Le mod`ele de régression multiple
Le mod`ele de régression multiple
Le mod`ele de régression multiple
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
significatives dans l’ensemble. Une fois ce test effectué, il est nécessaire d’aller étudier<br />
la significativité <strong>de</strong> chaque variable prise séparément par un test <strong>de</strong> stu<strong>de</strong>nt.<br />
Remarque : on peut tester la significativité d’une seule variable par un test <strong>de</strong><br />
Fisher. Dans ce cas, F = t 2 et cela revient donc à faire un test <strong>de</strong> stu<strong>de</strong>nt.<br />
Application b) Test <strong>de</strong> constance <strong>de</strong>s paramètres ou <strong>de</strong> l’absence <strong>de</strong><br />
rupture<br />
On veut étudier si les paramètres sont différents avant et après une certaine date,<br />
ou alors s’ils diffèrent pour <strong>de</strong>ux groupes <strong>de</strong> population distincts. Il s’agit d’un test<br />
<strong>de</strong> changement <strong>de</strong> structure.<br />
Pour cela, on doit au préalable s’assurer que la variance <strong>de</strong> l’erreur est constante,<br />
c’est-à-dire que la variance du premier sous-échantillon (notée σ1 2 )estlamême que<br />
la variance du second sous-échantillon (notée σ2), 2 sinon on ne serait plus sous les<br />
hypothèses permettant d’appliquer les MCO (on parle <strong>de</strong> test d’égalité <strong>de</strong>s variances,<br />
on verra cela dans le chapitre suivant).<br />
Sous l’hypothèse que σ1 2 = σ2 2 ,onpeutfaireletest <strong>de</strong> Fisher d’égalité <strong>de</strong>s<br />
paramètres entre les <strong>de</strong>ux sous-échantillons. Il s’agit <strong>de</strong> tester :<br />
⎧<br />
⎪⎨<br />
H 0 :<br />
⎪⎩<br />
β (1)<br />
0 = β (2)<br />
0<br />
β (1)<br />
1 = β (2)<br />
1<br />
.<br />
β (1)<br />
K<br />
= β(2) K<br />
dans le modèle :<br />
{<br />
y i =<br />
β (1)<br />
0 + β (1)<br />
1 x 1i + ...+ β (1)<br />
K x Ki + ε i i ∈ population (1)<br />
β (2)<br />
0 + β (2)<br />
1 x 1i + ...+ β (2)<br />
K x Ki + ε i i ∈ population (2)<br />
La statistique <strong>de</strong> Fisher est alors :<br />
Or, sous H 0 ,lemodèle est :<br />
F = (SCR 0 − SCR 1 )/(K 1 − K 0 )<br />
SCR 1 /(n − K 1 − 1)<br />
y i = β 0 + β 1 x 1i + ...+ β K x Ki + ε i<br />
Donc SCR 0 est la somme <strong>de</strong>s carrés <strong>de</strong>s résidus dans ce modèle et K 0 = K +1.<br />
Pour le modèle sous H 1 ,onaSCR 1 = ∑ i∈(1) ˆε2 i + ∑ i∈(2) ˆε2 i . On peut donc<br />
estimer la régression sur chaque sous-population et calculer chaque SCR, leur somme<br />
donnant SCR 1 . K 1 =(K +1)+(K +1).<br />
Ainsi,<br />
F = (SCR 0 − SCR 1 )/K<br />
SCR 1 /(n − 2K − 2)<br />
38