 R ELATION LINÉAIRE 2 D ROITE DE RÉGRESSION A. Popier (Le Mans) Licence SPI. Octobre 2010 3 / 16 E XEMPLE : LIEN POIDS - TAILLE . Échantillon : médaillés (or) masculins à Sydney : Noms Taille

1 LE MODÈLE LINÉAIRE SIMPLE DONNÉES, NUAGES DE POINTS Il est fréquent, dans une étude élémentaire, de chercher à préciser une liaison éventuelle entre deux grandeurs pour lesquelles on dispose d'une série d'observations jointes. Ainsi :       la taille et le poids des éléments d'un groupe d'étudiants ; le salaire et le solde bancaire moyen des clients d'une banque ; le revenu annuel et le nombre moyen de voiture par habitant en France depuis 1948 ; le revenu par habitant et le taux d'analphabétisme