Vous êtes sur la page 1sur 6

TP #2 - ECN7065

Stefano Polloni 4 avril 2013

1
1.1

Exercices Monte-Carlo
Simulation Conditionnelle

Dans cette section, jutilise MATLAB pour eectuer une simulation MonteCarlo du mod` ele suivant: y i = 1 + 2 xi + i (i = 1, 2, ..., 32)

|x] = et que la Le but de lexercice est de v erier empiriquement que E [ satistique t de 2 (sous Ho : = 0.5) rejette bel et bien Ho aux taux x e. Pour cette simulation conditionelle, la matrice X = [ 1 x ] est g en er ee une seule fois en fonction du processus AR(1) d ecrit ` a la page 81 de Hayashi. ` A chacune des m = 10000 it erations, un nouveau vecteur est g en er e et le mod` ele est estim ea ` nouveaux avec le m eme X et le nouveau y. Les r esultats sont pr esent es dans le tableau 1. Table 1: Simulation Conditionnelle Coecient 1 2 Fr equence de rejet de Ho : Nombre dit erations: i sur m it Moyenne de erations 1.0137 0.4970 Vraie valeur 1 0.5 0.0478 10 000

Dans les gures 1 a ` 3, on peut constater que les di erentes variables dint er et se rapprochent des valeurs voulues lorsque le nombre dit erations augmente1 .

Figure 1: Taux de rejet de Ho en fonction du nombre dit erations

1 en fonction du nombre dit Figure 2: Moyenne de eration

Pour les gures 2 et 3 ( 5 et 6 egalement), jai tronqu e les r esultats ` a 2500 it erations parce la suite n etait pas tr` es int eressante graphiquement

2 en fonction du nombre dit Figure 3: Moyenne de erations

1.2

Simulation Non-Conditionnelle

Jeectue maintenant une simulation similaire, en g en erant cette fois un vecteur al eatoire x pour chaque it eration. Lobjectif est maintenant danalyser la dis et de la statistique t de 2 (sous Ho : 2 = tribution non-conditionelle de 0.5). Les r esultats de cette seconde simulation sont explicit es dans le tableau 2 ci-dessous. Table 2: Simulation Non-Conditionnelle Coecient 1 2 Fr equence de rejet de Ho : Nombre dit erations: i sur m it Moyenne de erations 1.0049 0.4992 Vraie valeur 1 0.5 0.0520 10 000

On remarque que la conditionnalit e des r egresseurs ne change rien ` a lesp erance des coecient estim es (telle que mesur ee par la moyenne empirique). Ceci cor|x] = E [ ] = . Dans les tableau 4 a robore le r esultat th eorique que E [ ` 6, on peut voir que les r esultats de convergence sont les m emes avec ou sans conditionnalit e.

Figure 4: Taux de rejet de Ho en fonction du nombre dit erations

1 en fonction du nombre dit Figure 5: Moyenne de eration

2 en fonction du nombre dit Figure 6: Moyenne de erations

1.3

Exog einit e stricte et Homosc edasticit e

Ici, lhomosc edasticit e conditionelle du terme derreur ainsi que lexog einit e stricte du r egresseur x est v eri ee trivialement. En eet, par construction, les erreurs qui sont id ependamment et identiquement tir ees dune loi N (0, 1). 2 2 2 Ceci garantit que E [ i |x] = et que E [ i |x] = .

2
2.a

Exercices Empiriques (Griliches)


Moyennes et Ecarts type

Tel que demand e, je pr esente dans le tableau 3 la moyenne et l ecart type des ` vingt variables fournies dans le chier grilic.asc. A laide de Matlab, je calcule egalement le correlation entre IQ et S, qui me donne un coecient de 0.5131. Table 3: Moyenne et Ecarts types des variables Ann ee de base Moyenne Ecart type 0.2691 0.5145 0.7045 10.9103 103.8562 36.5739 69.0317 21.8351 13.4050 1.7354 1.8311 5.6867 0.4438 0.5001 0.4566 2.7411 13.6187 7.3022 2.6318 2.9818 2.2318 2.1055 1.6736 0.4289 1980 Moyenne Ecart type 0.2929 0.8984 0.7124 0.4554 0.3023 0.4529

Nom de la Variable RNS . . . . . . . . . . . . . . . . . . . . MRT . . . . . . . . . . . . . . . . . . . SMSA . . . . . . . . . . . . . . . . . . MED . . . . . . . . . . . . . . . . . . . IQ . . . . . . . . . . . . . . . . . . . . . . KWW . . . . . . . . . . . . . . . . . . YEAR . . . . . . . . . . . . . . . . . . AGE . . . . . . . . . . . . . . . . . . . S ....................... EXPR . . . . . . . . . . . . . . . . . . Tenure . . . . . . . . . . . . . . . . . LW . . . . . . . . . . . . . . . . . . . . .

33.0119 13.7071 11.3943 7.3628 6.8266

3.0855 2.2147 4.2107 5.0502 0.4099

2.b

Estimation par 2SLS

Jeectue maintenant une estimation par doubles moindres carr es (2SLS) du mod` ele suivant: LW = S + IQ + h +

O` u h et le vecteur z dinstruments sont respectivement donn ees par: h (EXP R, T EN U RE, RN S, SM SA, Y D) z (M ED, KW W, M RT, AGE, EXP R, T EN U RE, RN S, SM SA, Y D) Ici, Y D repr esente sept variables binaires dann ees pour 1966 ` a 1971 et 1973. Les r esultats de cette premi` eree estimation sont d etaill es dans le tableau 4 plus bas.

2.c

Statistique de Sargan

Je calcule la statistique de Sargan en utilisant lexpression matricielle suivante: S=( 1 ] = 87.6552 )[ Z(Z Z)1 Z 2

est le vecteur des r /n. O` u esidus de la regression 2SLS en b) et 2 = Puisquil y l = 15 instruments et k = 12 r egresseur impliqu es dans notre 2 estimation, nous savons que S lk et donc la p-value de ce J-test est de 0, 00 (obtenue ` a laide dune table).