Régression non linéaire

ECONOMETRIE NON-PARAMETRIQUE RELATION ENTRE TAUX COURT ET TAUX LONG MASTER 2 Statistique et économetrie 2011/2012

Techniques  Techniques causales Techniques extrapolatives R. Jahidi 4 Techniques causales Développent une relation de cause à effet entre la  variable à expliquer et les autres variables Adaptées pour la prévision à moyen long terme  (MLT) Régression: trouver la ligne qui épouse le mieux les  é l l é l l observations passées (Somme des écarts au carré  minimale). Le prolongement de la ligne permet la  minimale)  Le prolongement de la ligne permet la  prévision. R. Jahidi 5 Techniques extrapolatives

L'analyse de régression "All models are wrong but some are useful" (Box). 1. Introduction De nombreuses études consistent à essayer d'expliquer, à l'aide d'un modèle, les variations d'une variable, par exemple le rendement d'une réaction chimique, en fonction d'un certain nombre d'autres variables comme, la température et la quantité de catalyseur utilisées pour effectuer la réaction. On écrira la relation recherchée sous la forme suivante : Y = f ( X 1, X 2) où Y représente le rendement

2 Table des matières 1 La régression linéaire 1.1 Le principe . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Interprétation . . . . . . . . . . . . . . . . . . . . . . . 1.2.1 Régression linéaire simple . . . . . . . . . . . . 1.2.2 Regression linèaire multiple . . . . . . . . . . . 1.3 Mesure (descriptive) de la qualité de l’ajustement linéaire 1.3.1 Trois concepts différents de la variation de y . . 1.3.2 Mesure de la qualité de l’ajustement linéaire . . 1.4 Une illustration . . . .

La régression Encadré par: Mr. Karim Doumi Présenté par : Meryem Zakri Zineb Dib La régression simple La régression est une méthode statistique qui traite les valeurs d’une variable dépendante Y comme étant fonction des valeurs prises par une ou plusieurs variables indépendantes X La régression simple (= bivariée) comprend une seule variable indépendante L’équation de régression a donc la forme: La régression simple Y= a + bX + eᵢ Y : variable dépendante (à expliquer) X : variable indépendante

construction d’un modèle comporte un certain nombre d’étapes qui sont toutes importantes pour l’acceptation du modèle. Cela signifie qu’en cas de faiblesse d’un des maillons, le modèle peut se trouvé invalidé pour cause d’hypothèses manquantes, de données non représentatives ou observées avec des erreurs. Il apparaît donc évident que le plus important pour l’économètre lorsqu’il entreprend de construire un modèle est la formation d’hypothèses. Hypothèses qu’il va par la suite vérifier à travers un certain

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

 ECONOMETRIE REGRESSION LINEAIRE SIMPLE 1. Régression linéaire simple Maintenant on se place dans le cas général, on a plusieurs séries : La série X : X1 X2 …Xi ... Xn on note la moyenne de X=1/n* La série Y : Y1 Y2 …Yi ... Yn on note la moyenne de Y=1/n* La série des estimations Yest notée aussi = α + ß * X : 1 2 .. i .. n La série des résidus .ε: ε 1 ε 2 … ε i ... ε n Y = α +β *X + ε = + ε et pour tout i allant de 1 à n Yi

Décision et Prévision Statistiques Thierry Verdel (2007) Chapitre 7 La régression linéaire Les sciences exactes sont fondées sur la notion de relations répétables, qui peut s’énoncer ainsi : dans les mêmes conditions, les mêmes causes produisent les mêmes effets. Notant alors x la mesure des causes, et y celle des effets, la liaison entre y et x s’écrit suivant la relation fonctionnelle y = fc HxL : à une valeur donnée de x correspond une valeur bien déterminée de y. Or, pour de nombreux

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