Les tests de spcification

Une des hypothses des MCO(OLS) est que le modle soit bien spcifi, si ce nest pas le cas on rencontre ce quon appelle lerreur de spcification ou le biais de spcification Dans ce chapitre on essayera dexaminer cette question autour des points suivants:

1. Les critres de choix de modle dans une analyse empirique 2. Quels type de biais de spcification rencontre t on en pratique? 3. Les consquences des erreurs de spcification 4. Comment dtecter lexistence des erreurs de spcification 5. Comment peut on y remdier 6. Comment peut on valuer la performance du modle comptitif

1. Les critres de choix du modle

Selon Hendry and Richard le choix dun modle pour une analyse empirique doit satisfaire aux critres suivants:

a. Admissibilit des donnes b. Consistance avec la thorie c. Les variables explicatives non corrles avec les erreurs d. La consistance des paramtres e. La cohrence des donnes par exemple les rsidus doivent tre des BB f. Le modle doit tre compatible avec les autres modles comptitifs

Les spcifications
Supposant que le bon modle

Yi = 1 + 2 X i + 3 X + 4 X + u1i
2 i 3 i

Y: cot total de production X : output Lquation est lexemple typique des manuels dconomie de la fonction cubique du cot total. Mais supposant que pour des raisons quelconque, le chercheur dcide dutiliser le modle suivant:

Yi = 1 + 2 X i + 3 X i2 + u2i
Lomission de X3 implique que

u2i = u1i + 4 X
2 i

3 i

Supposons quun autre chercheur propose le modle suivant

Yi = 1 + 2 X i + 3 X + 4 X + 5 X + u3i
3 i 4 i

u 3 i = u 1i 5 X

4 i

Supposant encore quun autre chercheur postule le modle suivant

ln Yi = 1 + 2 X i + 3 X + 4 X + u4i
2 i 3 i

Yi = + X + X
1 2 i 3

Finalement supposant quun autre chercheur le modle suivant

2 i

+ X +u
4 3 i
i

= yi +

= X

+ wi

wi et i sont non corrles

Un autre type derreur de spcification concernent les ui : soit le modle suivant

Yi = X i ui
O ln de u satisfait les hypothses OLS

Les erreurs de spcification proviennent: a. Omission de variables pertinentes b. Introduction de variables non pertinentes c. Adoption dune forme fonctionnelle errone d. Erreur de mesure e. Spcification incorrecte du terme alatoire

Avant dexaminer ces erreurs de spcification, il est important de faire la distinction entre les erreurs de spcification et les erreur de mis-spcification Dans le modle derreur de spcification, on connat le vrai modle mais pour des raisons quelconque on estime un autre modle. Dans le cas de mis-spcification on ne connat pas le vrai modle. ce propos, il faut mentionner le dbat entre keynsiens et montaristes. Les montaristes expliquent les changement du PIB par la monnaie alors que les keynsiens par les dpenses publiques:Il y a donc deux modles comptitifs.

3. Les consquences des erreurs de spcification

a. Omission de variables pertinentes Supposant que le vrai modle:

Yi = 1 + 2 X 2i + 3 X 3i + ui
Mais pour des raisons particulires on a estim:

Yi = 1 + 2 X 2i + i

Les consquences de lomission du variable X3 sont: - si X3 est corrle avec X2 cad r23 # 0 alors 1 et 2 Sont biaiss et non consistants et ce biais ne disparat pas avec la taille de lchantillon
-Si X2 et X3 sont non corrles

Est biais

2 non biais
- 2 Est estime dune manire non correcte - les intervalles de confiances et les procdures de tests dhypothses donnent des rponses errones sur la signification des paramtres

Exemple : la mortalit infantile

1 2 3

CM = 263.364 0.0056 PGNP 2.23FLR (22.24) (-2.18) (-10.63)

Cm= mortalit infantile PGNP= PIB par tte FLR= lalphabtisation des femmes Le modle donne 0.0056 et -2.23 pour les coefficients partiels. Si on supprime FLR on a:
1 2
CM = 157.42 0.0114 PGNP (15.99) (-3.516)

Si on regarde le modle comme le vrai modle et le modle le modle mal spcifi. on peut voir que pour le modle correct le coefficient PGNP = -0.0056 alors quil est de 0.0114 pour le modle mal spcifi. En comparaison du vrai modle et en terme absolue la variable PGNP a un grand impact Si on rgresse FLR sur PGNP
b b32 FLR = 47.59 + 0.025 PGNP (13.39) (2.19)

On a une pente de 0.0025 se qui signifie que si PGNP croit en moyenne dune unit, FLR croit en moyenne de 0.00256 unit Leffet sur CM sera de (-2.2316)(0.000256)= 3b32 = -0.00543 Finalement on peut avoir (2+3 b32) = -0.0056-0.00543=-0.0111 Finalement limpact de PGNP dans le vrai modle < dans le mauvais modle

Examinons maintenant

V ( 2 ) =

2
2 x2i

et V( 2 ) =

2
2 x2i (1 + r23 )

2
2 x2i

VIF

b. Inclusion de variables non pertinentes

Vrai modle

Yi = 1 + 2 X 2i + ui

On estime

Yi = 1 + 2 X 2i + 3 X 3i + I

Les consquences a. Les estimateurs OLS du modle incorrect sont sans biais et consistant b. La vrai 2 est estime correctement c. Les variances des estims sont inefficients:

V ( ) > V ( )
Var ( 2 ) =

Var ( 2 ) =
2 2i

2
2 2 x2i (1 r23 )

V a r ( 2 ) 1 = V a r ( 2 ) 1 r 223

Var ( 2 ) Var ( 2 )
Notant lasymtrie entre les deux types de biais

4.Tests de spcification

Supposant que lon estime le modle suivant

Yi = 1 + 2 X 2 i + ... + k X ki + u i
Test des student et test F

a.Dtection des variables non pertinentes

b. Analyse des rsidus

On avait dit que lanalyse des rsidus permet de dtecter lauto corrlation et lheteroscedasticit On pourrait lutiliser pour dtecter des biais de spcification Soit le vraie modle

Yi = 1 + 2 X i + 3 X i2 + 4 X i3 + ui
Y=cout total X = output

On estime la forme quadratique:

Yi = 1 + 2 X i + 3 X + u2i
2 i

Ou encore la forme linaire:

Yi = 1 + 2 X i + u3i

Rsidu dune Forme linaires

Rsidu forme quadratique

Rsidu forme cubique

Lutilisation de d
Pour la fonction linaire on a d=0.716 corrlation positive n = 10 dl =0.879 et du = 1.32 Pour la forme quadratique d = 1.038 une indcision Pour la forme cubique d = 2.70

Test RESET
RAMSEYs Reset test(regression spcification error test) Soit la fonction cout

Yi = 1 + 2 X i + u3i
Le graphe des rsidus

Ce graphe montre que la moyenne de y change systmatiquement La fonction linaire est mal spcifie Les tapes du test reset 1. Choisir le modle et obtenir y estim 2. Reprendre le modle on introduisant y estim sous des formes diverses comme regresseurs additionnels par exemple la forme curviligne

2 + Y 3 + u Yi = 1 + 2 X i + 3Yi 4 i i
3.obtenir R2 des deux formes et construire le test F

2 2 ( Rnew Rold ) / nombre _ de _ regresseurs F= 2 (1 Rnew ) / (n (nbre de parametres du nouveau mod ele))

Si F est significatif on accepte H1 le modle est mal spcifi

exemple

Yi = 166.467 + 19.933 X i (19.021) (3.066)

R 2 = 0.8409

Yi = 2140.7223 + 476.6557X i + 0.09187Yi2 + 0.000119Yi3 (132.0043) (33.3951) (0.00620) (0.0000074)

R 2 = 0.9983

(0.9983 0.8409) / 2 = 284.4035 F= (1 0.9983) / (10 4)

Test du multiplicateur de LaGrange ( LM)

Se test est utilis pour ajouter des variables Pour illustration continuons avec le modle prcdent Si on compare la forme linaire avec la forme cubique de la fonction cout total cest un test de modle restreint Les tapes sont: 1.estimer le modle restreint et sauver r 2. Si le modle non restreint est le bon le rsidu obtenu en 1 seraient lies au X2 et X3 3. On rgresse

i = 1 + 2 X i + 3 X i2 + 4 X i3 + i u

nR ( nobre _ de _ restrictions )
2 sym

Yi = 166.467 + 19.933 X i (19.021)

(6.375) (4.779)

R 2 = 0.8409
R 2 = 0.9896

(3.066)
(0.059)

ui = 24.7 + 43.5443 X i 12.9615 X i2 + 0.9396 X i3 (0.986)

nR = (10)(0.9896) = 9.896
2
Chi deux calcul > chi deux lu on rejette la rgression restreint

5.Les erreurs de mesure

Erreur de mesure sur la variable dpendante

Yi = + X i + ui

Y*= dpense permanente de consommation X= le revenu courant U = erreur alatoire

Puisque Y* nest pas directement observe on utilise une variable proxy Y les dpenses observables erreur de mesure

Yi = Yi + i

On estime Yi =

( + X i + ui ) + i

= + X i + (ui + i ) = + X i + i
Ce genre de modle donne des estimateurs sans biais mais les variances sont plus leves

Erreurs sur la variable explicative

Yi = + X + ui
i

= X

+ wi

Yi = + ( X i + wi ) + ui = + X i + (ui + wi ) = + X i + zi

zi = ui wi

Cov( zi ; X i ) = E [ zi E ( zi ) ][ X i E ( X i ) ] = E(u i wi )( wi ) = E ( wi2 )

2 = - w

Lestimateur OLS est avec biais et non consistant ce biais croit avec la taille de lchantillon