économétrie Régression Multiple

) (4’) ) La rentabilité espérée (μi) et le risque marginal bi º s iM s 2M de tout actif sont par conséquent liés par une relation linéaire. La pente de la droite de régression de la rentabilité de l’actif individuel Ri sur la rentabilité du marché RM est égale à s 2 et est habituellement appelée βi en économétrie. C’est la raison iM / M pour laquelle on utilise habituellement la notation « bêta » dans l’équation du MEDAF. D’après (4’), le bêta s’interprète comme la sensibilité de la

…………………………………………..………………..45 Analyse des individus……………………………………………..……………….…45 IV- Construction d’un modèle : Régression par la méthode des moindres carrés ordinaires 4-1) Présentation du modèle…………………………………………………..……………52 4-2) Résultats du modèle……………………………………….……………..……………52 4-3) Effet des systèmes éducatifs………………………………………………..…………56 V- Application des moindres carrés partiels 5-1) Présentation de la régression des moindres carrés partiels……………………………..57 ~6~ 5-2) Application……………………………………………………………………………

que : EL : expected loss ou perte attendue PD : default probability ou probabilité de défaut LGD : loss given default ou perte occasionnée en cas de défaut EAD : Exposure at default ou montant du crédit qui est exposé au moment du défaut Approches multiples du calcul des risques2 : Pour le risque de crédit, il existe trois approches possibles : l’approche standard, l’approche IRB (Internal Ratings Based) fondation et l’approche IRB avancée. Les banques ont le choix de s’en tenir à l’approche standard

U.E.222U106 : Gestion de portefeuille et des risques U.E.222U107 : Analyse financière et ingénierie financière U.E.222U109 : Marchés dérivés : contrats à terme et options - 2, 3 ou 4 UE optionnelles fléchées parmi 8 : (8 ECTS) U.E. 222U110 : Econométrie U.E. 222U111 : Informatique de la finance U.E. 222U112 : Information financière et comptabilité des groupes en IFRS U.E. 222U113 : Droit de la bourse U.E. 222U114 : Finances publiques U.E. 222U115 : Capital investissement U.E. 222U116 : Banque et

TEST DE MATH ........................................................... 106 III. ANALYSE DES DONNEES AVEC AUTRES METHODES QUE L’ACL .......................... 109 III.1 REGRESSION LOGISTIQUE BINAIRE ...................................................................... 109 III.2 COMPARAISON ENTRE L’APPROCHE ACL ET LA REGRESSION LOGISTIQUE 111 IV. ANALYSE DES TRANSITIONS LATENTES POUR LES DONNEES PASEC .................. 113 IV.1 ANALYSE DES NIVEAUX DE PERFORMANCE EN DÉBUT ET FIN D’ANNÉE .......

magique. Lorsque vous présentez à vos futurs utilisateurs un cube, ils sont souvent fascinés. Vous leur offrez enfin la possibilité de naviguer facilement dans l‟information, du général au détail, et vis-versa. Ils peuvent croiser l‟information de multiples façons. Voir les chapitres Navigation dans un cube depuis SAS Enterprise Guide et Microsoft Excel. La partie cachée : la structure du cube d‟un point de vue informatique permettant l‟optimum en terme de temps de réponse et d‟espace disque. Voir le

à des crises de liquidité. Cela est appuyé par l’image d’Épinal des épargnants pris de panique allant retirer leur argent en faisant la queue devant les banques lors de crises comme celle de 1929 par exemple. Une crise financière peut avoir de multiples causes, qui sont souvent des bulles spéculatives, mais se termine toujours par un défaut de liquidité et donc la faillite de firmes, d’États ou encore 5 6 Risques Financiers et Performance d’Investissement de ménages. Le fait de faciliter

n=1 Y Voir espace probabilisé, mesure de probabilité, Poincaré (formule de). Z 2 affine (fonction) affine (fonction) (affine function) Fonction de la forme y = a + bx que l’on rencontre notamment en statistique comme courbe de régression. Une telle fonction est souvent appelée « linéaire » par abus de langage. ajustement linéaire, polynomial, exponentiel, logarithmique (fitting) On considère deux grandeurs numériques x et y intervenant dans l’étude d’un phénomène. On suppose

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 5 6 7 8 8 9 9 9 10 11 12 13 13 14 14 16 17 17 17 17 17 19 19 19 20 21 21 21 23 24 25 29 29 29 29 30 30 31 32 32 33 34 34 34 37 38 38 38 39 3 Désaisonnalisation par regression linéaire 3.1 Présentation des données . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Le modèle linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Hypothèses sur les erreurs . . . . . . . . . . . . . . . . . . . . . 3

S. REMERCIEMENTS iv REMERCIEMENTS Au terme de la rédaction de ce mémoire, nous exprimons notre profonde gratitude à Monsieur Aliou FAYE, Directeur du CEPOD pour nous avoir accueillis dans la structure qu’il dirige et qui, malgré ses multiples responsabilités, nous a soucieusement encadrés. Nous adressons nos sincères remerciements à : Monsieur Bocar TOURE, Directeur de l’ENSAE pour avoir assuré le bon déroulement de notre formation ; Monsieur Mady DANSOKHO, Coordonnateur des études