Exercice 1 : Analyse de la relation Poids-Prix des ali-

ments
Avant d’entamer les questions spécifiques, dressons le tableau des calculs intermédiaires.
Ce tableau est fondamental pour éviter les erreurs lors du calcul des sommes, des moyennes
et des paramètres de régression.
Les variables sont définies comme suit :
— xi : Poids (en grammes)
— yi : Prix (en dollars)

Tableau des Calculs Intermédiaires

Obs (i) xi yi x2i yi2 xi y i
1 150 3,90 22 500 15,21 585,0
2 92 3,40 8 464 11,56 312,8
3 193 5,70 37 249 32,49 1 100,1
4 90 2,90 8 100 8,41 261,0
5 135 3,80 18 225 14,44 513,0
6 241 6,00 58 081 36,00 1 446,0
7 169 3,30 28 561 10,89 557,7
8 P 165 3,30 27 225 10,89 544,5
Total ( ) 1 235 32,30 208 405 139,89 5 320,1
Moyennes arithmétiques :
1235 32, 30
x̄ = = 154, 375 et ȳ = = 4, 0375
8 8

Sommes des carrés centrés (Variances et Covariance non normalisées) : Ces

termes facilitent le calcul des coefficients β.
X
Sxx = x2i − nx̄2 = 208 405 − 8(154, 375)2 = 208 405 − 190 656, 25 = 17 748, 75
X
Syy = yi2 − nȳ 2 = 139, 89 − 8(4, 0375)2 = 139, 89 − 130, 41125 = 9, 47875
X
Sxy = xi yi − nx̄ȳ = 5 320, 1 − 8(154, 375)(4, 0375) = 5 320, 1 − 4 986, 3125 = 333, 7875

1) Représentation Graphique
Le graphique ci-dessous représente le nuage de points (xi , yi ).

1
 Figure 1 – Représentation du prix en fonction des poids

Analyse : On observe une tendance globale à la hausse : lorsque le poids augmente, le

prix tend à augmenter. Il semble exister une relation linéaire positive entre les deux
variables.

2) Estimation des paramètres β0 et β1

Le modèle est (P rix) = β0 + β1 ∗ (P oids) + ε. Nous cherchons la droite des moindres
carrés ŷ = β̂0 + β̂1 x.
Calcul de la pente β̂1 :
Sxy 333, 7875
β̂1 = = ≈ 0, 018806...
Sxx 17 748, 75
Nous arrondirons à 0,0188.
Calcul de l’ordonnée à l’origine β̂0 :

β̂0 = ȳ − β̂1 x̄ = 4, 0375 − (0, 018806 × 154, 375) ≈ 4, 0375 − 2, 9032 = 1, 1343

Équation de la droite de régression :

ŷ = 1, 1343 + 0, 0188x

2
Cela signifie qu’il y a un prix de base fixe d’environ 1,13$ et que chaque gramme supplé-
mentaire augmente le prix de 0,0188$.

3) Ajustement de la droite
La droite a été tracée en rouge sur le graphique de la question 1. Pour vérifier l’ajustement,
on constate visuellement que la droite traverse le nuage de points en minimisant les
distances verticales. Elle passe par le point moyen (x̄, ȳ) = (154, 375; 4, 0375), ce qui est
une propriété fondamentale d’un ajustement satisfaisant par les moindres carrés.

4) Prévisions
Utilisons l’équation ŷ = 1, 1343 + 0, 0188x.

a) Pour un aliment de 100g (x = 100) :

ŷ = 1, 1343 + 0, 0188(100) = 1, 1343 + 1, 88 = 3,01 $

b) Pour un aliment de 200g (x = 200) :

ŷ = 1, 1343 + 0, 0188(200) = 1, 1343 + 3, 76 = 4,89 $

c) Accroissement pour 50g supplémentaires : Ici, on s’intéresse à la variation

marginale, déterminée par la pente β̂1 .

∆y = β̂1 × ∆x = 0, 0188 × 50 = 0,94 $

Le prix augmenterait de 0,94$.

5) Somme des résidus

Par
P définition de la méthode des moindres carrés ordinaires (MCO), la somme des résidus
( ei ) est toujours nulle (ou extrêmement proche de zéro dû aux arrondis).
n
X n
X
ei = (yi − ŷi ) = 0
i=1 i=1

Note : Si l’on recalculait manuellement avec les valeurs arrondies, on trouverait un nombre
infime type 0, 0001.

6) Décomposition de la variance et R2
L’exercice demande la SCT, la SCE et la SCR. Rappelons l’égalité d’analyse de la va-
riance : SCT = SCE + SCR.
1. SCT (Somme des Carrés Totale) : C’est la variation totale de y (équivalent au
Syy calculé plus haut).
X
SCT = (yi − ȳ)2 = 139, 89 − 8(4, 0375)2 = 9, 4788

3
2. SCE (Somme des Carrés Expliquée par le modèle) : Aussi notée SSR (Sum of
Squares Regression).

SCE = β̂1 × Sxy = 0, 018806 × 333, 7875 ≈ 6, 2773

(Alternativement : (ŷi − ȳ)2 )

P

3. SCR (Somme des Carrés Résiduels) : Aussi notée SSE (Sum of Squares Error).
C’est la part non expliquée.

SCR = SCT − SCE = 9, 4788 − 6, 2773 = 3, 2015

4. Coefficient de détermination (R2 ) : Il mesure la qualité de l’ajustement.

SCE 6, 2773
R2 = = ≈ 0, 6622
SCT 9, 4788

Interprétation : Environ 66,22 % de la variation du prix des aliments est expliquée par
leur poids dans ce modèle linéaire. C’est un ajustement moyen à correct.

Exercice 2
Passons maintenant au second exercice. Ici, nous changeons de contexte pour analyser
des données macroéconomiques. Nous disposons déjà des sommes pré-calculées, ce qui va
grandement accélérer notre travail, mais il faut rester vigilant sur les formules à utiliser,
notamment celles fournies en bas de l’énoncé qui utilisent des estimateurs sans biais
(division par n − 1).
Nous avons n = 8 observations (les différents groupes de pays).

1. Identification des variables

Pour commencer toute modélisation, il faut déterminer le sens de la causalité supposée.
L’énoncé nous dit que l’on cherche à expliquer le taux de scolarisation en fonction du PIB.
— La variable à expliquer (variable dépendante Y ) est donc le Taux brut de sco-
larisation (en %).
— La variable explicative (variable indépendante X) est le PIB par habitant (en
dollars).
C’est logique : on suppose que la richesse d’un pays influence sa capacité à scolariser ses
jeunes.

2. Calcul des moyennes et des variances observées

Calculons d’abord les paramètres de position (les moyennes) en utilisant les sommes four-
nies.
Pour le PIB (X) : P
xi 39 457
x̄ = = = 4 932, 125
n 8

4
Pour le Taux de scolarisation (Y ) :
P
yi 509
ȳ = = = 63, 625
n 8

Pour les variances, attention aux "Indications" de l’énoncé. Les formules données pour Sx
et Sy comportent n − 1 au dénominateur. Nous allons donc calculer la variance estimée
(ou corrigée).
Calculons d’abord la somme des carrés des écarts (le numérateur) pour X :
X X
(xi − x̄)2 = x2i − nx̄2

= 245 474 957 − 8 × (4 932, 125)2

= 245 474 957 − 194 606 856, 1 = 50 868 100, 9

La variance observée de X (Sx2 ) est donc :

50 868 100, 9 50 868 100, 9
Sx2 = = ≈ 7 266 871, 56
n−1 7

Faisons de même pour Y . Le numérateur est :

X X
(yi − ȳ)2 = yi2 − nȳ 2

= 33 685 − 8 × (63, 625)2

= 33 685 − 32 385, 125 = 1 299, 875

La variance observée de Y (Sy2 ) est donc :

1 299, 875
Sy2 = ≈ 185, 70
7

3. Équation du modèle théorique

Avant d’estimer les valeurs, rappelons l’écriture formelle du modèle linéaire simple dans
la population. Pour tout pays i, la relation s’écrit :

Yi = β0 + β1 Xi + εi

Où :
— Yi est le taux de scolarisation théorique.
— β0 est l’ordonnée à l’origine (constante).
— β1 est la pente (coefficient directeur).
— εi est le terme d’erreur (ce qui n’est pas expliqué par le PIB).

5
4. Estimation des coefficients βˆ0 et βˆ1
Pour trouver l’équation de la droite ŷ = βˆ0 + βˆ1 x, nous devons d’abord calculer la cova-
riance entre X et Y, en suivant la formule de l’énoncé (divisée par n − 1).
Calcul du numérateur de la covariance :
X X
(xi − x̄)(yi − ȳ) = xi yi − nx̄ȳ

= 2 763 685 − 8 × (4 932, 125) × (63, 625)

= 2 763 685 − 2 510 443, 6 = 253 241, 4

La covariance est donc :

253 241, 4
cov(x, y) = ≈ 36 177, 34
7

Nous pouvons maintenant estimer la pente βˆ1 . Selon la théorie (et compatible avec les
formules données), la pente est le rapport entre la covariance et la variance de la variable
explicative X :
cov(x, y)
βˆ1 =
Sx2
36 177, 34
βˆ1 = ≈ 0, 00498
7 266 871, 56

Enfin, calculons l’ordonnée à l’origine βˆ0 en utilisant le point moyen :

βˆ0 = ȳ − βˆ1 x̄

βˆ0 = 63, 625 − (0, 00498 × 4 932, 125)

βˆ0 = 63, 625 − 24, 562
βˆ0 ≈ 39, 06

L’équation de la droite de régression estimée est donc :

T
\ aux = 39, 06 + 0, 00498 × (P IB)

Cela signifie qu’un pays avec un PIB nul aurait théoriquement un taux de scolarisation de
base de 39%, et que pour chaque augmentation de 1000 $ du PIB, le taux de scolarisation
augmente d’environ 5 points de pourcentage (0, 00498 × 1000 ≈ 4, 98).

Exercice 3 : Analyse de la fonction de consommation

keynésienne
Données et notations :
— Variable endogène (à expliquer) : Consommation des ménages (Ct )
— Variable exogène (explicative) : Revenu disponible brut (Rt )
— Nombre d’observations : n = 10 (de 1992 à 2001)
— Modèle : Ct = α + βRt + ut

6
1) Nuage de points et commentaire
Représentation : Le nuage de points placerait le Revenu (R) en abscisse et la Consomma-
tion (C) en ordonnée.

Figure 2 – Enter Caption

Commentaire : En observant les données, on constate que lorsque le revenu augmente,

la consommation augmente également. Les points semblent s’aligner le long d’une droite
croissante. Cette configuration justifie l’utilisation d’un modèle de régression linéaire
simple pour expliquer la relation entre ces deux variables.

Tableau des calculs intermédiaires

Pour estimer les paramètres par la méthode des Moindres Carrés Ordinaires (MCO), nous
avons besoin des moyennes, des écarts à la moyenne et de leurs produits.

7
 Année Rt Ct (Rt − R̄) (Ct − C̄) (Rt − R̄)2 (Rt − R̄)(Ct − C̄)
1992 8000 7389,99 -3280 -2595,585 10 758 400 8 513 518,80
1993 9000 8169,65 -2280 -1815,925 5 198 400 4 140 309,00
1994 9500 8831,71 -1780 -1153,865 3 168 400 2 053 879,70
1995 9500 8652,84 -1780 -1332,735 3 168 400 2 372 268,30
1996 9800 8788,08 -1480 -1197,495 2 190 400 1 772 292,60
1997 11000 9616,21 -280 -369,365 78 400 103 422,20
1998 12000 10593,45 720 607,875 518 400 437 670,00
1999 13000 11186,11 1720 1200,535 2 958 400 2 064 920,20
2000 15000 12758,09 3720 2772,515 13 838 400 10 313 755,80
2001 16000 13869,62 4720 3884,045 22 278 400 18 332 692,40
Sommes 112 800 99 855,75 0 0 64 156 000 50 104 729,00
Moyennes 112 80 99 85,575 0 0 64 156 00 50 104 72,90

2) Estimation des paramètres (Consommation autonome et Pro-

pension marginale à consommer)
L’estimation se fait par la méthode des MCO.
Estimation de la pente β̂ (Propension marginale à consommer) :
P
(Rt − R̄)(Ct − C̄) 50 104 729
β̂ = P 2
= ≈ 0, 78098
(Rt − R̄) 64 156 000

En arrondissant à 4 décimales : β̂ = 0, 7810

Estimation de la constante α̂ (Consommation autonome) :

α̂ = C̄ − β̂ R̄

α̂ = 9 985, 575 − (0, 7809827 × 11 280)

α̂ = 9 985, 575 − 8 809, 485
α̂ = 1 176, 0900
L’équation estimée est donc :

Ĉt = 1 176, 09 + 0, 7810Rt

3) Valeurs estimées de Ct (Ĉt )

On applique l’équation Ĉt = 1 176, 09 + 0, 7810Rt pour chaque année.
— 1992 : 1176, 09 + 0, 7810(8000) = 7424, 09
— 1993 : 1176, 09 + 0, 7810(9000) = 8205, 09
— ... (calcul identique pour les autres années) ...
— 2001 : 1176, 09 + 0, 7810(16000) = 13672, 09

8
4) Calcul des résidus et vérification de la propriété de moyenne
nulle
Le résidu est la différence entre la valeur observée et la valeur estimée : et = Ct − Ĉt .
Année Ct (Observé) Ĉt (Estimé) Résidus et
1992 7389,99 7423,95 -33,96
1993 8169,65 8204,93 -35,28
1994 8831,71 8595,43 236,28
1995 8652,84 8595,43 57,41
1996 8788,08 8829,72 -41,64
1997 9616,21 9766,90 -150,69
1998 10593,45 10547,88 45,57
1999 11186,11 11328,87 -142,76
2000 12758,09 12890,83 -132,74
2001 13869,62 13671,81 197,81
Note : Les valeurs estimées dans le tableau ci-dessus utilisent le β précis pour minimiser
les erreurs d’arrondi.
P
Vérification : La somme des résidus et doit être égale à 0.
X
et = −33, 96 − 35, 28 + · · · + 197, 81 ≈ 0

La propriété est vérifiée (aux erreurs d’arrondi près).

5) Estimateur de la variance de l’erreur (σ̂ 2 )

e2t .
P
Il faut d’abord calculer la Somme des Carrés des Erreurs (SSE ou SCR) : SSE =
En élevant chaque résidu au carré et en sommant :
SSE ≈ 199 765, 65
L’estimateur sans biais de la variance de l’erreur est :
SSE 199 765, 65 199 765, 65
σ̂ 2 = = = = 24 970, 71
n−2 10 − 2 8
√
L’écart-type de l’erreur (erreur standard de l’estimation) est : σ̂ = 24 970, 71 ≈ 158, 02.

6) Test de significativité de la pente (β)

Nous voulons savoir si le revenu influence significativement la consommation.
— Hypothèses : H0 : β = 0 (pas d’influence) contre H1 : β ̸= 0 (influence significa-
tive).
— Statistique de test (t de Student) :
β̂
t∗ =
σ̂β̂
Il nous faut l’écart-type de l’estimateur β :
s r
σ̂ 2 24 970, 71 p
σ̂β̂ = P 2
= = 0, 0003892 ≈ 0, 0197
(Rt − R̄) 64 156 000

9
 0, 7810
t∗ = ≈ 39, 64
0, 0197
— Règle de décision : On compare t∗ à la valeur lue dans la table de Student à
(n − 2) = 8 degrés de liberté et au seuil α = 5%. Lecture table : t0.975;8 = 2, 306.
— Conclusion : Comme |t∗ | = 39, 64 > 2, 306, on rejette H0 . La pente est significa-
tivement différente de 0. Le revenu explique la consommation.

7) Intervalle de confiance de β au niveau 95%

La formule est : ICβ = [β̂ − tα/2 · σ̂β̂ ; β̂ + tα/2 · σ̂β̂ ]

IC = [0, 7810 − (2, 306 × 0, 0197) ; 0, 7810 + (2, 306 × 0, 0197)]

IC = [0, 7810 − 0, 0454 ; 0, 7810 + 0, 0454]

IC95% = [0, 7356 ; 0, 8264]
Nous sommes sûrs à 95% que la propension marginale à consommer se situe entre 0,73 et
0,83.

8) Coefficient de détermination et Test de Fisher

détermination (R2 ) : On calcule d’abord la Somme des Carrés Totale
Coefficient de P
(SST ) : SST = (Ct − C̄)2 . D’après les données brutes : SST ≈ 39 330 140. On sait que
SST = SSR + SSE.

SSR(Expliquée) = SST − SSE = 39 330 140 − 199 765 = 39 130 375

SSR 39 130 375

R2 = = ≈ 0, 9949
SST 39 330 140
Interprétation : 99,49% de la variation de la consommation est expliquée par le revenu.
Le modèle est excellent.
Test de Fisher (Significativité globale) : Hypothèses : H0 : R2 = 0 (modèle non
explicatif) vs H1 : R2 ̸= 0.

R2 /(k − 1) 0, 9949/1 0, 9949

F = 2
= = ≈ 1560
(1 − R )/(n − k) (1 − 0, 9949)/8 0, 0006375

Valeur critique F(1,8) au seuil 5% = 5,32. Comme Fcalcul > 5, 32, la régression est globale-
ment significative.

9) Tableau d’Analyse de la Variance (ANOVA)

Source de variation Somme des Carrés ddl Carré Moyen F
Expliquée (Régression) 39 130 375 (SSR) 1 39 130 375 1567,05
Résiduelle (Erreur) 199 765 (SSE) 8 24 970,71
Totale 39 330 140 (SST ) 9
L’équation d’analyse de la variance SST = SSR + SSE est bien vérifiée : 39 130 375 +
199 765 ≈ 39 330 140.

10
10) Test du coefficient de corrélation (Donnée étudiante)
L’étudiant trouve rXY = 0, 99789619. Dans une régression linéaire simple, tester la signi-
ficativité du coefficient de corrélation (r = 0) revient exactement à tester la significativité
de la pente (β = 0). Nous avons déjà effectué le test de Student sur la pente en question
6 et trouvé une valeur t ≈ 39, 64, largement supérieure à la valeur critique.
Argumentation sans calcul : Puisque la pente de la droite de régression a été jugée
hautement significative (Q6) et que le coefficient de détermination est très proche de 1
(Q8), le coefficient de corrélation linéaire est nécessairement significatif. Il existe une très
forte liaison linéaire positive entre le revenu et la consommation.

11) Prévision pour 2002 et 2003

Modèle : Ĉ = 1176, 09 + 0, 7810R.
Prévisions ponctuelles :
— 2002 (R2002 = 16 800) : Ĉ2002 = 1176, 09 + 0, 7810(16800) = 14 296, 89
— 2003 (R2003 = 17 000) : Ĉ2003 = 1176, 09 + 0, 7810(17000) = 14 453, 09
Intervalle de prévision à 95% : La formule de la variance de l’erreur de prévision pour
une valeur R0 est :
(R0 − R̄)2
 
2 2 1
σ̂p = σ̂ 1 + + P
n (Ri − R̄)2

Pour 2002 (R0 = 16800) :

(R0 − R̄)2 = (16800 − 11280)2 = 30 470 400

 
2 1 30 470 400
σ̂p = 24970, 71 1 + + = 24970, 71(1 + 0, 1 + 0, 475)
10 64 156 000
σ̂p2 = 24970, 71 × 1, 575 = 39 328, 8
√
Marge d’erreur = t0.975;8 × 39328, 8 = 2, 306 × 198, 31 ≈ 457, 3
Intervalle 2002 : [14296, 89 ± 457, 3] = [13 839, 59 ; 14 754, 19]
Pour 2003 (R0 = 17000) : Le terme d’éloignement à la moyenne augmente, élargissant
l’intervalle (effet "éventail").

(17000 − 11280)2 = 32 718 400

σ̂p2 = 24970, 71(1, 1 + 0, 51) = 40 202, 8

√
Marge d’erreur = 2, 306 × 40202, 8 = 2, 306 × 200, 5 ≈ 462, 3
Intervalle 2003 : [14453, 09 ± 462, 3] = [13 990, 79 ; 14 915, 39]

11