Test de Student

Econométrie Olivier Donni 1 Introduction 1.1 Qu’ est-ce que l’ économétrie? C’ de la statistique appliqué à l’ est économie, qui permet de tester des théories économiques, prédire des comportement économiques et évaluer des politiques économiques. Les caractéristiques de l’ économétrie sont: (1) Les données utilisées ne sont pas expérimentales; (2) Les modèles à estimer sont structurels (et non descriptifs). 1.2 Les étapes d’ une analyses empirique (1) D’ abord, un modèle économique est

des séries chronologiques stationnaires à partir de leurs caractéristiques afin de déterminer, dans la famille des modèles ARIMA, le plus adapté à représenter le phénomène étudié. Quatre étapes principales sont définies : identification, estimation, test d’adéquation du model et prévision 1. NOTIONS DE BASE Pour comprendre la méthodologie de Box et Jenkins il est nécessaire de lever le voile sur certaines notions : 1.1 Processus non stationnaires Un processus est stationnaire au second

l’inscription, on peut arrêter l’inscription une fois que toutes les places sont prisent. Tout étudiant désirant s’inscrire au Centre doit prendre rendez-vous par Internet en visitant notre site: marrakesh.aca.org.ma/student/ Ce rendez-vous c’est pour l’inscription et pas pour passer le test de niveau et c’est juste pour l’organisation. Ca ne garanti pas l’inscription à 100%. LE PROGRAMME POUR LES RENDEZ-VOUS SERA ACTIVE 28/11/2010 |HORAIRES A TARIF NORMAL 1000,00 (+ 100.00 pour les nouveaux)

permet de calculer la valeur x telle que P ( X £ x ) = a , a Î [ 0,1] , lorsque X suit la loi normale de moyenne  et d’écart type . Syntaxe : invNorm( [, , ]).  Loi de Student à df degrés de liberté ( df Î * ). tPdf (densité d’une loi de Student) calcule la densité de probabilité de la loi de Student à df degrés de liberté en en un réel x spécifié. La densité de probabilité est définie par : f ( x) = 2 G((df +1) 2) 1 + x df ( ) -( df +1) 2 G(df 2) où G( x) = ò +¥

95% confidence interval for [pic] is [pic] that is[pic] (b) Calculate the t-statistic: [pic] The p-value for the test [pic] vs. [pic] is [pic] The p-value is less than 0.01, so we can reject the null hypothesis at the 5% significance level, and also at the 1% significance level. (c) The t-statistic is [pic] The p-value for the test [pic] vs. [pic] is [pic] The p-value is larger than 0.10, so we cannot reject the null hypothesis at the 10%, 5% or

et risque davantage de créer une dépendance ou d’être toxique. Pour chaque test expérimental, on travaille avec deux groupes distincts de souris pour lesquelles les conditions préalables de l’expérience doivent être identiques en termes de stress et de contexte environnemental pré-expérience. Cela est indispensable pour assurer que les résultats finaux aient une valeur scientifique. Pour ce faire, pour chaque test, on injecte à un groupe de souris la molécule que l’on cherche à étudier, et on

fenêtre Session, taper Let C3=C1(2)-C1(1) pour obtenir P(304≤x≤696) Test de Normalité ▪ Mettre les valeurs dans la colonne C1 ▪ Aller dans Calc / Calculatrice. Sélectionner dans Fonction: scores normaux. Mettre C1. Choisir C2 pour le résultat. Faire ensuite un graphique de C1 et C2 avec Graphique / Diagramme. ▪ Pour la droite de Henry et le test de normalité choisir Stat / Statistiques élémentaires / Test de normalité ▪ Vous pouvez aussi choisir Graphique / Diagramme de probabilité

p n Avec e = T(n 1;1 ) 2 = T(19;0:975) s^ p n s^ p 20 (T est de la table fractile student) Et il reste que le calcul 4. Taille de l’echantillon : Comme vous remarquer on a deux choses : inconnu (travailler avec la table de student qui a besoin de n) + On a pas la taille n pour utiliser la table de student. Donc automatiquement on approche la loi de student par la loi normal et on obtient ( = 10%) e = U(1 2 ) s^ p n (U est de la table Normale centrée

Adjusted R-squared: 0.6175 F-statistic: 54.27 on 1 and 32 DF, p-value: 2.229e-08 La sortie R nous permet alors de dire : 1. La relation quadratique entre la variable duree et la variable revenu est largement significative. En effet, la p-valeur du test H0 :β1=0 vs H1 :β1≠0 est égale à 2.229e-08et elle est inférieure à un seuil égal à 5%. 2. Les paramètresβ0,β1sont significativement différentes de zéro. Pour confirmer cela, nous traçons dans les graphiques (voir la figure 2 d’ellipsoïde et remarquons

. . . . . . . . . 2.2 L’estimateur des mco dans le modèle linéaire gaussien . . . . . . . ˆ ˆ 2.2.1 Loi du couple (β, σ 2 ) . . . . . . . . . . . . . . . . . . . . . . 2.2.2 Test sur la valeur d’un paramètre : la statistique de Student 2.2.3 Test unilatéral sur un coefficient . . . . . . . . . . . . . . . 2.2.4 Test bilatéral sur un coefficient . . . . . . . . . . . . . . . . 2.2.5 Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 2.2.6 mise en oeuvre sous sas des tests de significativité