Professional Documents
Culture Documents
Analyse descriptive :
Variable
Obs
ly
lk
ll
lw
etrangere
3148
3148
3148
3142
3148
exportarice
Min
Max
Freq.
Percent
Cum.
0
1
1,324
1,824
42.06
57.94
42.06
100.00
Total
3,148
100.00
Freq.
Percent
Cum.
0
1
244
2,904
7.75
92.25
7.75
100.00
Total
3,148
100.00
Test de corrlation :
ly
lk
ll
lw
ly
lk
ll
lw
1.0000
0.8056
0.8011
0.8758
1.0000
0.6951
0.7461
1.0000
0.8836
1.0000
etrangere
Total
237
176.0
1,087
14.8
1,324
190.7
7
127.7
1,817
10.7
1,824
138.5
Total
244
303.7
2,904
25.5
3,148
329.2
Pr = 0.000
Sans salaire :
Source
SS
df
MS
Model
Residual
3668.34805
4 917.087012
1058.90067 3143 .336907626
Total
ly
Coef.
lk
ll
etrangere
exportarice
_cons
.4288987
.5109178
.3621693
.1111097
5.008815
Avec salaire :
Std. Err.
.0101501
.0161984
.0228578
.0425313
.0979406
t
42.26
31.54
15.84
2.61
51.14
Number of obs
F( 4, 3143)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
3148
2722.07
0.0000
0.7760
0.7757
.58044
P>|t|
0.000
0.000
0.000
0.009
0.000
.4089972
.4791573
.3173515
.0277178
4.816781
.4488002
.5426782
.4069871
.1945015
5.200849
Source
SS
df
MS
Model
Residual
3886.2543
5 777.250859
811.271668 3136 .258696323
Total
ly
Coef.
lw
lk
ll
etrangere
exportarice
_cons
.5533598
.3082683
.0870434
.20487
.1178926
1.586412
Std. Err.
.019334
.0098131
.0212929
.0207375
.0374216
.1456077
t
28.62
31.41
4.09
9.88
3.15
10.90
Number of obs
F( 5, 3136)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
3142
3004.49
0.0000
0.8273
0.8270
.50862
P>|t|
0.000
0.000
0.000
0.000
0.002
0.000
.5154512
.2890276
.045294
.1642095
.0445194
1.300916
.5912684
.327509
.1287927
.2455305
.1912659
1.871908
On remarque quil ya une baisse considrable de limpact du travail, qui a pass de 0.51% a
0.08% .cest du a la forte colinarit entre la variable travail et salaire.
Cest pour cela quon introduit leffet crois (la relation production-travail dpend telle de la
politique salariale de la firme ? si oui existe-t-il un effet seuil) :
Source
SS
df
MS
Model
Residual
3821.81139
5 764.362279
875.714569 3136 .279245717
Total
ly
Coef.
cross
lk
ll
etrangere
exportarice
_cons
.0902181
.3302451
-.9178839
.2533361
.280988
7.414274
Std. Err.
.0039258
.0101465
.0649471
.0213086
.0394813
.1395809
t
22.98
32.55
-14.13
11.89
7.12
53.12
Number of obs
F( 5, 3136)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
0.000
0.000
0.000
0.000
=
=
=
=
=
=
3142
2737.24
0.0000
0.8136
0.8133
.52844
.0979156
.3501396
-.7905409
.2951163
.3583998
7.687953
Cross : lw*ll.
dly/dll : -0.91+0.090 lw : donc il ya un effet seuil a partir duquel la politique salariale volue
ngativement par rapport la production.(il faut adopter une politique dincitation au
travail).
Lw= 0.918/0.090= seuil.
Rgression en srie temporelle :
Evolution du cour parpart au volume des transactions
Test de corrlation :
close volume
close 1.0000
volume -0.3106 1.0000
Il ya une corrlation ngative entre le volume des transactions et lindice boursier(-0.31)
Estimation avec MCO :
Y : volume des transactions
X : prix de fermeture de lindice boursier.
. regress ly lx
Source
SS
df
MS
Model
Residual
.891330398
10.2779572
1 .891330398
246 .041780314
Total
11.1692876
247 .045219788
ly
Coef.
lx
_cons
-.821677
15.21681
Std. Err.
.1778966
1.260031
t
-4.62
12.08
Number of obs
F( 1, 246)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
=
248
= 21.33
= 0.0000
= 0.0798
= 0.0761
= .2044
-.4712822
17.69863
8.5
9.5
10
01jan2001
01apr2001
01jul2001
Date
01oct2001
01jan2002
On remarque daprs le graphe que la variance peut changer (ne reste pas constante) parce
que le graphe de vient de plus en plus large avec le temps.
Existence de risque dhtroscdasticit.
Donc on doit tester la prsence de leffet ARCH(1) :
ARCH(1) V(Et)=t= 0+ 1 Et-1
ARCH(2) t= 0+ 1 Et-1+ 2Et-2
Ho :t = (absence deffet ARCH )
H1 : t=f(Et-1,Et-2)
P< 5% prsence dun effet ARCH
P> 5% absence deffet ARCH
ARCH family regression
Sample: 02jan2001 - 31dec2001, but with gaps
Distribution: Gaussian
Log likelihood = 52.3131
OPG
Std. Err.
Number of obs
Wald chi2(1)
Prob > chi2
P>|z|
=
=
=
248
16.33
0.0001
ly
Coef.
lx
_cons
-.7310114
14.59474
.1808923
1.282692
-4.04
11.38
0.000
0.000
-1.085554
12.08071
-.376469
17.10877
arch
L1.
.6505589
.0987972
6.58
0.000
.4569199
.8441978
_cons
.0232886
.0024002
9.70
0.000
.0185844
.0279928
ly
ARCH
ly
OPG
Coef. Std. Err.
Number of obs =
Wald chi2(1) =
Prob > chi2
=
248
21.05
0.0000
P>|z|
ly
lx
_cons
-.8357839 .1821773
15.34152 1.289964
-4.59 0.000
11.89 0.000
arch
L1.
L2.
.4417277 .1169616
.2535689 .1128049
3.78 0.000
2.25 0.025
.2124871
.0324752
.6709683
.4746625
_cons
.0191279 .0032349
5.91 0.000
.0127877
.0254681
ARCH
On se rfre on maximum de vraisemblance pour choisir le bon model (log like lihood)
Pr Yi 1 Xi xi
exp xi
1 exp xi
Logistic regression
Number of obs
Wald chi2(4)
Prob > chi2
Pseudo R2
yi
Coef.
revenu
nbenf
engagem
loyer
_cons
.0127125
-.8077323
-.012255
-.0148147
-3.306201
Robust
Std. Err.
.0031358
.3361836
.0049399
.0058727
1.214511
z
4.05
-2.40
-2.48
-2.52
-2.72
P>|z|
0.000
0.016
0.013
0.012
0.006
=
=
=
=
50
17.47
0.0016
0.3802
.0188585
-.1488247
-.002573
-.0033044
-.9258036
Loption robuste corrige les carts types sans tenir compte de lhtroscdasticit car les
variables sont homognes.
Les coefficients sont tous significatifs car z > 2 et p< 5%.
H0 : B1=0
H1 : B2# 0 p< 0.05 alors on accpte H1
Logistic regression
Number of obs
Wald chi2(4)
Prob > chi2
Pseudo R2
yi
Coef.
revenu
nbenf
engagem
loyer
_cons
.0127125
-.8077323
-.012255
-.0148147
-3.306201
Robust
Std. Err.
.0031358
.3361836
.0049399
.0058727
1.214511
z
4.05
-2.40
-2.48
-2.52
-2.72
P>|z|
0.000
0.016
0.013
0.012
0.006
=
=
=
=
50
17.47
0.0016
0.3802
.0188585
-.1488247
-.002573
-.0033044
-.9258036
On remarque que je revenu prsente un effet positif sur la probabilit davoir un crdit.
Que ce soit aprs un modle Logit ou un modle Probit, on peut faire un tableau de
prdiction du modle pour valuer sa qualit a prdire les valeurs 0 et 1 de la variable
dpendante.
On fixe un seuil arbitraire de probabilit et on suppose que si la probabilit prdite est
suprieure a ce seuil alors la variable dpendante est gale 1 (vnement) et si la probabilit
prdite est infrieure a ce seuil, alors la variable dpendante est gale a 0 (non vnement).
On compare ensuite ces prdictions aux vraies valeurs prises par la variable dpendante.
Logistic model for yi
True
Classified
~D
Total
+
-
28
4
6
12
34
16
Total
32
18
50
Pr( +| D)
Pr( -|~D)
Pr( D| +)
Pr(~D| -)
87.50%
66.67%
82.35%
75.00%
False
False
False
False
Pr( +|~D)
Pr( -| D)
Pr(~D| +)
Pr( D| -)
33.33%
12.50%
17.65%
25.00%
+
+
-
rate
rate
rate
rate
for
for
for
for
true ~D
true D
classified +
classified -
Correctly classified
80.00%
Avantage avec panel : augmentation du nombre dobservation TXN , le model va avoir des
rsultats pcb plus robuste car lestimation est plus prcise .
Techniques de panel : quand n> 30 et t < 15 ans , de la dcoule le problme
dhtrognit des individus
Htrognit observable : taille, genre .
Htrognit non observable : qualit du management,gout et performance
Quel model retenir :
Analyse descriptive :
Xit : facteurs variables dans le temps (inflation, dpenses publiques, ouverture
commerciale).
Zi : facteurs invariants dans le temps
Region : midle east =1 si le pays est au moyen orient
=0 sinn
Ressources naturelles : petrole= 1 si le pays est exportateur de petrole
= 0 sinn.
Le pays de rfrence est celui qui vaut 0 .
Yit= croissance du PIB /tte.