Economtrie applique

Matrise
sciences conomiques

Cours de
Claude Meidinger

Whenever you can, count.

Galton (1822-1911)

Table des matires

1

La rgression linaire
1.1 Le principe . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Interprtation . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Rgression linaire simple . . . . . . . . . . . .
1.2.2 Regression linaire multiple . . . . . . . . . . .
1.3 Mesure (descriptive) de la qualit de lajustement linaire
1.3.1 Trois concepts diffrents de la variation de y . .
1.3.2 Mesure de la qualit de lajustement linaire . .
1.4 Une illustration . . . . . . . . . . . . . . . . . . . . . .
1.5 La multicolinarit . . . . . . . . . . . . . . . . . . . .
1.6 Complments mathmatiques . . . . . . . . . . . . . . .
1.6.1 Reprsentation gomtrique . . . . . . . . . . .
1.6.2 Projection et qualit de lestimation . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

2 Estimation des paramtres et tests dhypothses.

Principes gnraux
2.1 Estimation : relations entre les coefcient de rgression et les paramtres thoriques . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 Le principe . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.2 Applications . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Les tests dhypothses . . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Test de lhypothse c = 0 : F global . . . . . . . . . . .
2.2.2 Test de lhypothse k = 0 : t-test . . . . . . . . . . . . .
3 Tests de restriction linaires et variables muettes
3.1 Tests de restriction linaires sur les paramtres du modle
3.1.1 Approche gnrale . . . . . . . . . . . . . . . .
3.1.2 Applications : tests de changement structurel . .
3.2 Complments . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Les variables muettes . . . . . . . . . . . . . . .
3.2.2 Modalits dutilisation des variables indicatrices
3

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

5
5
7
7
8
9
9
10
11
14
16
16
17

23
25
25
28
33
34
36
39
39
39
44
47
47
47

TABLE DES MATIRES

4

Les moindres carrs gnraliss : Htroscdasticit et Autocorrlation

4.1 Le principe des MCG . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Htroscdasticit . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.1 Les tests . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.2 Les remdes . . . . . . . . . . . . . . . . . . . . . . . .
4.3 LAutocorrlation . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . .
4.3.2 Les tests dautocorrlation AR(1) : t = t1 + ut . . . .
4.3.3 Les remdes . . . . . . . . . . . . . . . . . . . . . . . .
4.4 Complments mathmatiques . . . . . . . . . . . . . . . . . . . .

53
53
55
56
57
59
59
61
63
66

Endognit et variables instrumentales

5.1 Endognit des rgresseurs . . . . . . . . . . . . . . . . . .
5.1.1 Les sources de lendognit . . . . . . . . . . . . . .
5.2 Correction des biais : la mthode des variables instrumentales .
5.3 Lidentication . . . . . . . . . . . . . . . . . . . . . . . . .
5.4 Suridentication et doubles moindres carrs . . . . . . . . . .
5.5 Complments Mathmatiques . . . . . . . . . . . . . . . . .
5.5.1 En rgression simple . . . . . . . . . . . . . . . . . .
5.5.2 En rgression multiple . . . . . . . . . . . . . . . . .

69
69
69
72
75
78
81
81
83

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

A Rappels dalgbre linaire

87

B Tables statistiques

93

C Introduction la thorie des probabilits

99

D Faire des rgressions sous Excel

103
D.1 Effectuer une rgression . . . . . . . . . . . . . . . . . . . . . . 104
D.2 Les rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
E Introduction Stata
E.1 Dbuter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
E.2 Le code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
E.3 Les rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

107
108
109
110

Chapitre 1
La rgression linaire
1.1

Le principe

Une tude conomtrique cest :

un ensemble de propositions concernant certains aspects de lconomie
spcie des relations entre certaines variables : modle
une investigation empirique destine fournir des informations sur les paramtres des relations fonctionnelles (estimation) et sur la validit de ces
relations (tests)
Pour le moment : le modle linaire exprime une variable dpendante y comme
fonction de une ou plusieurs variables indpendantes x1 , ..., xk , ..., xK .
exemple 1 : (Pindick et Rubinfeld 1999)
5 variables : loyer (LOY ER), nombre de personnes (N BREpers), nombre
de chambre (N BREch), sexe (Sexe) et distance entre appartement et campus
(DIST ).
Ajustement ou regression linaire de LOY ER sur les 4 autres variables :

(1.1) LOY ER = 1 + 2 N BREpers + 3 N BREch + 4 Sexe + 5 DIST

qui est du genre :
y = 1 x1 + 2 x2 + 3 x3 + 4 x4 + 5 x5
avec x1 :variable constante, prenant toujours la valeur 1, do : y = 1 + 5 k xk
k=1
Sil ny a quune seule variable explicative (en plus de la constante) on a une rgression linaire simple, autrement il sagit dune rgression linaire multiple.
exemple 2 (Pindick et Rubinfeld 1999) : dpenses trimestrielles en voitures
neuves (DeV oitN ) et salaires trimestriels (Salaires) (Ex3-3)
5

CHAPITRE 1. LA RGRESSION LINAIRE

DeV oitN = 1 + 2 Salaires du type : y = 1 + 2x2
Rgression linaire sur un chantillon de n observations pour chaque variable,
i [1, N ] : dans le cas de variables y, x1 , ..., xk , ...xK cela donne K + 1 vecteurs
colonnes suivants du type : y1 , x1 , ..., xk , ...xK
y

x1

xk

xK

y1
.
.
.

1
.
.
.

x1k
.
.
.

x1K

yi
:
yN

1
:
1

xik
:
xN k

xiK
:
xN K

TAB . 1.1 variables y et xi

Et en particulier, la matrice des observations concernant les variables indpendantes est note X(N,K) . Do, tant donns y et X : calculer les coefcients
de rgression, cest dire les paramtres de la relation linaire.
colonne k de X : note xk
ligne i de X : note xi
Soit (1 , 2 , ..., K ) = vecteur quelconque, pour lobservation i, on compare
yi et 1 + K k xik , gnralement diffrents, soit ei cet cart : ei = yi 1 +
k=2
K
k xik Lajustement par les moindres carrs consiste minimiser la somme
k=2
des carrs des carts :
N

min

i=1

yi 1

k xik
k=2

Calcul des coefcients de la rgression :

Soit e le vecteur des carts : e = y X do la somme des carrs des carts
N

ee=
i=1

do

d(e e)
d

e2 = (yX) (yX) = (y X )(yX) = y y X yy X+ X X

i
= X y y X + 2X X = 2X y + 2X X = 0 en minimisant cela

donne : X X = X y et la solution

= (X X)1 X y

Economtrie applique
y

yi
y = 1 + 2 x2

yi

x2
F IG . 1.1 Droite de rgression

1.2

Interprtation

1.2.1 Rgression linaire simple

y = 1 + 2 x2

X X =

x1
x2

x1 x2

X y =

1 ... 1
x12 . . . xN 2

1 x12
.
. =
.
.
.
.
1 xN 2

y1
.
.
.

yi =
.
.
.
yN

1 ... 1
x12 . . . xN 2

N
i xi2

xi2
2
i xi2

yi
i xi2 yi
i

Donc (X X) = X y donne un systme de deux quations normales :

(1.2) N 1 + (

(1.3) (

xi2 )2 =
i

x2 )2
i2

xi2 )1 + (

yi . . . . . . (1)

xi2 yi . . . . . . (2)
i

(1) en divisant tout par N cela donne 1 + 2 x2 = y donc la droite de rgression

passe par (y, x2 )
Si lon remplace 1 par y 2 x2 dans (2) on a alors :
7

CHAPITRE 1. LA RGRESSION LINAIRE

(2) ( i xi2 )(y 2 x2 + ( i x2 )2 = i xi2 yi
i2
do :
xi2 ] =
xi2 yi y
2 [
x2 x2
i2
i

x2
i2

2 [
i

2
i

Soit donc 2 =

N x2 ]
2

=
i

(xi2 x2 )2 =

i (xi2 x2 )(yi y)
2
i (xi2 x2 )

xi2
i

xi2 yi y xi2

(xi2 x2 )(yi y)

et 1 = y 2 x2

Sy2
S22

Interprtation de 2 : un diviseur prs Sy2 mesure la covariation1 (cova

riance) entre y et x2 et le signe de 2 est dtermin par le sens de cette covariation.
y

y = 1 + 2 x2
y

x2

x2

F IG . 1.2 Sens des covariations

La Figure 1.2 montre le cas dune covariation positive : lorsque yi > y, le plus
souvent xi > x. On a donc :
Sy2 > 0

1.2.2 Regression linaire multiple

cas de 3 variables :y = 1 + 2 x2 + 3 x3

x1
X X = x2 x1 x2 x3
x3
1

N
i xi2
i xi3

i xi2
2
i xi2
i xi3 xi2

Formule de la covariance empirique : cov(y, x2 ) = Sy2 /(n 1)

xi3
i
matrice symtrique
i xi2 xi3
2
i xi3

Economtrie applique

X y =

yi
do les trois quations normales suivantes :
i xi2 yi
i xi3 yi
i

N 1 + 2 i xi2 + 1 i xi3 = i yi . . . (1)

x + 2 i x2 + 3 i xi2 xi3 = i xi2 yi . . . (2)

i2
1 i i2

1 i xi3 + 2 i xi3 xi2 + 3 i x2 = i xi3 yi . . . (3)

i3

de (1) en divisant tout par N on obtient :1 + 2 x2 + 3 x3 = y donc le plan de

rgression passe par y, x2 , x3 avec 1 = y 2 x2 3 x3 remplac dans (2) et (3)
on a :
2
i

2
i

(xi2 x2 )2 + 3

(xi2 x2 )(xi3 x3 ) =

(xi3 x3 )(xi2 x2 ) + 3

(xi3 x3 )2 =

(xi2 x2 )(yi y)
(xi3 x3 )(yi y)

Ou encore :
2 S22 + 3 S23 = Sy2
2 S32 + 3 S33 = Sy3

Donc les 2 et 3 sont fonction des covariations non seulement entre y et (x2 et
x3 ) mais aussi entre x2 et x3 .

1.3

Mesure (descriptive) de la qualit de lajustement linaire

1.3.1 Trois concepts diffrents de la variation de y

On pose :
K

yi = 1 +

k xik
k=2

do y = X b et les rsidus sont les ei = yi yi do le vecteur des rsidus

ei = y X b.
Variation totale : TSS = i (yi y)2 = Syy (total sum of squares)
Variation explique : ESS = i (yi y)2 (explained sum of squares)
2
2
Variation rsiduelle : RSS =
i (yi yi ) =
i (ei ) (residual sum of
squares)
Ces trois quantits sont lies par le rsultat fondamental :
9

CHAPITRE 1. LA RGRESSION LINAIRE

TSS = ESS + RSS
Dmonstration :
Prliminaires : quelques proprits des rsidus. Avec e = y X on a
dabord :
X X = X y X X X y = 0 = X (X y) = X e = 0
do, dans le cas dune rgression avec constante : x1 e = 0 soit encore
i ei = 0 et donc e = 0.
On a galement : y = y + e et x1 y = x1 y + x1 e = x1 y donc : i x1 yi =
i yi
Comme e = y X = y X(X X)1 X y = [I X(X X)1 X ]y,
2
soit : e = My . My est une matrice symtrique idempotente (My = My =

My M y )
Do :

e2 = e e = (My ) (My ) = y My My y = y My y
i

RSS =
i

= y [I X(X X)1 X ]y = y y y X(X X)1 X y

yy yX = yy yy

Cette dernire expression est gale TSS ESS : en effet : TSS ESS =
2
2
2
2
i (yi y) =
i yi
i (yi y)
i yi puisque
i yi =
i yi . Or :
2
yi = y y = (X ) (X ) = X X = [(X X)1 X y] X X
i

= y X(X X)1 (X X) = y X = y y
Do
TSS = ESS + RSS

1.3.2 Mesure de la qualit de lajustement linaire

Le coefcient de dtermination :
ESS
TSS
est compris entre 0 et 1. Il reprsente la part de la variation totale explique par la
rgression linaire do :
R2 =

ESS = R2 TSS
RSS = TSS ESS = (1 R2 ) TSS
do les deux cas extrmes :
10

Economtrie applique
R2 = 0 : ESS = 0 = i (yi y)2 yi = y, i ce qui correspond 2 =
3 = . . . = K = 0. En effet, le modle simple y = 1 entraine min1 (yi
1 )2 1 = y do yi = y. Globalement (x2 , . . . , xK ) nexplique rien par
rapport un modle o on pose yi = y
R2 = 1 : RSS = 0 = i e2 ei = 0 i do yi = yi i. Le modle
i
explique parfaitement les donnes.
Voir le listing : le document 1 du cours, pour ESS, RSS, TSS, et R2 : les exemples
1 et 2.

1.4

Une illustration

exemple 3 : chantillon de 5 personnes, y :salaire, x2 :annes dducation,x3 :annes dexprience au travail (y est en milliers de dollars).
y

x2

x3

30
20
36
24
40

4
3
6
4
8

10
8
11
9
12

TAB . 1.2
Pour le calcul il est parfois commode dutiliser les observations centres par
rapport aux valeurs moyennes : On a vu que :

2 s22 + 3 s23 = sy2

2 s32 + 3 s33 = sy3

soit
s22 s23
s32 s33

sy2
sy3

do si lon note "c" pour centr :

x12 x2 x13 x3
.
.

.
.
.
.

Xc = xi2 x2 xi3 x3

.
.
.
.

.
.
xN 2 x2 xN 3 x3
11

CHAPITRE 1. LA RGRESSION LINAIRE

c =

y1 y

.
.

yc = yi y

.
.

.
yN y

Il vient que c = (Xc Xc )1 Xc yc car Xc Xc c = Xc yc dautre part : T SS =

2

i (yi y) = yc yc galement : y i = 1 + 2 xi2 + 3 xi3

y = 1 + 2 x2 + 1 x3 donc yi y = 2 (xi2 x2 ) + 3 (xi3 x3 ) do ESS =

2

y
y

i (yi y) = ( y) ( y) avec y vecteur des composantes et y y = Xc c

(daprs les deux lignes au-dessus) do :

ESS = (Xc c ) (Xc c ) = c Xc Xc c = c Xc yc
Do pour calculer les caractristiques de la rgression de y sur x2 , x3 il faut utiliser les lments de la matrice symtrique :

syy sy2 sy3

s2y s22 s23
s3y s32 s33
s22 s23
s32 s33

Xc Xc =

et :

=
c

s22 s23
s32 s33

sy2
sy3

Xc yc =

sy2
sy3

, 1 = y 2 x2 3 x3

T SS = syy , ESS = c X yc = 2 sy2 + 3 sy3

2 ESS

R = T SS

Pour les calculs des sij , il convient dutiliser la formule suv =

v) = i ui vi N uv do :
do syy = 272,sy2 = 62,sy3 = 52,s22 = 16,s23 = 12,s33 = 10
do
162 + 123 = 62
122 + 103 = 52
2
3

1
16 10 122

10
12
1216
12

62
52

i (ui u)(vi

0.25
5.5

Economtrie applique
y

x2

x3

yx2

30
20
36
24
40

4
3
6
4
8

10
8
11
9
12

x2
2

x2
3

...
...
...
...
...

yi = 150
25
50
y = 30
x2 = 5 x3 = 10

yx3

x2 x3

...
...

TAB . 1.3
et
R2 =

1
272

1 = 30 (0.25) 5 5.5 10 = 23.75

62
52

0.25 5.5

= 0.998

ESS(x2 , x3 ) = 271.5

Lquation de rgression scrit :

y = 23.75 0.25x2 + 5.5x3
Ce sont les annes dexprience dans lentreprise qui sont importantes (effet positif). A x2 constant, une anne de plus accroit le salaire de 5 500$. Par contre,
avoir plus dannes dducation a un effet ngatif sur le salaire. Commentaire sur
lordonne lorigine : il est dangereux dextrapoler hors chantillon...
Supposons quon ait fait une rgression linaire de y juste sur x2 . Dans ce cas :
2 =

Sy2
= 3.875
S22

(Sy2 )2
= 240.25 R2 = 0.883
S22
Si lon fait prsent une rgression de y juste sur x3 , dans ce cas :
ESS(x2 ) = 2 Sy2 =

3 =

Sy3
= 5.2
S33

(Sy3 )2
= 270.4 R2 = 0.994
S33
Do, sans x3 , leffet de x2 sur y est positif. Mais avec x3 , leffet de x2 sur y
est ngatif. Pourquoi ? Quel est le bon effet ?
ESS(x3 ) = 3 Sy3 =

13

CHAPITRE 1. LA RGRESSION LINAIRE

1.5

La multicolinarit

Sur le plan de la mesure descriptive de la qualit de lajustement linaire (par

rapport au R2 ).
La part de variation explique par la rgression est une fonction non dcroissante du nombre de variables explicatives. Pour r < K :
K

RSS(x2 , . . . , xr ) = min

1 ,...,K

(yi i

k xik )2
k=2

sous la contraite r+1 = . . . = k = 0.

K

RSS(x2 , . . . , xK ) = min

1 ,...,K

(yi i

k xik )2
k=2

Sans la prcdente contrainte. Donc le minimum obtenu ici sans contrainte ne

peut par dnition qutre infrieur ou gal au minimum obtenu avec contrainte.
En consquence :
ESS(x2 , . . . , xr ) ESS(x2 , . . . , xr )
Dans notre illustration prcdente :
ESS(x2 , x3 ) = 271.5 ESS(x2 ) = 240.25
ESS(x3 ) = 270.40
Dans une rgression, la mesure de la contribution dune variable lexplication de la variation totale de y dpend des autres variables explicatives prises
conjointement en considration. Pour y, x2 , x3 par exemple, quelle est la contribution de x2 ?
La rgression simple de y sur x2 donne : ESS(x2 ). La rgression multiple de
y sur x2 , x3 donne : ESS(x2 |x3 ) = ESS x2 , x3 ESS(x3 ). En rgle gnrale, ces
deux quantits sont diffrentes. Dans le cas de notre illustration :
ESS(x2 ) =
240.25
ESS(x2 |x3 ) = 272 270.40 = 1.60
La raison de cette diffrence est lexistence de covariations entre les variables
explicatives. Il y a un problme de multicolinarit. Avec y, x2 , x3 : supposons
cov(x2 , x3 ) = 0, cela implique que S23 = S32 = 0. Dans ce cas :

Xc Xc =

S22 0
0 S33
14

Economtrie applique
do :

1
S22

c = (Xc Xc )1 Xc yc =
0

1
S33

Sy2
Sy3

2 =
3 =

Sy2
S22
Sy3
S33

Les coefcients obtenus en rgression multiple sont donc les mmes que ceux
obtenus en rgression simple de y sur x2 et de y sur x3 . On a galement :

ESS(x2 , x3 ) = c Xc yc =

Sy3
S33

Sy2
S22

Sy2
Sy3

(Sy2 )2 (Sy3 )2
+
S22
S33

= ESS(x2 ) + ESS(x3 )
do : ESS(x2 |x3 ) = ESS(x2 ). Dans le cas de rgresseurs orthogonaux, tout peut
se ramener des rgressions simples. Dans le cas contraire, ce nest pas possible : le coefcient de rgression dune variable est fonction des autres variables
explicatives, de mme que son pouvoir explicatif. Un biais de spcication peut
rsulter de loubli de variables signicatives explicatives : le biais des variables
manquantes.
Pour y, x2 et x3 , on a :
(1.4)

2 S22 + 3 S23 = Sy2

(1)

(1.5)

2 S32 + 3 S33 = Sy3

(2)

En divisant lquation (1) par S22 , on obtient :

2 + 3

S23
Sy2
=
S22
S22

Cest dire :
2 + 3 a32 = ay2
Ici a32 reprsente le coefcient de x2 dans la rgression simple de x3 sur x2 , ay2
reprsente le coefcient de x2 dans la rgression simple de y sur x2 . En consquent, si x3 est une variable explicative de y, 3 = 0 et cov(x2 , x3 ) = 0 donc
S32 = 0 donc a32 = 0. Par consquent, le coefcient de x2 dans la rgression
simple de y sur x2 , ay2 mlange deux effets :
Un effet direct de x2 sur y : toutes choses gales par ailleurs (x3 constante).
Cet effet est mesur par 2 .
Un effet indirect de x2 sur y, via x3 : mesur par 3 a32 :
a

32
x2 x3 y

15

CHAPITRE 1. LA RGRESSION LINAIRE

Do le biais dans ay2 , menant mme parfois lapparition dune corrlation ctive entre deux variables (spurious correlation) : 2 = 0, mais ay2 = 3 a32 = 0.
y
x3
x2

Dans les cas o 2 = 0, ce biais peut inverser le signe du coefcient de rgression

selon les autres variables explicatives. Dans lillustration : il est erron de dire
que les annes dtude aprs le lyce ont une inuence positive sur le salaire sur
la base dune rgression simple de y sur x2 donnant 2 = 3.875 et R2 = 0.883
(exemple 3). En ralit :
ay2 = 2 + 3 a32
3.875 = 0.25 + 5.5 0.75
4.125

Leffet de x2 sur y est en fait ngatif. Leffet positif observ dans la rgression
simple rsulte dune covariance positive entre x2 et x3 dans lchantillon et dun
effet positif de x3 sur y (do un effet indirect positif de x2 sur y via x3 .
Enn, les cas de multicolinarit extrme peuvent conduire labsence de so
lution pour les coefcient de rgression car X X ou Xc Xc nadmettent pas dinverse.
Dans le cadre de la rgression multiple il y a aussi multicolinarit si une variable est proche dune combinaison linaire des autres varialbes : xk i=k i xi
(tous les i ntant pas nuls). Dans le cadre dune multicolinarit parfaite, la matrice X X nest pas inversible et il est impossible de calculer . Une condition
ncessaire pour viter la multicolinarit est donc que X soit de plein rang colonne : son rang est gal au nombre de colonne (et non infrieur).

1.6

Complments mathmatiques

1.6.1 Reprsentation gomtrique

On a cherch ici estimer le vecteur des coefcients tel que :
(1.6) y = X
16

Economtrie applique
soit la meilleure approximation de : y = X + . On peut rcrire lquation
(1.6) :
(1.7) y = X = [x1 x2 xn ][1 2 n ] = 1 x1 + 2 x2 + + n xn
On cherche donc un vecteur y, combinaison linaire des vecteurs xi (nos variables
explicatives) qui soit la meilleure approximation possible de y. Lensemble des
vecteurs combinaison linaire des vecteurs xi appartiennent lespace vectoriel
engendr par les xi , nous notons cet espace L(X). Nous cherchons donc le vecteur
y L(X) tel que ce vecteur soit le plus proche possible du vecteur y. On peut
crire y = y + u, et nous cherchons donc y tel que u soit le plus petit possible.
En utilisant la norme usuelle quest la norme euclidienne, la norme de u est :
2
2
||u|| =
i (yi yi ) . Trouver le u de norme minimale revient donc
i ui =
minimiser la somme des carrs des rsidus. le thorme du plus court chemin
nous dit que u (qui relie y et un vecteur de lespace L(X)) est de norme minimale
lorsquil est ortogonal L(X), cest dire lorsque y est le projet orthogonal de
y sur L(X). Le principe est reprsent sur la Figure 1.3, p. 18.
Pour trouver les coefcients , il faut donc trouver le vecteur u orthogonal
L(X). Pour cela, on rsoud le systme des quations normales2 qui reprsente
les produits scalaires de u avec les vecteurs xi (qui doivent tre nuls pour assurer
lorthogonalit entre u et L(X)).

u x1 = 0

u x2 = 0

Xu=0
.
.

u x = 0
n

On peut rcrire ce qui prcde :

X u = X (y y) = X y X X = 0
Ce qui correspond bien aux quations normales (voir p. 7).

1.6.2 Projection et qualit de lestimation

Qui assurent, que u est un vecteur normal lespace L(X), cest dire orthogonal celui-ci.

17

CHAPITRE 1. LA RGRESSION LINAIRE

Y
u

L(X)

F IG . 1.3 Projection de Y sur L(X)

Corrlation entre variables explicatives : biais des variables manquantes, et
multicolinarit
Biais des variables manquantes Lorsque lon omet dans une rgression multiple une variable ayant un impact causal sur la variable explique y, il y a automatiquement un risque de biais dans lestimation des coefcients des variables
explicatives. Ce biais existe ds lors que la variable omise est corrle avec une
ou plusieurs des variables explicatives. En effet, dans ce cas, les variations de la
variables omises, qui ont un effet sur la variable explicative, sont corrles avec
les variations de la variables explicative, et lon va attribuer cette dernire une
part de leffet sur y de la variable omise. Prenons lexemple dune rgression :
y = 1 + 2 x2 + 3 x3 +
Supposons que lon omette dans la rgression la variable x3 alors quelle agit
sur y et quelle est corrle avec x2 . Le coefcient que lon obtient en rgression
simple pour x2 nest pas le mme que celui obtenu en rgression multiple. On
peut donner une reprsentation graphique de ce problme. Par simplicit, supposons que x2 et x3 sont des vecteurs centrs. La rgression peut alors se faire sans
la constante. Supposons que ces deux vecteurs sont corrls. La Figure 1.4 permet de voir la diffrence qui existe entre les deux coefcients possible de x2 :
a2 et 2 de x2 , respectivement en rgression sinple et en rgression multiple en
incluant x3 . On peut reprsenter les deux vecteurs corrls comme des vecteurs
non orthogonaux. Dans ce cas simple en deux dimensions, il est possible de voir
trs facilement la diffrence qui existe entre ces deux coefcients : cest 3 cos .
On retrouve ici la formule vue prcdemment. Pour des variables centres on a
en effet a32 = Cor(x2 , x3 ). De plus, le coefcient de corrlation entre deux vec18

Economtrie applique

x2

a2
2

3 cos()

x3

a3

F IG . 1.4 Frish Waugh

teurs est la gnralisation de la notion de cosinus pour des vecteurs (centrs) ndimensionnels 3 .
a2 = 2 + 3 Cor(x2 , x3 )
Ce que montre la Figure 1.4, cest aussi que si lon rgresse y sur le projet de
x2 sur lespace orthogonal au vecteur x3 , alors lestimation est sans biais. Cest
une illustration du thorme de Frish-Waugh selon lequel les estimations de
effectues dans les deux modles suivant sont identiques :
y = X + Z +
3

Soit a et b de mme dimension. Apellons ac et bc les vecteurs dont les composantes sont
centres (ac,i = ai a). On rappelle que le produit scalaire de ces deux vecteurs dans le cas
bidimensionnel scrit :
ac .bc = ||ac ||.||bc || cos(ac , bc )
On a donc dans le cas bidimensionnel :
cos(ac , bc ) =

ac .bc
||ac ||.||bc ||

2
i=1 (ai

2
i=1 (ai

a)(bi b)

a)2

2
i=1 (bi

b)2

Le lecteur attentif aura bien entendu reconnu le coefcient de correlation entre ac et bc .

19

CHAPITRE 1. LA RGRESSION LINAIRE

MZ y = MZ X + MZ
Ici, Z est une matrice contenant un ensemble de variables zk de coefcient k . La
matrice MZ = I PZ est la matrice de projection sur lespace orthogonal lespace engendr par les variables zk . Ce rsultat signie que pour avoir une bonne
estimation de , il faut soit prendre en compte les variables zk soit ne conserver
que linformation contenue dans y et X qui est orthogonale L(Z).
Multicolinarit Le problme de multicolinarit vient du fait que lorsque des
variables explicatives sont fortement corrles entre elles, il devient difcile de
dpartager leurs effets respectifs. Les estimations de leurs coefcients deviennent
alors trs sensibles de faibles variations dans les valeurs observes. La Figure
1.5 montre cette situation : deux vecteurs y lgrement diffrents peuvent donner des estimations trs distinctes pour les coefcients des variables x2 et x3 si
ces dernires sont fortement corrles. Rappelons que la matrice de variance des
coefcients C = (2 , 3 ) est gale

V (C ) = (XC XC )1 2

Or

(XC XC )1 =

|XC XC |

o A est la matrice transpose des cofacteurs de XC XC (voir les complments

dalgbre en Annexe, p. 90). On calcule trs facilement : |XC XC | = (x2 )2 (x3 )2

2
( (x2 x3 ) . Or on a :
1

(x2 )2
(x3 )2 (
x2 x3 )2 0

|XC XC |

(x2 )2 (x3 )2
1
( x2 x3 )2

cov(x2 , x3 )
V (x2 )V (x3 )

Cor(x2 , x3 )2 1
Lorsque la corrlation entre x2 et x3 tend vers 1 ou -1, les variances de 2 et
3 qui sont les termes sur la diagonale de V (C ) tendent donc vers linni. En
somme, si les variables x2 et x3 sont fortement corrles, les coefcients obtenus
sont trs alatoires.
Corrlation entre les variables explicatives et les rsidus
Si la projection orthogonale reprsente la meilleure estimation pour y, cest
que nous supposons que le vecteur des erreurs est asymptotiquement4 orthogonal aux variables explicatives : il nest pas corrl avec celles-ci. Choisir un u
4

Cest dire quil tend tre orthogonal lorsque le nombre dobservation tend vers linni

20

Economtrie applique

x2
2

x1

F IG . 1.5 Cas de multicolinarit : projection sur le plan (x1 , x2 )

orthogonal L(X) est donc la meilleure mthode pour estimer y. Toutefois, si le
vecteur nest pas asymptotiquement orthogonal, et que lon a cov(xi , i )
0
pour certaines variables explicatives, la projection orthogonale ne donne plus une
estimation sans biais. La Figure 5.2 p. 81 reprsente graphiquement cette situation. Ce type de problme sera trait dans la section 5 sur les variables endognes.

21

CHAPITRE 1. LA RGRESSION LINAIRE

22

Chapitre 2
Estimation des paramtres et tests
dhypothses.
Principes gnraux
Lconomtrie repose toujours et avant tout sur un modle.
Modle : hypothse thorique concernant la "ralit", cest dire la manire
dont les observations sont engendres.
Do les diffrentes tapes suivantes de manire shmatique (Maddala) : Figure 2.1.
Concernant la construction du modle conomtrique, il faut distinguer les variables explicitement prises ne considration et le terme derreur. On passe souvent
du modle conomique au modle conomtrique en ajoutant le terme derreur :
yi = 1 +

k xik + i
k

i joue ici le rle de variable fourre tout : "it really comprises no more than
giving a name to our ignorance and specifying for it a broad quantitative form".
Consquences : Pour quune droite de rgression soit une bonne estimation
dune droite thorique, il faut des hypothses sur les i .
Concernant lestimation du modle, il y a ici un problme car les points du
nuage ne sont pas "harmonieusement" distribus autour de la droite thorique. De
ce fait, lestimation est un processus dinfrence statistique : utilisation de donnes connues via les observations pour tester la validit dun modle inconnu car
innobservable. La qualit des estimations dpend des hypothses faites en particulier sur les termes derreur i . De ces hypothses dpend la qualit des relations
entre les k (paramtres thoriques), et les k (coefcients estims par la rgression).

23

CHAPITRE 2. ESTIMATION DES PARAMTRES ET TESTS

DHYPOTHSES.
PRINCIPES GNRAUX

Modle conomique
suggr par la thorie
Modle conomtrique
mise en forme du modle conomique
sous forme empiriquement testable
Informations a priori

Donnes
Estimation
du modle
Tests
dhypothses

Rsultats des tests

conformes
au modle

Rsultats des tests

non conformes
au modle

Utilisation du modle
(prvision et
politique conomique)

Reformulation
du modle

F IG . 2.1 Les tapes de ltude conomtrique selon Maddala

24

Economtrie applique
y

y = 1 + 2 x2
y = 1 + 2 x2

x2

2.1

Estimation : relations entre les coefcient de rgression et les paramtres thoriques

2.1.1 Le principe
Relation thorique :
(2.1) yi = 1 +

k xik + i
k

Relation empirique :
(2.2) yi = 1 +

k xik + ei
k

Relation entre :

1
2
.
.
.
K

et

1
2
.
.
.
K

On sait que = (X X)1 X y. Mais de (2.1), y = X + avec

1
2

= .
.
.
N
do = + (X X)1 X
25

CHAPITRE 2. ESTIMATION DES PARAMTRES ET TESTS

DHYPOTHSES.
PRINCIPES GNRAUX
est donc un vecteur alatoire qui, pour des ovservations donnes (X, y) diffre de en fonction des valeurs prises par le vecteur alatoire . est un estimateur de . On peut souhaiter quelques proprits dsirables pour cet estimateur.
Parmi celles-ci :

Sans biais : E() =

Efcace : de variance minimale

Convergent en probabilit :

Pourquoi cela ? On peut considrer z, une variable alatoire estimateur dun

paramtre a. Daprs lingalit de Bienaym-Tchebitcheff, quelque soit la distribution de z,on a :
V(z)
P[|z E(z)| ] 2

Do, si z est sans biais : E(z) = a, alors

a+

La probabilit que z appartienne cet intervalle est infrieure 1 V(z)/2 .

Si z est efcace, V(z) est minimal et la probabilit dappartenir cet intervalle
est dautant plus forte. Enn, si V(z) 0 quand la taille N de lchantillon en
fonction duquel z est dtermin augmente, on a la convergence en probabilit.
Problme ici : est un vecteur alatoire. Or si z est un vecteur alatoire :

z1
.
.
.
z= .
zi .
.
zM
On peut dnir.

E(z) =

E(z1 )
.
.
.
.
E(zi ).
.
E(zM )

et V(z), la matrice des variances et covariances de z : V(z) = E [(z E(z)) (z E(z)) ] :

26

Economtrie applique

z1 E(z1 ) zi E(zi ) zM E(zM )

z1 E(z1 )
.

.
.

V(z) = zi E(zi )

.
.

.
zM E(zM )

V(z) =

V(z1 )
.
.
.
.
.
.
.
.
.

cov(z1 , z2 )
...

cov(zM , z1 )

cov(z1 , zM )
.
.
.
.
.
V(zi )
.
.
...
.
.

V est une matrice symtrique (M, M ).

Considrons b = + (X x)1 X et posons

V(zM )

Hypothse 1 (Bruit blanc) E() = 0 (vecteur nul)

Alors E() = , lestimateur est sans biais.
De plus : E() = 0 V() = E[ ] et V() = E[(b )(b ) ] avec
b = (X X)1 X . Ceci donne :
V() = E[(X X)1 X X(X X)1 ] = (X X)1 X E( )X(X X)1

Hypothse 2 (Homoscdasticit) V()) = 2 I. Avec 2 = V(i ), i

Tous les i ont mme variance. Dans le cas contraire il y a htroscdasticit. Par
exemplbe les dpense de consmmation des mnates fort niveau de evenu peuvent
avoir une variabilit plus grande que celle des mnages faible revenu. Do, dans
lquation c = 1 + 2 Ri + i , V(i ) peut tre fonction des valeurs prises par R.
Hypothse 3 (Non autocorrlation) cov(i , j ) = 0 i = j

Dans le cas contraire, on parle dautocorrlation : les i ne sont pas indpendant

dans le temps. Dans le cadre de donnes temporelles, une autocorrlation positive implique par exemple quun t ngatif va avoir tendance tre suivi dun
t+1 ngatif, et inversement (voir Figure 2.2). Cela induit un biais possible dans
lestimation des paramtres.
Si lon a V() = 2 I alors V() = 2 (X X)1 . Do :
E() =
V() = 2 (X X)1
27

CHAPITRE 2. ESTIMATION DES PARAMTRES ET TESTS

DHYPOTHSES.
PRINCIPES GNRAUX
y

y = 1 + 2 x2

x2

F IG . 2.2 Autocorrlation positive

2.1.2 Applications
Rgression linaire simple
y = b1 + 2 x2
N
i xi2

X X =

(X X)1 =

1
2
i xi2 (

N
2
i xi2 (

do
V(2 ) = 2

xi2
2
i xi2

xi2 )2

xi2 )2

=
i

De plus on a :
S22 =
i

x2
i2

2
(
N

V(2 ) =

x2 2x
i2

x2
i2

xi2 )2
N

xi2 + N x2
2
i

xi2 2
) =
N

2
S22

S22 =
i

On a donc :

(x2 x2 ) =
2
i2

x2
i xi2
i2
N
i xi2

xi2 )2 + N (

x2
i2

On a galement
V(1 ) =

2
N(

xi2 )2

xi2 )2
28

xi2 ))2
N

2 i x2
i2
N S22

xi2 )2
N

Economtrie applique
Lorsque N , S22 = i (x2 x2 ) do V(2 ) 0 et V(1 ) 0. Par
2
i2
p
p
consquent 2 2 et 1 1 . Exemple 4 : Donnes concernant la production
y et le nombre dheures de travail x2 . Nombre N dobservation : 10.
y
11
10
12
6
10
7
9
10
111
10

x2
2

x2

y2

yx2

952

789

10
7
10
5
8
8
6
7
9
10

= 96 80 668
TAB . 2.1

2 =

Sy2
S22

i yi x N yx
= x2 i2 x22 V(2 ) =
N
i

i2

1 = y 2 x2 V(1 ) =
2 =

2
N

2
S22

2
i (xi2
S22

789 10(9.6x8)
= 0.75
668 10(64)

V(2 ) =

2
= 0.036 2
28

et
1 = 9.6 0.75(8) = 3.6
V(1 ) =

2 668
= 2.39 2
10 28

Le problme est ici que la variance des coefcients de rgression est inconnue
car 2 est inconnu. 2 = V() peut tre estime partir de la variance empirique
des rsidus :V(e) = N (ei e)2 . Or e = 0, do V(e = e e = i e2 . Mais
i
i=1
29

CHAPITRE 2. ESTIMATION DES PARAMTRES ET TESTS

DHYPOTHSES.
PRINCIPES GNRAUX
on veut un estimateur sans biais de 2 . Dans le cadre gnral des rgressions
multiples, un estimateur sans biais de 2 est s2 =
s2 =

e e
N K

do ici :

RSS
RSS
=
N K
10 2

Donc
ESS = 2 Sy2 = 0.75x21 = 15.75
2
TSS = i yi N y 2 = 952 10(9.6)2 = 30.4
et
s2 =

R2 = 0.518

30.4 15.75
= 1.83
8

do
V(2 ) = 0.036x1.83 = 0.06588
V(1 ) = 2.39x1.83 = 4.3737
Et les carts-type estims (standard error) :
2 = 0.256
1 = 2.09
Avec E(k ) = k , les carts-type indiquent lamplitude des carts possibles entre
k et k inconnu.
Rgression linaire multiple
N

y=

k xk
k=2

On sait que

X X =

N
i xi2
.
.
.
i

xiN

i xi2

x2 x2
.
.
.

xN x2

xiN
i
x2 xN

x N xN

do V() = 2 (X X)1 et V () = s2 (X X)1 avec

s2 =

e e
N K
30

Economtrie applique
Do si (X X)1 matrice [ij ](K,K) , on a :
V(k ) = s2 kk k [1, K]

et k = s kk , k.
Il est parfois utile de faire abstraction de lordonne lorigine. Prenons c =

(Xc Xc )1 Xc yc , et yc = Xc c + , avec = i i /N .

En remplaant, on obtient : c = c + (Xc Xc )1 X c( ). Or Xc =

i (xik xk ) = 0. Do :

c = c + (Xc Xc )1 Xc

Sous les hypothses 1, 2, et 3 prcdentes, E(c ) = c , V(c ) = 2 (Xc Xc )1

et :

S22 S2N
.
.

.
Xc Xc = .
.
.

SN 2 S N N

Si lon reprend lexemple 3 du chapitre 1 : y le salaire, x2 le nombre dannes

dducation, x3 le nombre dannes dexprience au travail.
Syy = TSS = 272
R2 = 0.998
ESS = 271.5

16 12
12 10

Xc Xc =

Donc la RSS = 0.5, do s2 =

(Xc Xc )1 =

0.5
53

= 0.25. De plus :

1
16(10) 122

10 12
12 16

On a donc :
V(2 ) = 0.25
2 = 0.395

10
16(10)122

= 0.156

V(3 ) = 0.25
3 = 0.5

Voir le doc. 1 cours (sur les listings) : Std. Err. exemples 1 et 2.

Le rle de lhypothse de normalit
A ce stade, nous savons que :
suit une distribution de probabilit.
E() =
V() peut tre estime par V()
31

16
16(10)122

= 0.25

CHAPITRE 2. ESTIMATION DES PARAMTRES ET TESTS

DHYPOTHSES.
PRINCIPES GNRAUX
Et donc, pour chaque coefcient on a E(k ) = k et lcart type est k = V(k ).
On souhaite dpasser le stade dune simple estimation ponctuelle. Par exemple :
Construire des intervalles de conance dans lesquels le paramtre inconnu
k (ou les paramtres inconnus ) ont une probabilit donne de se trouver
(on choisira en gnral une probabilit de 95%).
Construire des tests dhypothses : par exemple tester lhypothse k = 0
(la variable nest pas explicative) ou c = 0 (aucune des variablesmise
part la constantenest explicative).
Si est une variable fourre tout, reprsentant de multiples variables non incluses
dans le modle, et si ces variables sont non corrles avec les variables inclues
dans le modle, alors la loi des grands nombre peut justier que lon considre la
distribution de ce terme comme suivant une loi normale.
Si suit une loi normale multivarie N (0, V() = 2 I), alors suit une loi
normale multivarie N (, V() = 2 (X X)1 ). Notons que cette hypothse de
distribution normale de nest ncessaire pour assurer la normalit de la distribution de que sur un chantillon ni. Dans tous les cas, suit asymptotiquement
(quand N ) une loi normale, quelque soit la distribution de probabilit de .
Do galement k
N (k , V(k ) = 2 kk ). Do :
k k
k

N (0, 1)

Mais encore une fois, k est inconnu. On peut lestimer par k . Cette approximation implique une perte de prcision :
(1) t =

k k
k

TN K k [1, K]

TN K est une distribution appele de Student Fisher et est plus tale quune
loi normale.
On a galement :
(2) F =

1
(c
(K1)s2

c ) (Xc Xc )(c c )

FK1,N K

F suit une loi de Fisher-Snedecor de degr de libert K 1 et N K.

Le rsultat (1) permet de dterminer une intervalle de conance pour k . Ainsi,
pour N K grand, t suit une loi normale et on a :
P[|t| > 1.96] = 0.05
Do
P[1.96 t 1.96] = 0.95
32

Economtrie applique
En remplaant t on obtient :
P[k 1.96k t k + 1.96k ] = 0.95

k 1.96k

k + 1.96k
Prob=0, 95

Si on rpte le calcul de k avec des chelles diffrentes, selon les (avec le

mme X), 95% des intervalles calculs contiendront la vraie valeur du paramtre
k .

2.2

Les tests dhypothses

Quest-ce quun test ? Soit lhypothse H0 :tester cette hypothse, cest choisir
une statistique associe lchantillon et pour cette statistique. Dnir une rgion
dacceptation et de rejet (gnralement complmentaires) en fonction de laquelle
on prend une dcision.
La statistique est une variable alatoire do deux types derreurs possibles :
le risque de premire espce : rejet de H0 alors quelle est vraie.
le risque de deuxime espce : acceptation de H0 alors quelle est fausse.
Ralit

Test
H0

non H0

H0

OK

risque de premire espce

non H0

risque de deuxime espce

OK

TAB . 2.2 Test dhypothses

En rgle gnrale, on ne peut pas dcrotre simultanment les deux risques et ici
on cherche minimiser le risque de premire espce. Dans une premire approche,
deux tests sont couramment pratiqus :
H0 : c = 0 : aucune variable x2 , . . . xk nest explicative au sens statistique.
H0 : k = 0 : la variable xk nest pas explicative, au sens statistique.
33

CHAPITRE 2. ESTIMATION DES PARAMTRES ET TESTS

DHYPOTHSES.
PRINCIPES GNRAUX

2.2.1 Test de lhypothse c = 0 : F global

c ) Xc Xc (c c ) suit une F (K 1, N K).

1


Supposons c = 0 vraie : F = (k1)s2 c Xc Xc c et comme c Xc Xc c = ESS,
on a :

F =

(c
(k1)s2

F =

ESS
k1
RSS
N K

et le test prsent sous la forme : (STATA).

Source
Model
Residual

SS

df

ESS K 1
RSS N K

MS
ESS
MSE = k1
RSS
MSR = N K

F =

MSE
MSR

Ide : si c = 0 vraie, le fait dintroduire x2 , . . . xk ne va pas contribuer beaucoup lexplication de y do F prend une valeur faible.
Risque de premire espce : probabilit que F region de rejet = 0, 05,
/
do :

0,05

F0,05

Rgion de rejet

Rgion dacceptation
F IG . 2.3 Zones de rejet et dacceptation de lhypothse

si Fcalcul F0,05 : accpte hypothse c = 0

si Fcalcul > F0,05 : rejet une au moins des variables x2 , . . . xk est signicative ?
Grandeur du pouvoir explicatif et caractre signicatif des variables explicatives : ide est quon peut avoir un R2 faible et cependant rejeter lhypothse
34

Economtrie applique
c = 0. Les rsultats du test dpendent en particulier de N : car Fstat est une fonction croissante de N . On sait que ESS = R2 TSS et RSS = (1 R2 ) TSS do
F =

R2
K1
1R2
N K

et rejet de c = 0 si F > F0,05 soit encore :

R >

K1
F0,05 ( N K )

K1
1 + F0,05 ( N K )

do par exemple : pour K = 10, on a :

N = 20 F0,05 = 3, 02
N = 40 F0,05 = 2, 21
N = 60 F0,05 = . . .

R2 > 0, 731
R2 > 0, 13
R2 > 0, 03, il suft dexpliquer 3% de TSS
pour rejeter lhypothse c = 0.

do :
Exemple 4
y =production, x2 =nombre dheures de travail, N = 10
ESS = 15, 75
ESS = 14, 65

1
8

MSE = 15, 75
F = 8, 62 avec R2 = 0, 5188 galement
MSR = 1, 83
=

0,518
1
0,482
8

ou F0,05 (1, 8) = 5, 32 do rejet de lhypothse c = 0. Ici, dans la rgression

simple : c = 2 .
Exemple 3
y =salaires, x2 annes dducation, x3 annes exprience travail, N = 5
ESS = 271, 5
ESS = 0, 5

2 MSE = 135, 75
F = 543 avec R2 = 0, 998 galement
2 MSR = 0, 25
=

0,998
2
0,002
2

ou F0,05 (2, 2) = 19 do rejet de lhypothse c = 0 donc de lhypothse 2 = 0

et 3 = 0.
35

CHAPITRE 2. ESTIMATION DES PARAMTRES ET TESTS

DHYPOTHSES.
PRINCIPES GNRAUX

2.2.2 Test de lhypothse k = 0 : t-test

k k
k

suit une t(N K). Do si k = 0, on a tk = k t-stat associe la

k
variable xk .
On dispose de tables statistiques donnant pour les dveloppements limits N
K, un intervalle dans lequel t se trouve avec une probabilit de 0, 95. Par exemple :

t0,05

+t0,05
Prob=0, 95

Prob[|tk | > t0,005 ] = 0, 05

do le test : si k = 0 vrai, |tk | t0,005 avec une probabilit de 0, 95.
si|tk | t0,005 : acceptek = 0
si|tk | > t0,005 : rejet : risque de premire espce = 0, 05
si on reprend : regress LOY ER sur N BREpers, N breCh, Sexe, DIST :
listing
Fglob F = 40, 05 et F0,05 (4, 27) 2, 73 do rejet de lhypothse k = 0.
Au moins une des variables est signicative, mais laquelle ?

t-test : t = rapport tk = k : or t0,005 (27) = 2, 052 do une seule variable

k
signicative au sueil de 5%, qui est N breCh.

Remarque : Commentaires sur le listing : propos de Prob > F et P > |t| :

instructif de prciser le risque de premire espce (seuil de signicativit) associ la valeur de la Fstat ou la tstat calcule.
pour N brepers on a P > |t| qui gure pour une valeur = 0, 337 : signication :
si je construit mon t-test pour lhypothse N brepers = 0 en prenant comme valeur
de rfrence le t calcul sur chantillon (= 0, 898), alors Prob[|tk | > 0, 989] =
0, 337 donc . . .
donc : en rejetant lhypothse N brepers = 0 pour |t| > 0, 898, Prob = 0, 337
de rejet de lhypothse si elle est vraie.
t = 0, 898 serait statistiquement signicative au sueil de 0, 337
36

Economtrie applique

0, 898

+0, 898

Prob = 0, 377
pour Prob > F = 0, 000 : test construit sur rgion de rejet de c = 0 dtermine par F > 40, 05 donne une proba quasiment = 0 de rejet de c = 0 si elle est
vraie.
Remarque :
0
On peut tester des hypothses autres que k = 0 : par exemple : k = k ,

en utilisant

k k
k

et donc la rgion docceptation (au seuil de 5%) est dtermine

k k t0,05 ] = 0, 95 donc k [ 0 t0,05 k ] accepte

par Prob[t0,05
0
lhypothse k = k

Remarque : t-test symtrique et asymtrique

jusquici : implicitement : on teste lhypothse k = 0 contre k = 0 do on
admet des valeurs ou pour k . Parfois : restriction priori sur le rgime des
paramtres : par exemple : k > 0 et on teste lhypothse k = 0 contre k > 0.
avec une table stat donnant le t0,05 pour test symtrique (k = 0 contre k = 0),
on a :

0, 025

0, 025

t0,05

+t0,05

F IG . 2.4 Test symtrique

si on utilise cette table pour test asymtrique (k = 0 contre k > 0), dans ce
cas, il faut une lecture correspondant un t0 , 10 (symtrique).

37

CHAPITRE 2. ESTIMATION DES PARAMTRES ET TESTS

DHYPOTHSES.
PRINCIPES GNRAUX

0, 05

Rgion limine

Rejet
Accept.

F IG . 2.5 Test asymtrique

38

Chapitre 3
Tests de restriction linaires et
variables muettes
3.1

Tests de restriction linaires sur les paramtres

du modle

3.1.1 Approche gnrale

Exemple : fonction de consommation macroconomique.
(3.1) C = 1 + 2RT + 3 RN T +
Avec RT le revenu du travail et RN T les autres revenus. On peut vouloir tester
par exemple :
Lhypothse dune propension marginale consommer gale 1 : 2 +3 =
1
Lhypothse selon laquelle les deux propensions marginales sont gales :
2 = 3
Ces deux hypothses sont quivalentes des restrictions linaires sur les paramtres. On peut les crire sous forme gnrale : R = q avec R(J,K) si J restrictions linaires et q(J,1) . Ici on a effectivement :

1
1
0 1 1 2 = [1]
0 1 1 2 = [0]
et
3
3
R=q

R=q

Et pour tester ce genre dhypothses, deux pratiques de test sont possibles et

ici quivalents.
39

CHAPITRE 3. TESTS DE RESTRICTION LINAIRES ET VARIABLES

MUETTES
1. Test reposant sur la perte de qualit de lajustement linaire (en terme de
RSS).
2. Test reposant sur la matrice estime des variances et covariances des estimateurs (Wald)
Ce sont deux approches diffrentes pour construire le mme test (mme valeur de
F asymptotiquement).
Test en terme de RSS
Le principe : Le minimum dune expression sans contraintes est toujours infrieur au minimum de cette mme expression si lon introduit des contraintes. En
consquence, si lon compare deux modles :
Modle :y = X + avec RSS = min carr des carts sans contraintes
y = X +
Modle (*) :
avec RSS = min carr des carts sous J
R = q
contraintes
on a videmment RSS RSS 1 et le test est construit sur la diffrence RSS RSS
et plus particulirement sur la statistique :
F =

(RSS RSS)/J
RSS /(N K)

(J, N K) degr de libert. Lide sous-jacente est que si les contraintes R = q

sont vraies, alors le fait dimposer ces restrictions au modle ne doit pas impliquer une perte importante de qualit de lajustement linaire. Donc la quantit
RSS RSS doit tre faible do une valeur faible de F . Dans le cas contraire, on
a un F avec une grande valeur. Pour tester lhypothse R = q on estime donc le
modle sans contrainte et le modle avec contrainte. Si cette hypothse est vraie,
F =

(RSS RSS)/J
RSS /(N K)

F (J, N K)

Si F > F0.05 : rejet de lhypothse.

Si F F0.05 : acceptation de lhypothse.
Ceci suppose que lon puisse intgrer les contraintes dans lcriture du modle.
Cest parfois possible.
Exemple de la fonction de consommation macroconomique :
C = 1 + 2 RT + 3 RN T +
RSS = e e et RSS = e e . Or e = y X X( ) donc e = e X( )
do e e = [e X( )] [e X( )] = e e ( ) X e e X( ) + (

) X X( ). Et comme X e = 0 = e X, on a : e e e e = ( ) X X( ).

40

Economtrie applique
Pour lhypothse 2 + 3 = 1 : 3 = 1 2 , cela conduit au modle :
() C RN T = 1 + 2 (RT RN T ) +
Avec deux variables : C RN T et RT RN T .
Pour lhypothse 2 = 3 , on a :
C = 1 + 2 (RT RN T ) +
L aussi le modle est deux variables.
Il est cependant parfois difcile dintgrer les contraintes dans le modle (*)
pour arriver estimer sous contraintes. On peut alors adopter une autre approche.
Test de Wald : en terme de matrice estime des variances et covariances de
Principe du test : Soit lhypothse R = q. Le test repose sur la comparaison
entre R et q. Un cart important entre R et q est en dfaveur de lhypothse. Le
test utilise galement une F statistique :
F =

(R q) [R(X X)1 R ]1 (R q)/J

e e/(N K)

F(J,N K)

Toute linformation disponible pour construire ce test nutilise que les rsultats du
modle non contraint, savoir :
vecteur des paramtres estims du modle non contraint
e e/(N K) = s2 estimation sans biais de V(i ) avec le modle non
contraint, de sorte que, en remarquant que V() = s2 (X X)1 , matrice
estime des variances et covariances de .
La F statistique peut encore scrire :
F =

(R q) [RV()R ]1 (R q)
J

La procdure du test est donc la suivante : on estime le modle sans contrainte, on

construit la F statistique avec la matrice V() et :
F > F0.05 : rejet de lhypothsse R = q
F F0.05 : acceptation de lhypothse R = q
Exemple 5 : (Greene 2000, p. 240) [voir listing] doc. 2 cours.
Considrons la fonction dinvestissement suivante :
Invt = 1 + 2 temps + 3 P N B + 4 Int + 5 Inf lat +
41

CHAPITRE 3. TESTS DE RESTRICTION LINAIRES ET VARIABLES

MUETTES
Et on veut tester lhypothse jointe suivante :

2 = 0 : pas de trend

3 = 1 : propension marginale investif gale 1

4 + 5 = 0 : les investisseurs ne prennent en considration que le taux dintrt

rel do en fait simplement 4 (Int Inf l)

Il y a trois restriction linaire. On peut crire :

0 1 0 0 0
R= 0 0 1 0 0
0 0 0 1 1

0
q= 1
0

Les estimations du modle non contraint :

1 = 0.50907

= 0.01658

2
:
3 = 0.67038

= 0.0023259
4

5 = 0.000094012

do

0.01658

0.67038
R =

0.0024199
4 +5

Et

0.01658

0.37038

R q =

3 1

0.0024199
4 +5

V() est donne (attention lordre des variables : rcrire en mettant la

constante en premier)
Test de Wald : F = (Rq) [RV()R ](Rq)/3 = 1266.3525 et F0.05 (3.10) =
3.71 do le rejet de lhypothse jointe. Mais parmi les trois hypothses, quelles
sont les fausses ?
42

Economtrie applique
Pour 2 = 0 : time trend : on peut regarder le t2 de la rgression : t2 = 8.409
et P > |t| 0 do le rejet de 2 = 0.
3 = 1 : on peut tester lhypothse 3 = 1 contre 3 < 1 (test asymtrique).
1
t3 = 3 dl=10. t3 = 0.670381 = 5.994 or t0.1 = 1.812 do t3 <
0.054997
1.812 on rejette donc lhypothse 3 = 1 et on accepte 3 < 1.
Pour 3 + 4 = 0 : seul le taux dintrt rel compte. On peut refaire un
test de Wald (voir le listing du test Int + IN f lat = 0) avec R = [00010]
et q = [0]. On obtient F(1,10) = 3.25 < F0.05 = 4.96 Lhypothse est donc
accepte.
On peut aussi transformer le modle par intgration de la restriction do le
modle (*) :
Invt = 1 + 2 temps + 3 P N B + 4 (Int Inf l) +
Int rel

On peut ds lors faire un test en terme de RSS : do (voir les listings) :RSS =
0.000597484, RSS = 0.000450811 et F = RSS RSS = 3.25 galement.
RSS /10
Remarques
Il est vident que dans lapproche en termes de RSS, on a :
F =

2
(RSS RSS)/J
(R2 R )/J
=
RSS /(N K)
(1 R2 )/(N K)

Do :
Remarque 1 : le test c = 0 (2 = 3
restrictions linaires.

1 0
0 1
R = q
1 0
1 0

= = k = 0) est un test de K 1

0
2
0 .
. =
.
0
K
1

0
.
.
.
0

Une approche en terme de RSS implique donc deux rgressions : la premire sur x2 , , xk et lautre simplement avec y = 1 + (modle *).
2
Dans ce dernier modle, 1 = y do yi = y, i et donc R (entre y et y,
R2 /(K+1)
est nul do F = (1R2 )/(N K) . Ceci est galement le rsultat du Fglobal du
Chapitre 2 :
F =

R2 TSS /(K 1)
ESS /(K 1)
=
RSS /(N K)
(1 R2 ) TSS /(N K)
43

CHAPITRE 3. TESTS DE RESTRICTION LINAIRES ET VARIABLES

MUETTES
Remarque 2 : le test de k = 0 est un test dune restriction linaire. Et dans
lapproche par RSS on a :
RSS = TSS ESS(X2 , , Xk1 , Xk+1 , , Xk )
RSS = TSS ESS(X2 , , Xk1 , Xk , Xk+1 , , Xk )
RSS RSS = ESS(Xk |X2 , , Xk1 , Xk+1 , , Xk )
Remarque 3 (non donne en cours, pose en TD 5) : le test de lhypothse
k = 0 per le test de Wald montre que la Fstat associe est gale t2 .
k
En effet, pour lhypothse k = 0 : R = [0, , 0, 1, 0 , 0] do avec
q=0:
Fk = (R q) [RV()R ]1 (R q)
On a R q = k et RV()R est llment diagonal (k, k) de la matrice
2
V() soit k , do
2
Fk = k =
2
k

k
k

= t2
k

Remarque 4 : dans le cas dhypothses sexprimant sous la forme de fonctions non linaires des paramtres (non donn en cours, voir Greene (2000,
p. 363) le test de Wald repose sur un 2 J degr de libert.

3.1.2 Applications : tests de changement structurel

Exemple 6
On considre les donnes relatives lconomie US de 1947 1962 en distinguant deux priodes (voir listing du document 2).
Jusqu la n de la guerre de Core :1947-1953 (le 25 juin 1950, les troupes
Nord corennes franchissent le 38me parallle.
Aprs : 1954-1962.
Lide est ici que les relations entre lemploi total et les variables explicatives
T rend, IN GP, P N B, F orcArm ne sont pas ncessairement les mme sur les
deux priodes.
Modle non contraint
yi = 1(1) + 2(1) T rend + 3(1) IN GP + 4(1) P N B + 5(1) F orcArm + i
pour i {1947, , 1953}, N1 = 7 observations.
yi = 1(2) + 2(2) T rend + 3(2) IN GP + 4(2) P N B + 5(2) F orcArm + i
pour i {1954, , 1962}, N2 = 16 observations.
44

Economtrie applique
Sous forme matricielle :
y 1 = X1 1 + 1
y 2 = X2 2 + 2

(3.2)

N1 obs.
N2 obs.

y1
y2

N1 observations, K = 5 paramtres. (1-1)

N2 observations, K = 5 paramtres. (1-2)

X1 0
0 X2

1
2

1
2

X1 est une matrice (N1 , K) et X2 une matrice (N2 , K). On a par ailleurs :
N1 + N2 = N = 16
2K = 10 paramtres
Pour estimer les 10 paramtres, on peut videmment rentrer les donnes
sous la forme gnrale. Mais, les deux sous-modles tant entirement diffrents, on peut montrer que lestimation de (3.2) et ses caractristiques
peuvent sobtenir sparment partir de lestimation de (1-1) et lestimation de (1-2). En particulier : RSS(1) = RSS(11) + RSS(12) .
Modle contraint (*)
Il dpend des contraintes formules.
a) Hypothse 1 = 2 : il y a une seule et mme relation quelque soit
lanne considre (i 1947, . . . , 1962, N = 16).
yi = 1 + 2 T rend + 3 IN GP + 4 P N B + 5 F orcArm + i
y = X +
[N,1]

[N,K]

[K,1]

N = 16 observations
K = 5 paramtres
Et dans ce cas le nombre de contraintes est J = 5. Do, pour tester
cette hypothse :
F =

(RSS RSS)/J
RSS /(N1 + N2 2K)

avec RSS = RSS(11) + RSS(12) , cest dire : 1.52 = 0.344 + 0.808.

Do (voir listing) :
F =

(4.934 1.152)/5
= 3.93 < F0.05 (5,6) = 4.39.
1.152/(16 10)

On accepte donc lhypothse 1 = 2

45

CHAPITRE 3. TESTS DE RESTRICTION LINAIRES ET VARIABLES

MUETTES
1
2
b) hypothse c = c : soit donc 2(1) = 2(2) , 3(1) = 3(2) , 4(1) =
4(2) , 5(1) = 5(2) . La relation est donc la mme, sauf en ce qui
concerne le terme constant. le modle contraint scrit donc :

1 0
1(1)
. .

. .
. .
1(2)

1
y
1 0
2
=
Z +
y2
0 1
3

. .

4
. .

. .
2
0 1

Les deux premires colonnes de 0 et de 1 sont des variables muettes(voir

section complments) D1 et D2 . La matrice Z est compose des variables T rend, IN BP , P N B, F orcArm.
Si lon rgresse y sur D1 , D2 et les autres variables (voir listing),
Stata limine D2 . La raison est que si lon rajoute une constante, on a
multicolinarit parfaite, ce qui veut dire ici :
D1 = 0 i 1954, donc cste = 42.02035
D1 = 1 i 1954, donc cste = 42.02035 1.523557 = 40.49686
Une autre manire dobtenir le mme rsultat est dimposer labsence
de constante. Stata sort alors : D2 = 42.02039 et D1 = 40.49686.
Dans les deux cas : RSS = 3.178, J = 4 do :
F =

(3.178 1.52)/4
= 2.63
1.52/(16 10)

1
2
Lhypothse c = c est donc accepte.
Remarque : ce genre de test est souvent appel test de Chow . Une
hypothse implicite est qeu V(ei ) = 2 , i N , donc on suppose
des changements structurels avec cependant une variance des termes
derreur identique.
Lutilisation des variables muettes est trs gnrale pour prendre en
considration des changements structurels. Soit par exemple :

yi = + xi2 + i i N = N1 N2
Et on suppose que :
yi = (1) + (1) xi2 + i pour i N1
yi = (2) + (2) xi2 + i pour i N2
46

Economtrie applique
Le modle non contraint est donc quivalent deux quations spares. On peut aussi les crire sous la forme dun seul modle : soit
D2 = 0 pour i N1 et D2 = 1 pour i N2 et le modle
yi = + (2) D2 + xi2 (2) xi2 + i
Do
i N1 : yi = + xi2 + i
i N2 : yi = ( + 2 ) + ( + 2 )xi2 + i
Le modle contraint est ici quivalent lhypothse :i, 2 = 2 = 0.

3.2

Complments

3.2.1 Les variables muettes

On appelle variables muettes, ou encore variables binaires, variables dichotomique ou tout simplement en anglais dummy une variable qui prend deux valeurs
possibles : 0 ou 1. Ces variables sont utilises pour coder des phnomnes non pas
quantitatifs, mais qualitatifs : tre une femme/un homme, avoir des enfant ou non,
tre immmigr ou non... Ces variables peuvent tre introduites de deux faons
possibles dans lanalyse conomique. Tout dabord comme variables expliques :
on peut souhaiter par exemple souhaiter connatre les raisons qui favorisent le
choix davoir un enfant, ou de faire des tudes suprieures. Ce type dutilisation
requiert dautres outils que la rgression linaire, cest le domaine de lconomtrie des variables qualitatives. Les mthodes utilises dans ce domaine (probit,
logit) visent en gros estimer limpact des variables explicatives sur la probabilit
doccurerence de la variable explique.
Par ailleurs, dans le cadre de la rgression linaire, on peut intgrer des variables indicatrices comme variables explicatives.

3.2.2 Modalits dutilisation des variables indicatrices

Gnralits
Supposons que lon doit coder une variable binaire, par exemple "tre une
femme ou un homme". On veut par exemple estimer le diffrentiel de revenu
entre hommes et femmes niveau ducatif donn. Pour cela on peu inclure dans
la rgression la dummy suivante :
1{homme} =

0
1

si lindividu est une femme

si lindividu est un homme
47

CHAPITRE 3. TESTS DE RESTRICTION LINAIRES ET VARIABLES

MUETTES
On calcule alors :
(3.3) y = 1 + 2 1{homme} + 4 educ
Contrairement ce que lon pourrait penser de premier abord, la modalit 0
correspond ici la modalit de rfrence. Cest dire que les rsultats de la rgression vont tout dabord concerner les femmes. Le coefcient de la variable indicatrice nous donne ensuite limpact (positif ou ngatif) du fait dtre un homme
par rapport au fait dtre une femme. Inclure une variable indicatrice implique
toujours de dnir une rfrence (ici "femme") et de ninclure que la variable indicatrice complmentaire (ici "homme"). Il serait en effet erron dintroduire deux
variables indicatrices. Supposons en effet que lon
y = 1 + 2 1{homme} + 3 1{femme} + 4 educ
La matrice des variables explicatives scrit :

1 1{1 est un homme} 1{1 est une femme} educ1

.
.
.
.
.
.
.
X = .
.
.
.
.
1 1{n est un homme} 1{n est une femme} educn

On voit ds lors que lon a : 1 = 1{i est un homme} +1{i est une femme} , i. Il y a donc
multicolinarit parfaite, et X nest pas de plein rang colonne (voir p. 16). Il est
ds lors impossible de calculer les coefcients de rgression. Si lon essaye doprer cette rgression sur Stata, le programme fait automatiquement sauter lune des
deux variables indicatrices qui devient de facto la rfrence. Il est donc ncessaire
de nintroduire que lune des deux variables indicatrices possibles. Une autre solution possible serait dintroduire les deux et de retirer la constante, on recours en
pratique peu cette dernire solution.
Utilisation la plus frquente : effet additif
Le fait dintroduire une variable indicatrice comme variable explicative donne
comme rsultat un coefcient ajouter ou soustraire au rsultat obtenu pour
une observation de la modalit de rfrence. Par exemple, dans (3.3), pour un
niveau dducation donn, il faut ajouter 2 au salaire dune femme pour trouver
le salaire dun homme.
On peut donc reprsenter lintroduction de cette dummy sur la Figure 3.1.
En tant que terme dintraction : effet multiplicatif
On peut aussi se dire quen ralit tre un homme va agir sur le rendement
de lducation. Les hommes non diplms pourrait gagner autant que les femmes
48

Economtrie applique
y

y=

1 + 3 1{homme}
+4 educ

y = 1 + 4 educ

educ
F IG . 3.1 Effet additif
y
y=

1
+2 (1{homme} educ)
+3 educ

y = 1 + 4 educ

educ
F IG . 3.2 Effet multiplicatif
non diplmes, mais ils pourraient par exemple tirer un gain plus important de leur
diplme. Pour tester cela, on va introduire une variable dintraction 1{homme} educ
qui va reprsenter le gain (ou la perte) tir dune augmentation du niveau de diplme pour lhomme.
On peut donc reprsenter lintroduction de cette dummy sur la Figure 3.2
Effet de seuil
Une autre utilisation possible consiste estimer un seuil possible. Par exemple
supposons que les individus ayant un patrimoine suprieur K aient payer un
impt sur la fortune, mais que lassiette de celui-ci ne prenne pas en compte les
oeuvres dart. On peut se demander comment le fait davoir un patrimoine au dessus de K modie la propension acheter des oeuvres dart. Pour cela, on cre une
variable indicatrice de seuil : 1{K>K} . Et on peut donc reprsenter lintroduction
49

CHAPITRE 3. TESTS DE RESTRICTION LINAIRES ET VARIABLES

MUETTES
y

= 1 + 3 1{K>K}
+4 K

K
F IG . 3.3 Effet de seuil

de cette dummy sur la Figure 3.3

Variables qualitatives non binaires
Toutes les variables qualitatives ne sont pas binaires. Supposons par exemple
que lon souhaite tudier limpact de lducation sur le revenu, mais que lon ne
dispose pour nos donnes que de trois informations possibles : Sans le bac, Bac,
Diplme denseignement suprieur. On peut envisager quune solution possible
est de poser une variable :

0 si lindividu na pas le bac

1 si lindividu a le bac
educ =

2 si lindividu a un diplme de lenseignement suprieur

Toutefois cela pose un problme. On suppose en effet ici que leffet sur le revenu
de lobtention du bac (par rapport au fait de ne pas lavoir) est quivalent leffet
de lobtention dun diplme dtudes suprieur (par rapport au fait davoir le bac).
Or ces deux effets peuvent tre trs diffrents. Supposons par exemple que le
fait davoir le bac augmente peu le revenu, alors que le fait davoir un diplme
dtudes suprieures augmente bien plus celui-ci : Figure 3.42 .
Le fait destimer lquation :
y = 1 + 2 educ
va mener un 2 surestimant limpact du fait dobtenir le bac et sous estimant
limpact dun diplme dtudes suprieures. Il est donc conseill, dans le cas de
variables qualitatives non binaires de "dichotomiser" la variable qualitative en la
2

On remarquera laspect particulier du nuage de points lorsque la variable est qualitative.

50

Economtrie applique
y

y = 1 + 2 educ

2 educ

F IG . 3.4 Variables qualitatives non binaires

scindant en variables indicatrices. En loccurrence, on pourra poser ici le fait de
pas avoir le bac comme la modalit de rfrence, et inclure dans la rgression les
deux variables indicatrices suivantes :
1{bac} =

0 si lindividu na pas le bac

1 si lindividu a le bac

1{sup} =

0 si lindividu na pas de diplme dtudes suprieures

1 si lindividu a un diplme dtudes suprieures

Dans lquation :
y = 1 + 2 1{bac} + 3 1{sup}
les coefcients 2 et 3 vont donner limpact des diplmes correspondants par
rapport au fait de ne pas avoir le bac. On nimpose ainsi aucune contrainte a priori
sur les effets relatifs de chaque diplme3

La premire situation impose que 2 (effet de lobtention dun bac)= 3 2 (effet de lobtention dun diplme dtudes suprieures lorsque lon a dj un bac)

51

CHAPITRE 3. TESTS DE RESTRICTION LINAIRES ET VARIABLES

MUETTES

52

Chapitre 4
Les moindres carrs gnraliss :
Htroscdasticit et
Autocorrlation
4.1

Le principe des MCG

On considre le modle y = X + .
Jusqu prsent : MCO caractriss par :
E() = 0

pour = (X X)1 X y donne

V() = 2 I

E() =
V() = 2 (X X)1

(1)

et est estimateur sans biais, efcace (i.e. de variance minimale), convergent

en probabilit vers , distribu normalement si est distribu normal et sur de
grands chantillons si non normal, distribu asymptotiquement normal.
Modle de rgression linaire gnralis : MCG
E() = 0
V() = 2 , matrice dnie positive
do en particulier les hypothses 2 et 3 des MCO du chapitre 2 non vries :
hyp. 2 : homoscdasticit : V(i ) = 2 , i
hyp. 3 : non autocorrlation : Cov(i , j ) = 0, i, j tq i = j

et dans ce cas : pour = (X X)1 X y donc = + (X X)1 , on a toujours

E() = mais V() = (X X)1 X X(X X)1 devient alors :

V() = 2 (X X)1 X X(X X)1

do les problmes :
53

(2)

CHAPITRE 4. LES MOINDRES CARRS GNRALISS :

HTROSCDASTICIT ET AUTOCORRLATION
Si on nglige V() = 2 et quon fait les MCO, quelle est la nature des

biais introduits ? En particulier, avec forme V() = s2 (X X)1 traditionnelle par lintermdiaire de laquelle ont t construits tous les tests ?
Si les biais sont srieux : important de dtecter les cas de divergence des
hypothses traditionnelles des MCO (pb de test) et dy porter remde.
sur un plan gnral :

Nature des biais : non efcace par les MCO (donc les variances ne sont pas

min). Les tests partir de M CO sont biaiss car V() = s2 (X X)1 est biaise :
s2 est estimateur biais de 2
(X X)1 nest pas la bonne matrice
si on laisse de ct pour le moment les problme des tests, les remdes conduisent
la procdure des MCG : ide est de transformer y = X + pour retomber
sur les hypothses des MCO.
Comment ? Supposons connue : matrice dnie positive, do matrice P
telle que 1 = P P . On a donc : = (P P )1 = P 1 (P )1 do P P =
P P 1 (P )1 P = I et donc la procdure des MCG : substituer y = X + le
modle :
P y = P X + P
On a :
E(P ) = P E() = 0
V(P ) = E[(P )(P ) ] = P E[ ]P = P V()P = 2 P P
En posant y = P y, X = P X, = P , on rcrit le modle :
y = X +
avec E( ) = 0 et V( ) = 2 I

et on peut appliquer les MCO : on obtient un estimateur M CG de :

1

M CG = (X X ) X y
1

V() = s2 (X X ) , avec s2 =

RSS
N K

Le problme est quen rgle gnrale, est inconnue : il faudrait lestimer en

plus de 2 , ce qui ferait en tout gnralit N (N +1) paramtres supplmentaires
2
estimer, avec N observations. . .impossible. Ainsi, on met habituellement des
restrictions sur la matrice pour pouvoir pratiquer les MCG (en particulier, htroscdasticit, autocorrlation). Cela conduit alors remplacer dans les formules

prcdentes par .
54

Economtrie applique

4.2

Htroscdasticit

Ici, seule lhypothse 2 des MCO est non vrie. On a ainsi :

2
1 0 0
.

... ...
.
0
.
. .
.
...
. . 2
.
V() = .
.
.
i

.
... ...
.
0
.
2
0 0 N

Les raisons de lhtroscdasticit : en particulier sur cross-sections (coupes

instantanes)
variance des prots des grandes entreprises suprieure celle des petites
dpenses des mnages : plus grande variabilit possible pour les hauts revenus
Exemple 7 voir listing : (document 3 cons, htro-cons-chap4) : Sur le nuage de
points, la variabilit des dpenses de consommation est apparente, et plus vidente
encore sur le graphique des rsidus. On a : DepCons = + Revenu +
Supposons alors V(i ) = 2 Revenu2 , de sorte que :
i

Rev2
1
...

Rev2
V() = 2 = 2
i

...

Il est vident que dans ce cas :

1
Rev1

...

1
P =

Revi

Rev2
N

...
1
RevN

, car P P = I

Ds lors, le modle transform : P y = P X + P scrit :

DepCons
=
++
Revenu
Revenu
Revenu
55

CHAPITRE 4. LES MOINDRES CARRS GNRALISS :

HTROSCDASTICIT ET AUTOCORRLATION
cest--dire : DepRev = InoRev + + terme alatoire, et dans ce cas, par rgression de DepRev sur InoRev on obtient M CG et M CG . On peut comparer :
Std.Err

0.0253
0.7033

35.53
1.20

Cff

Std.Err

= 0.9100
= 0.612

MCG

Cff

= 0.899
= 0.847

MCO

P > |t|

P > |t|

0.0179
0.2664

52.62
2.30

0
0.034

0
0.244

Var signif = 0
signif = 0 bien que M CG < M CO en raison de V( M CG ) < V( M CO ) en

particulier.

Lapproche gnrale est alors la suivante :

dceler lhtroscdasticit avec les tests
en cas dhtroscdasticit, procder aux corrections

4.2.1 Les tests

Comme la montr lexemple, le comportement des rsidus obtenus par les

MCO sur y = X + , soit y = X + e, rete la naturede la distribution des i :

Cest pourquoi tous les tests utilisent les rsidus ei des MCO sur y = X +
Test de White :
2
2
2
On teste : H0 [i i = 2 ] contre H1 [H0 ] = [i = j tq. i = j ]. Dans ce
cas, on ne fait pas davantage dhypothse sur la nature prcise de lhtroscdasticit. Le test seffectue alors comme suit : On rgresse les e2 sur la constante,
i
les rgresseurs originaux, leurs carrs et leurs interactions (produits croiss). Par
exemple, si le modle est : y = 1 + 2 x2 + 3 x3 , alors la rgression de e2 scrit :
i
e2 = 1 + 2 x2 + 3 x3 + 4 x2 + 5 x2 + 6 x2 x3 . On considre le R2 obtenu
i
2
3
dans cette rgression : sous H0 , N R2 suit un 2 5 degrs de libert (nombre de
rgresseurs, constante exclue).
Lavantage de ce test est quil est trs gnral. Linconvnient est que si on
rejette H0 , le test ne nous dit rien sur la nature de lhtroscdasticit et la correction faire. Dans lexemple Htro-Cons : (listing) : R2 = 0.8781 pour la
rgression de e2 sur Revenu, Revenu2 , cest--dire : N R2 = 20R2 = 17.562.
i
Mais 2 (2) = 5.99, et on rejette H0 .
0.05
Test de GoldfeldQuandt :
56

Economtrie applique
Dans le modle : y = X +, on suppose que lune des variables x2 , xk , xK
est responsable de lhtroscdasticit : par exemple, V(i ) = 2 x2 . On alors raik
lise le test comme suit : on range les observations par ordre croissant des valeurs
de xk et on distingue deux souschantillons :
ch. 1 : grande variance grandes valeurs de xk , taille N1
ch. 2 : faible variance faibles valeurs de xk , taille N2
On fait la rgression de y sur x2 , . . . xK successivement pour ch. 1 (ce qui donne
RSS1 ) et ch. 2 (RSS2 ), (avec RSS1 >RSS2 ) et alors :
Sous H0 : les variances sont les mmes dans les deux souschantillons et
F = RSS1 /(N1 K) suit une distribution de Fisher (N1 K, N2 K) degrs de
RSS2 /(N2 K)
libert (On prend parfois N1 , N2 N ).
3
Dans lexemple HtroCons (listing), on a : RSS2 = 1.893, RSS1 = 20.299
et N1 K = N2 K = 6 do F = 10.723. Comme le fractile 5% dune loi de
Fisher (6, 6) est : q0.05 (F (6, 6)) = 4.28, on rejette lhypothse H0 .
Test de BreuschPagan (ou CookWeisberg) :
On fait une hypothse sur lhtroscdasticit du genre :
V(i ) = 2 f (0 + 1 Z1 + + r Zr )
la forme fonctionnelle f pouvant tre diverse.
On teste lhypothse H0 [1 = = r = 0]. Pour ce faire, on rgresse les
sur Z1 , Zr et tant donne lESS associe cette rgression, sous H0 , on

e2
i
RSS/N

a:

ESSassocie
2 (r)
2
[dans STATA : la commande hettest ; sans spcication de variables explicatives de lhtroscdasticit, introduit la variable y . Autrement il faut spcier :

hettest Z1 ... Zr]

Dans lexemple HtroCons : (listing) avec V(i ) = 2 f (0 + 1 Revenu +
2
2 Revenu2 ) on obtient 2 = 8.30. Or, q0.05 (2) = 5.991 : on rejette subsquemment lhypothse H0 .

4.2.2 Les remdes

Si on ne connat rien sur la nature de lhtroscdasticit :

lissue du test de White, on peut obtenir avec le M CO , une matrice estime

des variances et covariances de plus approprie que s2 (X X)1 en prenant

pour cette matrice un estimateur de White : avec STATA, utiliser la commande
robust
57

CHAPITRE 4. LES MOINDRES CARRS GNRALISS :

HTROSCDASTICIT ET AUTOCORRLATION
Dans lexemple HtroCons : (listing) on obtient les mmes estimateurs =

= 0.899, mais :
0.847 et

Std.Err MCO Std.Err Robust

0.0253
0.0284
0.7033
0.5267

t Robust
31.61
1.61 non signif

Si on fait une hypothse sur la nature de lhtroscdasticit :

Par exemple :

1
...

2
2
i
V(i ) = =

...

avec i = f (0 + 1 Zi1 + + r Zir ). On sait que pour les MCG :

P =

...

1
i

...
1
N

et le M CG est obtenu dans le cadre de la rgression P y = P X +P , cest--dire

K
yi
xik
i
1
+
+ . Ici, les MCG sont souvent appels
k
= 1
i
i
i
i
k=2

Weighted Least Squares ou MCP (moindres carrs pondrs) ; le poids = 1 i

accord chaque observation i est inversement proportionnel limportance de

V(i ).

Le problme est quon ne connat pas : il faut donc lestimer. Aprs avoir
rejet lhypothse dhomoscdasticit dans le test de Breusch-Pagan, avec bien
souvent comme forme fonctionnelle : V(i ) = 2 exp(1 Zi1 + + r Zir ),
2
asymptotiquement connue, on peut crire : e2 = i + vi , vi terme derreur. La
i
procdure destimation de (id est des i ) conduit utiliser lexpression prcdente. Do :
e2 = 2 exp(1 Zi1 + + r Zir ) + vi
i
Puis :
log e2 = log 2 + 1 Zi1 + + r Zir + log vi
i
58

Economtrie applique
et en rgressant le log e2 sur Z1 , Zr , on obtient par les MCO, les 1 , r

i
i = exp( 1 Zi1 + + r Zir ) do le modle des MCG praticable :

y
i = 1
i

k
k=2

x
ik
i

i
+
i

Dans lexemple HtroCons (listing) : avec lhypothse V(i ) = 2 exp(1 Revenu+

2 Revenu2 ), on obtient les estimateurs MCG suivants :
Cff

0.9117
5.999

52.42
2.68

MCG avec

4.3

1
i

Cff

0.9100
0.612

52.62
2.30

MCG avec

1
Revenu

prcdent

LAutocorrlation

4.3.1 Gnralits
Il peut advenir que V() = 2 I car cov(i , is ) = 0 pour certains i et s. Cest
par exemple le cas dans des chantillons coupe instantane si lordre des indices
dobservation traduit un ordre naturel. Mais cela arrive aussi surtout dans des
donnes longitudinales o lordre temporel a une importance.
exemple 8 : Icecream-Chap.4 - Autocorrlation Document 3 cons (listing)
Consommation de crme glace sur des donnes mensuelles. Si on rgresse :
const = 1 + 2 pricet + 3 incomet + t
= 0.90 2.03 pricet + 0.0002135 incomet
Cependant, on obtient quasiment rien de signicatif, sauf la constante, la ri
gueur : les variances des M CO sont surestimes (non efcaces). Le graphe de la
consommation prdite par la rgression et la consommation observes en fonction
de time est suggestif, et les deux graphiques concernant les rsidus et qui montrent
la persistence deffets de mme sens le sont plus encore : et1 > 0 et > 0 et
et1 < 0 et < 0, cest--dire quon a covariation positive de et , et1 , ou encore autocorrlation positive (cf. graph. et , et1 ). Comme le comportement des
rsidus est cens reter la comportement des t (mais pas toujours), cela suggre
59

CHAPITRE 4. LES MOINDRES CARRS GNRALISS :

HTROSCDASTICIT ET AUTOCORRLATION
pour le t un phnomne dautocorrlation du premier ordre : processus AR(1),
autorgressif dordre 1 dni par :
t = t1 + ut , t [1, T ]
2
E(ut ) = 0, t V(ut ) = u , cov(ut , ut ) = 0 et cov(ut , tr ) = 0 pour r 1
Effets dautocorrlation : On a les mme effets que prcdemment : comme

= I, la matrice estime des variances et convariances de usuelle, s2 (X X)1

2

est biaise car la formule approprie est V() = (X X)1 X X(X X)1 .
Cela donne lieu des tests incorrects dans leur conclusion. Les effets sont surtout
tudis pour les AR(1). On a les rsultats suivants si || < 1 :

t = t1 + ut
t1 = t2 + ut1
t = ut + ut1 + 2 ut2 +

Il vient :

r utr

t =
r=0

On a alors1 :
+

r = E(ut )

E(t ) = E(ut )
r=0

1
=0
1

Comme les cov(ut , ut ) sont nulles, on obtient :

+

+
r

V(t ) =
r=0

r=0

ou encore :
2
V(t ) = u

1
= 2
1 2

Pour les covariances, on a :

cov(t , ts ) = s 2
1

2r

V( utr ) = V(ut )

La condition || < 1 assure la convergence de

60

+
r=0

Economtrie applique
En effet :
cov(t , t1 ) = E(t t1 ) = E((t1 + ut )t1 )
= E(2 + ut t1 )
t1
2
=

cov(t , t2 ) = E(t t2 ) = E((t1 + ut )t2 )

= E(t1 t2 + ut t2 )
= E(t1 t2 ) = ( 2 )
= 2 2
et cetera. . .Do nalement :

2
u
2
=
1 2

1
...

2

.
.
.
T 1

T 2

...

T 1
T 2
.
...
.
.
...

Dans ce cas, comme prcdemment, M CO est non efcace et donc les V(k )
2

1
calculs partir de s (X X) ne sont pas minimales et en particulier les tstat
sont sous-estimes.

4.3.2 Les tests dautocorrlation AR(1) : t = t1 + ut

Lide est la suivante : sil y a autocorrlation dans les t , ceci se retera dans
les et obtenus par les MCO. On construit alors un test partir des rsidus.
test du 2 :
On rgresse et sur et1 . On calcule alors (T 1)R2 qui suit, sous lhypothse
nulle [ = 0], un 2 1 degr de libert. Ce test nest quasymptotiquement
valable (donc pour de grands chantillons). On utilise donc usuellement un autre
test :
test de DurbinWatson :
Si lautocorrlation est (+), les t successifs sont frquemment de mme signe,
si lautocorrlation est () les signes alternent souvent. Ceci se rete dans les
61

CHAPITRE 4. LES MOINDRES CARRS GNRALISS :

HTROSCDASTICIT ET AUTOCORRLATION
rsidus. Ainsi, si on considre la statistique suivante :
T

d=

t=2

(et et1 )2
T

e2
t
t=1

Il se trouve que :
avec une autocorrlation (+), [et et et1 souvent de mme signe] d faible
avec une autocorrlation (), [et et et1 frquemment de signe =] d fort
On peut alors se demander quel est lintervalle de valeurs dans lequel varie d.
Le numrateur scrit :
T

t=2

(et et1 ) =

e2
t
t=2

e2
t1

t=2

et et1
t=2

Or les termes suivants sont sensiblement gaux :

T

e2
t
t=1

Il vient alors :

e2
t

t=2

e2
t1
t=2

d 2 1

et et1

t=2

T
2
et
t=1

Or le cfcient dautocorrlation du premier ordre entre les rsidus scrit :

T

t=2

rt,t1 =

(et e)(et1 e)

t=2

(et e)2

t=2

(et1 e)2

et et1

t=2
T

, car e = 0

e2
t

t=2

On a donc : d = 2(1 rt,t1 ) et comme rt,t1 [1, +1], on a d [0, 4]. On lit
donc dans la table de DurbinWatson deux valeurs dinf et dsup (en fonction de T
et du nombre de rgresseurs) ce qui donne :
62

Economtrie applique
d 0
dinf
dsup
2
4 dsup 4 dinf
4
autocor. (+) indter. rej. hyp. autocor. indter. autocor. ()
TAB . 4.1 DurbinWatson
Rem. : Cela suppose que la rgression contient un terme constant et ce nest
divemment indicatif que dun AR(1). Il ny a pas de variance explique endogne dtache.Il est noter lexistence dautres tests plus gnraux, tels que
BreuschGodfrey par exemple qui teste des AR(p) ou M A(p).
Dans lexemple 8 : Icecream-chap4. Autocorrlation (listing), on a : d =
0.4235 et d(3, 30) dans la table donne 1.28 (3 est le nombre de rgresseurs, constante
incluse) Do une autocorrlation (+).

4.3.3 Les remdes

Une explication de lautocorrlation peut tenir lexistense de variables explicatives mises dans la rgression qui sont autocorrles et apparaissent subsquemment dans les rsidus.
Dans lexemple 8 : Icecream chap4. Autocorrlation (listing)
Lautocorrlation peut tre en partie explique par loubli de la variable temprature (variable autocorrle) et ayant une inuence sur la cons dicecream. Voir
graphique de cons, temprature /100, price en fonction de time. Cest pourquoi
on sest propos dinclure la variable temp dans la liste des rgresseurs : on
obtient les rsultats sur listing. On peut noter, par rapport la rgression de cons
sur income et price que temp est signicative mais galement income. Il subsiste
cependant de lautocorrlation : d = 1.021169 et dinf = 1.21 et les tests usuels
des MCO sont encore biaiss. On propose alors les remdes suivants :
Correction de NeweyWest :
Elle est analogue la correction de White pour obtenir de meilleurs estimateurs

des catiances et covariances des k sous MCO : sur lexemple Icecream. Chap4. :
dans STATA :
newey cons income price temp, lag(1)

ou avec lag(2), mais cela namliore pas les k pour des k qui restent ceux

des MCO.
Ce test : newey y x1 ...xk ...xK, lag(1) est cens corriger les
k en cas dhtroscdasticit et dautocorrlation de nature non spcie. La

prcision lag(l) est ncessaire ; l est lcart maximal dans le temps prendre en
63

CHAPITRE 4. LES MOINDRES CARRS GNRALISS :

HTROSCDASTICIT ET AUTOCORRLATION
considration pour autocorrlation. Le cas particulier l = 0 revient la correction
de White pour lhtroscdasticit.
Les MCG : avec AR(1), on rappelle que :

2
u
2 =
1 2

1
...

2

.
.
.
T 1

T 2

...

T 1
T 2
.
...
.
.
...

et il vient alors2 :

P =

1 2

0
1

...
...

0
.
.
.

...

1
...

...

...

0
.
.
.
.
.
.

...

...
0
1

de sorte que pour les MCG, P y = (P X)+P , cela donne, si on note x1 , x2 , . . . xT

les vecteurs ligne de la matrice X :

1 2 y1
y2 y1
.
.
.

Py =
yt yt1

.
.

yT yT 1

et :

PX = t
x xt1

.
.

xT xT 1

1 2 1
2
1
.
.
.

P = t
t1

.
.

T T 1

1 2 x1
x2 x1
.
.
.

aprs calculs

64

1 2 1
u2
.
.
.
ut
.
.
.
uT

Economtrie applique
Le modle des MCG scrit alors :

pour t = 1, 1 2 y1 = 1 2 1 +

pour t = 1, yt yt1 = (1 )1 +

k
k=2

k=2

1 2 x k +

1 2 1

k (xtk xt1,k ) + t t1

ce qui est, sauf pour lobservation t = 1, ce quon obtient en faisant les diffrences
du premier ordre :

yt = 1 +
k xtk + t

k=2

yt1 = 1 +

k xt1,k + t1

k=2

En soustrayant :

yt yt1 = (1 )1 +

k=2

k (xtk xt1,k ) + t t1
=ut

Le problme est que est inconnu. On peut lestimer cependant de diffrentes

faons (cf. PraisWinsten) : par ex. :
cfcient dautocorrlation du premier ordre : = rt,t1

avec le d de DurbinWatson : d = 2(1 r) puis = 1 d

2
On utilise ensuite pour les MCG praticables : on peut faire soit :

Les MCG complets : en conservant la premire observation, estimateurs de

PraisWinsten M CG
Les MCG sur les T 1 obs ; en liminant la premire observation, estimateur
de CochraneOrcutt
En rgle gnrale, les MCG sont itratifs, ce qui veut dire :
1. Les MCO sur y = X + donnent e rsidus et estims puis MCG()

M CG
donne

2. On obtient alors de nouveaux rsidus e = y X M CG , ce qui donne alors

estim. Puis MCG( ) donne M CG

3. Nouveaux rsidus e = y X
MCG( )

etc. . .
M CG

M CG

2
i ei ).

On sarrte lorsque le rsultat est stationnaire (min

Cette dmarche est
critiquable puisque de toutes faons, les estimateurs sont efcaces chaque tape
65

CHAPITRE 4. LES MOINDRES CARRS GNRALISS :

HTROSCDASTICIT ET AUTOCORRLATION
et cela ne converge pas ncessairement vers le maximum de vraisemblance. On
aura un minimum local.
Voir listing exemple 8 : Icecream. chap4. pour applications de ces MCG : Les
rsultats sont variables ( !) en fonction de la procdure choisie.

4.4

Complments mathmatiques

Reprsentation de la notion dhomoscdasticit

Lhomoscdasticit dsigne la situation o la variable stochastique garde
la mme distribution quelque soit les valeurs des variables explicatives. Dans le
cas dune rgression simple, on peut reprsenter cette hypothse en dessinant au
dessus de la droite de rgression thorique y = x + les distribution identiques
des pour chaque x : Figure 4.1.

Densit
2
est constant

E(y) = 0 + 1 x

x
F IG . 4.1 Rgression, hypothse dhomoscdasticit
Inversement, dans le cas de lhtroscdasticit, cette distribution nest pas
forcment la mme pour tout x. Un cas frquent est celui dune augmentation de
la variabilit de y pour des plus grandes valeurs de x, la distribution des i est
donc plus tale pour des xi plus grands : Figure 4.2.

66

Economtrie applique

Densit
2
nest pas constant

E(y) = 0 + 1 x

x
F IG . 4.2 Cas dhtroscdasticit

67

CHAPITRE 4. LES MOINDRES CARRS GNRALISS :

HTROSCDASTICIT ET AUTOCORRLATION

68

Chapitre 5
Endognit et variables
instrumentales
5.1

Endognit des rgresseurs

Parmi les hypothses poses par les MCO, lune est quil ny a pas de corrlation entre les observations x et les termes derreur :
cov(xk , k ) = 0

Dans le cas contraire, si dans lquation y = 1 + K k xk + , il existe une

k=2
variable xk telle que cov(xk , k ) = 0, alors cette variable est appele une variable
endogne.

5.1.1 Les sources de lendognit

Les erreurs de mesure.
Prenons un exemple dans le cadre de la rgression simple. Soit :
(5.1) y = + W + v
2
Le terme v reprsente lerreur, avec E(v) = 0, Var(v) = v et cov(W, v) = 0. Supposons, par exemple, que W reprsente le revenu disponible, et y lpargne. Supposons prsent que ce revenu disponibles nest pas mesur de manire exacte.
On mesure en ralit x tel que :

(5.2) x = W + u
2
Avec E(u) = 0, Var(u) = u et cov(u, v) = cov(u, W ) = 0.

69

CHAPITRE 5. ENDOGNIT ET VARIABLES INSTRUMENTALES

De (5.1) et (5.2), on a :
(5.3) y = + x +
Avec = v u. Do, videmment, cov(xk , k ) = 0 puisque xk est fonction de
uk , daprs (5.2).
Si, sur un chantillon dobservations, on estime avec lquation (5.3) :
i (xi

x)(yi y)
2
i (xi x)

=
Comme par ailleurs :

yi y = (xi x) + (i )
Il vient :
=+

1
N

i (xi x)(i
1
2
i (xi x)
N

Quand N +, la covariance empirique1 et la variance empirique convergent

en probabilit vers la covariance et la variance de la population. On a donc :
p

cov(x, )
Var(x)

En consquence, lestimateur des MCO est non convergent en probabilit vers

si cov(x, ) = 0.
Mesure du biais :
cov(x, ) = cov(W + u, v u) = E [(W + u E(W + u)) (v u)]
= E [(W E(W ) + u) (v u)]
= E[((W E(W ))v] E[((W E(W ))u] + E[uv] E[u2 ]
2
= u
2
2
Var(x) = Var(W + u) = Var(W ) + Var(u) + 2cov(W, u) = W + u

Do :
plim = 1

2
u
2
2
W + u

1
2
2
1 + u /W

2
Il ny a donc convergence en probabilit de vers que si u = 0. Cest dire
2
2
sil ny a pas derreurs de mesure. Le rapport u /W peut tre compris comme le
rapport du bruit sur le vrai signal, plus il est lev, plus le biais est important.
1

Cest dire calcule sur lchantillon.

70

Economtrie applique
Le problme de la simultanit (modle quations simultanes)
Soit le modle keynsien :
c = + y +
y =c+z

(5.4)
(5.5)

c : consommation par tte

y : revenu par tte

z : autres dpenses (exogne)

On suppose que lon a : E() = 0, Var() = 2 et cov(z, ) = 0. Ici, y est endogne : elle est simultanment dtermine avec c, elle est donc fonction de dans
lquation de consommation macro.
De la forme structurelle :
1
1 1

c
y

0
0 1

1
z

On va tirer la forme rduite qui exprime les variables endognes c et y en fonction

des variables exognes z et des constantes :

(5.6) c =
+
z+

1 1
1

1
1

(5.7) y =
+
z+

1 1
1

On voit bien que c et y endognes (car fonction de ) do de par MCO sur (5.4)
on a :
(ct c)(yt y)
Scy
= t
=
2
Syy
t (yt y)
avec ct c = (yt y) + (t ) il vient :
=+

1
N

t (yt y)(t
1
2
t (yt y)
N

Et donc :
plim = +

cov(y, )
Var(y)

donc par les MCO sur (5.4) ne converge pas en probabilit vers .
Mesure du biais
71

CHAPITRE 5. ENDOGNIT ET VARIABLES INSTRUMENTALES

1
1
2
cov(z, ) +
Var() =
1
1
1
1
1
1
z+
) =
Var(z + )
Var(y) = Var(
1
1
(1 )2
1
=
[Var(z) + 2 ]
2
(1 )

cov(y, ) =

Do :
plim = + (1 )

2
V (z) + 2

et comme 0 < < 1, il y a une surestimation de .

5.2

Correction des biais : la mthode des variables

instrumentales

Reprenons le modle keynsien (quation 5.4) :

c = + y +
On a vu que cov(y, ) = 0 do lexistence dun biais de simultanit :
plim = +

cov(y, )
Var(y)

Variable instrumentale : on appelle variable instrumentale une variable non

corrle avec et cependant corrle avec la variable explicative endogne. Ici
cest le cas de z, car cov(z, ) = 0, et dans lquation (5.5), y = c + z, on a
cov(y, z) = 0. Par ailleurs, on a :
ct = + yt + t
(ct c) = (yt y) + (t )
t

(5.8)

(ct c)(zt z) =

Scz
=+
Syz

t (t

(yt y)(zt z) +

(t )(zt z)

)(zt z)
Syz

Lorsque le nombre dobservation T tend vers linni on a :

p

(t )(zt z) cov(z, ) = 0
72

Economtrie applique
Scz
Syz

Do plim

= . On pose ds lors :
Scz
= IV
Syz

On appelle IV lestimateur de par la mthode des variables instrumentales, z

tant ici "linstrument".
On remarque que :
Scz
Scy
= IV = M CO =
Syz
Syy
Gnralisation de la mthode des IV :
Soit :
yi = 1 + 2 x2i + 3 x3i + i
Aprs centrage, on obtient :
c
yi = 2 xc + 3 xc + ei
2i
3i

Donc, quand on calcule ces 2 et 3 , on pose le systme dquation linaires suivant, appel systme des quations normales2 :

(5.9)

(5.10)

ei xc = 0
2i
i

ei xc = 0
3i
i

Do :

(5.11)

(5.12)

c
(yi 2 xc + 3 xc )xc = 0
2i
3i 2i
c
(yi 2 xc + 3 xc )xc = 0
2i
3i 3i

Sy2 2 S22 3 S23 = 0

Sy3 2 S32 3 S33 = 0

Soit encore :

Xc yc (Xc Xc )c = 0 c = (Xc Xc )1 Xc yc
2

Voir p. 7

73

CHAPITRE 5. ENDOGNIT ET VARIABLES INSTRUMENTALES

Ce rsultat nest justi que si (5.10) et (5.10) sont vries, ce qui renvoit aux
hypothses cov(x2 , ) = 0 et cov(x3 , ) = 0.
Supposons x3 endogne : cov(x3 , ) = 0, et ainsi lutilisation de (5.10)
est non justie. Il faut trouver un instrument z3 tel que cov(x3 , z3 ) = 0, et
c
cov(z3 , ) = 0. Il est alors justi de remplacer (5.10) par i ei z3i = 0. Do :
c
i (yi
c
i (yi

2,IV xc + 3,IV xc )xc = 0

2i
3i 2i
c
c
c
2,IV x2i + 3,IV x3i )z3i = 0

Soit encore :
(5.13)
(5.14)

Sy2 2,IV S22 3,IV S23 = 0

Syz3 2,IV Sz3 2 3,IV S3z3 = 0

c
Do, sous forme matricielle, en posant Zc = [xc , z3 ], Zc matrice des variables
2
instrumentales (avec x2 exogne, linstrument pour x2 est x2 elle mme). Do
(5.14) et (5.14) peuvent alors scrire :

Zc yc (Zc Xc )c,IV = 0

au lieu de :

Xc yc (Xc Xc )c,M CO = 0

Lestimateur par variables instrumentales est donc :

c,IV = (Zc Xc )1 Zc yc

Avec yc = Xc c + ( ), il vient :

c,IV = (Zc Xc )1 Zc (Xc c + ( )) = c + (Zc Xc )1 Zc

En consquence, quant la taille de lchantillon augmente, Zc , vecteur des

c
composantes i xc i et i z3i i tend vers cov(x2 , ) et cov(z3 , ) donc vers le
2i
vecteur nul et ainsi plim c,IV = c .

74

Economtrie applique
Modle
Termes derreur
dt , ot
Variables exognes
rt , mt

Structure du modle
paramtres j , et j

Variables endognes
qt , et pt

F IG . 5.1 Identication du modle

5.3

Lidentication

Quest-ce quun modle ?

Exemple : quilibre partiel sur un march :

qd = 1 + 2 p + 3 r + d (demande)
q o = 1 + 2 p + 3 m + o
(offre)

qd = qo
(quilibre)
La forme structurelle du modle scrit :

q = 1 + 2 p + 3 r + d (demande)
q = 1 + 2 p + 3 m + o
(offre)
Ici : r reprsente le revenu national (exogne), m les conditions mtorologiques
(exogne). On a donc : cov(r, d ) = cov(r, 0 ) = 0 et cov(m, d ) = cov(m, 0 ) =
0. Il y a donc deux variables endognes, q et p, et deux variables exognes r et m.
Toute variable endogne est fonction de tous les termes derreur : ceci apparat
de manire vidente avec la forme rduite du modle : elle consiste crire les
variables endognes comme fonction des seules variables exognes et des termes
derreur de la forme structurelle.

1
d
1 b3 0
q
1 2
r +
=
o
1 0 3
p
1 2
m
Solution de :

q = 2 1 + 1 2 + 3 2 r 2 3 m + 2 d 2 o

2 2
2 2
2 2
2 2
q = 1 1 + 3 r 3 m + d o

2 2 2 2
2 2
2 2
75

CHAPITRE 5. ENDOGNIT ET VARIABLES INSTRUMENTALES

Cette forme rduite scrit sous la forme :
q = 1 + 2 r 3 m + uq
q = 1 + 2 r 3 m + up
On peut dnir certaines caractristiques dun modle. On dit quil est complet
sil a autant dquations que de variables endognes. On dit quune quation est
identie si on dispose de sufsament de variables instrumentales pour lever les
biais dendognit, c-a-d :
Le nombre de variables exognes exclues de lquation est au moins gal au
nombre de variables endognes explicatives de cette quation (condition dordre).
On dit quun modle est identi si chaque quation du modle est identie.
Prenons la fonction de demande : qd = 1 + 2 p + 3 r + d
Les instruments disponibles sont les variables exognes du modle, soit r et
m. Il y a un problme avec 2 car p est une variable endogne. Il faut donc une
variable exogne (diffrente de r) pour lever le biais. On peut ici utiliser m. La
mthode des variables instrumentales consiste poser :
Zc = [mc , rc ], Xc = [pc , rc ]
et

(Zc xc )c,IV = zc q c

Ce qui donne :
Sqm = Smp 2,IV + Sm2 3,IV
Sqr = Spr 2,IV + S22 3,IV
Car
mc
rc

.
.
.
.
.
.
c

p mc
.
.
.
.
.
.

2,IV
3,IV

mc
rc

.
.
.
c
q
.
.
.

De mme pour la fonction doffre : qo = 1 + 2 p + 3 r + o

La variable p est l encore endogne, mais r est exclue de lquation, elle
constitue donc un instrument possible :
Zc = [rc , mc ], Xc = [pc , mc ]
Ici le modle est identi car chaque quation est identie.
76

Economtrie applique
Cela nest pas le cas du modle de march prcdemment examin :
qd = + p + d

qd = + p + o

q = + p + d
q = + p + o

Il ny a pas ici dinstruments pour lever le biais dendognit de p, dans aucune

des quations. La constante 1 est quivalente une variable endogne, mais elle
est utilise pour estimer la constante dans la rgression.
Il est possible dappliquer les MCO sur donnes non centres par rapport aux
valeurs moyennes pour calculer et . Par exemple partir des deux quations
normales :
i ei 1 = 0
i ei pi = 0
avec ei = qi pi . Do :
i qi

N ( i pi ) = 0

2
i qi pi (
i pi ) (
i pi ) = 0

N + ( i pi ) = i qi
( i pi ) + ( i p2 ) =
i

Mais p est endogne et ne peut donc pas tre utilis dans lquation
Ceci est visible sur la forme rduite du modle :

q = d + o

1
1

p =

d +
o

i qi p i

i ei pi

= 0.

Soit encore :

q = + uq
p = + up
Les quations de la forme rduite sont ici identies (il ny a pas de variables
explicatives endognes). Les MCO sont donc justis : MCO et MCO sont des
estimations de (= q ) et (= p ), les valeurs dquilibre du march : MCO = q
et MCO = p.
Mais il nest pas possible de remonter de et au calcul des paramtres de la
forme structurelle (MCI). Car :
=

Ce sont l deux quations quatre inconnues.

77

CHAPITRE 5. ENDOGNIT ET VARIABLES INSTRUMENTALES

Cela aurait t possible dans un modle identi : la mthode des IV revient
estimer les paramtres de la forme rduite et remonter de ces estimations aux
paramtres de la forme structurelle. Cest le cas du modle de march avec p, m,
r comme variables.
Cest galement le cas du modle keynsien :

c= + z+ 1

c = + y +
Forme
Forme
1 1
1
y =c+z
rduite y = + 1 z + 1
structurelle

1 1
1

On peut estimer ici les paramtres de la forme rduite par les MCO :
c = 1 + 2 z + uc
y = 1 + 2 z + uy
Ceci donne en particulier :
2M CO =

Scz
Szz

2M CO =

Syz
Szz

Or = 2 /2 , do M CI = Scz /Syz , cest dire le mme rsultat que celui

donn par les IV. Le calcul de lestimation de ne peut se faire partir de :
c
c
c
i ei yi = 0 avec ei = ci yi . On utilise donc z comme variable instrumentale :
ei zic = 0 =
i

c
(cc IV yi )zic = 0
i

donne :
Scz IV Syz = 0 IV =

5.4

Scz
Syz

Suridentication et doubles moindres carrs

Soit le modle, sous forme structurelle :

(offre)
q o = 1 + 2 p + o
qd = 1 + 2 p + 3 y + 4 w + d (demande)

qd = qo = q
(quilibre)

Les variables y et w sont ici exognes. La courbe de demande est sous-identie :

il ny a pas de variable exogne exclue de lquation pour lever le biais dendognit de p. La courbe doffre est par contre sur-identie puisquil existe deux
variables exognes pour lever le biais dendognit de p. On peut utiliser :
78

Economtrie applique
Soit y comme variable instrumentale :
2,IV =
Soit w comme variable instrumentale :

2,IV =

c
i ei yi

c
= 0, ei = qi 2 pc . Avec :
i

Sqy
Spy
c
i ei wi

= 0, ei = qi 2 pc . Avec :
i

Sqw
Spw

On dispose donc potentiellement de deux estimateurs, chacun tendant en probabilit vers 2 . Les valeurs estimes obtenues avec chacun de ces estimateurs sont
cependant diffrentes. Ceci se retrouve avec les MCI : il y a deux manires diffrentes de calculer 2 partir des paramtres de la forme rduite. La forme structurelle du modle sans les constantes scrit :
q c = 2 p c + o
pc = 2 pc + 3 y c + 4 wc + d
La forme rduite est :

q c = 2 3 y c + 2 4 wc + uq

2 3
2 2
4
3
qc =

yc +
w c + up
2 3
2 2
do :

q c = y y c + w w c + uq
q c = y y c + w wc + up
Et : 2 = y /y = w /w . On a donc, partir de lestimateur de la forme rduite
deux estimateurs de 2 :
2,IV =

y
y

et

2,IV =

w
w

La mthode des doubles moindres carrs (two stages least squares, 2SLS) consiste
ne pas renoncer linformation disponible la fois sur y et w. Lide est de
dnir une variable z qui utilise toute linformation disponible sur y et w, avec
cov(z, p) = 0 et comme y et w sont des variables exognes : cov(y, d,o ) =
cov(w, d,o ) = 0, alors on peut trouver p, fonction linaire de y et w tel que
cov(p, d,o ) = 0. La mthode des doubles moindres carrs consiste utiliser p
comme "instrument" : on rgresse q sur p pour estimer 2 .
79

CHAPITRE 5. ENDOGNIT ET VARIABLES INSTRUMENTALES

On remarquera que lorsquune quation est exactement identie, on a :
MCI=IV=2SLS. Par exemple :

(offre)
q o = 1 + 2 p + o
qd = 1 + 2 p + 3 y + d (demande)

qd = qo = q
(quilibre)

ou encore (forme structurelle) :

q c = 2 p c + o
pc = 2 pc + 3 y c + +d
Ce qui donne, sous forme rduite :

q c = 2 3 y c + uq

2 2

pc = 3 y c + u

p
2 2

q c = y y c + uq
pc = y y c + up

Mthode des IV : y comme instrument :

2,IV =

c
i ei yi

c
= 0, ei = qi 2 pc et :
i

Sqy
Spy

Mthode des MCI : comme

2 =

y
y

2,IV

Sqy
Sqy
y
Syy
=
=
=
Spy
Spy
y
Syy

Mthode des 2SLS :

1. Premire tape : pc = y y c
2. Deuxime tape : rgression de q sur p, do :
y Sqy
Sqy
Sq p
=
=
S pp
y Syy
(y )2 Syy
Sqy
Sqy
= Spy
=
Spy
Syy
Syy

2,2SLS =
2,2SLS

80

Economtrie applique

5.5

Complments Mathmatiques

Si la projection orthogonale sur L(X) est considre comme la meilleure mthode destimation des k , cest parce que lon suppose que cov(x2 , 2 ) = 0 et
que cov(x3 , 3 ) = 0. En dautre terme, on suppose que le vecteur des erreurs
est asymptotiquement orthogonal L(X), cest pourquoi on peut estimer les
en trouvant les coefcients tels que les rsidus soient orthogonaux L(X). Si ce
nest pas le cas, et si est corrl aux vecteurs xk , lestimation sera biaise systmatiquement. Par exemple, en cas de covariance positive cov(xk , k ) > 0, les k
estims seront surestims.

5.5.1 En rgression simple

La Figure 5.2 reprsente cette situation.

L(X)

F IG . 5.2 Projection de Y sur L(X) lorsque cov(xk , k ) > 0

Dans ce cas, trouver une variable instrumentale revient trouver une variable
z orthogonale , mais non orthogonale L(X). Autrement dit :
cov(z, xk ) = 0
cov(z, ) = 0
On va ds lors pouvoir estimer les coefcients k en projettant orthogonalement
nos vecteurs y et xk sur L(Z). En faisant ainsi, on ne retient de nos variable
explicative xk que ce qui est (asymptotiquement) orthogonal aux perturbations :
Figure 5.3.
On remplace la rgression :
y = X +
81

CHAPITRE 5. ENDOGNIT ET VARIABLES INSTRUMENTALES

L(Z)

L(X)

PZ X IV

F IG . 5.3 Projection des variables sur L(Z)

par :
PZ y = PZ X + PZ
La matrice PZ est la matrice de projection orthogonale sur L(Z). Lestimateur du
vecteur des coefcients est :

2SLS = (X Pz X)1 X PZ y

Remplaons PZ X, parX :
2SLS = (X X)1 X y
On peut donc considrer que 2SLS est obtenu en rgressant y sur X, projection
orthogonale des variables X sur L(Z). Cest la raison pour laquelle on appelle
cette mthode "rgression deux tapes". On peut en effet considrer que lon
fait tout dabord la rgression de X sur Z puis que lon rgresse y sur les valeurs
estimes obtenues X.
On peut dailleurs faire en pratique ces deux tapes pour obtenir 2SLS , plutt
que de rgresser y sur X. Cependant, si les coefcients sont les mmes, la matrice
des variances covariances nest pas bonne lorsque lon procde de la sorte, et cela
pose problme pour estimer la signicativit des coefcients. On a en effet :
V(2SLS ) = E[(2SLS )] = E[((X PZ X)1 X PZ )((X PZ X)1 X PZ ) ]
82

Economtrie applique

V(2SLS ) = E[(X PZ X)1 X PZ PZ X(X PZ X)1 ] = 2 (X PZ X)1

Or :
2 =

RSS
N K

Lorsque lon opre la rgression en deux tapes, pour rgresser y sur X, on a :

y = PZ X 2SLS
Avec : 2SLS = (X PZ X)1 X PZ y. En consquence on a :
RSS2SLS = (y PZ X2SLS ) (y PZ X2SLS )
Le RSS2SLS reprsente la somme des rsidu lorsque y est explique par PZ X. Or
en ralit, une fois lestimation 2SLS obtenu, ces coefcients estims sont utilis
pour prdire y partir de X et non de PZ X. Le RSS du modle est donc :
RSS = (y X2SLS ) (y X2SLS )
Les logiciels calculent cette valeur de la RSS automatiquement lorsquon utilise
une commande pour raliser des variables instrumentales (ivreg pour Stata par
exemple). Il faut faire attention au fait que la matrice de variance covariance ne
sera par contre pas bonne si lon fait les deux tapes la main.

5.5.2 En rgression multiple

Bien dnir les variables exognes
Soit lquation :
y = 1 + 2 x2 + . . . + K xK +
Supposons que la variable xi , i < K soit endogne et quil soit possible de trouver une liste de variables instrumentales adquates : z1 , . . . , zn . Il faut bien faire
attention la dnition des variables exognes : elles ne se rsumment pas aux
simples variables instrumentales zk , k < n, mais elles incluent aussi les variables
xk , k = i. La mthode des doubles moindre carr implique de projetter les variables de la rgression sur toutes les variables exognes. La liste des variables
instrumentales au sens large est donc : 1, x1 , . . . , xi1 , xi+1 , . . . , xK , z1 , . . . , zn .
Lorsque lon opre la mthode des 2SLS avec un logiciel de statistique, il va automatiquement inclure toutes les variables exognes dans lespace de projection
L(Z). Par contre, si lon effectue la mthode des 2SLS la main en ralisant les
deux tapes, il ne faut pas estimer xi par une rgression sur les seules variables zk ,
lestimateur obtenu serait alors inconsistent (non asymptotiquement sans biais)
(Wooldridge 2002, p. 91).

83

CHAPITRE 5. ENDOGNIT ET VARIABLES INSTRUMENTALES

La rgression interdite
Lorsque lon souhaite estimer une inuence non strictement linaire dune variable x sur y, il est usuel dintgrer une transformation de cette variable dans la
rgression : log(x) ou x2 le plus souvent. Si x est une variable endogne, on pourrait tre tent de raliser une estimation x de x sur les variables exognes dans une
premire tape, puis dintgrer cette estimation et la transformation non linaire
de celle-ci, log(x) ou x2 , dans la rgression expliquant y. Cela pourrait sembler
une extension normale de la dmarche des 2SLS. Or cette pratique est errone et
est mme appele la "rgression interdire" (Wooldridge 2002, "forbidden regression" p. 236-237). Il faut considrer log(x) ou x2 comme une variable endogne
diffrente de x et qui doit tre instrumente comme cette dernire.

84

Annexes

85

Annexe A
Rappels dalgbre linaire

87

ANNEXE A. RAPPELS DALGBRE LINAIRE

Dnitions A(n,m) est une matrice n lignes et m colonnes compose dlments aij (i pour le numro de la ligne, et j pour le numro de la colonne.

a11 a12 a1m

a21 a22 a2m

A = .
.
...
.
.
.
(n,m)
.
an1 an2 anm

Un vecteur est une matrice une ligne ou une colonne. Le vecteur peut tre en
colonne, ou en ligne.

v11
v21

V = . U = u11 u12 u1m

. (1,m)
.
(n,1)
vn1

On appelle transpose dune matrice A, note A en conomtrie, et souvent

A en mathmatiques, la matrice dont les lignes sont formes avec les lments des
colonnes de A. Il y a comme une symtrie par rapport la diagonale de la matrice.
En particulier, le vecteur transpos dun vecteur ligne est un vecteur colonne et
vice et versa :

v1
v2

= . V = v1 v2 v n
V
(1,n)
.
(n,1)
.
vn
t

Soit une matrice A, linverse de A, note A1 est telle que : A.A1 = A1 A =

I.
Oprations On peut multiplier deux matrices en avec une formule un peu complique crire formellement, mais trs simple raliser en pratique. Pour plus
de simplicit, on peut poser le produit matriciel ainsi :

A . B =

(n,m) (m,k)

a11
a21
.
.
.

a12
a22

..
.

a1m
a2m
.
.
.

an1

an2

anm

b11
b21
.
.
.

b12
b22

..
.

bm1

bm2

b1k
b2k
.
.
.
bmk

m
i=1
m
i=1
m
i=1

88

a1i bi1
a2i bi1
.
.
.
ani bi1

m
i=1
m
i=1

a1i bi2
a2i bi2

..
.

m
i=1

ani bi2

m
i=1
m
i=1
m
i=1

a1i bim
a2i bim
.
.
.
ani bim

Economtrie applique
On aura remarqu que pour que ce produit ait un sens, il faut que le nombre de
colonnes de A gale le nombre de lignes de B. Le produit de deux vecteurs dcoule de ce principe. Il suft de remplacer A et B par des vecteurs pourvu que le
nombre de colonne de lun soit gal au nombre de ligne de lautre. Nous utiliserons souvent en conomtrie le produit dun vecteur V avec le vecteur transpos
de V .
Deux types de multiplications de ce type existent. La premire donne un scalaire (un nombre rel) qui est la somme des carrs des lments de V , la seconde
donne une matrice compose des carrs des lments de V . Tout dpend de la
place respective du vecteur V et de son vecteur transpos V dans la multiplication.

v1
v2
.
.
.

vn
n

V . V =

V . V =

(n,1) (1,n)

2
vi

v1 v2 vn

(1,n) (n,1)

v1
v2
.
.
.
vn

i=1

v1 v2
vn

2
v1 v1 v2 v1 vn
2
v1 v2 v2
v2 vn

.
.
...
.
.
.
.
2
v1 vn
vn

Une matrice A( n, n) est de rang n si son dterminant est non nul. Pour calculer
le dterminant |A| de A :

A =

(n,n)

a11 a12
a21 a22
.
...
.
.
an1 an2

a1n
a2n
.
.
.
ann

Petite opration prliminaire, on marque chaque lment de la matrice dun plus

ou dun moins selon la rgle simple : plus si i + j est pair, et moins si i + j est
89

ANNEXE A. RAPPELS DALGBRE LINAIRE

impair.

A =

(n,n)

a+ a a.1n
11
12
a a+ a.2n
21
22
.
.
...
.
.
.
.
.
.
+
an1 an2 ann

On "dveloppe" selon une ligne ou une colonne, par exemple la premire colonne :

|A| =a11

a a.1n
a+ a.2n
12
22

.
a a.3n
a32 a3n
32
. +
. +a21 (1) .
.
...
...
.
.
.
.
.
.
.
.
.
+
.
+
an2 ann
an2 ann
11

21

a
12
a+
22

+ an1 (1)(n+1)

...

.
.
.

a.1n
a.2n
.
.
.

a.n1,2 a+
n1,n
n1

ij est le cofacteur de llment aij , ij = (1)(i+j) fois le dterminant

dune matrice extraite de A lorsque lon retire de A la ligne i et la colonne j 1 .
On rapplique cette formule du calcul du dterminant chaque cofacteur jusqu
obtenir des cofacteurs correspondant une matrice (1,1). Le cofacteur est alors
gal au scalaire correspondant.
L encore la pratique est plus aise que la comprhension de la description
thorique. En particulier, il faut essayer de dvelopper selon les lignes ou les colonnes les plus simples (comprenant le plus de zros et de 1) pour simplier les
calculs.
Pour les matrices (2,2) qui seront sans doute lhorizon indpass de votre exprience en cours de matrise dconomtrie applique, les calculs sont simplicismes :
A =

(2,2)

a+ a
11
12
a a+
21
22

, |A| = a11 a22 a21 a12

Les signes insrs initialement dans la matrice A permettent de retrouver facilement le signe
du cofacteur.

90

Economtrie applique
Tout ceci nous permet darriver la formule de linverse dune matrice A :

11 12 1n
1 21 22 2n

A1 =
.
.
...
.
|A| .
.
.
n1 n2 nn

En franais, A1 est gale la matrice transpose des cofacteurs de A divise par

le dterminant de A. Il est vident que A1 nexiste que si le dterminant de A
nest pas nul.
Pour une matrice (2,2), le calcul est l encore simplicisme :
A =

(2,2)

a11 a12
a21 a22

, A1 =

1
a11 a22 a21 a12

Formules A savoir :
(AB) = B A
Si A est inversible :
(A )1 = (A1 )
(AB)1 = B 1 A1

91

a22 a12
a21 a11

ANNEXE A. RAPPELS DALGBRE LINAIRE

92

Annexe B
Tables statistiques

93

ANNEXE B. TABLES STATISTIQUES

La loi du chi-deux
Table des t tels que P(t t ) = , t

2
n

n,

0.001

0.010

0.025

0.05

0.1000

0.5000

0.9000

0.9500

0.9750

0.9900

0.9990

1
2
3
4
5

0.000
0.002
0.024
0.091
0.210

0.000
0.020
0.115
0.297
0.554

0.001
0.051
0.216
0.484
0.831

0.004
0.103
0.352
0.711
1.145

0.016
0.211
0.584
1.064
1.610

0.455
1.386
2.366
3.357
4.351

2.706
4.605
6.251
7.779
9.236

3.841
5.991
7.815
9.488
11.070

5.024
7.378
9.348
11.143
12.833

6.635
9.210
11.345
13.277
15.086

10.828
13.816
16.266
18.467
20.515

6
7
8
9
10

0.381
0.598
0.857
1.152
1.479

0.872
1.239
1.646
2.088
2.558

1.237
1.690
2.180
2.700
3.247

1.635
2.167
2.733
3.325
3.940

2.204
2.833
3.490
4.168
4.865

5.348
6.346
7.344
8.343
9.342

10.645
12.017
13.362
14.684
15.987

12.592
14.067
15.507
16.919
18.307

14.449
16.013
17.535
19.023
20.483

16.812
18.475
20.090
21.666
23.209

22.458
24.322
26.124
27.877
29.588

11
12
13
14
15

1.834
2.214
2.617
3.041
3.483

3.053
3.571
4.107
4.660
5.229

3.816
4.404
5.009
5.629
6.262

4.575
5.226
5.892
6.571
7.261

5.578
6.304
7.042
7.790
8.547

10.341
11.340
12.340
13.339
14.339

17.275
18.549
19.812
21.064
22.307

19.675
21.026
22.362
23.685
24.996

21.920
23.337
24.736
26.119
27.488

24.725
26.217
27.688
29.141
30.578

31.264
32.909
34.528
36.123
37.697

16
17
18
19
20

3.942
4.416
4.905
5.407
5.921

5.812
6.408
7.015
7.633
8.260

6.908
7.564
8.231
8.907
9.591

7.962
8.672
9.390
10.117
10.851

9.312
10.085
10.865
11.651
12.443

15.338
16.338
17.338
18.338
19.337

23.542
24.769
25.989
27.204
28.412

26.296
27.587
28.869
30.144
31.410

28.845
30.191
31.526
32.852
34.170

32.000
33.409
34.805
36.191
37.566

39.252
40.790
42.312
43.820
45.315

21
22
23
24
25

6.447
6.983
7.529
8.085
8.649

8.897
9.542
10.196
10.856
11.524

10.283
10.982
11.689
12.401
13.120

11.591
12.338
13.091
13.848
14.611

13.240
14.041
14.848
15.659
16.473

20.337
21.337
22.337
23.337
24.337

29.615
30.813
32.007
33.196
34.382

32.671
33.924
35.172
36.415
37.652

35.479
36.781
38.076
39.364
40.646

38.932
40.289
41.638
42.980
44.314

46.797
48.268
49.728
51.179
52.620

26
27
28
29
30

9.222
9.803
10.391
10.986
11.588

12.198
12.879
13.565
14.256
14.953

13.844
14.573
15.308
16.047
16.791

15.379
16.151
16.928
17.708
18.493

17.292
18.114
18.939
19.768
20.599

25.336
26.336
27.336
28.336
29.336

35.563
36.741
37.916
39.087
40.256

38.885
40.113
41.337
42.557
43.773

41.923
43.195
44.461
45.722
46.979

45.642
46.963
48.278
49.588
50.892

54.052
55.476
56.892
58.301
59.703

31
32
33
34
35

12.196
12.811
13.431
14.057
14.688

15.655
16.362
17.074
17.789
18.509

17.539
18.291
19.047
19.806
20.569

19.281
20.072
20.867
21.664
22.465

21.434
22.271
23.110
23.952
24.797

30.336
31.336
32.336
33.336
34.336

41.422
42.585
43.745
44.903
46.059

44.985
46.194
47.400
48.602
49.802

48.232
49.480
50.725
51.966
53.203

52.191
53.486
54.776
56.061
57.342

61.098
62.487
63.870
65.247
66.619

36
37
38
39
40

15.324
15.965
16.611
17.262
17.916

19.233
19.960
20.691
21.426
22.164

21.336
22.106
22.878
23.654
24.433

23.269
24.075
24.884
25.695
26.509

25.643
26.492
27.343
28.196
29.051

35.336
36.336
37.335
38.335
39.335

47.212
48.363
49.513
50.660
51.805

50.998
52.192
53.384
54.572
55.758

54.437
55.668
56.896
58.120
59.342

58.619
59.893
61.162
62.428
63.691

67.985
69.346
70.703
72.055
73.402

41
42
43
44
45

18.575
19.239
19.906
20.576
21.251

22.906
23.650
24.398
25.148
25.901

25.215
25.999
26.785
27.575
28.366

27.326
28.144
28.965
29.787
30.612

29.907
30.765
31.625
32.487
33.350

40.335
41.335
42.335
43.335
44.335

52.949
54.090
55.230
56.369
57.505

56.942
58.124
59.304
60.481
61.656

60.561
61.777
62.990
64.201
65.410

64.950
66.206
67.459
68.710
69.957

74.745
76.084
77.419
78.750
80.077

46
47
48
49
50

21.929
22.610
23.295
23.983
24.674

26.657
27.416
28.177
28.941
29.707

29.160
29.956
30.755
31.555
32.357

31.439
32.268
33.098
33.930
34.764

34.215
35.081
35.949
36.818
37.689

45.335
46.335
47.335
48.335
49.335

58.641
59.774
60.907
62.038
63.167

62.830
64.001
65.171
66.339
67.505

66.617
67.821
69.023
70.222
71.420

71.201
72.443
73.683
74.919
76.154

81.400
82.720
84.037
85.351
86.661

94

Economtrie applique

La loi normale
Table des t tels que P(t t ) = , t

N (0, 1)

0.000

0.001

0.002

0.003

0.004

0.005

0.006

0.007

0.008

0.009

0.50
0.51
0.52
0.53
0.54

0.0000
0.0251
0.0502
0.0753
0.1004

0.0025
0.0276
0.0527
0.0778
0.1030

0.0050
0.0301
0.0552
0.0803
0.1055

0.0075
0.0326
0.0577
0.0828
0.1080

0.0100
0.0351
0.0602
0.0853
0.1105

0.0125
0.0376
0.0627
0.0878
0.1130

0.0150
0.0401
0.0652
0.0904
0.1156

0.0175
0.0426
0.0677
0.0929
0.1181

0.0201
0.0451
0.0702
0.0954
0.1206

0.0226
0.0476
0.0728
0.0979
0.1231

0.55
0.56
0.57
0.58
0.59

0.1257
0.1510
0.1764
0.2019
0.2275

0.1282
0.1535
0.1789
0.2045
0.2301

0.1307
0.1560
0.1815
0.2070
0.2327

0.1332
0.1586
0.1840
0.2096
0.2353

0.1358
0.1611
0.1866
0.2121
0.2378

0.1383
0.1637
0.1891
0.2147
0.2404

0.1408
0.1662
0.1917
0.2173
0.2430

0.1434
0.1687
0.1942
0.2198
0.2456

0.1459
0.1713
0.1968
0.2224
0.2482

0.1484
0.1738
0.1993
0.2250
0.2508

0.60
0.61
0.62
0.63
0.64

0.2533
0.2793
0.3055
0.3319
0.3585

0.2559
0.2819
0.3081
0.3345
0.3611

0.2585
0.2845
0.3107
0.3372
0.3638

0.2611
0.2871
0.3134
0.3398
0.3665

0.2637
0.2898
0.3160
0.3425
0.3692

0.2663
0.2924
0.3186
0.3451
0.3719

0.2689
0.2950
0.3213
0.3478
0.3745

0.2715
0.2976
0.3239
0.3505
0.3772

0.2741
0.3002
0.3266
0.3531
0.3799

0.2767
0.3029
0.3292
0.3558
0.3826

0.65
0.66
0.67
0.68
0.69

0.3853
0.4125
0.4399
0.4677
0.4959

0.3880
0.4152
0.4427
0.4705
0.4987

0.3907
0.4179
0.4454
0.4733
0.5015

0.3934
0.4207
0.4482
0.4761
0.5044

0.3961
0.4234
0.4510
0.4789
0.5072

0.3989
0.4261
0.4538
0.4817
0.5101

0.4016
0.4289
0.4565
0.4845
0.5129

0.4043
0.4316
0.4593
0.4874
0.5158

0.4070
0.4344
0.4621
0.4902
0.5187

0.4097
0.4372
0.4649
0.4930
0.5215

0.70
0.71
0.72
0.73
0.74

0.5244
0.5534
0.5828
0.6128
0.6433

0.5273
0.5563
0.5858
0.6158
0.6464

0.5302
0.5592
0.5888
0.6189
0.6495

0.5330
0.5622
0.5918
0.6219
0.6526

0.5359
0.5651
0.5948
0.6250
0.6557

0.5388
0.5681
0.5978
0.6280
0.6588

0.5417
0.5710
0.6008
0.6311
0.6620

0.5446
0.5740
0.6038
0.6341
0.6651

0.5476
0.5769
0.6068
0.6372
0.6682

0.5505
0.5799
0.6098
0.6403
0.6713

0.75
0.76
0.77
0.78
0.79

0.6745
0.7063
0.7388
0.7722
0.8064

0.6776
0.7095
0.7421
0.7756
0.8099

0.6808
0.7128
0.7454
0.7790
0.8134

0.6840
0.7160
0.7488
0.7824
0.8169

0.6871
0.7192
0.7521
0.7858
0.8204

0.6903
0.7225
0.7554
0.7892
0.8239

0.6935
0.7257
0.7588
0.7926
0.8274

0.6967
0.7290
0.7621
0.7961
0.8310

0.6999
0.7323
0.7655
0.7995
0.8345

0.7031
0.7356
0.7688
0.8030
0.8381

0.80
0.81
0.82
0.83
0.84

0.8416
0.8779
0.9154
0.9542
0.9945

0.8452
0.8816
0.9192
0.9581
0.9986

0.8488
0.8853
0.9230
0.9621
1.0027

0.8524
0.8890
0.9269
0.9661
1.0069

0.8560
0.8927
0.9307
0.9701
1.0110

0.8596
0.8965
0.9346
0.9741
1.0152

0.8633
0.9002
0.9385
0.9782
1.0194

0.8669
0.9040
0.9424
0.9822
1.0237

0.8705
0.9078
0.9463
0.9863
1.0279

0.8742
0.9116
0.9502
0.9904
1.0322

0.85
0.86
0.87
0.88
0.89

1.0364
1.0803
1.1264
1.1750
1.2265

1.0407
1.0848
1.1311
1.1800
1.2319

1.0450
1.0893
1.1359
1.1850
1.2372

1.0494
1.0939
1.1407
1.1901
1.2426

1.0537
1.0985
1.1455
1.1952
1.2481

1.0581
1.1031
1.1503
1.2004
1.2536

1.0625
1.1077
1.1552
1.2055
1.2591

1.0669
1.1123
1.1601
1.2107
1.2646

1.0714
1.1170
1.1650
1.2160
1.2702

1.0758
1.1217
1.1700
1.2212
1.2759

0.90
0.91
0.92
0.93
0.94

1.2816
1.3408
1.4051
1.4758
1.5548

1.2873
1.3469
1.4118
1.4833
1.5632

1.2930
1.3532
1.4187
1.4909
1.5718

1.2988
1.3595
1.4255
1.4985
1.5805

1.3047
1.3658
1.4325
1.5063
1.5893

1.3106
1.3722
1.4395
1.5141
1.5982

1.3165
1.3787
1.4466
1.5220
1.6072

1.3225
1.3852
1.4538
1.5301
1.6164

1.3285
1.3917
1.4611
1.5382
1.6258

1.3346
1.3984
1.4684
1.5464
1.6352

0.95
0.96
0.97
0.98
0.99

1.6449
1.7507
1.8808
2.0537
2.3263

1.6546
1.7624
1.8957
2.0749
2.3656

1.6646
1.7744
1.9110
2.0969
2.4089

1.6747
1.7866
1.9268
2.1201
2.4573

1.6849
1.7991
1.9431
2.1444
2.5121

1.6954
1.8119
1.9600
2.1701
2.5758

1.7060
1.8250
1.9774
2.1973
2.6521

1.7169
1.8384
1.9954
2.2262
2.7478

1.7279
1.8522
2.0141
2.2571
2.8782

1.7392
1.8663
2.0335
2.2904
3.0902

95

ANNEXE B. TABLES STATISTIQUES

La loi de Student
Table des t tels que P(t t ) = , t

Tn

n,

0.60

0.70

0.80

0.90

0.95

0.9750

0.9900

0.9950

0.9990

0.9995

1
2
3
4
5

0.325
0.289
0.277
0.271
0.267

0.727
0.617
0.584
0.569
0.559

1.376
1.061
0.978
0.941
0.920

3.078
1.886
1.638
1.533
1.476

6.314
2.920
2.353
2.132
2.015

12.706
4.303
3.182
2.776
2.571

31.821
6.965
4.541
3.747
3.365

63.657
9.925
5.841
4.604
4.032

318.309
22.327
10.215
7.173
5.893

636.619
31.599
12.924
8.610
6.869

6
7
8
9
10

0.265
0.263
0.262
0.261
0.260

0.553
0.549
0.546
0.543
0.542

0.906
0.896
0.889
0.883
0.879

1.440
1.415
1.397
1.383
1.372

1.943
1.895
1.860
1.833
1.812

2.447
2.365
2.306
2.262
2.228

3.143
2.998
2.896
2.821
2.764

3.707
3.499
3.355
3.250
3.169

5.208
4.785
4.501
4.297
4.144

5.959
5.408
5.041
4.781
4.587

11
12
13
14
15

0.260
0.259
0.259
0.258
0.258

0.540
0.539
0.538
0.537
0.536

0.876
0.873
0.870
0.868
0.866

1.363
1.356
1.350
1.345
1.341

1.796
1.782
1.771
1.761
1.753

2.201
2.179
2.160
2.145
2.131

2.718
2.681
2.650
2.624
2.602

3.106
3.055
3.012
2.977
2.947

4.025
3.930
3.852
3.787
3.733

4.437
4.318
4.221
4.140
4.073

16
17
18
19
20

0.258
0.257
0.257
0.257
0.257

0.535
0.534
0.534
0.533
0.533

0.865
0.863
0.862
0.861
0.860

1.337
1.333
1.330
1.328
1.325

1.746
1.740
1.734
1.729
1.725

2.120
2.110
2.101
2.093
2.086

2.583
2.567
2.552
2.539
2.528

2.921
2.898
2.878
2.861
2.845

3.686
3.646
3.610
3.579
3.552

4.015
3.965
3.922
3.883
3.850

21
22
23
24
25

0.257
0.256
0.256
0.256
0.256

0.532
0.532
0.532
0.531
0.531

0.859
0.858
0.858
0.857
0.856

1.323
1.321
1.319
1.318
1.316

1.721
1.717
1.714
1.711
1.708

2.080
2.074
2.069
2.064
2.060

2.518
2.508
2.500
2.492
2.485

2.831
2.819
2.807
2.797
2.787

3.527
3.505
3.485
3.467
3.450

3.819
3.792
3.768
3.745
3.725

26
27
28
29
30

0.256
0.256
0.256
0.256
0.256

0.531
0.531
0.530
0.530
0.530

0.856
0.855
0.855
0.854
0.854

1.315
1.314
1.313
1.311
1.310

1.706
1.703
1.701
1.699
1.697

2.056
2.052
2.048
2.045
2.042

2.479
2.473
2.467
2.462
2.457

2.779
2.771
2.763
2.756
2.750

3.435
3.421
3.408
3.396
3.385

3.707
3.690
3.674
3.659
3.646

31
32
33
34
35

0.256
0.255
0.255
0.255
0.255

0.530
0.530
0.530
0.529
0.529

0.853
0.853
0.853
0.852
0.852

1.309
1.309
1.308
1.307
1.306

1.696
1.694
1.692
1.691
1.690

2.040
2.037
2.035
2.032
2.030

2.453
2.449
2.445
2.441
2.438

2.744
2.738
2.733
2.728
2.724

3.375
3.365
3.356
3.348
3.340

3.633
3.622
3.611
3.601
3.591

36
37
38
39
40

0.255
0.255
0.255
0.255
0.255

0.529
0.529
0.529
0.529
0.529

0.852
0.851
0.851
0.851
0.851

1.306
1.305
1.304
1.304
1.303

1.688
1.687
1.686
1.685
1.684

2.028
2.026
2.024
2.023
2.021

2.434
2.431
2.429
2.426
2.423

2.719
2.715
2.712
2.708
2.704

3.333
3.326
3.319
3.313
3.307

3.582
3.574
3.566
3.558
3.551

41
42
43
44
45

0.255
0.255
0.255
0.255
0.255

0.529
0.528
0.528
0.528
0.528

0.850
0.850
0.850
0.850
0.850

1.303
1.302
1.302
1.301
1.301

1.683
1.682
1.681
1.680
1.679

2.020
2.018
2.017
2.015
2.014

2.421
2.418
2.416
2.414
2.412

2.701
2.698
2.695
2.692
2.690

3.301
3.296
3.291
3.286
3.281

3.544
3.538
3.532
3.526
3.520

46
47
48
49
50

0.255
0.255
0.255
0.255
0.255

0.528
0.528
0.528
0.528
0.528

0.850
0.849
0.849
0.849
0.849

1.300
1.300
1.299
1.299
1.299

1.679
1.678
1.677
1.677
1.676

2.013
2.012
2.011
2.010
2.009

2.410
2.408
2.407
2.405
2.403

2.687
2.685
2.682
2.680
2.678

3.277
3.273
3.269
3.265
3.261

3.515
3.510
3.505
3.500
3.496

96

Economtrie applique
Limites des valeurs critiques de la statistique de DURBIN-WATSON
signicativit de 5%, points QL et QU
N

=2
QL QU

=3
QL QU

=4
QL QU

=5
QL QU

=6
QL QU

15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100

1.077 1.361
1.106 1.371
1.133 1.381
1.158 1.392
1.180 1.401
1.201 1.411
1.221 1.420
1.240 1.429
1.257 1.437
1.273 1.446
1.288 1.454
1.302 1.461
1.316 1.468
1.328 1.476
1.341 1.483
1.352 1.489
1.363 1.496
1.373 1.502
1.383 1.508
1.393 1.514
1.402 1.519
1.411 1.524
1.419 1.530
1.427 1.535
1.435 1.540
1.442 1.544
1.475 1.566
1.503 1.585
1.527 1.601
1.549 1.616
1.567 1.629
1.583 1.641
1.598 1.652
1.611 1.662
1.624 1.671
1.635 1.679
1.645 1.687
1.654 1.694

0.945 1.543
0.982 1.539
1.015 1.536
1.046 1.535
1.075 1.535
1.100 1.537
1.125 1.538
1.147 1.541
1.168 1.543
1.188 1.546
1.206 1.550
1.224 1.553
1.240 1.556
1.255 1.560
1.270 1.563
1.284 1.567
1.297 1.570
1.309 1.573
1.321 1.577
1.332 1.580
1.343 1.584
1.354 1.587
1.364 1.590
1.373 1.594
1.382 1.597
1.391 1.600
1.430 1.615
1.462 1.628
1.490 1.640
1.514 1.652
1.536 1.662
1.554 1.671
1.571 1.680
1.586 1.688
1.600 1.696
1.612 1.703
1.623 1.709
1.634 1.715

0.814 1.750
0.857 1.728
0.897 1.710
0.933 1.696
0.967 1.685
0.998 1.676
1.026 1.669
1.053 1.664
1.078 1.660
1.101 1.657
1.123 1.654
1.143 1.652
1.162 1.651
1.181 1.650
1.198 1.650
1.214 1.650
1.229 1.650
1.244 1.650
1.258 1.651
1.271 1.652
1.283 1.653
1.295 1.654
1.307 1.655
1.317 1.656
1.328 1.658
1.338 1.659
1.383 1.666
1.421 1.674
1.452 1.681
1.480 1.689
1.503 1.696
1.524 1.703
1.543 1.709
1.560 1.715
1.575 1.721
1.589 1.726
1.602 1.732
1.613 1.736

0.685 1.977
0.734 1.935
0.779 1.900
0.820 1.872
0.859 1.848
0.894 1.828
0.927 1.812
0.958 1.797
0.986 1.786
1.013 1.775
1.038 1.767
1.062 1.759
1.083 1.753
1.104 1.747
1.124 1.743
1.143 1.739
1.160 1.735
1.177 1.732
1.193 1.730
1.208 1.728
1.222 1.726
1.236 1.725
1.249 1.723
1.261 1.723
1.273 1.722
1.285 1.721
1.336 1.720
1.378 1.721
1.414 1.724
1.444 1.727
1.471 1.731
1.494 1.735
1.515 1.739
1.534 1.743
1.551 1.747
1.566 1.751
1.579 1.755
1.592 1.758

0.562 2.220
0.615 2.157
0.664 2.104
0.710 2.060
0.752 2.022
0.792 1.991
0.828 1.964
0.863 1.940
0.895 1.919
0.925 1.902
0.953 1.886
0.979 1.873
1.004 1.861
1.028 1.850
1.050 1.841
1.070 1.833
1.090 1.825
1.109 1.819
1.127 1.813
1.144 1.807
1.160 1.803
1.175 1.799
1.190 1.795
1.204 1.792
1.218 1.789
1.231 1.786
1.287 1.776
1.334 1.771
1.374 1.768
1.408 1.767
1.438 1.767
1.464 1.768
1.486 1.770
1.507 1.772
1.525 1.774
1.542 1.776
1.557 1.778
1.571 1.780

97

ANNEXE B. TABLES STATISTIQUES

98

Annexe C
Introduction la thorie des
probabilits

99

ANNEXE C. INTRODUCTION LA THORIE DES PROBABILITS

Cette partie vise introduire la thorie des probabilits.
La probabilit dun vnement A est une mesure de la vraisemblance dun
vnement :
Si lvnement A est impossible, Pr(A) = 0
Si lvnement A est certain, Pr(A) = 1
Si lvnement A est incertain, 0 < Pr(A) < 1
La thorie moderne des probabilit consiste tendre la notion de "mesure"
la notion de probabilit pour mesurer cette vraisemblance1 .
La base de la thorie des probabilit est la thorie de la mesure. Une mesure
en mathmatique est une application qui associe une grandeur un lment. Par
exemple, on peut mesurer la longueur dun mur, la surface dun parquet, le volume
dune chambre. Les trois mesures prcdentes sont des exemples particuliers de
mesures. Ce sont des mesures de Lebesgue, elles associent tout "pav" de Rp la
grandeur :
p

i=1

(bi ai )

Ainsi, sur R la longueur dun segment [a, b] est b a, et sur R2 la mesure de

Lebesgue dun rectangle (surface) est (b1 a1 )(b2 a2 ).
Plus gnralement, on dnit une mesure (positive) sur un espace X comme
une application satisfaisant ces deux principes :
i () = 0
ii Pour toute suite (An )n1 de parties de X,

An

n=1

(An )

n=1

La premire condition implique que la mesure dune partie vide de X est de mesure nulle, et que la mesure de lunion de deux parties distinctes est la somme des
mesure des parties (la mesure de la surface de deux carrs distincts est la somme
des surfaces des deux carrs).
Les mesures de Lebesgues sont des mesures particulires. De mme une mesure de probabilit est un type de mesure particulier. Une mesure de probabilit
possde une proprit additionnelle :
iii (X) = 1
La mesure sur lensemble de lespace est gale 1. On note usuellement P les
mesures de probabilit. Soit P une mesure de probabilit, et A une partie de X,
P (A) est la probabilit de A mesure par P .
1

La thorie actuelle des probabilit mobilise laxiomatique de Kolmogorov, qui fut le premier
dans les annes 30 formaliser rigoureusement mathmatiquement la thorie des probabilits.

100

Economtrie applique
Lois et densit de probabilit
Supposons une plage stendant dun point A un point B. Sur cette plage
se trouvent des plagistes. Ces derniers ne sont pas rpartis de manire homogne.
En particulier la prsence dune vendeur de glace au milieu (C) en attire un plus
grand nombre. On se propose grce un histogramme de reprsenter la rpartition
de la population des plagistes sur AB. On dcoupe la plage en segments gaux de
longueur AB/20. Ce faisant, on a dj utilis une mesure, la mesure de comptage qui associe chaque partie, le nombre dlments contenu dans cette partie.
Ici on a mesur le nombre de plagistes sur chaque parcelle de plage. Supposons
maintenant que lon divise les valeurs reprsentes dans notre histogramme par le
nombre total de plagistes sur AB, an de reprsenter les proportions de plagistes
de AB prsents sur chaque parcelle. Si vous avez suivi ce qui prcde vous aurez devin que ce faisant on a remplac la mesure de comptage sur AB par une
mesure de probabilit P . La proportion de plagistes de la plage AB prsents sur
la plage AB est en effet gale un... Notre histogramme reprsente prsent une
mesure de probabilit sur AB. Supposons que Marc ait rendez-vous avec Julie
sur la plage. Sil na aucune indication sur sa place a priori, les valeurs de lhistogramme lui donnent la probabilit de trouver Julie sur telle ou telle parcelle.
Numrotons les parcelles de 1 20 de A vers B. Soit x le numro de la parcelle
o se trouve Julie, x est appel la ralisation dune variable alatoire X.
On appelle loi de probabilit, une mesure de probabilit associe une variable alatoire : elle donne pour toute pav dun espace Rp , la probabilit que
X se trouve dans ce pav. Notre histogramme reprsente la loi de probabilit de
X : pour chaque parcelle de AB, il nous donne la probabilit que x soit cette parcelle, et pour tout ensemble de parcelle, la somme des probabilit nous donne la
probabilit que x appartienne cet ensemble de parcelles. Cette loi est discrte :
elle nous donne donne des valeurs positives pour la probabilit des vnements :
Pr(x = 2) par exemple.
Supposons prsent que notre plage est trs grande et trs fortement peuple,
on peut alors dcouper cette plage en parcelles de plus en plus petites. De telle
sorte que la probabilit de trouver Julie sur une parcelle donne devient trs petite, et tend vers 0. Notre histogramme devient prsent une courbe lisse. Il ne
permet plus de mesurer la probabilit de trouver Julie en un point (une petite parcelle), mais la surface sous la courbe entre deux points reprsente la probabilit de
trouver Julie sur ce segment. La loi de probabilit de X est prsent continue, et
notre courbe reprsente les valeurs de la densit de probabilit de X. Soit f cette
densit, on a :
d Pr
f (x) =
dx
La densit de probabilit reprsente donc la vitesse de laugmentation de proba101

ANNEXE C. INTRODUCTION LA THORIE DES PROBABILITS

bilit en un point, lorsque lon ajoute ce point une partie mesure. On peut aussi
rcrire ce qui prcde :
f (x)dx = d Pr(x) = Pr(X x + dx) Pr(X x) = Pr(x X x + dx)
f (x)dx nous donne donc la probabilit que X appartienne [x, x + dx].
Dans la nature, les lois de probabilit ne sont pas donnes, on essaye donc
dassigner aux processus alatoires observes des lois de probabilits adquates.
Pour cela, on peut poser comme hypothse que le processus alatoire suis un type
de loi donn (une loi normale par exemple), on essaiera alors destimer les paramtres qui dnissent prcisment la loi (moyenne et cart type pour la loi normale par exemple), partir des donnes notre disposition. On pourra aussi tester
lhypothse que ces paramtres ont telle ou telle valeur en regardant la probabilit
que cette loi (dote de ces paramtres) produisent les donnes observes On rejettera les valeurs testes, si cette probabilit est trs faible. Enn, on peut remettre
en cause lhypothse initiale portant sur le choix du type de loi, en mettant en
oeuvre des tests. On pourra par exemple rejetter lhypothse de normalit de la loi
dune variable alatoire si les observations sont trop asymtriques par rapport la
moyenne.

102

Annexe D
Faire des rgressions sous Excel

103

ANNEXE D. FAIRE DES RGRESSIONS SOUS EXCEL

Excel nest pas un logiciel de statistique. Il est cependant possible dutiliser
Excel pour effectuer des rgressions linaires multiples. Cela ne prsente pas de
difcult, et les rsultats contiennent toutes les informations fournies par un logiciel de statistique. Excel prsente simplement trois limites qui rendent le passage
un vrai logiciel de statistique ncessaire pour toute tude conomtrique pousse :
1. Les variables explicatives slectionnes (x2 , x3 ,...) doivent tre dans des
colonnes voisines, ce qui oblige de constants mouvements des colonnes
pour former des blocs homognes.
2. La capacit de calcul dExcel ne permet pas de grer autant de donnes
quavec un logiciel statistique (cette contrainte ne se prsente toutefois que
si vous souhaitez tudier plus de 69 000 observations).
3. La plus grave limite est ltendue des fonctions offertes : Excel ne permet
que des rgressions linaires multiples et quelques procdures de test. Il
nest donc pas possible dy oprer des probits, tobits, des tests et des corrections pour lhtroscdasticit, des rgressions en panel, etc... Il est toutefois
possible deffectuer des 2SLS " la main" en oprant les deux tapes.
Savoir effectuer des rgressions sous Excel est toutefois utile pour une utilisation rapide dans le cadre dune tude rapide dans une entreprise. Une rgression
multiple donne en effet des rsultats bien plus pertinents quune srie de corrlations entre paires de variables (en grande partie cause du problme du biais des
variables manquantes dans ce dernier casvoir p.18).

D.1 Effectuer une rgression

Il vous faut tout dabord installer le module "Utilitaire danalyse" qui nest pas
prsent dans linstallation standard. Pour cela vous cliquez dans le Menu sur "Outils", puis "Macros complmentaires", puis "Utilitaire danalyse". Une nouvelle
ligne va alors apparatre dans le menu "Outils" : "Utilitaire danalyse statistique".
Vous pouvez ds lors cliquer dessus et slectionner dans la liste "Rgression linaire". Une fentre souvre vous invitant slectionner les cellules correspondant
la variable explique et aux variables explicatives.

104

Economtrie applique

D.2 Les rsultats

Excel fournit tous les rsultats ncessaires pour une rgression multiple.
Statistiques de la rgression
Coefcient de dtermination multiple
Coefcient de dtermination R 2
Coefcient de dtermination R 2

(statistique non usuelle en conomie)

R2
R2 ajust (moins lev si plus de variables)
RSS
N k1

Erreur-type
Observations

Degr de libert
Rgression
Rsidus
Total
F

Somme des carrs Moyenne des carrs

k+1
N (k + 1)
N

ESS
RSS
T SS
Valeur critique de F

Statistique de Fisher p-value : P(Fthorique > Fobserv )

105

ESS
k+1
RSS
N k1

ANNEXE D. FAIRE DES RGRESSIONS SOUS EXCEL

Coefcients
1

Constante

Revenu
Nombre denfants

Erreur-type Statistique t

Probabilit

t1 =

p-value : P(t > |t1 |)

t2 =

t3 =

p-value : P(t > |t2 |)

1
2
2

p-value : P(t > |t3 |)

Limite inf. seuil de conance 95%

Limite sup. seuil de conance 95%

2 t5% 2
2 t5% 2
3 t5% 3

2 + t5% 2
2 + t5% 2
3 + t5% 3

Bref commentaire sur les rsultats couramment utiliss en conomie :

Le F de Fisher correspond au F global (voir p. 34)
La p-value du test de Fisher reprsente le "p" dans la phrase suivante : "Il
y a thoriquement moins de p% de chances dobtenir le F observ sous
lhypothse H0 ". Si la p-value est infrieure 5%, on rejette lhypothse
H0 .
vous avez ensuite le t de Student pour chaque coefcient, et la p-value associe (voir p. 36).
Pour plus de dveloppements sur les utilisations statistiques possibles avec
Excel : http://www.uco.fr/info/ipsa-info/up/
A noter que le tableur de la suite gratuite OpenOfce offre de nombreuses
fonctions statistiques. Il est aussi possible de raliser des rgressions multiples, la
prsentation des rsultats est cependant beaucoup plus frustre.

106

Annexe E
Introduction Stata

107

ANNEXE E. INTRODUCTION STATA

Ds lors que lon veut faire de lconomtrie dans un cadre de recherche, il
faut se doter dun logiciel de statistiques. Plusieurs existent sur le march avec
chacun sa spcialit : les sries temporelles pour Eviews, le calcul matriciel pour
Gauss, les analyses descriptives pour SPSS, la migraine pour SAS,... Stata prsente
lavantage dtre dvelopp principalement par des conomistes. Les procdures
usuelles en conomtrie sont donc trs souvent intgres sous la forme de nouvelles commandes dans le logiciel ou sous forme de plug-in tlcharger. Stata
est de plus relativement simple dutilisation.

E.1 Dbuter
Pour commencer avec Stata, rien de plus simple, tout peut se faire la souris.
Les donnes :
Vous les avez tlcharges au format Stata ".dta" sur Internet. Vous navez
qu les ouvrir sous Stata ou ouvrir le chier de donnes pour ouvrir Stata.
Vous les avez tlcharges sous un autre format. Soit vous avez la chance
davoir un programme de conversion comme StatTransfert, soit vous essayez dobtenir un chier texte partir de votre chier, et vous collez le
rsultat dans Excel (voir point suivant).
Vous avez un chier Excel, vous copiez le tout "Ctrl+A" puis "Ctrl+C", puis
vous ouvrez sur Stata le "Data Editor" Dans le Menu (icne reprsentant un
tableau). Vous slectionnez avec la souris la premire cellule dans le coin
gauche en haut, et vous collez vos donnes.
Ensuite, vous pouvez slectionner dans le Menu les procdures statistiques
que vous souhaitez utiliser. Par exemple pour une rgression :

108

Economtrie applique

E.2 Le code
Lorsque vous effectuez des procdures avec la souris, la fentre "Stata Command" crit le code Stata correspondant et lexcute. La simplicit de ce code
vous permet de lapprendre trs rapidement et de passer lcriture du code directement, souvent plus rapide que lutilisation du Menu. Voici quelques lignes de
codes utiles pour dbuter :
gen x1=0
Cre (generate) une variable x1 gale 1
ren x1 riche
Modie le nom (rename) de x1 qui devient riche
replace riche=1 if revenu>15000
riche prend la valeur 1 si revenu est suprieur 15000
reg conso riche nbenfants
Rgresse (regress) conso sur riche et nbenf ants
reg conso riche nbenfants
Rgresse conso sur riche et nbenf ants
corr conso riche nbenfants
Produit la matrice des indices de corrlation (correlate) des variables deux
deux
drop x2
Supprime la variable x2
summ revenu
Donne le Min, le Max, la mdiane et la moyenne de revenu (summarize)
table nbenfants, contents(mean revenu)
Donne la moyenne de revenu en fonction des valeurs de nbenf ants
Le code sabrge trs souvent : la commande regress peut scrire reg,
correlate, corr, etc...
Si par ailleurs vous avez une variable qualitative "blanc, jaune, rouge...", vous
pouvez utiliser la procdure suivante pour que Stata intgre cette variable dans la
rgression sous la forme dune suite de dummies (voir p. 47). La premire moda109

ANNEXE E. INTRODUCTION STATA

lit est la catgorie de rfrence (donc sans dummmy associe). Soit couleur, la
variable qualitative :
xi :coutpeinture quantite i.couleur
Pour conserver une mmoire des lignes de code que vous avez tapes, vous
pouvez crer un chier "log", en cliquant sur licone ressemblant un parchemin.
Enn, pour copier les rsultats Stata en Excel, vous pouvez soit utiliser un petit
plug-in comme outreg (disponible aisment avec une recherche sur Google),
soit slectionner le tableau de rsultat dans la fentre Stata et cliquer droit pour
faire "Copier Table" (et non pas copier simplement).
Vous dcouvrirez par la suite une grande quantit dautres possibilits. Stata
bncie dune aide trs bien faite. Le site de lUCLA offre de nombreuses ressources trs utiles http://www.ats.ucla.edu/stat/stata/ Si vous
souhaitez travailler sur des variables qualitatives de manire pousse, le cours de
Jean Marc Robin contient le code Stata correspondant
http://eurequa.univ-paris1.fr/membres/robin/VarQual.htm.

E.3 Les rsultats

Le contenu des rsultats est quasiment identique ceux fournis par Excel (pour
les dnitions voir p. 105)1 .

seule modication : "Erreur-type" est appel "Root MSE" sous Stata, mais cette donne nest
pratiquement jamais utilise

110

Bibliographie
G REENE , W. (2000) : Econometric analysis. Prentice Hall International, London.
P INDICK , R., ET D. RUBINFELD (1999) : Econometric Models and Economic
Forecasts. Mc GrawHill.
W OOLDRIDGE , J. (2002) : Econometric analysis of cross section and panel data.
MIT Press, Cambridge Massachussets.

111

Index
t de Student, 36, 106
2SLS, voir variables instrumentales
autocorrlation, 27, 5966
autorgressif dordre 1
processus -, 60, 61
bruit blanc, 27
covariation, 8
efcacit de lestimateur, 26
endognit, 20, 69
quations normales, 7, 17, 73
quations simultanes, 71
erreurs de mesure, 69
Fisher
F de, 34, 106
loi de -, 32
Frish-Waugh, 19
htroscdasticit, 5559, 66
homoscdasticit, 27, 66
identication, 75
modle, 23
forme rduite, 71, 75
moindres carrs pondrs, 58
multicolinarit, 1416, 20
Newey-West
correction de -, 63
p-value, 106

rgion dacceptation, 33
risque de deuxime espce, 33
risque de premire espce, 33, 34
spurious correlation, 16
Student
loi de -, 32, 96
test, 33
F global, 34
t-test, 36
de BreuschPagan, 57
de changement structurel, 44
de Chow, 46
de CookWeisberg, 57
de DurbinWatson, 6163
de GoldfeldQuandt, 56
de Student, 36
asymtrique, 37
symtrique, 37
de Wald, 4143
de White, 56
du 2 , 61
en terme de RSS, 4041
two stages least squares, voir variables
instrumentales
variable explicative, 33, 34
variables endognes, 21
variables indicatrices, 4651
variables instrumentales, 72, 72104
variables manquantes
biais des -, 15, 18
variables muettes, voir variables indicatrices
112

Economtrie applique
weighted least squares, voir moindres carrs pondrs

113