Intro Économétrie

2011
INTRODUCTION A LECONOMETRIE
2012
2011 2012
LICENCE 3 SCIENCES ECONOMIQUES
COURS DE M. FRANOISE SEYTE
Introduction
lconomtrie
[Tapez le sous-titre du document]
Page 0
H34VEN
Cours pour Licence 3, Semestre 5 Anne 2011-2012
2011 2012
Page 1
LICENCE 3 SCIENCES ECONOMIQUES
2011 2012
COURS DE MME FRANOISE SEYTE
Cours magistral
dintroduction lconomtrie
Ecrit pour les tudiants de troisime anne de licence en sciences conomiques
Pour toutes incomprhensions, imperfections ou erreurs ventuelles,

Merci de les signaler sur le forum de la facult de sciences conomiques de l'UM1, cette
adresse :
http://www.forum-sceco.fr (Connexion partir de http://gide-co.fr/forum ), dfaut de ne
pouvoir me contacter directement...
PRISE DE NOTE PAR : PLASMAN SYLVAIN
ANNEE 2011 2012
Page 2
2011 2012
Sommaire
Historique de lconomtrie
P.005
(peut tomber en examen, cf. Annales)

Quest ce que lconomtrie ? / Bibliographie
I.
Des origines de lconomtrie lge dor de la modlisation macroconomtrique
II.
La crise de la modlisation macro-conomtrique au dveloppement
rcent de lconomtrie
A. Les annes 70
B. Lconomtrie des sries temporelles depuis les annes 1980
Chapitre I
P.005
P.006
P.008
P.008
P.008
P.009
Modles linaires simples : Le modle 2 variables

I.
II.
III.
IV.
V.
Les hypothses du modle

Lestimateur des Moindres Carrs Ordinaires
Les proprits des estimateurs des MCO
A. Les hypothses
B. Les proprits
Loi des estimateurs, intervalle de confiance et test dhypothse
A. Estimations par intervalle de confiance
B. Test des paramtres
C. Etude de la corrlation
Utilisation du modle de rgression en prvision
A. Prvision dune valeur moyenne de correspondant une valeur de
: Intervalle de confiance
B. Comparaison dune prvision ponctuelle la droite des moindres
carrs : Test dhypothse
Chapitre II
P.009
P.010
P.013
P.013
P.018
P.019
P.019
P.021
P.023
P.026
P.027
P.029
P.031
Modle linaire gnral simple

I.
II.
III.
Les tests de normalit de lala

A. Test de Skewness-Kurtosis
B. Test de Jarque-Bera
Le problme de lautocorrlation
A. Dtection de lautocorrlation
B. Principales causes de lautocorrlation
C. Les effets de lautocorrlation
D. Le test dautocorrlation
Le problme de lhtroscdacticit
A. Glejser
P.031
P.031
P.032
P.032
P.032
P.034
P.034
P.034
P.035
P.035
Page 3
IV.
B. (processus) ARCH
C. White
D. Goldfeld-Quandt
Robustesse du MLGS (Modle Linaire Gnral Simple)
A. Test de comparaison de 2 coefficients de rgression
B. Test dANACOVA
C. Test de comparaison de 2 coefficients de corrlation
2011 2012
P.035
P.036
P.036
P.037
P.037
P.038
P.038
Page 4
2011 2012
Historique de leconometrie
(A ne pas zapper, peut tomber en examen !)
Quest-ce que lconomtrie ?
Lconomtrie, cest lunification de la thorie conomique, des mathmatiques et des statistiques.
Lconomtrie nest pas assimilable uniquement la statistique conomique ou aux mthodes
mathmatiques appliques lconomie : cest la conjonction de la thorie conomique, de la
statistique et des mathmatiques
Dfinition de Ragnar FRISCH, 1933
Lconomtrie a t mise lhonneur par plusieurs prix Nobel
1) 1980 : Lawrence KLEIN (Premiers modles macro-conomtriques, analyse des fluctuations et
croissance)
2) 1989 : Trygve HAAVELMO (Introduction de lapproche probabiliste, modles quations
simultanes)
3) 2000 : James HECKMAN (Thories et mthodes danalyse des chantillons)
4) 2000 : Daniel McFADDEN (Analyse des choix discrets en conomtrie)
5) 2003 : Robert GRANGER & Clive ENGLE (Co-intgration & Volatilit des sries temporelles et des
modles ARCH)
Bibliographie :
PIROTTE, Lconomtrie : des origines aux dveloppements rcents
JOHNSON-DINARDO, Economtrie, DUNOD
LABROUSSE, Introduction lconomtrie, DUNOD
BOURBONNAIS, Introduction lconomtrie, DUNOD
I.
Des origines de lconomtrie lge dor de la modlisation macro-conomtrique
Les premires tudes empiriques datent du XVIIme-XVIIIme sicle. Lautorit de la loi

naturelle, cette poque, se dgage progressivement de celle de la religion et de celle du prince.
Cest le cas en Allemagne et en Angleterre.
Page 5
2011 2012
En Allemagne se met en place la Statistique descriptive qui se situe dans une description globale des
tats. Cest le cas dHermann CONRING (1606 1681) qui conoit la statistique comme un moyen de
classer des savoirs.
En Angleterre se met en place lArithmtique politique (Dpouillement des registres et des paroisses
des baptmes, des mariages et des dcs). On construit des tables de mortalits et on calcule des
esprances de vie.
William PETTY a contribu lui au dveloppement de la Statistique dmographique.
Gregory KING est le premier formaliser une loi de demande.
Cest au XIXme sicle que se dveloppement la statistique mathmatique et lvolution
probabiliste de multiples champs comme : LAstronomie, la Sociologie, la Biologie, la Physique.
La gense de lconomtrie apparait au milieu du XIXme sicle, avec le dveloppement de
lconomie mathmatique dAuguste COURNOT et Lon WALRAS.
On doit lanalyse mathmatique de la rgression aux Anglais, et en particulier GALTON en 188
dveloppe la corrlation (Liaison entre 2 variables)
A la mme poque, Francis EDGEWORTH dtermine la formule de la fonction de densit normale.
Karl PEARSON dveloppe le coefficient multiple et montre le lien avec les coefficients de corrlation
simple
George YULE tudie la corrlation entre le Pauprisme et laccs des mesures dassistance.
Evelyn HOCKER est le premier tudier des variables retardes dans les modles de rgression.
Marcel LENOIR est le premier tenter dexpliquer les lois doffre et de demande. Son approche tant
dimbriquer lconomie mathmatique, la statistique descriptive et la statistique mathmatique.
Lconomtrie moderne dbute rellement avec lanalyse du march du travail amricain : Henry
MOORE sintresse au problme de dtermination des salaires, des fonctions de demande et des
cycles de priodicit. Sa dmarche consiste prouver que les mathmatiques et la statistique
peuvent servir de rvlateur empirique et autoriser une interprtation concrte des phnomnes
conomiques.
Dbut de la description de la conjoncture avec lanalyse des cycles. Ce sont les conjoncturistes
amricains qui jouent un rle essentiel dans la dtection statistique des cycles. Il faut observer,
analyser, systmatiser les phnomnes de prosprit, de crise et de dpression.
Cycle de JUGLAR/Cycle de KITCHIN/Cycle de KUZNETS/Cycle de KONDRATIEFF
En 1920 apparait le premier institut de conjoncture. A la mme poque est cr le National Bureau
of Economics Research (NBER). Son rle tant bas sur la recherche conomique empirique.
Avec le dbut du XXme sicle, lanalyse conomique prend une nouvelle dimension : Des
conomistes, des hommes daffaires et des ingnieurs contribuent lier lconomie, les
mathmatiques et la statistique. Lconomie devient reconnue comme une discipline part entire.
Page 6
2011 2012
Le 29 dcembre 1930, lconomie va prendre un nouvel essor avec Jan TINBERGEN et Ragnar FRISCH.
FRISCH est lorigine de la Socit dconomtrie. Le premier colloque se fait 1931 Lausanne. A la
mme poque, Alfred COWLES, conseiller financier et spcialiste en prvision boursire, rentre en
contact avec la Socit dconomtrie et propose 2 projets :
-
Financer la publication dune revue dconomtrie

Financer une organisation de recherche sous son patronat
Dans les annes 1930, la revue Econometrica est cre, le premier numro sort en Janvier 1933, son
rdacteur de lpoque tant Ragnar FRISCH.
Lorganisme de recherche, la COWLES Commission, voit aussi le jour cette poque. Elle sinstalle
Chicago et sintresse la mesure directe des phnomnes laissant de ct linfrence sur les
mesures statistiques et prend par la suite de nouvelles mesures dorientation (obtient des
subventions de la part des universits).
Apparait ce moment-l les premiers modles quations simultanes, du fait de lapparition dans
les quations de termes alatoires qui refltent des causes multiples.
Le premier modle macro-conomtrique apparait son tour et incorpore des principes
probabilistes et celui de Lawrence KLEIN dans les annes 1950-1960. Cette poque voit le
dveloppement des modles retard chelonn de KOYCK, en 1954.
Paralllement commence se dvelopper des mthodes de prvisions court terme, o lon
retrouve les modles de BOX et JENKINS. On estime alors des Processus univaris pour raliser des
prvisions.
II.
La crise de la modlisation macro-conomtrique au dveloppement rcent de

lconomtrie
A. Les annes 70
Les annes 70 marquent la fin de lge dor de la macro-conomtrie, le choc ptrolier contredit tous
les prcdents modles macro-conomtriques.
Cela ouvre cependant la voie de nouveaux modles, notamment les modles Vecteurs Auto
Rgressifs (VAR). Se dveloppent en mme temps les analyses de la Causalit.
B. Lconomtrie des sries temporelles depuis les annes 1980

Les Tests de racine unitaire de MICKEY-FULLER, les modles ARMA, la modlisation ARCH, les
modles LOGIT-PROBIT, les modles de BOOSTRAP et les modles baysiens apparaissent dans les
annes 1980.
Lconomie comprend lheure actuelle de multiples branches trs forts contenus.
Page 7
-
2011 2012
Lconomtrie des sries temporelles

Lconomtrie des variables qualitatives
Lconomtrie des donnes de PANEL
Page 8
2011 2012
Chapitre I
Modles linaires simples : Le modle 2 variables
I.
Les hypothses du modle
Le modle conomtrique est une reprsentation simplifie mais la plus exhaustive possible
dune entit conomique donne. Sous sa forme la plus courante, un modle conomtrique est
reprsent par des quations, le plus souvent linaire. Dans ces quations, nous avons 2 types de
variables :
-
Les variables exognes (explicatives) :

Les variables endognes (expliques) :
La fonction peut avoir plusieurs formes, elle peut tre linaire, exponentiel, fonction puissance,
mais il faut savoir que tout modle non linaire peut se ramener au cas non linaire par
transformation par anamorphose.
Soit
{
{
)
(
Page 9
2011 2012
Comme il ny a pas de variable explicative en conomie, on en ajoutera une qui lon appellera
ala ou erreur. On dit que cette variable synthtise lensemble des influences sur que ne peut
expliquer.
En conomie, il y a trois types de modles :
-
Le modle en srie temporelle, note

Le modle en coupe instantane, note
Le modle de PANEL, note
Le problme va tre destimer les paramtres
, qui sera ici lcriture privilgie
et
connaissant les valeurs observes de
et
Les valeurs calcules vont tre notes et , tant estimateurs.

Ntant pas de mme valeur, lcart de valeur entre
et est appel cart ou rsidu, note
Il existe deux mthodes permettant de calculer alpha et beta

-
La mthode des Moindre Carres Ordinaires (MCO)

La mthode du maximum de vraisemblance
Lutilisation de ces 2 mthodes doit mener des valeurs estimes dalpha et beta, ce qui
implique quun certain nombre dhypothses de base soit vrifi.
1)
est une variable contrle, cest--dire indpendante de lala
2) Lhypothse de normalit de lala : [ ]
. En moyenne lensemble des facteurs non
expliqus par la rgression et qui se retrouve dans tendent se compenser
3) Lhypothse dhomoscdacticit : [ ]
, signifie que la variance des est
constante quelque soit le sous chantillon tir de lensemble de jusqu
]
4) Lhypothse de non autocorrlation : [
,
. La distribution des , qui
correspond celle des est indpendante de celle des
, qui correspond celle des
Nous avons donc 3 quantits inconnues dans notre modle
-
, la variance de lala
II.
Lestimateur des Moindres Carrs Ordinaires
La mthode des MCO consiste retenir comme estimateur de et ce qui rsulte de la

minimisation de la somme des carrs des carts, cart entre la valeur observe de la variable
endogne (rappel : explique) et la variable calcule de cette mme variable endogne, cart
respectivement mesur par la projection paralllement laxe des ordonnes des points sur la
droite de rgression.
Page 10
2011 2012
))
( , )
quations normales
2 (
Page 11
,
2011 2012
( ,
MCO
(
2
Page 12
Valeurs centres : {
III.
2011 2012
Les proprits des estimateurs du MCO
A. Hypothses :
1) Les estimateurs des MCO sont des fonctions linaires des estimateurs de Y. Pour
consquence, comme dpend de , est une variable alatoire. De ce fait, et sont
aussi des variables alatoires. Ainsi, et obiront une loi Normale
Proprits de
Comme dpend de ,
est une variable alatoire. De ce fait,
alatoires. Les
sont des constantes fixs dans les chantillons.
2)
sont des variables
sont des estimateurs sans biais de
Page 13
[ ]
, avec
2011 2012
[ ]
[ ]
[ ]
[ ]
[ (
[ (
) ]
[
[
[ (
) [ ]
) ]
[ ]
Page 14
sont des estimateurs variance minimale de
3)
Calcul de variance de
[ ]
[ ]] ,
[ ]
]
2
2011 2012
[ ]
Calcul de la variance de
[ ]
[ ]] ,
[ (
[ (
2(
) ]
2(
[ ]
)(
) [
Page 15
( , )
( , )
( , )
Calcul de la covariance de
( , )
2011 2012
)]
[ (
[ ]
],
, [
]
, [
]
[ ]
ont des variances, il faut montrer maintenant quelles sont minimales.
On considre un estimateur linaire quelconque de
par rapport , tel que :
Si est sans biais et de variance minimale, on aura
et
Page 16
2011 2012
[ ]
[ ]
[ ]
[ ]
[ ]]
[ ]
[ ]
Si
est minimal, la variance est elle aussi minimale. On a donc un problme de minimisation
sous contrainte.
min
sc. {
Page 17
2011 2012
Or
B. Proprits
1)
sont des estimateurs convergents
, S
[ ]
[ ]
[ ]
[ ]
, Estimateur convergent
(15 pages de polycopis)
Page 18
2011 2012
sont des estimateurs linaires de

, ils sont aussi sans biais, convergents, de variance
minimale. On dit quon a affaire des estimateurs Best Linear Unbiased Estimator (BLUE)
[ ]
[ ]
[ ]
[ ]
2
IV.
Loi des estimateurs, intervalle de confiance et test dhypothse
Comme les estimateurs sont des estimateurs linaires de , qui dpendent de l'ala alors les
estimateurs sont alatoires et obissent une loi normale
( ,
( ,
A. Estimations par intervalle de confiance
( ,
]
),
inconnu
Page 19
2011 2012
[
(
]]
( ,
2 ]
2
2
2
2)
]
]
]]
Page 20
2011 2012
Test sur
Problme :
2 (
,
2
[
[
2 (
]
]
B. Test des paramtres

Test sur
]
]
[ {
]]
RDD :
-
Si
Si
, alors
, alors
Il faut rejeter
pour avoir une relation linaire cela revient tester la validit du modle.
2
[
[
accepte au risque
rejete au risque
]
]
Page 21
[|
] , pour
2011 2012
RDD :
Si | |
Si | |
2 ,
2 ,
accepte au risque
rejete au risque
[
2
]
]
] , Si

[ {
]]
vraie
Et
de
ort disparu
RDD :
Si
Si
,
,
accepte au risque
rejete au risque p
2 , pour
RDD :
-
Si | |
Si | |
2 ,
2 ,
accepte au risque
rejete au risque
Page 22
Test de
2
2011 2012
[
[
]]
RDD :
Si
Si
,
,
accepte au risque
rejete au risque
C. Etude de la corrlation
Le coefficient de corrlation est le coefficient qui mesure le degr de covariation linaire entre
et , cest--dire la manire dont varient ensemble les variables linaires
,
sans dimension
Le coefficient de corrlation nest pas affect par une interpolation de
variables
Relation entre
Page 23
((
) )
2011 2012
) , or
Variance totale = Variance rsiduelle + Variance explique

La fluctuation totale des valeurs de
dcompose en 2 lments :
autour de la moyenne de lchantillon peut tre
La Variance Explique est la variation des valeurs de autour de leur moyenne, cest la
somme des carres expliques par linfluence linaire de la variable .
La Variance Rsiduelle est la variation rsiduelle des valeurs de autour de la droite des
moindre carrs. lus la variance rsiduelle que lon peut considrer comme lerreur est
faible, plus le modle sera prcis et exact.
Calcul de
rsiduelle
totale
Page 24
2011 2012
explique
totale
Le coefficient de corrlation, port au carr,

explique par linfluence linaire de la valeur .
-
Test du coefficient de corrlation linaire simple

2
indique la fraction de la variance de
2 , si
vraie
Cette hypothse revient tester la validit globale du modle et donc tester la corrlation de
type linaire entre et .
[|
RDD :
Si |
2 ,
accepte au risque de premire espce
Page 25
Si |
2 ,
2011 2012
rejete au risque de premire espce
Tableau de lanalyse de la variance

Origine des variances
Somme des carres des carts

Variance explique
Variance rsiduelle
Variance totale
On calcule
DDL
Carrs moyens
1
2
sparment, on montre que
Test du coefficient de dtermination

2
Le carre dune loi de Student donne la loi de Fisher

,
,
2
2
RDD :
-
Si
Si
V.
,
,
2 ,
2 ,

Utilisation du modle de rgression en prvision
Prvoir la valeur moyenne de la variable explique pour une valeur donne de la variable
explicative : cest lesprance mathmatique des valeurs possibles de connaissant la valeur .
On construit un intervalle de confiance de cette valeur
On va se demander maintenant si une prvision ponctuelle donne (
compatible avec la relation linaire dont on a estim les paramtres.
1
est
Rho
Page 26
2011 2012
A. Prvision dune valeur moyenne de
correspondant une valeur de
: Intervalle de confiance
doit tre de variance minimale

our faire une prvision ponctuelle, on dfinit dabord une fonction de prvision linaire des
Il sagit donc de calculer les de telle sorte que soit la meilleure prvision linaire
sans biais, cest--dire, il faut que soit un estimateur BLUE ; On doit calculer son esprance
mathmatique et montrer que lestimateur est sans biais et montrer que est de variance
minimale.
Calcul de lesprance mathmatique
[ ]
[ ]
est un estimateur sans biais de [
] si [
et
Calcul de la variance (qui doit tre minimale)
Cf. Polycop Dmonstration : doit tre minimale

2
Calcul de variance de
: Sachant que
Page 27
[ ]
[
[
[ ]
[ ]
2011 2012
[ ]
( ,
( , )
[ ]
[ ]
( , )
{
[ ]
)
[ ]
[ ]
tant inconnu, on constitue une loi de
2
2
Page 28
2011 2012
]
[
]]
B. Comparaison dune prvision ponctuelle la droite des moindres carrs : Test dhypothse
On souhaite obtenir un intervalle pour et regarder si la valeur prvue est compatible
avec la valeur moyenne de sachant
Supposons que la relation estime soit valable pour trouver
)
: Comme obit une loi normale,
Il convient donc de chercher la loi de

une loi normale aussi.
[
sachant que lon a
obit
[ ]
Les estimateurs sont biais, donc ils disparaissent quand ils sont soustraits aux
paramtres.
[
[
[ ]
[ ]
2 (
[ ]
(
obit une loi normale, desprance
et de variance
Page 29
2011 2012
constante
compatibilit entre la prvision et la droite estime
[
[
]]
RDD :
-
Si
Si
,
,

Page 30
2011 2012
Chapitre II
Modle linaire gnrale simple
Dans le chapitre prcdent, lestimation des paramtres du modle linaire simple, par
les MCO, ncessitait quun certain nombre dhypothse de base sur lala soit vrifi : lhypothse
de normalit, dhomoscdacticit et de non autocorrlation. Ici, on va lever toutes ces
hypothses et on va les tester.
I.
Les tests de normalit de lala
Il existe deux tests :

-
Le test de Skewness-Kurtosis
Le test de Jarque-Bera
A. Test de Skewness-Kurtosis
Test de Skewness
Symtrie normale
coefficient d asymtrie de earson
( , ) (6 et pas
!!)
RDD :
Si | |
accepte au risque
Si | |
rejete au risque
Test de Kurtosis :
pplatissement normale
( , 2
Page 31
2011 2012
RDD :
-
Si |
Si |
accept au risque
rejete au risque
our avoir normalit de lala, il faut avoir donc la symtrie normale et laplatissement normal.
B. Test de Jarque-Bera
2
2
Normalit de lala
RDD :
-
Si
Si JB
II.
2 ,
2 ,
accept au risque
rejete au risque
Le problme de lautocorrlation
A. Dtection de lautocorrlation
On se place ici dans un modle de srie temporelle.
Les erreurs sont inconnues. Seuls les rsidus apportent une information sur les
erreurs. Lautocorrlation concernent donc les rsidus.
Lautocorrlation reprsente des corrlations lintrieur de la srie des rsidus. Il y a

autocorrlation toutes les fois o lon peut trouver un coefficient de corrlation linaire
significativement diffrent de 0, entre la chronique des rsidus et elle-mme, retarde dun ou
plusieurs pas de temps.
Ces coefficients dautocorrlation peuvent se reprsenter graphiquement dont la
reprsentation graphique sappelle le corrlogramme.
Lensemble des coefficients de corrlation sappelle la fonction dautocorrlation.
Page 32
2011 2012
Exemple :
Si les rsidus sont une bonne reprsentation de lala, ils doivent vrifier lhypothse de
non autocorrlation. Cela signifie que toutes les autocorrlations successives doivent tre
significativement proches de 0 (barres courtes).
Il existe deux types dautocorrlation des rsidus :
Autocorrlation positive
Autocorrlation ngative
Page 33
2011 2012
B. Principales causes de lautocorrlation
Le modle ignore une variable explicative

Les variables de dpart taient saisonnires
Les variables contiennent des phnomnes exceptionnels, mal expliqu par le modle
oubli dune variable dichotomique ?)
Les variables de dpart des non-informations qui ont t corrigs par interpolation
linaire
Les variables de dpart ne vrifie pas lhypothse de stationnarit, cest--dire quelles
peuvent contenir des tendances dterministes (Trend linaire) ou stochastique
C. Les effets de lautocorrlation
obit un processus autorgressif :

-
Les estimateurs restent sans biais

Les variances dchantillon des coefficients de rgression ne sont plus minimales
La mthode des MCO nest plus la meilleure des mthodes pour estimer le modle.
D. Le test dautocorrlation
Test de lautocorrlation dordre 1 : le test de Durbin-Watson
Il existe un processus autorgressif dordre :
o | |
Absence dautocorrlation
D
0
Autocorrlation
positive
Si
,D
2
accepte
Autocorrlation
ngative
2
bsence dautocorrlation
Autocorrlation
positive
4
Autocorrlation
ngative
Test pour une autocorrlation suprieure 1 : Le test de Ljung-Box
stat
, avec
nombre de retards
Page 34
2011 2012
stat
, avec
ruit lanc
{ ,2, , }
RDD :
Si
Si
,
,
stat
stat
III.
accepte au risque
rejete au risque
Le problme de lhtroscdacticit
A. Glejser
| |
Test de la nullit de la pente de la droite :

homoscdacticit
RDD :
Si
Si | |
Si | |
2 ,
2 ,
accepte au risque
rejete au risque
est rejete, alors il y a htroscdacticit
B. (processus) ARCH
rocessus autorgressif sur le carr dune variable
, avec
le nombre de retards
{ ,, }
Multiplicateur de Lagrange
Page 35
2011 2012
RDD :
-
Si
accepte au risque (homoscdacticit)
Si
rejete au risque
C. White
Cest une rgression entre le carr des rsidus et chacune des variables explicatives
niveau ( ) et avec aussi le carr de ces variables.
,
(Homoscdacticit)
,
{ , ,2}
2
Le degr de libert du
variables explicatives.
gale au multiplicateur de Lagrange
est gale au nombre de
RDD :
-
Si
2 ,
accepte au risque
Si
2 ,
rejete au risque
Il existe une deuxime faon de faire le test : on utilise la statistique de Fisher, comme
pour le test du , mais cest la statistique de Fisher relative paramtres.
D. Goldfeld-Quandt
Ce test sapplique toutes les fois o lcart-type de lerreur du modle saccroit
proportionnellement avec lune des variables explicatives.
[ ]
[ ]
On ordonne les observations des variables

, en fonction des valeurs croissantes
de . On limine les observations centrales de lchantillon obtenu.
Page 36
2011 2012
Soit , le nombre dobservations limines. On obtient 2 sous-chantillons lun

correspond aux faibles valeurs de et lautre aux fortes valeurs. On applique la mthode des
MCO sur les
observations faibles et sur les
observations fortes.
Homoscdacticit
Htroscdacticit
) , avec
Somme des carrs des rsidus

{ ,2} l chantillon tudi
le nombre de paramtres
RDD :
-
Si
Si
omoscdacticit
troscdacticit
IV.
),
(
accepte au risque
),
rejete au risque
Robustesse du MLGS (Modle Linaire Gnral Simple)
Un modle est dit robuste lorsquil est valide dans les circonstances diffrentes. Dans
ce cas, il nous faut tudier le modle sous plusieurs sous-priodes. Par exemple, la relation
prix/rcolte du vin est-elle reste identique aprs lintroduction de la viticulture dans le
march commun en 1970 ?
Un modle est dit robuste si quelque-soit les sous-ensembles constitus partir
dobservations conscutives sur la priode { , }, les estimateurs du mme modle sur chacun
de ces sous-ensembles sont :
-
Valide : Il faut tester la significativit des paramtres, du , de Durbin-Watson

Stable : Les paramtres estims ne sont pas significativement diffrents. 3 tests :
o Test de comparaison de 2 coefficients de rgression :
o Test d N COV
o Test de comparaison de 2 coefficients de corrlation
A. Test de comparaison de 2 coefficients de rgression

re sous priode
2me sous priode
stabilit
Page 37
2011 2012
[ ]
[ ]
[ ]
]
[ ]
[ ]
[ ] Indpendant
[ ]
[ ]
RDD :
-
Si | |
Si | |
2
2
,
,
accepte au risque
rejete au risque
Mme chose pour les
B. Test dANACOVA
On appelle
la somme des carrs des rsidus du modle sur toute la priode,
la
somme des carrs des rsidus de la rgression sur chaque sous-priode (
sil y a 2
sous-priodes).
Le test consiste faire une comparaison entre
et
et
2
RDD :
-
Si
Si
,
,
2
2
,
,
accepte au risque (Stabilit)

rejete au risque
C. Test de comparaison de 2 coefficients de corrlation

Soit 2 sous priodes et , , respectivement les coefficients de corrlation de la sous
priode et 2. On montre quun coefficient de corrlation ne suit pas une distribution
Page 38
2011 2012
dexpression simple autour de son esprance mathmatique parce que la distribution est
fortement asymtrique pour des valeurs loignes de 0.
Comme on ne peut pas comparer les deux coefficients de corrlation, Fisher a propos
dutiliser largument tangente hyperbolique de r, not :
2
{
ln
ln
ln
respectivement
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
, sous
2 ln
2 ln
DDL
RDD :
-
Si | |
Si | |
,
,
accepte au risque (Stabilit)
rejete au risque
Page 39
2011 2012
Fin du cours dIntroduction lconomtrie
Sign par :
(^)(^)
^ ^
(= - =)
() ()
POOKIPOOKI
votre fidle serviteur
Page 40
2010
2011
2011 2012
Introduction
lconomtrie
H34VEN
Cours pour Licence 3, Semestre 5 Anne 2011
Page 41

Intro Économétrie

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Intro Économétrie

Uploaded by

Copyright:

Available Formats

2011

LICENCE 3 SCIENCES ECONOMIQUES

COURS DE M. FRANOISE SEYTE

LICENCE 3 SCIENCES ECONOMIQUES

COURS DE MME FRANOISE SEYTE

Ecrit pour les tudiants de troisime anne de licence en sciences conomiques

Pour toutes incomprhensions, imperfections ou erreurs ventuelles,

ANNEE 2011 2012

(peut tomber en examen, cf. Annales)

Modles linaires simples : Le modle 2 variables

Les hypothses du modle

Modle linaire gnral simple

Les tests de normalit de lala

Des origines de lconomtrie lge dor de la modlisation macro-conomtrique

Les premires tudes empiriques datent du XVIIme-XVIIIme sicle. Lautorit de la loi

Financer la publication dune revue dconomtrie

La crise de la modlisation macro-conomtrique au dveloppement rcent de

B. Lconomtrie des sries temporelles depuis les annes 1980

Lconomtrie des sries temporelles

Les hypothses du modle

Les variables exognes (explicatives) :

Le modle en srie temporelle, note

Le problme va tre destimer les paramtres

, qui sera ici lcriture privilgie

connaissant les valeurs observes de

Les valeurs calcules vont tre notes et , tant estimateurs.

et est appel cart ou rsidu, note

Il existe deux mthodes permettant de calculer alpha et beta

La mthode des Moindre Carres Ordinaires (MCO)

Lestimateur des Moindres Carrs Ordinaires

La mthode des MCO consiste retenir comme estimateur de et ce qui rsulte de la

Les proprits des estimateurs du MCO

sont des variables

sont des estimateurs sans biais de

sont des estimateurs variance minimale de

ont des variances, il faut montrer maintenant quelles sont minimales.

On considre un estimateur linaire quelconque de

par rapport , tel que :

Si est sans biais et de variance minimale, on aura

sont des estimateurs convergents

(15 pages de polycopis)

sont des estimateurs linaires de

Loi des estimateurs, intervalle de confiance et test dhypothse

A. Estimations par intervalle de confiance

B. Test des paramtres

Variance totale = Variance rsiduelle + Variance explique

autour de la moyenne de lchantillon peut tre

Le coefficient de corrlation, port au carr,

Test du coefficient de corrlation linaire simple

indique la fraction de la variance de

accepte au risque de premire espce

rejete au risque de premire espce

Tableau de lanalyse de la variance

Somme des carres des carts

sparment, on montre que

Test du coefficient de dtermination

Le carre dune loi de Student donne la loi de Fisher

accepte au risque de premire espce

Utilisation du modle de rgression en prvision

A. Prvision dune valeur moyenne de

correspondant une valeur de

doit tre de variance minimale

est un estimateur sans biais de [

Calcul de la variance (qui doit tre minimale)