Modèle de régression linéaire multivarié
Transcription
Modèle de régression linéaire multivarié
U. Paris Ouest, M1 - Cours de Modélisation Appliquée Modèle de régression linéaire multivarié Laurent Ferrara Mars 2013 U. Paris Ouest L. Ferrara, 20122012-13 Exemple: Consommation mondiale du pétrole World Liquid Fuels Supply and Demand Balance million barrels per day 94 140 World supply (left axis) World demand (left axis) B t Brent BMPE Dec. 2012 OECD ‐ EO Nov. 2012 EIA ‐ Feb. 2013 IMF‐WEO update, Jan. 2013 92 90 Forecast 120 100 88 80 86 60 84 40 82 20 80 0 2009-Q1 2010-Q1 2011-Q1 2012-Q1 2013-Q1 2014-Q1 Source: Short-Term Energy Outlook, February 2013 U. Paris Ouest L. Ferrara, 20122012-13 Exemple: Consommation mondiale du pétrole Expliquer la conso mondiale de pétrole C(t) (en logs) par : P(t) Prix P(t): P i du d pétrole ét l (en ( logs) l ) PIB(t) : Demande de pétrole (en logs) à l’aide du modèle suivant : C ( t ) = b 0 + b1 P ( t ) + b 2 PIB ( t ) + ε ( t ) b0 b1 = élasticité-prix b2 = élasticité élasticité-revenu revenu U. Paris Ouest L. Ferrara, 20122012-13 Schéma de mise en œuvre d’une modélisation linéaire Analyse des données Modèle de régression linéaire E ti ti des Estimation d paramètres èt du d modèle dèl Validation du modèle U. Paris Ouest Utilisation du modèle en prévision Distributions, lien linéaire,... Choix des variables MCO, MLE Tests d’hypothèses, Analyse de la variance Points et IC L. Ferrara, 20122012-13 Modèle linéaire multivarié Soit pp+1 variables continues Y et X1, …, Xp, . On observe les unités expérimentales : ( y i , x i1 ,..., x ip ) pour i = 1, …, n. Le modèle linéaire s’écrit sous forme matricielle: Y=Xb+ε avec Y = ( y 1 ,..., y n ) t ( n × 1) b = ( b 0 , b1 ,..., b p ) t ε = ( ε 1 ,,...,, ε n ) t U. Paris Ouest ( p + 1 × 1) ( n × 1) L. Ferrara, 20122012-13 et : ⎛1 ⎜ ⎜ ... X =⎜1 ⎜ ⎜ ... ⎜ ⎝1 U. Paris Ouest x 11 ... x 1k ... x i1 ... x ik ... x 1n ... x nk ... x 1p ⎞ ⎟ ⎟ x ip ⎟⎟ ⎟ p ⎟ xn ⎠ ( n × ( p + 1)) L. Ferrara, 20122012-13 Hypothèses du modèle linéaire : • H1 : E(Y) fonction linéaire des X1, …, Xp . • H2 : Les erreurs, εi, sont indépendantes entre elles • H3 : E(εi) = 0, les erreurs sont d’espérance nulle (en moyenne le modèle est bien spécifié) U. Paris Ouest L. Ferrara, 20122012-13 • H4 : E(ε2i) = σ2 , les erreurs sont de variance égale ppour toute valeur de X (hypothèse d ’homoscédasticité) • H5 : E(Xi εi) = 0 , les erreurs,sont indépendantes des valeurs de X • H6 : Hypothèse de Normalité Les erreurs, εi, sont identiquement distribuées selon la loi Normale. Normale U. Paris Ouest L. Ferrara, 20122012-13 Hypothèses supplémentaires structurelles • H7 : Absence de colinéarité entre les X1, …, Xp . • H8 : (X’X) / n tend vers une matrice finie non singulière g lorsque q n tend vers l ’infini • H9 : n > p+1 U. Paris Ouest L. Ferrara, 20122012-13 Estimation des paramètres • Objectif : estimer le vecteur b • Par les MCO, on minimise la forme quadratique : n Q (b) = ∑ ε = (Y − bX ) (Y − bX ) i =1 2 i t ∂Q (b) = 2 X tY + 2 X t Xb = 0 ∂b ∂b U. Paris Ouest L. Ferrara, 20122012-13 Et : bˆ = ( X t X ) −1 X tY Solution réalisable si la matrice carrée XtX est inversible !!! → des hypothèses sont nécessaires En cas de E d colinéarité li é ité parfaite f it entre t 2 variables i bl explicatives, li ti cette matrice est singulière et la méthode des MCO est défaillante. défaillante U. Paris Ouest L. Ferrara, 20122012-13 Le modèle estimé s’écrit donc : ˆy i = bˆ0 + bˆ1 x i1 + ... + bˆ p x ip Soit : Yˆ = X bˆ = X ( X t X ) − 1 X t Y i ie: Yˆ = HY U. Paris Ouest L. Ferrara, 20122012-13 L’erreur de prévision (ou résidu) est donnée par : ei = yi − yˆ i Soit : e = ( I − H )Y Remarques : R1 : Il faut f t distinguer di ti l’erreur l’ inobservable i b bl du d modèle dèl (ε) ( ) ett le résidu (e) qui lui est estimé R2 En R2: E termes t géométriques, é ét i le l vecteur t (e) ( ) estt la l projection j ti orthogonale sur le sous-espace vectoriel Vect(X) U. Paris Ouest L. Ferrara, 20122012-13 Interprétation géométrique Propriétés des estimateurs • L ’estimateur b̂ est le meilleur estimateur non-biaisé de b au sens où sa variance est la pplus faible ppossible et • On mq : 2 t −1 ˆ V (b) = σ ε ( X X ) • Un ESB de la variance résiduelle est donné par : n σˆ ε = 2 U. Paris Ouest 2 ∑ ei i =1 n − p −1 L. Ferrara, 20122012-13 Propriétés des estimateurs • Sous l’hypothèse de Normalité, l’ EMV coïncide avec le l’estimateur MCO mais est un estimateur efficace;; ie: sa matrice des variances-covariances atteint la borne de Cramer –Rao • L L’estimateur estimateur de la variance résiduelle suit une loi : 2 Chi (n − p −1) 2 2 σˆε ≈ σ n − p −1 U. Paris Ouest L. Ferrara, 20122012-13 Validation: Somme des carrés • SSE = Sum of squared errors SSE = Y − Yˆ 2 • SST = Total sum of squares 2 SST = Y − y1 = Y tY − ny 2 • SSR = Regression g sum of squares q 2 SSR = Yˆ − y1 = Yˆ tYˆ − ny 2 = b t X tY − ny 2 SST = SSR+SSE U. Paris Ouest L. Ferrara, 20122012-13 Validation: Coefficient de détermination SSR SSE R = = 1− SST SST 2 • Le coefficient de détermination est la part de variation de Y expliquée par le modèle, ie : il doit être le plus proche de 1 • Attention: on remarque que l’ajout de variables explicatives augmente automatiquement ce coefficient U. Paris Ouest L. Ferrara, 20122012-13 Validation: Coefficient de détermination ajusté 2 = 1− RAdj SSE /( n − p − 1) SST /( n − 1) • On pondère par le nombre de paramètres à estimer. U. Paris Ouest L. Ferrara, 20122012-13 Validation: Tests sur les paramètres • On montre que la statistique T suit une loi de St dent à (n-p-1) Student (n p 1) ddl: bˆ j − b j T= σb j • On utilise T pour tester H0: b j = 0 Racine du jième terme diagonal de la matrice de variance-cov des paramètres estimés • Un intervalle de confiance à (1-α) est donné par: b j ± tα / 2,( n − p −1)σ b j U. Paris Ouest L. Ferrara, 20122012-13 Validation: Tests du modèle global • On peut tester globalement l’hypothèse nulle: H 0 : b1 = b2 = ...bp = 0 • On utilise la statistique: SSR / p F= SSE /(n − p − 1) qui suit une loi de Fischer à (p, n-p-1) ddl U. Paris Ouest L. Ferrara, 20122012-13 Validation: Tests d’un modèle réduit • On peut tester l’hypothèse nulle d’un modèle réduit à q<p variables ariables eexplicatives: plicati es: H 0 : b1 = b2 = ...bq = 0 • Sous H0, on utilise la statistique: F= ( SSEq − SSE p ) / q SSE p /(n − p − 1) qui suit une loi de Fischer à (q, n-p-1) ddl. • L’ajout des (p-q) variables explicatives est justifié si (SSRp- SSRq) est « suffisamment grand ». U. Paris Ouest L. Ferrara, 20122012-13 Prévision • Soit une nouvelle observation: X 0 = ( x01 ,..., x0p )t yˆ 0 = bˆ0 + bˆ1 x 01 + ... + bˆ p x 0p • Prédicteur : • IC pour Y: yˆ 0 ± tα / 2 , ( n − p −1)σ ε (1 + v 0t ( X t X ) − 1 v 0 )1 / 2 • IC pour E(Y): v 0 = (1, x 01 ,..., x 0p ) yˆ 0 ± tα / 2 , ( n − p −1)σ ε ( v 0t ( X t X ) −1 v 0 )1 / 2 U. Paris Ouest L. Ferrara, 20122012-13 Extensions Effet croisé: y i = b 0 + b1 x i1 + b 2 x i2 + γ x i1 x i2 + ε i Effet non-linéaire: y i = b 0 + b1 z i + b 2 z + b 3 z + ε i 2 i U. Paris Ouest 3 i L. Ferrara, 20122012-13 Exemple: IMF Working Paper, « Walking Hand in Hand: Fiscal Policy and Growth in Advanced Economies » by Cotarelli and Jaramillo (2012) Problème de politique économique: La consolidation fiscale et budgétaire dans les pays avancés après la récession 2008-09 pèse sur la croissance de court terme mais semble nécessaire pour favoriser la croissance à long terme via une baisse de la dette publique et une baisse des taux longs souverains (spreads = écarts de taux). Equation de relation entre dette / taux longs / croissance : ⎛ rt − π t − g t d t − d t −1 = ⎜⎜ ⎝ 1 + gt ⎞ ⎟⎟d t −1 − pt ⎠ But du modèle linéaire: Rechercher les déterminants des spreads U. Paris Ouest L. Ferrara, 20122012-13 Exemple: IMF Working Paper, « Walking Hand in Hand: Fiscal Policy and Growth in Advanced Economies » by Cotarelli and Jaramillo (2012) U. Paris Ouest L. Ferrara, 20122012-13 Exemple: IMF Working Paper, « Walkingg Hand in Hand: Fiscal Policyy and Growth in Advanced Economies » by Cotarelli and Jaramillo (2012) U. Paris Ouest L. Ferrara, 20122012-13