Correlation econometrie

1
Econométrie 1 – Manuel d’exercices
J. Paul Tsasa
MODULE 1
Copyright © jptv – February 2011
UNIVERSITE PROTESTANTE AU CONGO
Centre Congolais-Allemand de Microfinance
Rédigée sous contrôle des –
Prof. J. Pierre Bosonga et Prof. Daniel Mukoko
J. Paul Tsasa Vangu
cel-00808105,version1-4Apr2013

2
J. Paul Tsasa
“ Pourquoi s’obstiner à expliquer très péniblement et très incorrectement, comme l’a fait souvent
David Ricardo et comme le fait chaque instant John Stuart Mill dans son Principe d’Economie
Politique, en se servant de la langue usuelle, de choses qui, dans une langue mathématique,
peuvent s’énoncer en bien moins de mots, d’une façon bien plus exacte et plus claire ? ”
− Léon Walras

3
J. Paul Tsasa
PLAN SOMMAIRE
MODULE :
1. Théorie de corrélation
2. Hypothèses classiques des moindres carrés ordinaires : Implications
3. Hypothèses classiques des MCO : Relâchement, Correction et Dépassements
4. Modèle de régression linéaire multiple
5. Modèles de régression non linéaires
6. Modèle multiéquationnel
7. Modèles avec variables qualitatives : LOGIT – TOBIT – GOMBIT
8. Modèles dynamiques
9. Modèles à correction d’erreur et autorégressifs vectoriels
10. Introduction à l’économétrie bayésienne

4
J. Paul Tsasa
AVANT-PROPOS
Ce recueil d’applications est rédigé en un moment où l’enseignement de l’économétrie est
entaché de nombreuses erreurs techniques. Il suffit de lire la plupart de recueils d’applications, il
s’attarde soit à bombarder les démonstrations mathématiques souillées c’est-à-dire sans respect
de fondamentaux de l’inférence statistique, soit à confondre les tests paramétriques de tests non
paramétriques, soit à proposer une recette purement informatique embellie par de raccourcis et
de commandes de logiciels informatiques.
Partant de cette constatation, ce recueil se propose :
1. Dune part, d’aider l’étudiant de comprendre le cours, tel qu’enseigné dans la partie
théorique ;
2. Et d’autre part, de recadrer les applications afin de retrouver l’orthodoxie, tel que voulu
par le Maître.
En vue de ne pas condamner les apprenants à une illusion scientifique, nous avons pensé
rédiger, sous le contrôle des Professeurs Bosonga et Mukoko (notamment, la partie concernant
modélisation ARCH), un support qui soit non seulement très pratique, mais aussi techniquement
pur ! Cette démarche garantie l’objectivité dans l’analyse, met en avant l’élégance mathématique
et évite la « violence symbolique », source d’exclusion de ceux qui ne maîtrisent pas le langage
mathématique complexe.
Les exercices recensés dans plus d’une vingtaine d’ouvrages d’économétrie et de statistique
appliquée en économie [voir bibliographie] ont été soigneusement sélectionnés, en vue de
faciliter la pratique et l’illustration de l’analyse théorique. Par ailleurs, en vue de renforcer notre
vision de la rigueur dans la simplicité, nous avons conçu quelques exercices dans chaque
chapitre.
Les lecteurs trouveront également des exercices se rapportant aux examens et interrogations de
différentes universités, notamment l’Université Protestante au Congo [UPC], l’Université de
Kinshasa [UNIKIN], l’Université William-Booth [UWB], l’Université Libre de Kinshasa [ULK],
l’Université Cheik Anta Diop, l’Université de Princeton, l’Université Impériale de Kyoto,
l’Université de Sorbonne, l’Université de Lyon, l’Université de Jérusalem et l’Université Laval.
In fine, nous espérons que l’autorité et la rigueur avec lesquelles nous présentons ces exercices,
aideront les étudiants à maîtriser la plupart de questions fondamentales que soulève la discipline
en cause, tant sur les plans technique et théorique, que sur les plans pratique et réel.

5
J. Paul Tsasa
Remerciements
Le défi n’était pas moins grand pour nous de réaliser ce recueil d’économétrie qui certainement
va relancer le débat sur la manière de présenter les travaux pratiques dans nos universités.
A présent, rendons à César, ce qui est à César ! Je tiens à remercier les Professeurs Jean-Pierre
Bosonga et Daniel Mukoko que j’assiste respectivement au cours d’Econométrie et de Statistique
appliquée à la finance. Leurs concours, par effet de diffusion et à travers les multiples
discussions engagés avec eux, m’ont permis de voir au-delà de l’horizon.
De même, je ne saurai passer sous silence les multiples discussions engagées avec mes ainés
scientifiques, particulièrement aux chefs de travaux : Alexandre Nshue Mbo Mokime et Blaise
Nlemfu. Et aussi vifs remerciements aux assistants et chefs de travaux : Albert Lomboto et
Karim Omonga.
Pour tous les sacrifices imposés aux personnes que nous aimons, nous tenons à leur dédier cet
ouvrage.
Bien entendu, selon la formule consacrée, ce document n'engage que son auteur. Toutes
suggestions ou commentaires qui peuvent en améliorer le contenu sont le bienvenu.
Jean-Paul TSASA
Kinshasa, 26 Janvier 2010

6
J. Paul Tsasa
INTRODUCTION
L’économétrie est une discipline technique qui est très intéressante puisqu’elle peut servir à la
fois d’outil d’évaluation des théories et d’outil d’analyse de phénomènes et faits économiques.
Ainsi, avant de chercher à comprendre « pourquoi étudier l’économétrie », il faut, tout d’abord,
être à même de comprendre « qu’est-ce que l’économétrie ? » En voici une de réponses :
Schéma 1. Définition de l’économétrie
Simplement, l’économétrie peut être définie comme une branche de la statistique appliquée à
l’économie. Par conséquent, pour une bonne malléabilité, elle nécessite une connaissance
préalable de la statistique, analyse mathématique et théorie économique.
En vue de bien relayer le cours théorique à la pratique, nous construirons une passerelle
nommée « RAPPELS & RESUME » pour aider les étudiants à joindre les connaissances acquises
lors des enseignements [partie théorique] à l’esprit des applications retenues.
S’inscrivant dans cette logique, les applications retenues dans ce recueil seront, à chaque fois,
précédées par une série de rappels et un résumé ; car comme l’affirme d’ailleurs Henri Poincaré,
rien n’est plus pratique qu’une bonne théorie !
In fine, précisons que l’effort fourni dans cet ouvrage est de proposer des exercices qui
correspondent au niveau d’exigence internationale. Ce n’est qu’à ce prix qu’il est possible de
garantir la convertibilité nationale et internationale des savoirs acquis tout au long de la partie
théorique.
PARTIE
PRATIQUE
PARTIE
THEORIQUE
Rappels &
Résumé
ECONOMETRIE
STATISTIQUE
DESCRIPTIVE MATHEMATIQUE
Probabilités
Méthodes d’estimation
Tests d’hypothèse
Mesure de description
Corrélation
Méthode d’ajustement
ECONOMIE
MICROECONOMIE
MACROECONOMIE
MATHEMATIQUE
Algèbre matricielle
Optimisation
FINANCE

7
J. Paul Tsasa
MODULE 1-
THEORIE DE CORRELATION
1.1- CORRELATIONPARAMETRIQUE : coefficient de Bravais-Galton-Pearson
1.2- CORRELATION NON PARAMETRIQUE : coefficient de rang de Spearman et
coefficient de rang de Kendall
1.3- CORRELATION TETRACHRORIQUE ET COEFFICIENT DE CONTINGENCE
OBJECTIF :
Mesurer le degré et le sens de liaison entre deux ou plusieurs variables quantitatives ou
qualitatives.
Tester la significativité d’une relation entre variables supposées liées.
Evaluer la normalité des distributions des échantillons.
Ce manuel d’exercices commence par la théorie de la corrélation. Après avoir étudié à fonds
l’histoire et le développement de l’économétrie, nous nous sommes rendu compte que la théorie
de la corrélation constitue l’ingrédient de base de tous les modèles de régression. L’analyse du
coefficient de corrélation s’articule autour de huit points essentiels, pouvant faire l’objet d’un
ouvrage sérieux ! Dans ce recueil d’applications, nous nous intéressons qu’à trois de ces point, il
s’agit de la corrélation simple ; corrélation de rang et corrélation de données qualitatives. Cette
analyse s’appliquera aussi bien aux chroniques qu’aux données en cross section.
1.1- CORRELATION PARAMETRIQUE : coefficient de Bravais-Galton-Pearson
1.1.1- Définition, calcul et test de significativité
Personne n’ignorerait que la covariance ou variance généralisée est une mesure qui permet de
qualifier l’indépendance entre deux variables quantitatives. Mais puisque cet indicateur ne
permet que de préciser la nature de dispersion des points, ne renseigne pas sur l’intensité de la
relation et que par ailleurs, il est affecté par l’unité de mesure de variables considérées1
, Bravais
Francis Galton et Karl Pearson se sont proposés de trouver un autre indicateur qui ne pourrait
être affecté par l’échelle des mesures, mais aussi qui précise à la fois le sens et l’intensité ou le
degré de dépendance entre séries statistiques 2
. Ainsi, en standardisant la covariance, ils
obtiennent : le coefficient de BGP, généralement appelé « coefficient de corrélation linéaire
simple ».
1
En effet, la covariance renseigne sur l’inclinaison du nuage de points, mais elle ne donne aucune idée
de l’intensité de la liaison existant entre les variables x et y. En conséquence, la covariance peut
augmenter alors que la liaison entre x et y reste constante.
2
Deux séries sont statistiques lorsqu’au moins une des variables est aléatoire.

8
J. Paul Tsasa
A RETENIR !
Covariance: mesure de la dispersion conjointe de deux variables quantitatives (x et y) autour
de leur moyenne.
Corrélation: mesure de la liaison entre deux variables x et y.
Corrélation linéaire de BGP : mesure de la liaison linéaire entre deux variables quantitatives
x et y.
Le coefficient de corrélation linéaire simple3
est symétrique et sans dimension ; il est noté par :
lorsque les distributions des variables X et Y sont (ou supposées) connues ;
lorsque les distributions des variables X et Y ne sont connues que pour un
échantillon.
Ce coefficient ne représente que la partie linéaire de la liaison entre les variables X et Y. Et par
ailleurs, il assume que les deux distributions sont à peu près normalement distribuées.
Le coefficient de corrélation est calculé par la formule :
Où désigne la covariance entre X et Y ; et , respectivement les écarts-type de
variables .
Et Puisque, généralement, les paramètres de la population ne sont pas connus, nous allons
calculer qui est un estimateur du coefficient de corrélation. Ainsi, on a :
En recourant aux variables centrées [écarts par rapport à la moyenne], la formule du coefficient
de corrélation devient :
Où et
Le coefficient de Bravais-Pearson peut également s’écrire sous forme d’une formule de
« moyenne-écart type » :
3
Une analyse comparative permet d’associer la covariance à la productivité marginale et le coefficient
de corrélation linéaire à l’élasticité !

9
J. Paul Tsasa
NOTE : Il est généralement souhaitable de présenter tout d’abord le graphique en nuage des
points de variables sous analyse, avant de calculer le coefficient de Bravais-Pearson. Ce
graphique permet de se rendre compte de la linéarité ou non de la relation des variables en
cause.
1.1.2- Test de significativité d’un coefficient de Bravais-Pearson
Le résultat obtenu, après application de la formule du coefficient de Bravais-Pearson, doit être
soumis à un test statistique avant sa validation. Ainsi, on applique le test de Student [test mis à
jour par Gosset]. Ce test passe par 5 étapes.
(1) La spécification des hypothèses :
H0 : Contre H1 :
Il s’agit donc d’un test bilatéral ;
(2) La détermination du seuil de signification avec :
(3) Le calcul de la statistique du test qui est donnée par la formule :
Et sous l’hypothèse nulle, on a :
(4) La détermination de la statistique t sur la table de Student, avec un seuil de signification et
un degré de liberté :
(5) la prise de décision : le coefficient est significatif si et seulement si la valeur de la
statistique t calculé est supérieure à celle de la table.
Il existe également une table qui permet d’évaluer, pour un niveau de risque donné, la
significativité du coefficient de corrélation simple, c’est la table de Pearson-Hartley [voir en
annexe]. Ainsi, le coefficient de Bravais-Pearson serait significatif lorsque sa valeur est
supérieure à celle de la table, pour un seuil de signification quelconque.

10
J. Paul Tsasa
A RETENIR !
L’interprétation du coefficient de Bravais-Pearson comprend toujours trois volets :
- Une interprétation par rapport au signe ou au sens de la liaison entre variables ;
- Une interprétation par rapport au degré ou à l’intensité de la liaison entre variables ;
- Et enfin, une interprétation par rapport à la significativité de la liaison supposée entre
variables.
PAR RAPPORT AU SIGNE : le coefficient de Bravais-Pearson définit le sens de variation entre
deux variables.
- Lorsque ; la corrélation est dite négative c’est-à-dire : plus augmente,
plus diminue ou plus diminue, plus augmente ;
- Lorsque ; la corrélation est dite négative c’est-à-dire : plus augmente,
plus augmente ou plus diminue, plus diminue.
PAR RAPPORT A LA VALEUR DU COEFFICIENT (signification clinique), le coefficient de Bravais-
Pearson définit la force ou le degré de liaison entre deux variables. Lorsque la valeur du
coefficient est [en module] :
- Proche de 0, ce qu’il y a absence de relation ;
- Entre 0,025 et 0,25, ce qu’il y existe une relation très faible entre les deux variables
considérées ;
- Entre 0,25 et 0,50, ce que la relation entre est faible ;
- Entre 0,50 et 0,65, indique une relation modérée ;
- Entre 0,65 et 0,80 indique une relation forte [élevée] ;
- Entre 0,80 et 1 indique une relation très forte ; et de fois, cela traduit la présence de
tautologie ou redondance.
PAR RAPPORT AU TEST DE SIGNIFICATIVITE : une relation entre variables n’est pas fictive si
l’hypothèse nulle de présence de décorrélation entre variables est rejetée.
1.1.3- Comparaison de deux coefficients de corrélation
Pour savoir si deux coefficients de corrélation obtenus à partir d’échantillons de tailles
respectives T1 et T2, diffèrent l’un de l’autre de façon significative, on calcule W1 et W2
correspondant au coefficient r1 et r2, en utilisant la transformation de Fischer :

11
J. Paul Tsasa
La statistique Wi suit approximativement une loi normale de moyenne et d’écart-type
tels que :
Nous allons évaluer :
H0 : contre H1 : Il s’agit donc d’un test bilatéral.
Dès lors, on utilise la statistique z qui suit également la loi de Laplace-Gauss :
Avec :
On rejette l’hypothèse nulle si, et seulement si : ou si où est lue sur la table
de la loi normale centrée-réduite, au seuil de signification quelconque.
1.1.4- Significativité du coefficient de corrélation et taille d’échantillon
minimum
Les économistes s’intéressent de fois à la détermination de la taille minimale NMIN nécessaire
d’un échantillon correspondant à un coefficient de corrélation significativement différent de zéro.
Ainsi, connaissant le degré de corrélation et le seuil de signification, il suffit donc de : (1)
calculer N avec un degré de liberté infini par la formule
; (2) connaissant dès lors, en plus de degré de
corrélation et de seuil de signification, la taille de l’échantillon ; calculer les statistiques ; (3)
comparer et au seuil et avec un degré de liberté n – 2. Si , ce que la
taille « n » correspond à NMIN. Dans le cas contraire, refaire l’étape (2) et (3), en considérant le
même seuil de signification, mais avec n + i cette fois-ci ; et ainsi de suite jusqu’à ce
que où « i » est un entier naturel correspondant à la iième
itération {i = 1, …, k, …,
n}.
La démarche ci-dessus peut se résumer comme suit (voir schéma ci – après).

12
J. Paul Tsasa
Schéma 2. Significativité du coefficient de corrélation et taille d’échantillon
minimum
1.1.5- Limites de confiance du coefficient de corrélation théorique
Jusque là, nous nous sommes intéressés à l’estimateur ponctuel du coefficient de corrélation
théorique. A présent, nous cherchons à construire un intervalle de confiance qui doit contenir, à
un seuil de signification quelconque, la vraie valeur du coefficient de la corrélation des variables
de la population considérée.
La détermination de limites de confiance du coefficient de corrélation théorique passe par 2
étapes ; la détermination de : (1) limites inférieure et supérieure de la moyenne de la statistique
W et puis, (2) celles du coefficient de corrélation théorique.
Soit la statistique qui suit la loi normale de :
- Moyenne :
- Et d’écart-type :
Connaissant l’estimation du coefficient de corrélation de la population, le nombre d’observations
et le seuil de signification, les intervalles de la moyenne de la statistique W sont obtenus par la
formule ci-après :
Où la statistique est lu dans la table de l’écart-réduit au seuil de signification de .
Si
Ce que N = NMIN
Si
Prendre N+i
Comparer t calculé
et t de la table
Calcul de la taille
N de l’échantillon
Calcul de la statistique
t de Student (t calculé)
Lire la statistique t de
Student (t de la table)
N = n
N=n+i

13
J. Paul Tsasa
Dès lors, il devient possible de déterminer les limites du coefficient de corrélation de la
population en appliquant la formule que voici :
A RETENIR !
Notez que :
- Le coefficient de Bravais-Pearson est égal à la covariance si les variables considérées
ont de variances unités.
- Puisque la covariance est toujours inférieure ou égale au produit des écarts-type, le
domaine de définition du coefficient de corrélation est donc : [-1, +1].
- Une valeur de [en module] implique un lien fonctionnel linéaire tel que
; dans ce cas, on parle de relation linéaire parfaite ou tautologie.
- Pour ou proche de zéro, on affirme que le lien entre les variables X et Y
n’est faible que si ce dernier est linéaire ; puisqu’en réalité, un lien non linéaire fort
peut conduire à une valeur faible du coefficient de corrélation.
- Les variables sont décorrélées lorsque le coefficient de corrélation est nul.
- La décorrélation n’implique pas nécessairement l’indépendance ! Deux variables
indépendantes sont toujours décorrélées, alors que l’inverse n’est pas toujours vrai,
sauf dans le cas où les variables sont toutes deux normales et de distribution conjointe
binormale.
- Deux variables normales décorrélées et de distribution conjointe binormale sont
indépendantes.
Précisons par ailleurs que le coefficient de Bravais-Pearson peut être trompeur pour les cas
suivants :
(i) Lorsque les variables ont :
Une cause commune ;
Une relation non linéaire ;
Une relation fortuite ;
(ii) Lorsque les variables sont simultanément considérées avec d’autres
variables.
Pour faire face, respectivement, à ces faiblesses, les économètres déterminent : le sens de
causalité, le coefficient de corrélation non linéaire, la cointégration et le coefficient de corrélation
partielle.

14
J. Paul Tsasa
Calcul du coefficient de Bravais-Pearson sur SPSS
Voici les étapes à suivre pour calculer le coefficient de Bravais-Pearson :
(1) Lancer le logiciel SPSS et cliquer sur « saisir des données », puis sur « OK »
(2) Aller dans la feuille « Affichage des variables » :
- Pour créer les variables, aller sur la colonne « Nom » et saisir par exemple sur la
première ligne de ladite colonne « INFL » et sur la deuxième ligne « PIB » ;
- Aller sur la colonne « étiquette », spécifier : TAUX D’INFLATION et PRODUIT
INTERIEUR BRUT
(3) Ensuite, aller dans la feuille « Affichage des données » :
- Saisir les valeurs de chaque variable pour chaque observation.
(4) Une fois la saisie des données de chaque variable finie, cliquer sur l’option « Analyse », puis
sur « Corrélation » → « Bivariée » → « Pearson »
Ainsi, on obtient le coefficient de Bravais-Pearson.
NOTA : Contrairement à EVIEWS ou STATA, SPSS est parmi les logiciels qui, après calcul du
coefficient de Bravais-Pearson, présentent le test de significativité.
1.2- CORRELATION NON PARAMETRIQUE : coefficient de rang de Spearman et
coefficient de rang de Kendall
Comme vu précédemment, le coefficient de corrélation de Bravais-Pearson mesure la liaison
pouvant exister entre deux variables. Cependant, comme nous le verrons par la suite, cet outil
devient inopérant lorsque les distributions ne sont pas gaussiennes ou lorsqu’on est en face de
variables ordinales ou discrètes.
Dans ces cas, on recourt à la corrélation des rangs, celle-ci ne prend plus en compte les
observations mais leur classement par rapport à l’ordre observé sur l’autre variable. Dans ce
recueil, nous nous intéressons au coefficient développé Spearman et à celui proposé par Kendall.
1.2.1- Coefficient de rang de Spearman
Le coefficient de rang de Galton-Spearman sert à vérifier l'existence de liens entre deux
variables quantitatives mesurées sur une même chronique, à partir d'effectifs faibles ne
permettant pas d'utiliser le coefficient de Bravais-Pearson. On remplace les valeurs de variables
par leur rang. De même, lorsqu’on est en face de chroniques Xt et Yt qui ne reflètent pas les
valeurs précises des variables ou encore quand la précision des mesures n’est pas possible, on
peut ranger les données par ordre croissant, par exemple, de taille ou d’importance, en utilisant
les nombres 1, 2, …, k, …, N.
On note Di, la différence entre les rangs des valeurs correspondantes de X et Y ; N, le nombre
de couples de valeurs (X, Y). Ainsi, il devient possible de mesurer la corrélation entre par
le coefficient de rang de Spearman :

15
J. Paul Tsasa
On applique également le calcul de rang de Spearman lorsque l’hypothèse de normalité ou de
symétrie est violée.
Noter que si les rangs sont identiques de variables, la corrélation de rang est absolue.
1.5.2- Test de significativité d’un coefficient de Spearman
Pour tester la significativité du coefficient de Spearman, on recourt au test de Student. Ce test
passe par 5 étapes.
(1) La spécification des hypothèses :
H0 :
Contre H1 :
Il s’agit donc d’un test bilatéral ;
(2) La détermination du seuil de signification avec :
(3) Le calcul de la statistique du test qui est donnée par la formule :
Et sous l’hypothèse nulle, on a :
(4) La détermination de la statistique t sur la table de Student, avec un seuil de signification et
un degré de liberté :
(5) la prise de décision : le coefficient est significatif si et seulement si la valeur de la
statistique t calculé est supérieure à celle de la table.
Il existe également une table qui permet d’évaluer, pour un niveau de risque donné, la
significativité du coefficient de corrélation de rang, c’est la table de Spearman-Hartley [voir en
annexe]. Ainsi, le coefficient de corrélation de rang serait significatif lorsque sa valeur est
supérieure à celle de la table, pour un seuil de signification quelconque.

16
J. Paul Tsasa
A RETENIR !
L’interprétation du coefficient de Spearman comprend toujours trois volets :
- Une interprétation par rapport au signe ou au sens de la liaison entre variables ;
- Une interprétation par rapport au degré ou à l’intensité de la liaison entre variables ;
- Et enfin, une interprétation par rapport à la significativité de la liaison supposée entre
variables.
PAR RAPPORT AU SIGNE : le coefficient de Spearman définit le sens de variation entre deux
variables.
- Lorsque ; la corrélation est dite négative c’est-à-dire : plus augmente, plus
diminue ou plus diminue, plus augmente ;
- Lorsque ; la corrélation est dite négative c’est-à-dire : plus augmente, plus
augmente ou plus diminue, plus diminue.
PAR RAPPORT A LA VALEUR DU COEFFICIENT (signification clinique), le coefficient de Spearman
définit l’intensité de liaison entre deux variables. Lorsque la valeur du coefficient de corrélation
de rang est [en module] :
- Proche de 0, ce qu’il y a absence de relation ;
- Entre 0,025 et 0,50, ce qu’il y existe une relation très faible entre les deux variables
considérées ;
- Entre 0,50 et 0,70, ce que la relation entre est faible ;
- Entre 0,70 et 0,80, indique une relation modérée ;
- Entre 0,80 et 0,90 indique une relation forte [élevée] ;
- Entre 0,90 et 1 indique une relation très forte.
PAR RAPPORT AU TEST DE SIGNIFICATIVITE : une relation entre variables n’est pas fictive si
l’hypothèse nulle de présence de décorrélation entre variables est rejetée.

17
J. Paul Tsasa
Calcul du coefficient de Spearman sur SPSS
Voici les étapes à suivre pour calculer le coefficient de Spearman :
(1) Lancer le logiciel SPSS et cliquer sur « saisir des données », puis sur « OK »
(2) Aller dans la feuille « Affichage des variables » :
- Pour créer les variables, aller sur la colonne « Nom » et saisir par exemple sur la
première ligne de ladite colonne « INFL » et sur la deuxième ligne « PIB » ;
- Aller sur la colonne « étiquette », spécifier : TAUX D’INFLATION et PRODUIT
INTERIEUR BRUT
(3) Ensuite, aller dans la feuille « Affichage des données » :
- Saisir les valeurs de chaque variable pour chaque observation.
(4) Une fois la saisie des données de chaque variable finie, cliquer sur l’option « Analyse », puis
sur « Corrélation » → « Bivariée » → « Spearman »
Ainsi, on obtient le coefficient de Spearman.
1.3- CORRELATION TETRACHRORIQUE ET COEFFICIENT DE CONTINGENCE
Les méthodes de calcul du coefficient de corrélation décrites précédemment ne permettent pas
de mesurer le degré de dépendance de variables qui ne sont pas numériques par nature,
notamment les caractéristiques d’individus ou caractéristiques d’objets [profession (économiste,
médecin, ingénieur, …) ; grade (cadre, ouvrier, … ; gradué, licencié, docteur) ; couleurs de
cheveux ou des yeux].
Pour mesurer la corrélation entre les caractéristiques d’individus ou d’objet [corrélation des
attributs ou corrélation des caractéristiques], on recourt au tableau de contingence. Pour de
tableaux de formats n x n, on définit la statistique de Khi-deux ou Khi-carré [inventée par
Pearson], notée Comme on s’intéresse à la corrélation tetrachrorique, n = 2 et ainsi obtient-
on le tableau 1.1.
A chaque fréquence observée d’un tableau de contingence k x k, correspond une fréquence
théorique qui, soumise à une hypothèse, s’obtient par le calcul des probabilités ; ces fréquences
sont appelées fréquences des cases. Et, la fréquence totale sur chaque ligne ou chaque colonne
est appelée fréquence marginale.
Tableau 1.1- Tableau de contingence k x k
… Totaux
… M1
… Mn
Totaux N1 … Nn T
A titre illustratif, Ai [en ligne] peut être la nationalité des individus, et Aj [en colonne], le niveau
d’étude des individus [gradué, licencié, docteur].

18
J. Paul Tsasa
Pour calculer le coefficient de corrélation des attributs, noté , on utilise la formule :
Ainsi, le coefficient de corrélation des attributs varie entre 0 et 1. Plus ce coefficient est proche
de l’unité, plus le degré de dépendance entre les variables considérées est élevé.
En considérant un tableau de contingence 2 x 2, on obtient :
Tableau 1.2- Tableau de contingence 2 x 2
Totaux
M1
M2
Totaux N1 N2 T
Et par conséquent, le coefficient de corrélation tetrachrorique, noté , est donné par :
Pour calculer la statistique , on utilise la formule suivante4
:
Comme le suggère la statistique inférentielle, lorsqu’on applique les résultats d’une distribution,
telle que celle de Khi-deux, à des données discrètes, on doit procéder à certaines corrections de
« continuité », en remplaçant la formule de par celle de Pour ce faire, on applique
la correction de continuité de Yates, du nom du statisticien anglais Frank Yates :
In fine, le coefficient de corrélation tetrachrorique devient :
Parallèlement, le coefficient de contingence permet également de mesurer le degré de
dépendance et de corrélation des caractères ou attributs étudiés dans un tableau de
contingence. Son domaine de variation va de zéro à l’unité.
4
Pour un tableau de contingence m x n, on a :

19
J. Paul Tsasa
La valeur maximale5
que prend le coefficient de corrélation des tables de contingence est :
Partant, il est possible de montrer que le coefficient de corrélation des attributs varie de 0 à 1 :
Une manipulation algébrique simple nous permet d’écrire :
Ainsi, on a :
Et donc :
Calcul du coefficient de caractère sur Eviews
Pour déterminer si un attribut X [par exemple, le sexe de la personne] intervient
significativement dans la réalisation d’une autre variable Y [par exemple, le fait de rembourser
ou non le crédit à l’échéance], nous allons effectuer le test suivant :
- Spécification des hypothèses :
H0 : indépendance des caractères
H1 : dépendance des caractères
- Règle de décision :
Rejeter H0 si la p-value est inférieure à 0,05
DETERMINATION DU TABLEAU EFFECTIF
Commande :
QUICK → SHOW → X Y puis OK
VIEW → N-WAY TABULATION → COUNT puis OK
CALCUL DU COEFFICIENT DE CARACTERE
Commande :
QUICK → SHOW → X Y puis OK
VIEW → N-WAY TABULATION → COUNT & CHI-SQUARE TESTS puis OK
5
Lorsque le coefficient de contingence atteint sa valeur maximale, les deux attributs sont totalement
dépendants et les fréquences théoriques sont tous égaux.

20
J. Paul Tsasa
1.4- TESTs DE NORMALITE : Agostino – Pearson ; de Jarque – Bera & Shapiro - Wilk
En pratique, le choix entre l’utilisation du coefficient de Bravais-Pearson et celui de Spearman
est dicté par la nature de la distribution de l’échantillon. Lorsque la distribution est gaussienne,
on recourt au calcul du coefficient de corrélation paramétrique, notamment le coefficient de
corrélation du produit des moments de Pearson. Dans le cas contraire, c’est-à-dire lorsque la
distribution de l’échantillon ne suit pas une loi normale, on calcule le coefficient de corrélation
non paramétrique, notamment le coefficient de rang de Spearman.
Cependant, jusque là, nous ne nous sommes pas encore intéressés aux méthodes ou techniques
permettant de préciser la distribution que suit une variable donnée. Ainsi, dans cette section, il
sera question d’aborder le test permettant de préciser la nature de la distribution d’un
échantillon : il s’agit du test de Jarque-Bera.
Le test d’hypothèse est le suivant :
H0 : Xt suit une loi normale contre H1 : Xt ne suit pas une loi normale
La statistique de Jarque-Bera, en se basant sur le calcul des coefficients de dissymétrie
[skewness] et d’aplatissement [kurtosis], est définie par :
Avec :
- n : la taille de l’échantillon
- Coefficient de dissymétrie (S) et Coefficient d’aplatissement (K) :
Où μi désigne le moment d’ordre i
Test de Jarque-Bera sur Eviews
Après avoir saisi les données des variables X et Y, effectuer les commandes suivantes :
Aller dans : QUICK → GROUP STATISTICS → DESCRIPTIVE STATISTICS → COMMON
SAMPLE → X Y
Puis cliquer sur : OK
La statistique JB suit, sous l’hypothèse de normalité, une loi du Khi-Deux à deux degré de
liberté. Au seuil de 5 %, on lit dans la table du Khi-Deux : 5,99. Ainsi, on ne rejette pas
l’hypothèse nulle de normalité si la statistique de Jarque-Bera est inférieure à 5,99 [pour les
grands échantillons] ; autrement, lorsque la probabilité critique est supérieure à 0,05, on admet
l’hypothèse de normalité.

21
J. Paul Tsasa
APPLICATIONS
APPLICATION 1
La SONAS a détecté une forte corrélation positive entre le nombre de pompiers présents sur les
sites d’incendies et le montant des remboursements qui lui sont réclamés.
TRAVAIL A FAIRE :
(a) Doit-elle en conclure que les pompiers sont de gens néfastes car « plus il y a de
pompiers, et plus ça nous coûte cher » ? Si oui, pourquoi ? Si non, quelle variable
peut-elle prendre en compte pour expliquer cette corrélation ?
(b) Peut-on conclure qu’il existe une relation causale entre le nombre de pompiers et
l’importance des remboursements ?
APPLICATION 2
Les prix moyens des actions et des obligations en Bourse pour la période 1950 à 1959 sont
donnés au tableau ci-après :
On dispose des données suivantes :
Temps
Prix moyens
des actions
[en Euro]
Prix moyens
des obligations
[en Euro]
Temps
Prix moyens
des actions
[en Euro]
Prix moyens
des obligations
[en Euro]
2000 35,22 102,43 2005 53,29 100,07
2001 39,87 100,93 2006 54,14 97,08
2002 41,85 97,43 2007 49,12 91,59
2003 43,23 97,81 2008 40,71 94,85
2004 40,06 98,32 2009 55,15 94,65
TRAVAIL A FAIRE :
(a) Calculez le coefficient de Bravais-Pearson et interprétez les résultats.
(b) Peut-on conclure au seuil de signification de 0,05 que le coefficient de corrélation de la
population n’est pas nul ?
(c) Calculez le coefficient de corrélation de rang des données et comparez les résultats
avec la réponse trouvée en (a).
RESOLUTION
Notons par Xt, les prix moyens des actions et par Yt, les prix moyens des obligations.
Connaissant la formule du coefficient de corrélation de Bravais-Pearson :

22
J. Paul Tsasa
Voici la démarche qui nous conduira à la détermination du coefficient :
- Calcul des moyennes des variables Xt et Yt : et
- Calcul de la covariance
- Calcul des écarts-types de Xt et Yt
Nous allons nous servir d’un tableau ad hoc à cet effet.
Temps
2000 35,22 102,43
-
10,044
100,881936 4,914 24,147396 -49,356216
2001 39,87 100,93 -5,394 29,095236 3,414 11,655396 -18,415116
2002 41,85 97,43 -3,414 11,655396 -0,086 0,007396 0,293604
2003 43,23 97,81 -2,034 4,137156 0,294 0,086436 -0,597996
2004 40,06 98,32 -5,204 27,081616 0,804 0,646416 -4,184016
2005 53,29 100,07 8,026 64,416676 2,554 6,522916 20,498404
2006 54,14 97,08 8,876 78,783376 -0,436 0,190096 -3,869936
2007 49,12 91,59 3,856 14,868736 -5,926 35,117476 -22,850656
2008 40,71 94,85 -4,554 20,738916 -2,666 7,107556 12,140964
2009 55,15 94,65 9,886 97,732996 -2,866 8,213956 -28,333276
Total : 452,64 975,16 449,39204 93,69504 -94,67424
Moyenne : 45,264 97,516
Ecart-type
:
6,70367 3,06096 Covariance = -9,467424
Par conséquent, le coefficient de Bravais-Pearson est :
Et on obtient :
Il existe une corrélation faible et négative entre les prix moyens des actions et les prix moyens
des obligations.
Pour s’assurer de la significativité de cette faible liaison négative entre les prix moyens des
actions et les prix moyens des obligations, nous devons effectuer le test de Student, en
évaluant : H0 : les variables Xt et Yt sont décorrélées contre H1 : les variables Xt et Yt sont
corrélées.
Seuil de signification : 0,05
Statistique de Student :
Ainsi, sous l’hypothèse nulle, on obtient :
Après calcul, on a :

23
J. Paul Tsasa
En confrontant le t de Student calculé au t de Student de la table au seuil de signification de 5
% [ , il ressort que l’on ne peut pas rejeter l’hypothèse nulle. Ainsi, on admet qu’il
n’existe pas de relation significative entre les prix moyens des actions et les prix moyens des
obligations. Cette liaison linéaire semble donc fictive !
NOTE : On peut également recourir à la table de Pearson-Hartley pour décider de la
significativité du coefficient de Bravais-Pearson. Connaissant :
Nombre d’observations : 10 ; Degré de liberté : 2. On obtient la valeur de la table de Pearson au
seuil de signification de 5% : 0,6319.
Puisque la valeur du coefficient de Bravais-Pearson est inférieure à celle de la table de Pearson-
Hartley, on conclut donc que la relation entre les prix moyens des actions et les prix moyens des
obligations n’est pas significative.
Il est donc clair qu’au seuil de signification de 0,05, le coefficient de corrélation de la population
est nul.
Le coefficient de corrélation de rang est donné par :
Déterminons le rang de Xt et celui de Yt, afin de déterminer la différence de rang Di, ainsi que
son carré :
Temps X Y Rang X Rang Y Di Di²
2000 35,22 102,43 1 10 -9 81
2001 39,87 100,93 2 9 -7 49
2002 41,85 97,43 5 5 0 0
2003 43,23 97,81 6 6 0 0
2004 40,06 98,32 3 7 -4 16
2005 53,29 100,07 8 8 0 0
2006 54,14 97,08 9 4 5 25
2007 49,12 91,59 7 1 6 36
2008 40,71 94,85 4 3 1 1
2009 55,15 94,65 10 2 8 64
TOTAL 452,64 975,16 0 272
Partant de données du tableau ci-dessus, il y a lieu de calculer le coefficient de rang de
Spearman :
On obtient :
Au regard du coefficient de corrélation de rang (corrélation non paramétrique), il existe une
faible liaison négative entre les prix moyens des actions et les prix moyens des obligations.

24
J. Paul Tsasa
Précisons à présent si le coefficient de rang est significatif ou non :
H0 : il y a corrélation de rang contre H1 : il n’y a pas corrélation de rang
Seuil de signification : 0,05
Statistique de Student :
Ainsi, on a :
Après calcul, on a :
En comparant le t de Student calculé au t de Student de la table au seuil de signification de 5 %
[ , il ressort que :
En conséquence, on rejette l’hypothèse nulle. Ainsi, on admet qu’il existe une corrélation de rang
significative entre les prix moyens des actions et les prix moyens des obligations. Cette liaison
linéaire semble donc fictive !
NOTE : On peut également recourir à la table de Spearman pour décider de la significativité du
coefficient de corrélation de rang. Connaissant :
Nombre d’observations : 10 ; Degré de liberté : 2. On obtient la valeur de la table de Pearson au
seuil de signification de 5% : 0,6483. Puisque la valeur du coefficient de rang est supérieure à
celle obtenue dans la table de Spearman, on conclut donc que la corrélation de rang entre les
prix moyens des actions et les prix moyens des obligations est significative.
Tableau récapitulatif
Coefficient de Bravais-Pearson
Coefficient de rang de
Spearman
Formule
Corrélation paramétrique Corrélation non paramétrique
Valeur
Intensité de liaison Faible Faible
Sens de liaison
Relation inversement
proportionnelle
Relation inversement
proportionnelle
Significativité de
liaison
Non significative Significative

25
J. Paul Tsasa
APPLICATION 3
A partir d’un échantillon de 27 objets, on a trouvé que la valeur d’un coefficient de corrélation
état 0,4. Peut-on en conclure, à un seuil de signification de 0,05 que le coefficient de corrélation
diffère significativement de la valeur zéro ? Qu’adviendrait la réponse obtenue précédemment si
l’on considère un seuil de signification de 0,01.
APPLICATION 4
Le coefficient de corrélation entre les notes de macroéconomie et de microéconomie d’un groupe
de 21 étudiants est de 0,80. Calculez les limites de confiance à 0,95 de ce coefficient.
RESOLUTION
On sait :
- Taille de l’échantillon : n = 21
-
- Seuil de signification : 0,05
Déterminons les limites inférieure et supérieure de la moyenne de la statistique W :
Connaissant : et
On obtient :
Les limites du coefficient de corrélation de la population sont :
APPLICATION 5
La valeur d’un coefficient de corrélation, calculée à partir d’un échantillon de taille 18, est égale
à 0,32. Peut-on en conclure au seuil de signification de 0.01 que le coefficient de corrélation de
la population n’est pas nul ?

26
J. Paul Tsasa
APPLICATION 6
Quelle serait la taille minimale nécessaire d’un échantillon pour pouvoir conclure que le
coefficient de corrélation 0,32 diffère significativement de zéro au seuil de 5 % ?
RESOLUTION
On sait :
-
- Seuil de signification : 0,05
Déterminons la taille de l’échantillon en appliquant la formule suivante :
Ainsi, on a :
Connaissant, à présent, la taille de l’échantillon, calculons la statistique t de Student :
En comparant le t calculé au t de la table de Student au seuil de 0,05 ; il ressort que la taille de
l’échantillon n = 28 n’est pas minimum. Après plusieurs itérations, il ressort que la taille
minimale est : n = 36.
APPLICATION 7
Trouvez les limites de confiance à 0.95 pour un coefficient de corrélation dont la valeur calculée
à partir d’un échantillon de 28 objets est égale à 0.6.
APPLICATION 8
On a calculé que deux coefficients de corrélation obtenus à partir d’échantillons de taille 23 et 28
ont pour valeurs respectives 0.8 et 0.95. Peut-on en conclure, au seuil de signification de 0.01
qu’il y a différence significative entre les deux coefficients ? Qu’adviendrait le résultat obtenu
précédemment si l’on considère un niveau de confiance de 0.95 ?

27
J. Paul Tsasa
APPLICATION 9
On a indiqué sur le tableau suivant, pour 10 étudiants, leur classement respectif en travaux
pratiques et en questions de cours de Modèles macroéconomiques.
Etudiants
TOMBOLA
Muke
BILETIKA
Arnaud
ELONGA
Mboyo
NTUMBA
Ngandu
NZINGA
Senda
Travaux
pratiques
8 3 9 2 7
Cours 9 5 10 1 8
Etudiants
HANGI
Banyene
KABATA
Jibikilay
KABONGO
Ntamb.
KULUNGU
Malon.
MALENGERA
Sya.
Travaux
pratiques
10 4 6 1 5
Cours 7 3 4 2 6
Calculez le coefficient de corrélation de rang de ces notes. Et interprétez.
APPLICATION 10
On a calculé les coefficients de corrélation pour deux échantillons de tailles N1 = 28 et N2 = 35
et l’on a trouvé respectivement r1 = 0.50 et r2 = 0.30. Y a-t-il une différence significative entre
les deux coefficients au seuil de 5 % ?
APPLICATION 11
On prélève un échantillon de malade ayant suivi ou non un traitement contre une épidémie
quelconque. Au bout de la période de traitement, les enquêteurs constatent que dans ce groupe
: sur les 200 individus malades, il y a 100 qui ont suivi un traitement et parmi les 60 individus
qui ne sont pas guéris, 25 ont suivi le traitement.
TRAVAIL A FAIRE :
(a) Construire le tableau de contingence.
(b) Quel est le coefficient de corrélation sans la correction de Yates ?
(c) Qu’adviendrait à la réponse obtenue en (b), si l’on intègre dans le calcul la correction
de Yates ?
(d) Trouver la valeur maximale du coefficient de contingence.
APPLICATION 12
On a demandé à deux membres du jury de Miss VODACOM de ranger 8 candidates A, B, C, D, E,
F, G et H par ordre de préférence. Les choix sont donnés par le tableau suivant.
Candidates miss
VODACOM
A B C D E F G H
1ier
membre 5 2 8 1 4 6 3 7
2ième
membre 4 5 7 3 2 8 1 6
Calculez le coefficient de corrélation de rang et dire si les juges sont d’accord sur leurs choix.

28
J. Paul Tsasa
APPLICATION 13
Le tableau ci-dessous indique le nombre des étudiants de deux classes A et B qui ont réussi et
échoué à un examen subi par les deux classes.
TRAVAIL A FAIRE :
(a) Dérivez le coefficient de corrélation tetrachrorique sans la correction de Yates.
(b) Même question que (a), mais avec la correction de Yates.
(c) Qu’en est-il du coefficient du coefficient de contingence avec, et sans la correction de
Yates ?
APPLICATION 14
Le tableau ci-dessous montre la relation qu’il y a entre les résultats obtenus par des étudiants en
économétrie et en microéconomie.
ECONOMETRIE
Bonnes notes
Notes
moyennes
Mauvaises
notes
MICROECONOMI
E
Bonnes notes 56 71 12
Notes
moyennes
47 163 38
Mauvaises
notes
14 42 85
Calculez le coefficient de corrélation des notes d’économétrie et de microéconomie.
APPLICATION 15
Soit le tableau ci-dessous représentant respectivement les coûts de la promotion d’un produit et
les recettes réalisée par la vente de ce produit [les montants sont exprimés en millions de CDF].
Tem
ps
Coûts de la
promotion
Recettes
réalisées
Temps Coûts de la
promotion
Recettes
réalisées
1 32.5 136 7 35 136
2 32.5 132 8 33 130
3 33.5 136 9 34 142
4 32 130 10 33.5 134
5 34 138 11 34.5 136
6 31 132 12 35.5 140

29
J. Paul Tsasa
TRAVAIL A FAIRE :
(a) Calculez les variations totale, résiduelle et expliquée.
(b) Calculez le coefficient de signification.
(c) Dérivez le coefficient de corrélations.
(d) Calculez le coefficient de corrélation de rang des données et comparez le résultat avec
la réponse trouvée en (c).
APPLICATION 16
Si le coefficient de corrélation entre X et Y vaut 0.5, quel est le pourcentage de la variance totale
qui reste inexpliquée par l’équation de régression ?
APPLICATION 17
Le tableau suivant donne l’âge X et la tension artérielle Y de 12 femmes :
Individu 1 2 3 4 5 6 7 8 9 10 11 12
Age (X) 56 42 72 36 63 47 55 49 38 42 68 60
Tension
artérielle (Y)
136 132 136 130 138 132 136 130 142 134 136 140
TRAVAIL A FAIRE :
(a) Calculez le coefficient de corrélation des variables X et Y.
(b) Déterminez l’équation de la droite de régression des moindres carrés de Y et X.
(c) Estimez la tension artérielle d’une femme âgée de 50 ans.
APPLICATION 18
Temps Temp
s
1 -6 -4 5 1 0
2 -4 -3 6 2 2
3 -3 -1 7 4 3
4 -1 -1 8 7 4
Calculez le coefficient de corrélation linéaire des variables X et Y.

30
J. Paul Tsasa
APPLICATION 19
Le tableau suivant montre les taux de naissance et de mortalité pour 1000 personnes aux Etats-
Unis de 1915 à 1955.
Période
Taux de naissance (pour 1000
personnes)
Taux de mortalité (pour 1000
personnes)
1915 25.0 13.2
1920 23.7 13.0
1925 21.3 11.7
1930 18.9 11.3
1935 16.9 10.9
1940 17.9 10.8
1945 19.5 10.6
1950 23.6 9.6
1955 24.6 9.3
Calculez le coefficient de corrélation et interprétez le résultat.
APPLICATION 20
Le coefficient de corrélation de deux variables X et Y est r = 0.60. Si les écarts-type de X et Y
sont respectivement 1.50 et 2 ; et leurs moyennes, respectivement, 10 et 20. Trouvez les
équations de régression de Y en X et de X en Y.
APPLICATION 21
Un enquêteur prélève les données suivantes auprès d’une institution de micro-finance basée à
Kinshasa.
observation 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
X 1 1 0 0 1 1 0 0 1 1 1 0 0 0 0
Y 1 0 0 1 1 1 0 0 1 1 1 1 0 1 1
Où X = 1, si la personne a remboursé son crédit à l’échéance ; X = 0, si c’est le contraire ; Y = 1
si la personne est du genre masculin et Y = 0, c’est féminin.
TRAVAIL A FAIRE :
Tester si le sexe de la personne intervient significativement dans le fait de rembourser ou non le
crédit à l’échéance.

31
J. Paul Tsasa
BIBLIOGRAPHIE SOMMAIRE
Akaike, H., 1974, A New Look at the Statistical Model Identification, IEEE
Transactions on Automatic Control, AC-19: 716-723.
Anderson, D.R., K.P. Burnham and G.C. White, 1998, Comparison of Akaike
Information Criterion and Consistent Akaike Information Criterion for Model Selection
and Statistical Inference from Capture-recapture Studies, Journal of Applied
Statistics, 25: 263-282.
Borgard, F. et D. Guégan, 1996, Etudes de séries chroniques linéaires à temps
discret. Comparaison de logiciels, Revue de Statistique Appliquée, tome 44, n°4
(1996), pp. 59-80.
Brockwell, P.J. and R.A. Davis, 1991, Time Series: Theory and Methods, 2nd
Edition,
Springer.
Buckland, S.T., K.P. Burnham and N.H. Augustin, 1997, Model Selection: An Integral
Part of Inference, Biometrics, 53: 603-618.
Ducharme, G.R. 1997, Consistent Selection of the Actual Model in Regression
Analysis, Journal of Applied Statistics, 24: 549-558.
Galbraith, J.W. et V. Zinde-Walsh, 2002, Measurement of the Quality of
Autoregressive Approximation, with Econometric Applications, in A. Ullah, A. Wan et
A. Chaturvedi (éds), Handbook of Applied Econometrics and Statistical Inference,
Marcel Dekker, New York, p. 401-421.
Geweke, J. et R. Meese, 1981, Estimating Regression Models of Finite but Unknown
Order, International Economic Review, 22 : 55-70.
Gouriéroux, C. et A. Montfort, 1995, Séries temporelles et modèles dynamiques, 2ième
édition, Economica.
Hamilton, J.D., 1994, Time Series Analysis, Princeton University Press, Princeton.
Hannan, E., and B. Quinn, 1979, The determination of the order of an
autoregression, Journal of the Royal Statistical Society, B41, 190–195.
Hannan, E.J. et B.G. Quinn, 1979, The Determination of the Order of an
Autoregression, Journal of the Royal Statistical Society Ser. B, 41 : 190-195.
Hurvich, C.M. et C. Tsai, 1989, Regression and Time Series Model Selection in Small
Samples, Biometrika, 76: 297-307.
King, M. et G. Bose, 2002, Finding Optimal Penalties for Model Selection in the Linear
Regression Model, in Giles, D.E.A., (éd.), Computer-Aided Econometrics, Marcel
Dekker, New York.
Koehler, A.B. and E.S. Murphree, 1988, A Comparison of the Akaike and Schwarz
Criteria for Selecting Model Order, Applied Statistics, 37.
Kullback, L. et R.A. Leibler, 1951, On Information and Sufficiency, Annals of
Mathematical Statistics, 22 : 79-86.
Lütkepohl, H. and M. Krätzig, 2004, Applied Time Series Econometrics, Themes in
Modern Econometrics, Cambridge University Press, Cambridge.

32
J. Paul Tsasa
ANNEXE
Les tests d’hypothèse les plus usuels en Statistique inférentielle
1. Tests portant sur un seul échantillon
Lorsque le test porte sur un échantillon, il y a lieu de distingues, selon les ca, trois types
de tests statistiques : les tests de conformité à un standard ; les tests d’adéquation à une
loi et les tests de symétrie des répartitions. Certains sont paramétriques [c’est-à-dire tests
portant sur de données issues d’une distribution paramétrique] et d’autres non
paramétriques [c’est-à-dire lorsque les tests ne font aucune hypothèse sur la distribution
sous-jacente des données].
Type de test Tests paramétriques Tests non paramétriques
Tests de conformité à un
standard
Tests de conformité [test de
Student]
-d'une moyenne
-d'un écart type
-d'une proportion
Tests d'adéquation à une
loi
-Test de Kolmogorov-Smirnov
-Test d'adéquation du χ2
-Test de Shapiro-Wilks
-Test de Lilliefors
-Test d'Anderson-Darling
-Test de D'Agostino
-Test de Jarque-Bera
Tests de symétrie des
répartitions
-Test de Wilcoxon
-Test de Van der Waerden
2. Tests de comparaison de populations
Lorsque le test porte sur plus de deux échantillons, on distingue généralement : les tests
de comparaison [ou test d’homogénéité] ; les tests d’appariement et les tests multivariés
[c’est-à-dire lorsqu’ils mettent en jeu simultanément plusieurs variables]. Les tests de
comparaison portant sur les échantillons indépendants peuvent classifiés selon que l’on
s’intéresse : soit aux caractéristiques de tendance centrale ou modèles de localisation, soit
aux caractéristiques de dispersion ou modèle d’échelle.
Tests de comparaison de
populations, les fonctions de
répartition sont les mêmes
dans les groupes
-Test de Kolmogorov - Smirnov
-Test de Kuiper
-Test de Cramer - von Mises
Tests de comparaison de K
échantillons indépendants
[différenciation selon les
caractéristiques de tendance
centrale, modèle de
localisation]
-Test de comparaison de
moyennes (K = 2)
-ANOVA [Analyse de la
Variance] à 1 facteur
-Test de la somme des rangs de
Wilcoxon (K=2)
-Test de Mann - Whitney (K=2)
-Test de Kruskal - Wallis
-Test des médianes
-Test de Van der Waerden
-Test de Jonckheere - Terpstra
[alternatives ordonnées]

33
J. Paul Tsasa
Tests de comparaison de K
[différenciation selon les
caractéristiques de
dispersion, modèle d'échelle]
-Test de Fisher (K=2)
-Test de Bartlett
-Test de Cochran
-Test F-max de Hartley
-Test de Levene
-Test de Brown-Forsythe
-Test de Ansari - Bradley
-Test de Klotz
-Test de Mood
-Test de Siegel-Tukey
-Test des différences extrêmes
de Moses
Tests d’appariement pour K
échantillons [mesures
répétées ou blocs aléatoires
complets]
-Test de Student de
comparaison de
moyennes pour
échantillons appariés
(K=2)
-Test de comparaison de
variances pour
échantillons appariés
(K=2)
-ANOVA pour blocs
aléatoires complets
-Test des signes (K=2)
-Test des rangs signés de
Wilcoxon (K=2)
-Test de Friedman
-Test de Page [alternatives
ordonnées]
-Test de McNemar [K=2,
variables binaires]
-Test Q de Cochran [variables
binaires]
Tests multivariés pour K
-T² de Hotelling,
comparaison de K=2
barycentres [vecteur des
moyennes]
-MANOVA [analyse de
variance mutlivariée],
comparaison de K
barycentres : Lambda de
Wilks, Trace de Pillai,
Trace de Hotelling-
Lawley, La plus grande
valeur propre de Roy
-Test M de Box de
comparaison de matrices
de variance covariance
K=nombre d’échantillons.

34
J. Paul Tsasa
3. Tests d’indépendance entre variables
Les tests d’indépendance [ou tests d’association] consistent à éprouver l’existence d’une
liaison entre 2 variables. On distingue généralement trois catégories de tests
d’indépendance selon que les variables sont qualitatives nominales, ordinales ou
quantitatives.
Liaison entre deux variables
quantitatives
Coefficient de corrélation de
Pearson
-Rho de Spearman
-Tau-a de Kendall
ordinales
-Gamma de Goodman -
Kruskal
-Tau-b et Tau-c de Kendall
-d de Sommers
-Test de Mantel - Haenszel
[variables binaires]
nominales
-Test d'indépendance du χ²
-t de Tschuprow et v de
Cramer
-Coefficient phi [variables
binaires]
-Coefficient Q de Yule
[variables binaires]
-Lambda de Goodman -
Kruskal
-Tau de Goodman - Kruskal
-U de Theil
Liaison entre deux ou plus
de deux variables
-Coefficient de concordance
de Kendall [variables
quantitatives ou ordinales]
-Coefficient Kappa de Fleiss,
concordance de p jugements
[variables ordinales ; Kappa
de Cohen pour p = 2]

35
J. Paul Tsasa
Table de distribution du coefficient de corrélation de Bravais-Pearson
[Table de Pearson-Hartley]
La table donne la probabilité α pour que le coefficient de corrélation r(X, Y) égale ou
dépasse, en valeur absolue, une valeur donnée r, c’est-à-dire soit observé en dehors de
l’intervalle ]-r, +r[, en fonction du nombre de degré de liberté ddl.
α
ddl
0,10 0,05 0,02 0,01 0,001
1 0,9877 0,9969 0,9995 0,9999 0,9999
2 0,9000 0,9500 0,9800 0,9900 0,9990
3 0,8054 0,8783 0,9343 0,9587 0,9912
4 0,7293 0,8114 0,8822 0,9172 0,9741
5 0,6694 0,7545 0,8329 0,8745 0,9507
6 0,6215 0,7067 0,7887 0,8343 0,9249
7 0,5822 0,6664 0,7498 0,7977 0,8982
8 0,5494 0,6319 0,7155 0,7646 0,8721
9 0,5214 0,6021 0,6851 0,7348 0,8471
10 0,4973 0,5760 0,6581 0,7079 0,8233
11 0,4762 0,5529 0,6339 0,6835 0,8010
12 0,4575 0,5324 0,6120 0,6614 0,7800
13 0,4409 0,5139 0,5923 0,6411 0,7603
14 0,4259 9,4973 0,5742 0,6226 0,7420
15 0,4124 0,4821 0,5577 0,6055 0,7246
16 0,4000 0,4683 0,5425 0,5897 0,7084
17 0,3887 0,4555 0,5285 0,5751 0,6932
18 0,3783 0,4438 0,5155 0,5614 0,6787
19 0,3687 0,4329 0,5034 0,5487 0,6652
20 0,3598 0,4227 0,4921 0,5368 0,6524
25 0,3233 0,3809 0,4451 0,4869 0,5974
30 0,2960 0,3494 0,4093 0,4487 0,5541
35 0,2746 0,3246 0,3810 0,4182 0,5189
40 0,2573 0,3044 0,3578 0,3932 0,4896
45 0,2428 0,2875 0,3384 0,3721 0,4648
50 0,2306 0,2732 0,3218 0,3541 0,4433
60 0,2108 0,2500 0,2948 0,3248 0,4078
70 0,1954 0,2319 0,2737 0,3017 0,3799
80 0,1829 0,2172 0,2565 0,2830 0,3568
90 0,1726 0,2050 0,2422 0,2673 0,3375
100 0,1638 0,1946 0,2301 0,2540 0,3211

36
J. Paul Tsasa
Table de distribution du coefficient de corrélation de Spearman
[Table de Pearson-Hartley]
La table donne les valeurs critiques du coefficient de corrélation de Spearman à DDL = n-
2
α
n
0,20 0,10 0,05 0,02 0,01 0,001 0,0001 0,00001
4 1,0000 1,0000 - - - - - -
5 0,8005 0,8898 1,0000 1,0000 - - - -
6 0,6573 0,8294 0,8864 0,9432 1,0000 - - -
7 0,5709 0,7145 0,7858 0,8934 0,9294 1,0000 - -
8 0,5243 0,6432 0,7382 0,8326 0,8807 0,9762 - -
9 0,4828 0,5997 0,7001 0,7831 0,8332 0,9328 - -
10 0,4554 0,5643 0,6483 0,7455 0,7836 0,9035 - -
11 0,4288 0,5381 0,6179 0,7092 0,7548 0,8729 - -
12 0,4065 0,5028 0,5874 0,6709 0,7271 0,8599 - -
13 0,3849 0,4845 0,5602 0,6485 0,7035 0,8352 - -
14 0,3668 0,4637 0,5377 0,6224 0,6747 0,8112 - -
15 0,3542 0,4432 0,5214 0,6038 0,6539 0,7856 1,0000 -
16 0,3415 0,4292 0,5035 0,5823 0,6346 0,7655 0,9973 -
17 0,3277 0,4136 0,4848 0,5665 0,6154 0,7477 0,9727 -
18 0,3175 0,4008 0,4722 0,5501 0,6002 0,7281 0,9436 -
19 0,3089 0,3913 0,4605 0,5354 0,5839 0,7120 0,9170 1,0000
20 0,2994 0,3802 0,4474 0,5204 0,5696 0,6958 0,8926 0,9992
21 0,2918 0,3667 0,4346 0,5076 0,5558 0,6807 0,8700 0,9878
22 0,2844 0,3615 0,4249 0,4958 0,5443 0,6668 0,8490 0,9639
23 0,2776 0,3531 0,4153 0,4863 0,5325 0,6543 0,8295 0,9418
24 0,2711 0,3438 0,4062 0,4757 0,5206 0,6425 0,8113 0,9211
25 0,2653 0,3368 0,3980 0,4659 0,5114 0,6304 0,7942 0,9017
26 0,2587 0,3307 0,3903 0,4573 0,5012 0,6187 0,7781 0,8835
27 0,2552 0,3238 0,3816 0,4481 0,4909 0,6084 0,7630 0,8863
28 0,2548 0,3174 0,3748 0,4402 0,4833 0,5976 0,7488 0,8501
29 0,254 0,3117 0,3677 0,4335 0,4748 0,5892 0,7353 0,8348
30 0,2398 0,3062 0,3624 0,4254 0,4669 0,5802 0,7225 0,8203
31 0,2366 0,3009 0,3562 0,4183 0,4587 0,5706 0,7103 0,8065
32 0,2318 0,2961 0,3501 0,4125 0,4518 0,5631 0,6988 0,7934
33 0,2296 0,2910 0,3447 0,4048 0,4461 0,5539 0,6878 0,7809
34 0,2248 0,2873 0,3403 0,3991 0,4388 0,5475 0,6773 0,7690
35 0,2224 0,2828 0,3348 0,3937 0,4335 0,5388 0,6672 0,7576
36 0,2187 0,2788 0,3305 0,3882 0,4267 0,5332 0,6576 0,7467
37 0,2165 0,2753 0,3249 0,3829 0,4214 0,5258 0,6484 0,7362
38 0,2124 0,2714 0,3214 0,3779 0,4153 0,5189 0,6396 0,7262
39 0,2089 0,2673 0,3172 0,3733 0,4097 0,5134 0,6312 0,7166
40 0,2068 0,2638 0,3135 0,3679 0,4052 0,5074 0,6230 0,7073
50 0,1845 0,2355 0,2787 0,3291 0,3628 0,4563 0,5558 0,6311
60 0,1677 0,2136 0,2554 0,2998 0,3315 0,4179 0,5065 0,5751
70 0,1553 0,1983 0,2352 0,2776 0,3074 0,3884 0,4684 0,5318
80 0,1442 0,1851 0,2205 0,2617 0,2898 0,3702 0,4377 0,4970
90 0,1358 0,1744 0,2078 0,2466 0,2730 0,3488 0,4124 0,4682
100 0,1288 0,1653 0,1970 0,2338 0,2589 0,3307 0,3910 0,4440
200 0,0908 0,1166 0,1389 0,1649 0,1826 0,2333 0,2758 0,3131
300 0,0741 0,0951 0,1133 0,1345 0,1490 0,1903 0,2250 0,2555
400 0,0642 0,0823 0,0981 0,1165 0,1290 0,1647 0,1948 0,2211
500 0,0574 0,0736 0,0877 0,1041 0,1153 0,1473 0,1742 0,1977

37
J. Paul Tsasa
Table de l'écart-réduit [Table de la loi normale centrée-réduite]
La table donne la probabilité α pour que l’écart-réduit T égale ou dépasse, en valeur
absolue, une valeur donnée t, c’est-à-dire la probabilité extérieure à l’intervalle [-t, +t].
1 – α = P{-t ≤ T ≤ +t}
α 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 ∞ 2,576 2,326 2,17 2,054 1,96 1,881 1,812 1,751 1,695
0,1 1,645 1,598 1,555 1,514 1,476 1,44 1,405 1,372 1,341 1,311
0,2 1,282 1,254 1,227 1,2 1,175 1,15 1,126 1,103 1,08 1,058
0,3 1,036 1,015 0,994 0,974 0,954 0,935 0,915 0,896 0,878 0,86
0,4 0,842 0,824 0,806 0,789 0,772 0,755 0,739 0,722 0,706 0,69
0,5 0,674 0,659 0,643 0,628 0,613 0,598 0,583 0,568 0,553 0,539
0,6 0,524 0,51 0,496 0,482 0,468 0,454 0,44 0,426 0,412 0,399
0,7 0,385 0,372 0,358 0,345 0,332 0,319 0,305 0,292 0,279 0,266
0,8 0,253 0,24 0,228 0,215 0,202 0,189 0,176 0,164 0,151 0,138
0,9 0,126 0,113 0,1 0,088 0,075 0,063 0,05 0,038 0,025 0,013
Pour chaque valeur de α, on lit t(a) tel qu'une variable aléatoire de loi N(0,1) a la
probabilité (1 – α) de se trouver dans l'intervalle [-t(α), t(α)].
La probabilité α s’obtient par addition des nombres inscrits en marge. Ainsi, pour
t = 1,96 ; la probabilité est α = 0,00 + 0,05 = 0,05

38
J. Paul Tsasa
Table de distribution de la loi T de Student [Test bilatéral]
(Valeurs de T ayant la probabilité P d'être dépassée en valeur absolue)
La table donne, en fonction du nombre de degrés de liberté ddl, la probabilité α pour que
Tn égale ou dépasse, en valeur absolue, une valeur donnée tα.
1 – α = Pr{-tα ≤ Tn ≤ +tα}
Pr
ddl
0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,05 0,02 0,01 0,001
1 0,158 0,325 0,510 0,727 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,657
636,61
9
2 0,142 0,289 0,445 0,617 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 31,598
3 0,137 0,277 0,424 0,584 0,765 0,978 1,250 1,638 2,353 3,182 4,541 5,841 12,929
4 0,134 0,271 0,414 0,569 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604 8,610
5 0,132 0,267 0,408 0,559 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032 6,869
6 0,131 0,265 0,404 0,553 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707 5,959
7 0,130 0,263 0,402 0,549 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,499 5,408
8 0,130 0,262 0,399 0,546 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355 5,041
9 0,129 0,261 0,398 0,543 0,703 0,883 1,100 1,383 1,833 2,263 2,821 3,250 4,781
10 0,129 0,260 0,397 0,542 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169 4,587
11 0,129 0,260 0,396 0,540 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106 4,437
12 0,128 0,259 0,395 0,539 0,695 0,873 1,083 1,356 1,782 2,179 2,681 3,055 4,318
13 0,128 0,259 0,394 0,538 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012 4,221
14 0,128 0,258 0,393 0 537 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977 4,140
15 0,128 0,258 0,393 0,536 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947 4,073
16 0,128 0,258 0,392 0,535 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921 4,015
17 0,128 0,257 0,392 0,534 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898 3,965
18 0,127 0,257 0,392 0,534 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878 3,922
19 0,127 0,257 0,391 0,533 0 688 0,961 1,066 1,328 1,729 2,093 2,539 2,861 3,883
20 0,127 0,257 0,391 0,533 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845 3,850
21 0,127 0,257 0,391 0,532 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831 3,819
22 0,127 0,256 0,390 0,532 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819 3,792
23 0,127 0,256 0,390 0,532 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807 3,767
24 0,127 0,256 0,390 0,531 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797 3,745
25 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787 3,725
26 0,127 0,256 0,390 0,531 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779 3,707
27 0,137 0,256 0,389 0,531 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771 3,690
28 0,127 0,256 0,389 0,530 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763 3,674
29 0,127 0,256 0,389 0 530 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756 3,649
30 0,127 0,256 0,389 0,530 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750 3,656
40 0,126 0,255 0,388 0,529 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,704 3,551
80 0,126 0,254 0,387 0,527 0,679 0,848 1,046 1,296 1,671 2,000 2,390 2,660 3,460
120 0,126 0,254 0,386 0,526 0,677 0,845 1,041 1,289 1,658 1,980 2,358 2,617 3,373
∞ 0,126 0,253 0,385 0,524 0,674 0,842 1,036 1,282 1,645 1,960 2,326 2,576 3,291

39
J. Paul Tsasa
Table de distribution de la loi F de Fisher-Snedecor
(Valeurs de F ayant la probabilité α d'être dépassées : F = S1
2
/S2
2
)
Nu1 = 1 Nu1 = 2 Nu1 = 3 Nu1 = 4 Nu1 = 5
Nu2
α =
0,05
α =
0,01
α =
0,05
α =
0,01
α =
0,05
α =
0,01
α =
0,05
α =
0,01
α =
0,05
α =
0,01
1 161,4 4052,00 199,5 4999,00 213,7 3403,00 224,6 5625,00 230,2
5764,0
0
2 18,51 98,49 19,00 99,00 19,16 99,17 19,25 99,25 19,30 99,30
3 10,13 34,12 9,55 30,81 9,28 29,46 9,12 28,71 9,01 28,24
4 7,71 21,20 6,94 18,00 6,59 16,69 6,39 13,98 6,26 13,32
3 6,61 16,26 5,79 13,27 5,41 12,06 5,19 11,39 5,03 10,97
6 3,99 13,74 3,14 10,91 4,76 9,78 4,53 9,13 4,39 8,75
7 3,39 12,23 4,74 9,35 4,33 8,43 4,12 7,85 3,97 7,45
8 3,32 11,26 4,46 8,63 4,07 7,39 3,84 7,01 3,69 6,63
9 5,12 10,56 4,26 8,02 3,86 6,99 3,63 6,42 3,48 6,06
10 4,96 10,04 4,10 7,56 3,71 6,33 3,48 5,99 3,33 5,64
11 4,84 9,65 3,98 7,20 3,59 6,22 3,36 5,67 3,20 5,32
12 4,75 9,33 3,88 6,93 3,49 5,93 3,26 5,41 3,11 5,06
13 4,67 9,07 3,80 6,70 3,41 5,74 3,18 5,20 3,02 4,86
14 4,60 8,86 3,74 6,31 3,34 5,56 3,11 5,03 2,96 4,69
15 4,34 8,68 3,68 6,36 3,29 5,42 3,06 4,89 2,90 4,56
16 4,49 8,53 3,63 6,23 3,24 5,29 3,01 4,77 2,85 4,44
17 4,45 8,40 3,59 6,11 3,20 5,18 2,96 4,67 2,81 4,34
18 4,41 8,28 3,53 6,01 3,16 5,09 2,93 4,58 2,77 4,25
19 4,38 8,18 3,52 5,93 3,13 5,01 2,90 4,50 2,74 4,17
20 4,35 8,10 3,49 5,85 3,10 4,94 2,87 4,43 2,71 4,10
21 4,32 8,02 3,47 5,78 3,07 4,87 2,84 4,37 2,68 4,04
22 4,30 7,94 3,44 5,72 3,05 4,82 2,82 4,31 2,66 3,99
23 4,28 7,88 3,42 5,66 3,03 4,76 2,80 4,26 2,64 3,94
24 4,26 7,82 3,40 5,61 3,01 4,72 2,78 4,22 2,62 3,90
25 4,24 7,77 3,38 5,37 2,99 4,68 2,76 4,18 2,60 3,86
26 4,22 7,72 3,37 5,33 2,98 4,64 2,74 4,14 2,39 3,82
27 4,21 7,68 3,33 5,49 2,96 4,60 2,73 4,11 2,37 3,78
28 4,20 7,64 3,34 5,43 2,95 4,57 2,71 4,07 2,56 3,75
29 4,18 7,60 3,33 5,42 2,93 4,34 2,70 4,04 2,34 3,73
30 4,17 7,56 3,32 5,39 2,92 4,31 2,69 4,02 2,53 3,70
40 4,08 7,31 3,23 5,18 2,84 4,31 2,61 3,83 2,43 3,31
60 4,00 7,08 3,15 4,98 2,76 4,13 2,32 3,65 2,37 3,34
120 3,92 6,85 3,07 4,79 2,68 3,93 2,43 3,48 2,29 3,17
∞ 3,84 6,64 2,99 4,60 2,60 3,78 2,37 3,32 2,21 3,02
S1
2
est la plus grande des deux variances estimées, avec n degrés de liberté au
numérateur.

40
J. Paul Tsasa
0 42
dL dV
4-dV 4-dL
Absence
d’autocorrélation
DOUTE DOUTEAutocorrélation
positive
Autocorrélation
négative
Table de Durbin-Watson
La table donne les limites inférieures et supérieures des seuils de signification du test de
Durbin et Watson pour α = 5 %.
k = 1 k = 2 k = 3 k = 4 k = 5
n dL dV dL dV dL dV dL dV dL dV
15 1,08 1,36 0,95 1,54 0,82 1,75 0,69 1,97 0,56 2,21
16 1,10 1,37 0,98 1,54 0,86 1,73 0,74 1,93 0,62 2,15
17 1,13 1,38 1,02 1,54 0,90 1,71 0,78 1,91 0,67 2,10
18 1,16 1,39 1,05 1,53 0,93 1,69 0,82 1,87 0,71 2,06
19 1,18 1,40 1,08 1,53 0,97 1,68 0,86 1,85 0,75 2,02
20 1,20 1,41 1,10 1,54 1,00 1,68 0,90 1,83 0,79 1,99
21 1,22 1,42 1,13 1,54 1,03 1,67 0,93 1,81 0,83 1,96
22 1,24 1,43 1,15 1,54 1,05 1,66 0,96 1,80 0,86 1,94
23 1,26 1,44 1,17 1,54 1,08 1,66 0,99 1,79 0,90 1,92
24 1,27 1,45 1,19 1,55 1,10 1,66 1,01 1,78 0,93 1,90
25 1,29 1,45 1,21 1,55 1,12 1,66 1,04 1,77 0,95 1,89
26 1,30 1,46 1,22 1,55 1,14 1,65 1,06 1,76 0,98 1,88
27 1,32 1,47 1,24 1,56 1,16 1,65 1,08 1,76 1,01 1,86
28 1,33 1,48 1,26 1,56 1,18 1,65 1,10 1,75 1,03 1,85
29 1,34 1,48 1,27 1,56 1,20 1,65 1,12 1,74 1,05 1,84
30 1,35 1,49 1,28 1,57 1,21 1,65 1,14 1,74 1,07 1,83
31 1,36 1,50 1,30 1,57 1,23 1,65 1,16 1,74 1,09 1,83
32 1,37 1,50 1,31 1,57 1,24 1,65 1,18 1,73 1,11 1,82
33 1,38 1,51 1,32 1,58 1,26 1,65 1,19 1,73 1,13 1,81
34 1,39 1,51 1,33 1,58 1,27 1,65 1,21 1,73 1,15 1,81
35 1,40 1,52 1,34 1,58 1,28 1,65 1,22 1,73 1,16 1,80
36 1,41 1,52 1,35 1,59 1,29 1,65 1,24 1,73 1,18 1,80
37 1,42 1,53 1,36 1,59 1,31 1,66 1,25 1,72 1,19 1,80
38 1,43 1,54 1,37 1,59 1,32 1,66 1,26 1,72 1,21 1,79
39 1,43 1,54 1,38 1,60 1,33 1,66 1,27 1,72 1,22 1,79
40 1,44 1,54 1,39 1,60 1,34 1,66 1,29 1,72 1,23 1,79
45 1,48 1,57 1,43 1,62 1,38 1,67 1,34 1,72 1,29 1,78
50 1,50 1,59 1,46 1,63 1,42 1,67 1,38 1,72 1,34 1,77
55 1,53 1,60 1,49 1,64 1,45 1,68 1,41 1,72 1,38 1,77
60 1,55 1,62 1,51 1,65 1,48 1,69 1,44 1,73 1,41 1,77
65 1,57 1,63 1,54 1,66 1,50 1,70 1,47 1,73 1,44 1,77
70 1,58 1,64 1,55 1,67 1,52 1,70 1,49 1,74 1,46 1,77
75 1,60 1,65 1,57 1,68 1,54 1,71 1,51 1,74 1,49 1,77
80 1,61 1,66 1,59 1,69 1,56 1,72 1,53 1,74 1,51 1,77
85 1,62 1,67 1,60 1,70 1,57 1,72 1,55 1,75 1,52 1,77
90 1,63 1,68 1,61 1,70 1,59 1,73 1,57 1,75 1,54 1,78
95 1,64 1,69 1,62 1,71 1,60 1,73 1,58 1,75 1,56 1,78
100 1,65 1,69 1,63 1,72 1,61 1,74 1,59 1,76 1,57 1,78
k : nombre de variables explicatives, constante exclue ; n : nombre d’observations et α =
0.05.

41
J. Paul Tsasa
0 42
dL dV
4-dV 4-dL
Absence
d’autocorrélation
DOUTE DOUTEAutocorrélation
positive
Autocorrélation
négative
Table de Durbin-Watson
La table donne les limites inférieures et supérieures des seuils de signification du test de
Durbin et Watson pour α = 1 %.
k = 1 k = 2 k = 3 k = 4 k = 5
n dL dV dL dV dL dV dL dV dL dV
15 0,81 1,07 0,70 1,25 0,59 1,46 0,49 1,70 0,39 1,96
16 0,84 1,09 0,74 1,25 0,63 1,44 0,53 1,66 0,44 1,90
17 0,87 1,10 0,77 1,25 0,67 1,43 0,57 1,63 0,48 1,85
18 0,90 1,12 0,80 1,26 0,71 1,42 0,61 1,60 0,52 1,80
19 0,93 1,13 0,83 1,26 0,74 1,41 0,65 1,58 0,56 1,77
20 0,95 1,15 0,86 1,27 0,77 1,41 0,68 1,57 0,60 1,74
21 0,97 1,16 0,89 1,27 0,80 1,41 0,72 1,55 0,63 1,71
22 1,00 1,17 0,91 1,28 0,83 1,40 0,75 1,54 0,66 1,69
23 1,02 1,19 0,94 1,29 0,86 1,40 0,77 1,53 0,70 1,67
24 1,04 1,20 0,96 1,30 0,88 1,41 0,80 1,53 0,72 1,66
25 1,05 1,21 0,98 1,30 0,90 1,41 0,83 1,52 0,75 1,65
26 1,07 1,22 1,00 1,31 0,93 1,41 0,85 1,52 0,78 1,64
27 1,09 1,23 1,02 1,32 0,95 1,41 0,88 1,51 0,81 1,63
28 1,10 1,24 1,04 1,32 0,97 1,41 0,90 1,51 0,83 1,62
29 1,12 1,25 1,05 1,33 0,99 1,42 0,92 1,51 0,85 1,61
30 1,13 1,26 1,07 1,34 1,01 1,42 0,94 1,51 0,88 1,61
31 1,15 1,27 1,08 1,34 1,02 1,42 0,96 1,51 0,90 1,60
32 1,16 1,28 1,10 1,35 1,04 1,43 0,98 1,51 0,92 1,60
33 1,17 1,29 1,11 1,36 1,05 1,43 1,00 1,51 0,94 1,59
34 1,18 1,30 1,13 1,36 1,07 1,43 1,01 1,51 0,95 1,59
35 1,19 1,31 1,14 1,37 1,08 1,44 1,03 1,51 0,97 1,59
36 1,21 1,32 1,15 1,38 1,10 1,44 1,04 1,51 0,99 1,59
37 1,22 1,32 1,16 1,38 1,11 1,45 1,06 1,51 1,00 1,59
38 1,23 1,33 1,18 1,39 1,12 1,45 1,07 1,52 1,02 1,58
39 1,24 1,34 1,19 1,39 1,14 1,45 1,09 1,52 1,03 1,58
40 1,25 1,34 1,20 1,40 1,15 1,46 1,10 1,52 1,05 1,58
45 1,29 1,38 1,24 1,42 1,20 1,48 1,16 1,53 1,11 1,58
50 1,32 1,40 1,28 1,45 1,24 1,49 1,20 1,54 1,16 1,59
55 1,36 1,43 1,32 1,47 1,28 1,51 1,25 1,55 1,21 1,59
60 1,38 1,45 1,35 1,48 1,32 1,52 1,28 1,56 1,25 1,60
65 1,41 1,47 1,38 1,50 1,35 1,53 1,31 1,57 1,28 1,61
70 1,43 1,49 1,40 1,52 1,37 1,55 1,34 1,58 1,31 1,61
75 1,45 1,50 1,42 1,53 1,39 1,56 1,37 1,59 1,34 1,62
80 1,47 1,52 1,44 1,54 1,42 1,57 1,39 1,60 1,36 1,62
85 1,48 1,53 1,46 1,55 1,43 1,58 1,41 1,60 1,39 1,63
90 1,50 1,54 1,47 1,56 1,45 1,59 1,43 1,61 1,41 1,64
95 1,51 1,55 1,49 1,57 1,47 1,60 1,45 1,62 1,42 1,64
100 1,52 1,56 1,50 1,58 1,48 1,60 1,46 1,63 1,44 1,65
k : nombre de variables explicatives, constante exclue ; n : nombre d’observations et α =
0.01.

Correlation econometrie

Contenu connexe

Tendances (20)

Similaire à Correlation econometrie (20)

Plus de mohamedchaouche (17)

Correlation econometrie