Plan du cours de Statistique Applique Franois Gardes-Patrick Sevestre 2005-2006

Chapitre I : Rappels Chapitre II: Elments dchantillonnage (Tassi, Chap. 2, Kauffmann, Chap. 5 et 6) Chapitre III: Linformation au sens de Fisher (Kauffmann, chap. 7) Chapitre IV: Estimation (Tassi, deuxime partie) Chapitre V : Tests (Tassi, troisime partie, TD 1) Chapitre VI : Estimation et Tests par la mthode des MCO Chapitre VII : Complments (aperu sur les tests qualitatifs, la statistique non paramtrique, les problmes didentification, linfrence Baysienne, les plans dexprience pour lvaluation des politiques publiques)

Bibliographie

Dormont, B., 1998, Introduction lEconomtrie, Montchrestien Greene, W.H., 2000, Econometric Analysis, Prentice Hall, 4th edition Griffith, W., Hill, R. C., Judge, G., 1993, Learning and Practicing Econometrics, Wiley Judge, G., Hill, R., Griffith, W., Ltkepohl, H., Lee, T.C., 1988, Introduction to the Theory and Practice of Econometrics, John Wiley Kauffmann, Pascal, 1994, Statistique: Information, Estimation, Tests, Dunod Pradel, J., Site personnel sur le site dEurqua (Universit Paris I Tassi, P., 1985, Mthodes Statistiques, Economica

Prsentation

Echantillon, population statistique; prvision (note/temps de travail) Modles/Thorie: problmes dagrgation, de non-linarit, de simultanit Types de donnes ; biais de slection Causalit : *exemple Salaire/ducation ;
condition ceteris paribus ; effets partiels

Prsentation

Identification ; tests de restrictions

Spcification Comparaison de rsultats destimation ; procdures de test Exprimentation Htrognit non explique

Chapitre I: Rappels

Rappels de probabilit Exemples de lois de probabilit Les diffrents types de convergence: en loi, en probabilit, presque sre Les distributions jointes Lois normales jointes Les familles de lois exponentielles

Les convergences stochastiques 1

Comportement aux limites de phnomnes alatoires: chantillons dont la taille augmente (a) Convergence en loi: convergence simple d'une suite de fonctions fn converge vers une limite f en x: lim fn(x)=f(x)
x->+

La suite de variables alatoires Xn converge en loi vers la v.a. X si la suite des fonctions de rpartition Fn associes aux v.a. Xn converge simplement vers la fonction de rpartition F de X.

Les convergences stochastiques 2

Exemple v.a. discrte Proprits: * Th de Slutsky: (Xn) converge en loi vers X si la fonction est continue * Thorme Central Limite: Soit (Xn) une suite de v.a. indpendantes et de mme loi, admettant des moments finis

Les convergences stochastiques 3

jusqu' l'ordre 2. n note E(Xn)=m, V(Xn)=, MXn = . Alors la suite 1/n(Xn-m/ ) converge en loi vers un v.a. centre rduite de loi normale centre rduite N(0,1) Application l'approximation de lois de probabilit

Les convergences stochastiques 4

(b) Convergence en probabilit: Plim Xn= c ssi Prob(|Xn-c|>) ->0 quand n->Exemple Cas spcial: cv en moyenne quadratique Proprits de la convergence en loi

Les convergences stochastiques 5

Applications: (i) Approximation des lois de probabilit (ii) revenu relatif (iii) exercice

Les convergences stochastiques 6

c) Convergence presque sre: plus exigeante bien quassez proche de la Cv en Proba. Xn->X ssi Prob(Sup|Xk-X|>) ->0
k>n

Application: Loi Forte des Grands

Nombres

Les distributions jointes

1. 2. 3. 4. 5. 6.

Dfinition Indpendance de deux v.a. Esprance Exemple Lois normales jointes dans Rn Distribution dune fonction de v.a.

Chap. II: Lchantillonnage 1

Introduction 1. Echantillonnage sur une population de taille finie 1.1. Tirage de lchantillon avec remise 1.2. Tirage de lchantillon sans remise 1.3. Moyenne empirique associe un chantillon

Exercices sur lchantillonnage

Exercice 1: On considre une v.a. observe

sur une population, avec une moyenne m et une variance 2. on tire un chantillon E=(X1, X2,, Xn) de taille n=36, puis un second chantillon E=(X1, X2,, Xn) de taille n. 1) Quelle est la distribution limite de la moyenne empirique de E? de E? 2) Quelle est la istribution la moins disperse? 3) Si V(mX)=4 et n=120, calculer v(X).

Exercices sur lchantillonnage

Exercice 2: On considre un chantillon X1,

X2,, Xn tir dune population de moyenne m, de variance 2. On propose deux estimateurs de m: m1=moyenne empirique sur lchantillon m2=(X1+X2)/2 Comparer ces eux estimateurs.

Chap. II: Lchantillonnage 2

13.1. Dfinition 13.2. Echantillon tir avec remise 13.3. Echantillon tir sans remise 1.4. Variance empirique associe un chantillon Proprit 1: E(S2n) = x2 V(Xn)/n

Chap. II: Lchantillonnage 3

Prop 2: E(S2n) = [(n-1)/n]x2 pour un tirage sans remise Prop 3: E(S2n) = [N/(N-1][(n-1)/n]x2 pour un tirage avec remise Dmonstration: Prop 2 ->Prop 3 ->Pr1

Chap. II: Lchantillonnage 4

II. Echantillonnage dun processus alatoire: 2.1. Dfinition 2.2. Moyenne empirique sur un chantillon 2.3. Variances empirique sur un chantillon

Chap. II: Lchantillonnage 5

III. Echantillons dune loi normale: 3.1. Proprits des moyennes et variances empiriques 3.2. Le thorme de Fisher 3.3. Consquences

Ronald Aylmer Fisher

1890 (Londres)-1962 (Adelaide) Collges Gonville et Caius Cambridge Professeur de gntique, Cambridge Contributions la gntique et la statistique applique et thorique: distribution du coefficient de corrlation, thorie de lestimation, analyse de la variance, publication de tables statistiques. Thorme fondamental de la slection naturelle, socio-biology, usage de la thorie des jeux en biologie volutionniste (stratgie mixte)

Rappels

Rappel sur les lois de Bernouilli, binomiales et multinomiales Exercice dchantillonnage

Rappel sur les lois discrtes 1

Loi de Bernouilli: f(y|)= y(1-)1-ypour y=0,1 =0 sinon f(0|)= ; f(1|)=1-; f(y|)=0 pour y diffrent de 0 et 1 m= ;2= (1- )

Rappel sur les lois discrtes 2

Loi Binomiale: T expriences de Bernouilli indpendantes (H1) et de probabilit constante (H2) B (T, ) Exemple: T tirages rpts avec remise f(y|)=(Ty) y(1-)1-ypour y=0,1,,T =0 sinon m=T;2= T(1- )

Rappel sur les lois discrtes 3

Loi Multinomiale: f(y|1, 1,, k)=(y!/y1! y2!... yk!) y1 yk Lois marginales: B(yj|j) E(yi|j)=Tj;V(yj)=T j(1- j); cov(yi, yl)=-T j l

Rappel sur les lois discrtes 4

Loi hypergomtrique: tirages sans remises Exemple: comit universitaire Loi de Poisson: P(): nombre doccurrences par unit de temps F(y|)=(1/y!) yexp(-)

Chapitre III: Linformation au sens de Fisher (Kauffmann, chap. 7)

I. Linf au sens de Fisher pour un paramtre rel 1.1. Notations et hypothses 1.2. Score et quantit dinformation 1.3. Interprtation: Positivit, additivit 1.4. Calcul de linformation fournie par une v.a. relle sur un paramtre rel 1.5. Exemples: loi binomiale, loi exponentielle, loi normale II. Extension pour un ensemble de paramtres

Chap. IV: Estimation ponctuelle dun paramtre (Kauffmann, 8, 9.2, 9.1) Chap. V: Estimation par intervalle de confiance (Kauffmann, 10) Chap. VI: Tests sur les moyennes et les variances dune distribution (Kauffmann, 13) Chap. VII: Estimation et tests dans le modle de rgression multiple (Greene, 4 ou 5)