Guide deconometrie appliquee

Simon Leblond
1
Universite de Montreal
simon.leblond@umontreal.ca
9 septembre 2003
1
Merci `a William McCausland, Francois Vaillancourt et Benoit Perron pour
leurs commentaires utiles dans lelaboration de ce document. Je demeure seule
responsable de toutes les erreurs.
Table des Mati`eres
1 Commandes generales importantes 5
1.1 Importation des donnees . . . . . . . . . . . . . . . . . . . . . 5
1.2 Manipulation des donnees . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Operateurs mathematiques . . . . . . . . . . . . . . . . 9
1.2.2 Operateurs logiques et de comparaison . . . . . . . . . 9
1.2.3 Fonctions et Operateurs matriciels . . . . . . . . . . . 9
1.3 Autres transformations des variables . . . . . . . . . . . . . . 13
1.4 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Exemples et resultats pour le Chapitre 1 . . . . . . . . . . . . 16
2 Visualisation des donnees 18
2.1 Impression/Exportation des donnees . . . . . . . . . . . . . . 18
2.1.1 Impression `a lecran . . . . . . . . . . . . . . . . . . . . 18
2.1.2 Exportation . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.3 Impression . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Exemples et resultats pour le Chapitre 2 . . . . . . . . . . . . 19
3 Graphiques 21
3.1 Exemples et resultats pour le Chapitre 3 . . . . . . . . . . . . 24
4 Regressions Simples 26
4.0.1 Estimateurs de Variance Robustes . . . . . . . . . . . . 28
4.1 Tests dheteroscedasticite . . . . . . . . . . . . . . . . . . . . . 30
4.2 Test de Changement structurel (Test de Chow) . . . . . . . . 32
5 Variables instrumentales et Doubles Moindres Carres 34
5.1 Estimateur Variables Instrumentales . . . . . . . . . . . . . . 34
5.2 DMCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1
5.3 Tests dendogeneite . . . . . . . . . . . . . . . . . . . . . . . . 37
6 Estimateur du Maximum de Vraissemblance (EMV) 38
7 Moindres Carres Generalises 41
8 Variables dependantes qualitatives 43
8.1 Probit/Logit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
8.2 Tobit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
9 Series Chronologiques 48
9.1 Operation sur les variables dans le cadre de series chronologiques 48
9.2 Operateurs de series temporelles . . . . . . . . . . . . . . . . . 48
9.3 Tests dautocorrelation . . . . . . . . . . . . . . . . . . . . . . 50
9.4 Methode de Box-Jenkins . . . . . . . . . . . . . . . . . . . . . 51
9.4.1 Stationnarite des donnees . . . . . . . . . . . . . . . . 51
9.4.2 Modelisation des cycles: Mod`eles AR, MA, ARMA,
ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . 53
9.4.3 Selection de Mod`ele . . . . . . . . . . . . . . . . . . . . 55
10 Donnees longitudinales (Panel) 56
10.1 Variables Binaires . . . . . . . . . . . . . . . . . . . . . . . . . 56
10.2 Eets Fixes et Eets Aleatoires . . . . . . . . . . . . . . . . . 57
11 Interaction avec les traitements de texte et les tableurs 60
12 O` u trouver ses donnees et comment les extraires 61
A Tableaux Recapitulatifs 62
A.1 Fonctions de Matlab . . . . . . . . . . . . . . . . . . . . . . . 62
A.2 Fonctions de Stata . . . . . . . . . . . . . . . . . . . . . . . . 65
A.3 Operateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2
Introduction
Ce manuel ne vient pas se substituer `a vos notes de cours, mais plutot les
completer en vous donnant un guide pour lutilisation des logiciels econome-
triques.
`
A ce titre, bien que vous trouverez quelques fois des explications
plus importantes sur la nature dun probl`eme econometrique, la majorite du
temps on supposera que vous possedez dej`a les connaissances liees `a la section
consultee.
Chaque section presente rapidement le but de loperation qui y est traite.
Les commandes appropriees sont ensuite presentees, dabord individuelle-
ment, puis dans le cadre dexemples concrets. Pour linstant, les deux logi-
ciels couverts par ce manuel sont Matlab et Stata. Notez que ce manuel
couvre la version 7 de Stata, la version 8 sera integree peu `a peu pendant
lannee qui vient. Comme il sagit dun manuel encore en developpement, des
changements lui seront constamment apportes en cours de session et la ver-
sion distribuee sera toujours la plus recente. Tout commentaire, suggestion
ou correction sera bienvenu et apprecie.
Prenez note que ce texte decrit seulement certaines fonctions ainsi que
leurs options les plus souvent utilisees pour le genre de recherches eectuees
au bac et `a la matrise en economie, il nest donc pas du tout exhaustif. Un
conseil: apprenez `a utiliser laide de Matlab et de Stata. Il sagit l`a doutils
fort utiles pour decouvrir de nouvelles fonctions ou pour connatre lensemble
des options disponible pour les fonctions decrites dans ce guide.
Les fonctions sont presentees dans le format suivant:
Pour Matlab:
1. Le nom de la fonction;
2. Le format dentree;
3
3. Sa description;
4. Ses options (sil y en a);
5. Un exemple court.
Pour Stata:
1. Le nom de la fonction et, entre paranth`eses, le nom abrgege de la
fonction;
2. Sa description;
3. Le format dentree;
4. Ses options (sil y en a);
5. Un exemple court.
La majorite des chapitres se terminent par une section donnant un exemple
plus long et plus concret dapplications des informations presentes dans le
chapitre.
La nomenclature suivante est suivie dans ce guide:
Le texte en machine `a ecrire designe les fonctions dans leur forme
generique.
Le texte en italique designe les variables et autres chanes de caract`eres
qui doivent etre remplacees.
Le texte en sans serif designe le texte tel quil serait entre `a lordinateur.
Les chapitres 1 `a 3 font le tour des commandes de base dans Stata et
Matlab, ainsi que leur format de saisie.
`
A la suite de ces chapitres vous
devriez etre en mesure dimporter, de manipuler, puis dexporter vos donnees
et de tracer des graphiques.
Les chapitres 4 `a 10 abordent quant `a eux chacun un sujet specique
de leconometrie. Ils prennent donc une approche quelque peu dierente
puisquils introduisent peu de nouvelles fonctions, se concentrant plutot sur
la demarche `a adopter pour eectuer loperation en question.
4
Finalement, les deux derniers chapitres (11 et 12) (`a venir) sortent quelque
peu du cadre de ce guide en abordant respectivement la manipulation des
donnees par Word et Excel et la recherche de donnees. Ces chapitres ont pour
but de vous aider dans le cadre plus general de la production dun travail de
recherche.
5
Chapitre 1
Commandes generales
importantes
1.1 Importation des donnees
Matlab
load
load nom de fichier
1
load fonctionne seulement avec les donnees numeriques, mais a lavantage
detre la commande dimportation de donnees la plus simple de Matlab. load
importe le chier specie dans une matrice du meme nom. Les donnees
doivent etre separees par des espaces ou des tabulations.
ex: importe les donnees du chier monchier.dat dans la ma-
trice monchier
load monchier.dat
Note: load devrait etre susant pour les besoin du cours ECN 3949.
xlsread
[A, B] = xlsread(nom de fichier)
1
Puisque le dossier de travail est dej`a specie dans Matlab, il est inutile de donner le
chemin dacc`es avec le nom des chiers. Les extensions doivent par ailleurs etre presentes.
6
xlsread lit la premi`ere feuille dun tableur Microsoft Excel (.xls) et renvoit
toutes les donnees numeriques dans la matrice A et toutes les donnees texte
dans la matrice B de meme taille. Les element de texte sont remplaces par
NaN dans la matrice A et les elements numeriques sont laisses vides dans
la matrice B.
Si xlsread rencontre des donnees texte dans la premi`ere rangee et la premi`ere
colonne, la matrice B ne contiendra que ces valeurs.
ex: importe les donnees du chier tableur.xls dans les matrices
num
[num,txt] = xlsread(tableur.xls)
textread
[A, B, C . . . ] = textread(nom de fichier, format)
textread permet dimporter des donnees dun chier formatte nom de fichier
vers les variables speciees A, B, C, etc. format est une chane de caract`eres
et specie le format des variables `a importer, il doit y avoir un format par
variable. Nimporte quel separateur de donnees peut-etre utilise par le chier.
Les formats possibles sont:
%u: donnees numeriques, entier positif
%f: donnees numeriques non-entieres
%s: texte
%q: texte, si entre guillemets ( xyz ), renvoie seulement le texte
(xyz)
lettres: ignore le texte ecrit; par exemple si on a etage6, format

= etage%u renverait 6
Il est suggere de se limiter `a %f et %q qui sont amplements susants dans le
cadre du cours.
Options: headerlines: specie un nombre de lignes `a sauter au debut du
chier.
[A, B, C, . . . ] = textread(fichier,format

,headerlines, #)
ex: fmt = %f%f%f%q
[y,var1,var2,var3] = textread(ECN3949TP1.txt,fmt,headerlines,2)
7
dlmread
M = (nom de fichier, separateur de donnees)
Moins exible que textread, mais plus que load, dlmread fonctionne seule-
ment avec les donnees numeriques, mais a lavantage detre plus simple.
dlmread importe le chier specie dans la matrice M.
separateur de donnees specie le type de separateur dans le chier, il peut
prendre les valeurs suivantes:
,: virgule, valeur par defaut
;: point-vigule
\t: tabulation
: espace
ex: M = (ECN3949TP1.txt,\t)
Stata
insheet
Rapide et ecace, insheet permet dimporter les donnees dun chier texte
possedant une observation par ligne et dont les donnees sont separees par
des tabulations ou des virgules.
si le nom des donnees sont sur la premi`ere ligne:
insheet using nomdefichier
2
si le chier ne contient pas le nom des donnees:
insheet [nomdesvariables]
3
using nomdefichier
options
4
: clear, specie que les donnees en memoires peuvent etre rem-
placees par les nouvelles donnees importees.
2
`
A moins de precisions contraires, nomdefichier indique le nom complet, donc avec le
chemin dacc`es et lextension (a : \test.txt par exemple).
3
La nomenclature de laide de Stata est conservee tout au long de ce guide, ainsi les
arguments entre [ ] designent des arguments facultatifs.
4
Les options dans stata sont separes du reste de la commande par une virgule. Par
exemple, dans le cas present: insheet using c:\ test.txt, clear
8
infile (inf)
5
Permet plus de exibilite que insheet en permettant que les observations
soient sur plusieurs lignes ou que les donnees soient separees par des espaces.
une observation par ligne: infile nomdesvariables using nomdefichier
observations sur plusieurs lignes:
infile nom des variables [ skip(#) nom des variables] using nom de fichier;
o` u # designe le nombre de ligne `a sauter pour continuer la lecture de lobservation.
options: clear, voir insheet
ex: observation sur la premi`ere, la deuxi`eme et la quatri`eme
ligne. . .
inle var1 var2 skip var3 var4 skip(1) var5 var6 using a:\ test.raw
1.2 Manipulation des donnees
Matlab
Matlab etant un logiciel de manipulations de matrices, il ny a pas de
distinction faite entre une matrice et une variable comme cest le cas avec
Stata. Les variables sont automatiquement traite comme des vecteurs dans
le cas de Matlab.
Toutes les manipulations de donnees sont donc traitees dans la section 1.2.3:
Fonctions et operateurs matriciels.
Stata
generate (g)
Probablement la commande la plus utile (et utilisee) dans Stata, elle permet
de creer des nouvelles variables.
generate nouvellevariable = expression
ex: g x2 = x^2
5
Le nom entre paranth`eses qui suit le nom de la fonction designe labreviation que lon
peut utiliser dans le code.
9
replace
Meme idee que generate, mais pour une variable existante.
replace variable existante = expression
ex: replace x2 = x/2
1.2.1 Operateurs mathematiques
Ce sont les memes dans Matlab et Stata:
Addition: +
Soustraction: -
Multiplication: *
Division: /
Puissance: ^
1.2.2 Operateurs logiques et de comparaison
Ce sont les memes dans Matlab et Stata:
ET: &
OU: |
Non () : ~

Egal : ==
Diff erent : ~ =
Plusgrand : >
Pluspetit : <
Plusgrandou egal : >=
Pluspetitou egal : <=
1.2.3 Fonctions et Operateurs matriciels
Matlab
10
Creation de matrices
Les matrices et les vecteurs sont crees dans Matlab en inscrivant directement
le nom de la matrice et les operations quon desire eectuer separees par le
signe egal (=).
ex:
A = [1,2,3,4;5,6,7,8]; o` u les virgules separent les colonnes et les
points-virgules separent les rangees. (matrice 2 4)
B = A*2
C = A^2
Fonctions matricielles
Creer une matrice identite 2 2: I = eye(2)
Creer une matrice 4x5 dont chaque element egale `a zero: Z = zeros(4, 5)
Creer un vecteur 1x6 dont chaque element egale `a un: O = ones(1, 6)
Creer une matrice 2x2 dont chaque element est un alea U(0,1): U =
rand(2), equivalent `a U = rand(2, 2)
Creer une matrice 3x8 dont chaque element est un alea N(0,1): N =
randn(3, 8)
Operation sur les matrices
Extraction dune sous-matrice:
Extraire la deuxieme colonne de A: A(:,2)
Extraire la deuxieme rangee de A: A(2,:)
Extraire lelement A
12
: A(1,2)
Extraire le vecteur (A
12
, A
13
, A
14
): A(1,2:4)
Empilage de matrices
Empiler horizontalement (mettre les rangees une sur lautre): [A,A]
(4 4)
11
Empiler verticalement (mettre les colonnes une `a cote de lautre):
[A;A] (2 8)
Operation element par element: operateur mathematique precede dun
point (.)
Multiplication de A par B element par element: A.*B
Inverse: Inv(A)
Transposee: A

Matrice diagonale n n, avec pour diagonale les elements de V , o` u V

est un vecteur n 1 ou 1 n: diag(V )
Extraire la diagonale dune matrice carree A sous forme de vecteur:
diag(A)
Autres trucs utiles
Creation dune variable binaire: g = (condition logique);
ex: d = (y >= 0)
Creation dun vecteur dont les elements sont une suite: v = d ebut:incr ement:fin;
ex: x = 1.0;0.1;2.0 produit le vecteur [1.0,1.1,1.2, . . . ,2.0];
notez que largument incr ement est facultatif, ainsi x = 1:10 produit le
vecteur [1,2, . . . ,10].
Stata
Fonctions matricielles
matrix (mat)
Lequivalent de generate pour les matrices, permet de creer des nouvelles
matrices ou de modier des matrices existantes.
matrix nom de la matrice = expression
12
ex:
Creation dune matrice: mat A = B*C
Modication dune matrice existante: mat A = A*2
Construction dune matrice: mat D = (1,0,0\0,1,0); o` u les vir-
gules separent les colonnes et les \ separent les rangees (matrice
2 3).
Extraction dune sous-matrice: mat A = B(1..4,2...); se lit rangees
1 `a 4, colonne 2 `a N.
Remplacement dun element: mat A(1,1) = 3; remplace lelement
a
11
par 3.
mkmat
Permet de transformer des variables existantes en vecteurs du meme nom ou
en une nouvelle matrice.
Transformation en vecteurs: mkmat nom(s) de variable(s)
Transformation en matrice: mkmat nom(s) de variable(s), matrix [(nom de la nouvelle matrice)]
ex: mkmat x1 x2 x3 x4, mat(X)
svmat
Inverse de mkmat, transforme les colonnes dune matrice en vecteurs.
svmat matrice, [names(nom col1, nom col2, . . . )]; names peut aussi secrire
n
ex: svmat X, n(x1,x2,x3,x4)
matrix get
Sert `a obtenir une copie dune matrice syst`eme
6
Quelques matrices syst`emes:
b: coecients apr`es une estimation
VCE: matrice de variance-covariance apr`es une estimation
matrix variable = get(matrice syst` eme)
6
Les variables et les matrices syst`emes sont stockes par Stata dans des noms predenis
apr`es une operation donnee.
13
ex: matrix beta = get( b)
det(A): determinant de A
rowsof(A): nombre de rangees de A
colsof(A): nombre de colonnes de A
el(A,i,j): element a
ij
de A
I(n): matrice identite n n
inv(A): inverse de la matrice carree A
diag(V ): matrice diagonale n n, avec pour diagonale les elements de V ,
o` u V est un vecteur n 1 ou 1 n
vecdiag(A): extrait la diagonale dune matrice carree A sous forme de
vecteur
Operateurs matriciel
Soit A et B, deux matrices carrees denies positives nn et C, une matrice
denie positive t n:
Transposee: A

(n n)
Somme: A + B (n n)
Dierence: A - B (n n)
Produit vectoriel: B*C

(n n)
Division par un scalaire: A/k (n n)
Empiler les rangees horizontalement: A ((n +t) n)
Empiler les colonnes verticalement: A,B (n 2n)
1.3 Autres transformations des variables
Matlab
Soit un vecteur z 1 n:
exp(z): exponentielle de z element par element
log(z): logarithme naturel de z element par element
sqrt(z): racine carree de z element par element
mean(z): moyenne des elements du vecteur z
std(z): ecart-type des elements du vecteur z
var(z): variance des elements du vecteur z
14
sum(z): somme des elements du vecteur z
cumsum(z): somme cumulative des elements du vecteur z (retourne un vecteur
1 n)
min(z): renvoie lelements du vecteur z ayant la valeur la moins elevee
max(z): renvoie lelements du vecteur z ayant la valeur la plus elevee
length(z): nombre de colonnes du vecteur z
size(z): renvoie un vecteur 12 contenant la taille de la matrice (rangees,colonnes)
Stata
log(x): logarithme naturel de x, equivalent `a ln(x)
exp(x): exponentiel de x, i.e. e
x
mod(x,y): partie enti`ere de x par rapport `a y, par exemple: mod(5,26) = 5
abs(x): valeur absolue de x
sqrt(x): racine carree de x, equivalent `a x^1/2
max(x
1
, ..., x
n
): renvoie largument possedant la valeur la plus elevee
min(x
1
, ..., x
n
): renvoie largument possedant la valeur la moins elevee
sum(x): somme de tous les elements de x
uniform(): donne une valeur aleatoire entre 0 et 1 (ditribution uniforme sur
[0,1))
1.4 Divers
Matlab
Commentaires
Il est possible dinserer des commentaires dans son programme en prenant
soin de debuter la ligne de commentaire par le symbole %.
ex: % Ceci est un commentaire.
Suppression de la sortie
Pour que Matlab eectue une operation sans que lon voit le resultat, il sut
de terminer la ligne de commande par un point-virgule (;).
ex: B = [8,7,6,5;4,3,2,1]; Nachera pas la matrice B.
15
Commande sur plusieurs lignes
Il est possible decrire une commande sur plusieurs lignes. Les . . . indiquent
`a Matlab que la commande se poursuit `a la ligne suivante.
ex:
[v1,v2,v3,v4,v5,v6,v7,v8,v9,v10,v11,v12,v13,v14,v15,v16] = . . .
textread(TP1donnees.txt, fmt);
Stata
Commentaires
Il est possible dinserer des commentaires dans son programme en prenant
soin de debuter la ligne de commentaire par le symbole *.
ex: * Ceci est un commentaire.
more
Avez-vous dej`a rencontre le message --more-- qui fait une pause dans lachage
de vos donnees? Si ca vous enerve, vous pouvez enlever ce message en
speciant set more off au debut de votre programme.
set matsize (set mat)
La taille maximale des matrices est xee par defaut `a 40 40 dans Stata.
Pour utiliser des matrices plus grandes vous devez utiliser la fonction set
matsize.
set matsize #; o` u # est un nombre entre 10 et 800 qui indique la taille
maximale des matrices.
if
La majorite des fonctions peuvent etre suivies de la commande if qui permet
de specier une condition pour que lexpression soit executee. if est place
apr`es la fonction, mais avant les options
Cette option ne sera pas mentionnee pour chaque fonction puisquelle est
presente tr`es souvent.
commande if expression
ex: replace x = y if x < y
16
in
La majorite des fonctions peuvent etre suivies de la commande in qui permet
de specier letendue des donnees aectees par la fonction. in est place apr`es
la fonction, mais avant les options.
Cette option ne sera pas mentionnee pour chaque fonction puisquelle est
presente tr`es souvent.
commande in etendue; o` u etendue peut prendre la forme # ou #/#, et
# peut-etre un nombre positif, l (derni`ere observation), f (premi`ere obser-
vation) ou un nombre negatif (distance par rapport `a la derni`ere observation).
ex:
regress y x1 x2 in f/60; equivalent `a regress y x1 x2 in 1/60: les
60 premi`eres observations.
list y in -10/l: les 10 derni`eres observations.
1.5 Exemples et resultats pour le Chapitre 1
Lecture des donnees `a partir du chier Donnees.dat et manipulation des
variables dans le but de faire une regression. Le chier Donnees.dat contient
5 variables, comptant chacune 100 observations.
Matlab
load Donnees.dat;
% Attribution de noms `a certaines des variables.
px = Donnees(:,1);
qt = Donnees(:,2);
% Construction dune variable binaire: le rapport de la 3e sur la 4e variable doit
% etre inclu dans lensemble [0,25;0,5]et la 5e variable doit etre egale
% `a 1 pour que la variable binaire egale 1.
bin = (0.25 = Donnees(:,3)/Donnees(:,4) = 0.5 & Donnees(:,5) == 1);
% Creation dune variable indice.
no = [1:100]
Stata
17
set more o
inle px qt var3 var4 var5 c:\mes documents\Donnees.dat, clear
* Construction dune variable binaire: le rapport de la 3e sur la 4e variable doit
* etre inclu dans lensemble [0,25;0,5] et la 5e variable doit etre egale
* `a 1 pour que la variable binaire egale 1.
g bin = (0.25 = var3/var4 = 0.5 var5==1)
* Creation dune variable indice.
g no = n
18
Chapitre 2
Visualisation des donnees
2.1 Impression/Exportation des donnees
2.1.1 Impression `a lecran
Matlab
Matlab ache par defaut toutes les operations eectuees `a lecran. Pour
eliminer la sortie, se referer `a la section 1.4.
Stata
list
Ache `a lecran la valeur des variables specifees.
list [nom(s) de variable(s)]; si aucun nom de variable est specie, Stata
ache toutes les variables.
2.1.2 Exportation
Matlab
diary
Permet de sauvegarder une copie de sa session dans le chier specie. Doit
etre suivi de diary(off) `a la n du programme.
diary(nom de fichier)
programme
19
diary(off)
wk1write
wk1write(nom de fichier,M)
Sauvegarde la matrice M dans un chier de tableur nom de fichier.wk1;
aucune extension ne doit donc etre speciee.
Stata
log using
Permet de sauvegarder une copie de sa session dans le chier specie. Doit
etre suivi de log off `a la n du programme.
log using nom de fichier
programme
log off
Options: replace, indique `a Stata de remplacer le chier existant.
2.1.3 Impression
Matlab
La facon la plus pratique dimprimer ses resultats est dutiliser la fonction
diary, puis de traiter le chier de sortie avec son traitement de texte prefere.
Stata
La facon la plus pratique dimprimer ses resultats est dutiliser la fonction
log, puis de traiter le chier .log avec son traitement de texte prefere.
2.2 Exemples et resultats pour le Chapitre 2
Reprenons lexemple du chapitre 1, en incluant cette fois les fonctions du
chapitre 2.
Matlab
diary(ExChap2.out);
20
load Donnees.dat;
% Attribution de noms `a certaines des variables.
px = Donnees(:,1);
qt = Donnees(:,2);
% Construction dune variable binaire: le rapport de la 3e sur la 4e variable doit
% etre inclu dans lensemble [0,25;0,5] et la 5e variable doit etre egale
% `a 1 pour que la variable binaire egale 1.
bin = (0.25 = Donnees(:,3)/Donnees(:,4) = 0.5 & Donnees(:,5) == 1);
# Creation dune variable indice.
no = [1:100]
diary(o)
Stata
log using c:\mes documents\ExChap2.log, replace
set more o
inle px qt var3 var4 var5 c:documents.dat, clear
* Construction dune variable binaire: le rapport de la 3e sur la 4e variable doit
* etre inclu dans lensemble [0,25;0,5] et la 5e variable doit etre egale
* `a 1 pour que la variable binaire egale 1.
g bin = (0.25 = var3/var4 = 0.5 & var5 ==1)
list px qt bin
* Creation dune variable indice.
g no = n
log close
21
Chapitre 3
Graphiques
Matlab
plot
Trace des nuages de point en deux ou trois dimensions.
plot(x, y,couleur style marqueur,x, y2,couleur style marqueur de 2,x, y3,
...)
O` u couleur style marqueur est une chane de caract`ere optionnelle con-
tenant de un `a quatre caract`eres et qui denit la couleur de la serie, le style
de la ligne et le type de marqueur des points.
Les possibilites sont:
Couleurs:
c: cyan
m: magenta
y: jaune
r: rouge
g: vert
b: bleu
w: blanc
k: noir
Styles:
22
-: solide
--: tiret (???)
:: pointille
-.: tiret-point
none: pas de ligne
Marqueurs:
+, o, *, x: marqueur du meme signe
s: carre (plein)
d: losange (plein)

^
,v,<: triangle vers le haut, le bas ou la gauche respective-
ment (plein)
p: pentagone (plein)
h: hexagone (plein)
Il est possible de donner une seule variable, Matlab fait alors un graphique
de cette variable par rapport `a lindice des observations.
ex:
plot(y): courbe de y par rapport `a lindice des observations
plot(x,y): courbe de y par rapport `a x, options standard (ligne
pleine,pas de marqueur)
plot(x,y,k+): courbe de y par rapport `a x, marqueurs en +,
noirs (pas de ligne)
plot(x,y,b-d,x,y2,r:): courbe de y par rapport `a x et de y2 par
rapport `a x (sur le meme graphique), premi`ere courbe bleue,
pleine, marqueurs en losanges, deuxi`eme courbe rouge, pointillee
(pas de marqueurs)
Il est possible une fois le graphique trace de modier une foule de ses param`etres,
voici quelques-unes de ces fonctions:
xlabel(titre): specie le titre de laxe des x
ylabel(titre): specie le titre de laxe des y
title(titre): specie le titre du graphique.
23
axis: permet de denir les proprietes des axes, voir laide de Matlab pour
plus de details.
grid: permet de denir les proprietes des axes, voir laide de Matlab pour
plus de details.
hold
Permet de superposer plusieurs graphiques en speciant hold on.
Pour ne plus superposer les graphiques suivant, il sut de specier hold
off.
plot(x,y)
hold on
plot(x,y2)
plot(x,y3)
hold off
Pour sauvegarder un graphique, il sut de selectionner Save dans le menu
File de la fenetre du graphique.
Stata
graph (gr)
Trace des graphiques.
graph nom des variables, [type de graphique, autres options]
O` u type de graphique peut prendre les valeurs suivantes:
histogram (h): histogramme
twoway (t): nuage de points `a deux axes; valeur par defaut si plusieurs
variables sont aches. La premi`ere variable speciee est toujours la
variable dependante.
bar (b): graphique `a barres
pie (p): graphique en pointe de tartes
Voici certaines des options supplementaires les plus utiles:
xlog, ylog: specie que laxe des x ou des y respectivement doit etre
en echelle logarithmique.
24
xline, yline: specie quune grille en x ou en y respectivement de-
vrait etre achee.
connect(option) (c(option)): specie si les points devraient etre con-
nectes/. option peut prendre les valeurs suivantes:
.: non-connectes; valeur par defaut
l: lignes droites entre les points
s: traces des lignes courbes entre les points (

A V

ERIFIER)
symbol(option) (s(options)): specie le symbole que doivent prendre
les points. option peut prendre les valeurs suivantes:
O: grand cercles; valeur par defaut
o: petits cercles
.: points
i: invisibles
saving(nomdefichier), [replace]: sauvegarde le graphique dans le
chier specie, si aucune extension nest speciee, Stata ajoute par
defaut .gph.
replace indique que le chier existant peut etre remplace.
3.1 Exemples et resultats pour le Chapitre 3
Matlab
diary(ExChap3.out);
% creation dun indice de temps commencant `a 4.
t = 4:103;
% creation du log de cet indice.
lnt = log(t);
plot(t,lnt,k)
plot(t,lnt,k-)
plot(t,lnt,k-p)
hold on
plot(t,-lnt,b-+)
25
xlabel(temps)
ylabel(log du temps)
title(courbe logarithmique)
diary(o)
Stata
log using e:\ExChap3.log, replace
set more o
* Fixer le nombre dobservations `a 100. set obs 100
* creation dun indice de temps commencant `a 4. g t = n+3 * creation du log
de cet indice. g lnt = log(t) graph lnt t, saving(e:1, replace)
graph lnt t, yline saving(e:2, replace)
graph lnt t, yline c(s) saving(e:3, replace)
graph lnt t, yline s(.) saving(e:4, replace)
graph lcrd t, xlog yline c(s) s(i) saving(e:5, replace)
log o
26
Chapitre 4
Regressions Simples
Dans ce chapitre et les suivants, il est suggere de lire la section de Matlab
meme si on utilise Stata: contrairement `a ce derni`er o` u on a qu`a utiliser une
fonction pour eectuer loperation desiree, Matlab necessite lelaboration pas
`a pas de loperation qui est eectuee par la bote noire quest Stata.
Dans ce chapitre nous considererons le mod`ele suivant:
y =
0
+
1
x
1
+
2
x
2
+ +
k
x
k
+uy = X +U
Matlab
MCO
Denition des variables:
X = [ones(size(x1),x1,x2,. . . ,xk]
[T,K] = size[X]
T et K sont respectivement le nombre dobservations et le nombre de variables
independantes.
Procedure pour calculer les moindres carres ordinaires (MCO):
Calcul des coecient:
b = inv(X*X)*X*y
o` u X est une matrice T K, Y est un vecteur t 1 et b un vecteur k 1
Calcul des residus:
e = y-X*b
27
Calcul de la variance des residus:
sigma2 = (e*e)/(T-K)
Calcul de la variance des coecients:
varb = sigma2 * inv(X*X)
Calcul de lecart-type des coecients:
etype = sqrt(diag(varb))
Creation dun vecteur de y-moyen:
ybar = [ones(size(y))*mean(y)]
Vecteur des y predits:
yhat = X*b
Variation expliquee:
SSE = sum((yhat-ybar).^2)
Variation totale:
SST = sum((y-ybar).^2)
Calcul du R
2
:
R2 = SSE/SST
Tests dhypoth`eses et Intervalles de conance
Test de H
0
,
2
= 0:
b2 = b(3)
etype2 = etype(3)
t2 = b2/etypeb2
On obtient ainsi la valeur de la statistique t.
Intervalle de conance `a 95% de
2
:
bornesupp = b2 + etype2*1.96
borneinf = b2 + etype2*(-1.96)
Fonctions dans Matlab
La notion de fonction est introduite, car vous eectuerez des MCO tellement
souvent quil vous est suggere den faire une fonction d`es maintenant.
Une fonction est un chier matlab independant qui contient du code
`a etre execute lorsque son nom est invoque.
28
La premi`ere ligne du chier doit etre sous la forme suivante:
function [varo1, varo2, . . . ] = Nom de fonction(vari1, vari2, . . . )
o` u varo designe une variable retournee par la fonction et vari designe une
variable utilisee par la fonction.
Les lignes subsequentes contiennent le code `a etre execute.
La fonction peut ensuite etre appelee par la commande suivante:
[vars1, vars2, . . . ] = Nom de fonction(vare1, vare2, . . . )
o` u vars sont les nom quon desire utiliser pour les variables varo et vare le
nom de variables que lon donne `a la fonction.
ex: MCO.m
function [b,e,etype,R2] = MCO(X,y)
[T,K] = size(X);
b = inv(X*X)*X*y;
e = y-X*b;
sigma2Ch = (e*e)/(T-K);
varChb = sigma2Ch * inv(X*X);
etype = sqrt(diag(varChb));
ybar = [ones(size(y))*mean(y)];
yCh = X*b;
SSE = sum((yCh-ybar).^2);
SST = sum((y-ybar).verb+2+);
R2 = SSE/SST;
Cette fonction serait appelee par la commande suivante:
[beta,u,etype,R2] = MCO(Z,y)
o` u beta, u, etype et R2 sont les noms de variables qui seront utilisees
dans le code et Z et y sont les variables contenant les donnees `a
etre traitees. Z prend generalement la forme Z = [ones(size(x1)),x1,x2,...].
4.0.1 Estimateurs de Variance Robustes
Il peut etre utile de pouvoir calculer une matrice de variance-covariance qui
soit robuste `a la presence dheteroscedascticite. Lestimateur robuste de cette
matrice le plus utilise est celui de White qui est donne par la formule suiv-
29
ante:

V ar[b] =
1
T
_
X

X
T
_
1
_
1
T
T

i=1
e
2
i
x
i
x

i
_
_
X

X
T
_
1
En matlab, toujours en utilisant les resultats de la fonction MCO.m, on de-
vrait ecrire:
e2 = e.^2
varWhite = T*inv(X*X)*sum((e2.*X)*X)/T*inv(X*X)
Stata
regress (reg)
Incontournable si on desire faire des regressions par MCO. Eectue la regression
de la variable dependante sur la ou les variables independantes speciees.
regress variable d ependante [variables ind ependantes]
Options:
level(#) (l(#)): permet de specier le niveau de conance pour les
intervalles et le p-value (# doit etre un entier); si level() nest pas
specie, # prend la valeur 95, i.e. le niveau de conance est xe `a 95%.
robust (r): calcule des variances robustes par la methode de Eicker-
White.
ex: reg y x1 x2 x3 if x1==1, r
predict
Permet de calculer les valeurs predites, les residus, etc. pour toutes les ob-
servations.
predict nom de nouvelle variable; sans aucune option calcule les valeurs
predites ( y).
Options:
xb: calcule X

, la valeur lineaire predite

residuals (r): calcule les residus
stdp: calcule les ecarts-types des valeurs predites
30
ex: calcule les y hors-echantillon
reg y x1 x2 x3 in 1/100
predict y hat if
e(sample)
test (t)
test permet deectuer des tests dhypoth`eses apr`es une estimation. Il prend
principalement deux formes:
test [expression1 = expression2]: test que lexpression1 nest pas statis-
tiquement dierente de lexpression2
test liste de coefficients: test que les coecients ne sont pas conjointe-
ments statistiquement dierents de zero.
ex:
reg y x1 x2 x3
test x1 = x2
test x2 x3
4.1 Tests dheteroscedasticite
La presence dheteroscedasticite ne vient pas biaiser vos resultats, elle biaise
plutot les ecarts-types obtenus par MCO. Il existe plusieurs methodes sim-
ilaires de tester pour la presence dheteroscedasticite. La plus simple est le
test de Breusch-Pagen:
1. recuperer les residus de la regression quon desire tester;
2. generer le carre des residus;
3. regresser la carre des residus sur les variables dependantes de la regression
originale;
4. tester si les coecients sont conjointement signicatifs (test F ou test
LM).
31
Matlab
[b,u,etype,R2] = MCO(X,y)
u2 = u.^2
[bu,e,etypeu,R2u] = MCO(X,u2)
Test F:
F = (R2u/length(bu))/((1-R2u)/(length(u2)-length(bu)))
1
Test LM
2
:
LM = length(u2)*R2u
Notez bien que le R
2
utilise est celui de la regression auxiliaire
eectuee en 3.
Stata
reg y x1 x2
predict u, r
g u2 = u

2
reg u2 x1 x2
Il sut alors de regarder la statistique F donnee par Stata.
La faiblesse du test de Breusch-Pagan est quil suppose les erreurs nor-
malement distribuees. An de laisser tomber cette hypoth`ese, il sut dajouter
le carre des variables dependantes et leurs produits croises dans la regression
de letape 3, il sagt l`a du test de White. An de limiter le nombre de
regresseurs, on peut utiliser un test de White leg`erement modie:
u
2
=
0
+
1
y +
2
y
2
+e
On proc`ede pour le reste exactement de la meme facon que pour le test de
Breusch-Pagan.
Que faire lorsque vous trouvez la presence dheteroscedasticite? Deux op-
tions sorent `a vous:
Calculer des variances robustes par la methode de White
3
1
Rappel: la forme generale du test F pour la signication conjointe de tous les coe-
cients est: F =
R
2
/k
(1R
2
)/(nk1)
2
Rappel: la statistique LM suit une
2
k
3
Il peut-etre bien tentant de proceder systematiquement avec les variances robustes
32
Estimer le mod`ele par MCG, i.e. modeliser la forme dheteroscedasticite
(voir le chapitre 7).
4.2 Test de Changement structurel (Test de
Chow)
Considerez le mod`ele suivant:
y =
0
+
1
x
1
+
2
x
2
+u
Le test de Chow sert `a verier sil existe une dierence dans linuence
dune variable dependante entre deux groupes de donnees, i.e. si le coecient
est statistiquement dierent. Les deux groupes de donnees pourraient etre
deux series dobservations ou deux periodes de temps par exemple.
La facon classique deectuer le test de Chow est deectuer la regression
du mod`ele pour les deux groupes de facon independante et pour les deux
groupes ensemble:
=
10
+
11
x
11
+
12
x
12
y
2
=
20
+
21
x
21
+
22
x
22
y =
0
+
1
x
1
+
2
x
2
puis de tester si les coecient sont statistiquement
dierents par un test F:
F =
(

SSR
y


SSR
y
1


SSR
y
2
)/q
(

SSR
y
1


SSR
y
2
)/n
1
+n
2
2k)
Rappel: q est le nombre de contraintes et k le nombre de coecients, ici
q = k = 3
Une autre facon plus rapide deectuer ce test est de construire une variable
binaire egale `a un pour les observations du deuxi`eme groupe et de faire une
seule regression sur les variables originales et sur les termes dinteraction avec
la variable binaire
4
:
Eicker-White pour eviter de faire le test dheteroscedasticite, mais cette facon de faire
reduit la precision de vos resultats (i.e. gone les ecarts-types et reduit la puissance des
tests) lorsque les donnees sont homoscedastiques.
4
Cette section et lexemple qui la suit sont inspires de la rubrique de laide de Stata:
How can I compute the Chow test statistic? par Bill Gould.
33
Soit la variable binaire:
y =
0
+
1
x
1
+
2
x
2

3
+
4
x
1
+
5
x
2

On desire maintenant tester si

0
= (
0
+
3
), si
1
= (
1
+
4
) et si
2
=
(
2
+
5
). Ce qui revient `a tester si
3
,
4
et
5
sont conjointement dierent
de 0. Ceci peut etre facilement eectue par un test de F.
ex:
Matlab
g2 = (groupe ==2);
g2x1 = g2*X(:,2);
g2x2 = g2*X(:,3);
Xg = [X,g2,g2x1,g2x2];
function [b,u,etype,R2] = MCO(X,y);
function [bg,ug,etypeg,R2g] = MCO(Xg,y);
# Test F:
F = (R2 - R2g/length(b))/((1-R2g)/(length(u)-length(b)))
5
Stata
g g2 = (groupe == 2)
g g2x1 = g2*x1
g g2x2 = g2*x2
reg y x1 x2 g2 g2x1 g2x2
test g2 g2x1 g2x2
5
Rappel: la forme generale R
2
du test F est: F =
(R
2
u
rR
2
r
)/k
(1R
2
u
r)/(nk1)
34
Chapitre 5
Variables instrumentales et
Doubles Moindres Carres
Lorsquune variable independante est correlee avec le terme derreur, les hy-
poth`eses classiques du mod`ele lineaire sont violees et on se retrouve face `a un
probl`eme dendogeneite. Dans ces cas, on peut faire appel `a lestimateur
de variables instrumentales (VI) ou aux doubles moindres carres or-
dinaires (DMCO).
5.1 Estimateur Variables Instrumentales
Soit X, une matrice de VI et Z, la matrice originale. Lestimateur VI est
donne par:

(V I)
= (X

Z)
1
X

y
et lestimateur VI de la covariance par:

2
(X

Z)
1
(X

X)(Z

X)
1
o` u

2
=
1
T
(y Z

(IV )
)

(y Z

(IV )
).
ou, lorsque K > J (K etant le nombre de VI et J le nombre de variables
independantes), par:

(IV )
= [Z

X(X

X)
1
X

Z]
1
Z

X(X

X)
1
X

y.
35

2
[Z

X(X

X)
1
X

Z]
1
.
Matlab
Creons la fonction VI pour lestimateur VI:
function [bvi,evi,etypevi,varChbvi,R2vi] = VI(X,Z,y)
[T,K] = size(X);
bvi = inv(X*Z)*X*y;
evi = y-Z*bvi;
sigma2Ch = (evi*evi)/(T-K);
varChbvi = sigma2Ch * inv(X*Z)*X*X*inv(Z*X);
etypevi = sqrt(diag(varChbvi));
ybar = [ones(size(y))*mean(y)];
yCh = Z*bvi;
SSEvi = sum((yCh-ybar).

2);
SSTvi = sum((y-ybar).

2);
R2vi = SSEvi/SSTvi;
Notez que cette fonction est optimale seulement pour K J.
Stata
ivreg
ivreg permet de faire directement une regression par DMCO.
ivreg variable dependante variables independantes (variable dependante =
variable(s) intrumentale(s)), options
o` u options peut prendre les memes valeurs que pour regress, ainsi que
first qui ache les resultats de la premi`ere regression.
ex:
ivreg y1 z1 z2 (y2=x1), r rst
predict peut etre utilise apr`es ivreg
36
5.2 DMCO
Le principe des doubles moindres carres ordinaires est dutiliser une estima-
tion de la variable endog`ene qui ne soit pas correlee avec le terme derreur
pour eectuer la regression.
Soit le mod`ele suivant:
y
1
=
0
+
1
x
1
+
2
x
2
+
3
y
2
+u
et soit z une VI de y
2
.
Comme leur nom lindique, les DMCO se font en deux etapes.
1. Estimation de la variable endog`ene:
Regression de y
2
sur toutes les variables independantes (x
1
et x
2
ici) et la/les VI pour y
2
(z ici).
On recup`ere y
2
, lestimation lineaire de y
2
.
2. Regression du mod`ele avec y
2
:
Regression de y
1
sur une constante, x
1
, x
2
et y
2
.
Cette derni`ere regression ne sourant plus dendogeneite, les

ainsi obtenus sont non-biaises.

Matlab
Z = [ones(size(y1)),x1,x2,z]
[bz,uz,etypez,R2z] = MCO(Z,y2)
y2hat = Z*bz
X = [ones(size(y1)),x1,x2,y2hat]
[b,u,etype,R2] = MCO(X,y1)
Stata
Voir la fonction ivreg `a la section precedente.
37
5.3 Tests dendogeneite
Le test de Hausman permet de verier sil existe bel et bien une dierence
entre lestimateur VI et lestimateur MCO, veriant ainsi sil y a bel et bien
endogeneite des variables (si les deux estimateurs sont consistants, ils seront
asymptotiquement egaux). Sous H
0
, la statistique de Hausman est:
H = [

(V I)
b]

[
2
[(Z

X(X

X)
1
X

Z]
1

2
(Z

Z)
1
]
1
[

(V I)
b]
2
(J)
Matlab
En utilisant la fonction developpee `a la section precedente:
[bmco,umco,etypemco,varChbmco,R2mco] = MCO(X,y)
[biv,uiv,etypeiv,varChbiv,R2iv] = IV(X,y)
H = (biv-bmco)*(varChbiv-varChbmco))*(biv-bmco)
Stata
hausman
Eectue le test de specication dHausman.
Estimation du mod`ele moins ecient, mais convergent (VI ici)
hausman, save
Estimation du mod`ele ecient, mais peut-etre pas convergent (MCO ici)
hausman
Options: constant (c), indique que la constante doit etre inclue dans la
comparaison des deux mod`eles.
ex:
ivreg y1 z1 z2 (y2=x1)
hausman, save
reg y1 z1 z2 y2
hausman, c
38
Chapitre 6
Estimateur du Maximum de
Vraissemblance (EMV)
La fonction de vraisemblance est la probabilite jointe des observations
etant donne les param`etres dinterets, i.e.:
L(|y) = f(y
1
, . . . , y
n
|) =
n

i=1
f(y
i
|)
Lestimateur du maximum de vraisemblance (EMV) a pour but de
choisir le vecteur de param`etres qui maximise la fonction de vraisemblance,
i.e. pour lequel les donnees observees sont les plus probables. Pour simplier
les choses, la fonction de log-vraisemblance,L(|y), est generalement utilisee
1
.
Prenons lexemple dun echantillon normalement distribue, de moyenne 0 et
de variance
2
:
f(y|X, ,
2
) =
T

t=1
(2
2
)
1/2
exp[(y
t
x

t
)
2
]
= (2
2
)
T/2
exp
_

(y X)

(y X)
2
2
_
.
La log-vraisemblance est
L(,
2
) =
T
2
log(2)
T
2
log
2

(y X)

(y X)
2
2
.
1
Le logarithme etant une fonction montone, la valeur qui maximise L(|y) est la meme
que celle qui maximise L(|y).
39
Les CPO sont:
lnL

=
(y X)(y X)
2
2
lnL

2
=
T
2
2
+
(y X)

(y X)
2
4
Ce qui nous permet de trouver

= (X

X)X

2
=
(y X)

(y X)
T
=
e

e
T
Matlab
Il nexiste pas de fonction de maximisation dans Matlab, il faut donc min-
imiser la negative de la fonction `a laide de la fonction suivante:
fminsearch
[x, fval] = fminsearch(fonction, options, variables)
o` u x est la variable qui contiendra la/les valeur(s) qui minimise(nt)la fonc-
tion, fval est une variable facultative o` u seront stockees les valeurs de la
fonction pour chacune des valeur minimale, fonction est le nom de la fonc-
tion `a minimiser (ref`ere `a un chier .m) et variables est une liste de variables
utilisees par la fonction, mais qui ne doivent pas etre minimisees. Les options
possibles sont:
Display: ajuste lachage de la progression de la minimisation; se
referer `a laide de Matlab pour plus dinfo.
MaxFunEvals: nombre maximal devaluations de la fonction permises
MaxIter: nombre maximal diterations permises
Si aucune option nest desiree, il faut utilisee lensemble vide [] pour options.
ex: voir section 8.1
40
Stata
ml
Permet de faire une estimation par maximum de vraisemblance pour une
equation donnee. Cette fonction etant fort complexe et tr`es peu utilisee dans
le cadre des probl`emes abordes dans ce guide, il est laisse `a la discretion du
lecteur le soin de consulter laide de Stata `a son sujet. Il existe normalement
des fonctions pre-denies pour les estimateur abordees ici qui doivent etre
traites par maximum de vraisemblance (probit et logit par exemple).
41
Chapitre 7
Moindres Carres Generalises
La methode des moindres carres generalises (MCG) cherche `a modeliser
la fonction de la variance. Nous obtenons alors lestimateur MCG

MCG
= (X

V
1
X)
1
X

V
1
y
ou encore

MCG
= (X

W
1
X)
1
W

V
1
y
et sa variance est
var[

] =
2
(X

V
1
X)
1
.
o` u V et W sont egaux `a
W =
2
_

_
x
1
0 0
0 x
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 x
n
_

_

2
V
Matlab
Le principe de base ici est de construire la matrice V avec la forme appropriee
de variance pour pouvoir ensuite calculer les

MCG
.
Voyons comment on estimerait le mod`ele y =
0
+
1
x
1
+
2
x
2
+ o` u lon
suppose que la variance suivre une fonction de type
2
(x) =
2
x
2i
:
X = [ones(size(y)),x1,x2];
V = diag(x2);
42
[T,K] = size(X);
bGLS = inv(X*inv(V)*X)*X*inv(V)*y;
eGLS = y-X*bGLS;
sigma2ChGLS = (eGLS*eGLS)/(T-K);
varChbGLS = sigma2ChGLS * inv(X*inv(V)*X);
etypeGLS = sqrt(diag(varChbGLS));
ybar = [ones(size(y))*mean(y)];
yChGLS = X*bGLS;
SSEGLS = sum((yChGLS-ybar).
2
);
SST = sum((y ybar).
2
);
R2GLS = SSEGLS/SST
Stata
vwls
permet de faire une regression lineaire ponderee par la variance.
vwls variable dependante variables independantes [poids], options
Options: sd(nom variable) fournit une estimation de lecart-type de la vari-
able dependante.
ex:
vwls y x1 x2, sd(sigma2ch)
o` u sigma2ch est une estimation de lecart-type de y.
predict peut etre utilise apr`es vwls
43
Chapitre 8
Variables dependantes
qualitatives
8.1 Probit/Logit
Un probit et un logit sappuient en fait sur le meme principe, ils ne di`erent
que dans la forme de la fonction de repartition quils utilisent pour calculer
leet sur la probabilite dune variation de la variable latente. En eet,
lorsque la variable dependante ne prend que des valeurs qualitatives (oui ou
non par exemple), leet dune variable independante sur la probabilite de
dire oui doit etre traduit par une fonction de repartition. Cette derni`ere
nous donne la probabilite associee `a une valeur donnee de la valeur latente
exprimee par la combinaison lineaire des variables independantes.
Matlab
Pour le probit, on doit utiliser la fonction de repartition de la loi normale:
F(x) = (x) =
1

2
_
x

e
z
2
2
dz
normcdf
normcdf(X)
Donne la valeur de la fonction de repartition de la loi normale pour la valeur
de X speciee.
44
Pour le logit, on utilie plutot la fonction de repartition de la loi logistique:
F(x) =
1
1 +e
x
Comme il nexiste pas de fonction predenie dans Matlab pour la fonction
de repartition de la loi logistique, on doit en construire une:
function [Fx] = logitcdf(x)
Fx = 1/(1+exp(-x))
La procedure etant la meme pour un probit et un logit, elle ne sera demontree
quune seule fois pour le cas de la loi logistique (logit).
Voyons dabord comment construire une fonction de log-vraisemblance pour
une loi normale:
function P = logvrais(b,X,y)
[T,K] = size(y);
sumy = sum(y);
summy = T - sum(y);
lXb = logitcdf(X*b) L = y.*log(lXb) + (ones(T,1)-y).*log(ones(T,1)-
lXb);
P = -sum(L)
Voyons maintenant comment il nous est possible dutiliser cette fonction pour
trouver les

par maximum de vraisemblance:
options = []
bmin = fminsearch(@logvrais,[0,0,0,0,0,0,0,0,0,0,0],options,X,y)
Il ne nous reste maintenant qu`a calculer leet dune variable sur la proba-
bilite. Ceci peut etre fait en xant toutes les autres variables `a une valeur
(generalement leur moyenne echantillonalle), puis en estimant le mod`ele suc-
cessivement pour deux valeurs de la variable. La dierence de la probabilite
de ces deux estimations lineaires de la variable dependante ( y) donne la vari-
ation de probabilite.
45
ex: le mod`ele estime est y =
0
+
1
x
1
+
2
x
2
+
3
bin1 + o` u
bin1 est une variable binaire.
options = []
bmin = fminsearch(@logvrais,[0,0,0,0,0,0,0,0,0,0,0],options,X,y)
yhat1 = bmin(1) + bmin(2)*mean(x1) + bmin(3)*mean(x2) + bmin(4)
yhat2 = bmin(1) + bmin(2)*mean(x1) + bmin(3)*mean(x2)
di = normcdf(yhat1)-normcdf(yhat2)
Note: on pourrait aussi calculer leet marginal directement en calculant la
derivee de lesperance de y sachant X:
E[y|X]
X
=
_
dF(X

)
d(X

)
_
= f(X

)
Par exemple, dans le cas dun probit:
Pr(y = 1) = (X

)
Pr(y = 1)
X
= (X

)
Stata
probit (prob)
Estime un mod`ele probit.
probit variable dependante variable independante
Options: probit poss`ede en grande partie les memes options que regress.
Note: Ici predict donne par defaut la probabilite. Pour avoir lestimation
lineaire, il faut preciser xt dans les options de predict.
logit
Permet destimer un mod`ele logit.
logit variable dependante variable independante
Options: logit poss`ede en grande partie les memes options que regress.
46
8.2 Tobit
Un tobit est essentiellement un mod`ele dont les donnees sont tronquees.
Comme le probit, le tobit suit une loi normale.
Matlab
Soit un mod`ele tronque `a gauche `a zero (y

etant une variable latente de y):

y

= X

+
y = max(0, y

)
Encore ici, on procedera par maximum de vraisemblance, mais on devra
cette fois considerer quil existe deux fonctions: une pour y = 0 et une pour
y > 0. La log vraisemblance pour le tobit sera donnee par la somme de la
log vraisemblance des deux fonctions:
si y = 0 :
l1(, ) = log[1 (x
i
/)
si y > 0 :
l2(, ) = log{(1/)[(y
i
x
i
)/]}
En matlab:
ybin = (y == 0)
lvrais = ybin.*log(1-normcdf(X*b/sqrt(sigma2Ch))) + ...
(ones(T,1)-ybin).*log(1/sqrt(sigma2Ch)*normpdf((y-X*b)/sqrt(sigma2Ch))
P = -sum(lvrais)
An de calculer lesperance de y etant donne x, il sut de calculer:
E(y|x) = (x/)x +(x/)
Le transfert de cette fonction en Matlab ne devrait plus, `a ce stade, vous
47
causer aucun probl`eme...
Stata
tobit
Permet destimer un mod`ele tobit.
logit variable dependante variable independante
Options: ll(#), ul(#): indiquent respectivement que les donnees sont
tronquees `a gauche ou `a droite. Une ou les deux de ces options doivent etre
speciees. # indique le point de troncation. Si # nest pas precise, Stata
suppose quil sagit respectivement de la valeur minimum et de la valeur
maximum.
Les autres options de tobit sont en grande partie commune avec regress.
ex:
tobit y x1 x2 x3 x4, ll(0)
48
Chapitre 9
Series Chronologiques
9.1 Operation sur les variables dans le cadre
de series chronologiques
Matlab
Il ny a pas doperation particuli`ere `a eectuer avec Matlab lorsquon tra-
vaille avec des series chronologiques.
Stata
tsset
Lorsquon travaille avec des series chronologiques dans Stata, il est necessaire
de len informer par la commande tsset.
tsset variable de temps
ex:
generate t = n
tsset = t
9.2 Operateurs de series temporelles
Voici comment reproduire lequivalent des operateurs Avance et Retard dans
Matlab et Stata pour travailler sur les series chronologiques.
49
Matlab
Il nexiste pas doperateur de series temporelles en soit dans Matlab, il faut
donc utiliser les operateurs matriciels vus au chapitre 1.
ex:
Operateur Retard:
T = length(X)
x = X(3:T)
x lag1 = X(2:T-1)
x lag2 = X(1:T-2)
Note: il faut ajuster manuellement le nombre dobservations
considerees.
Operateur Avance:
T = length(X)
x = X(1:T-2)
x fwd1 = X(2:T-1)
x fwd2 = X(3:T)
Stata
l
Loperateur l est loperateur Retard de stata. Il peut etre utilise avec toutes
les fonctions qui acceptent les series temporelles une fois que la declaration
de series temporelles `a ete faite.
l#.variable
o` u variable est la variable sur laquelle loperateur doit agir et # est le nombre
de retards `a appliquer. Si # est omis, un seul retard est applique (equivalent
`a l1.variable).
tsset t
regress y x l.x l2.x
50
f
Loperateur f est loperateur Avance de stata. Il peut etre utilise avec toutes
les fonctions qui acceptent les series temporelles une fois que la declaration
de series temporelles `a ete faite.
f#.variable
o` u variable est la variable sur laquelle loperateur doit agir et # est le nom-
bre davance `a appliquer. Si # est omis, une seule avance est appliquee
(equivalent `a f1.variable).
tsset t
regress y x f.x f2.x
9.3 Tests dautocorrelation
Inutile de mentionner que lautocorrelation est un probl`eme qui nest perti-
nent que dans le cas des series temporelles. . .
Le test est le test le plus simple `a eectuer pour tester la presence dautocorrelation:
1. recuperer les residus de la regression quon desire tester;
2. regresser u
t
sur u
t1
`a u
tn
et X
3. Tester la signication conjointe des coecients de cette regression par
un test F.
Choisissons n egal `a 3.
Matlab
T = length(y)
[b,u,etype,R2] = MCO(X,y)
U = [ones(T-3,1),u(3:T-1),u(2:T-2);u(1:T-3)];
[bu,e,etypeu,R2u] = MCO(U,u(4:T))
Test F:
F = (R2u/length(bu))/((1-R2u)/(length(u2)-length(bu)-1))
Test LM:
LM = (T-3)*R2u
51
Stata
reg y x1 x2
predict u, r
reg u l.u l2.u l3.u
Il sut alors de regarder la statistique F donnee par Stata.
Le test de Durbin-Watson est aussi utilise pour tester la presence dautocorrelation,
mais comme il est moins precis et ne consid`ere quune seule periode, nous ne
le couvrirons pas ici.
9.4 Methode de Box-Jenkins
Ce quil est important de comprendre, `a mon avis, dans la methode de Box-
Jenkins, cest que lobjectif de toutes les operations que nous eectuons est
de se retrouver avec un residu qui est un bruit-blanc. Le but ultime etant
de modeliser la serie an de faire des predictions, nous pouvons seulement
etre certain davoir tout extrait lorsquil nous reste seulement un bruit-blanc:
un processus qui est par denission impossible `a predire.
9.4.1 Stationnarite des donnees
La premi`ere etape de la methode de Box-Jenkins consiste `a eectuer les
transformations necessaires an de sassurer que notre serie est stationnaire,
si elle ne lest pas, il nous sera impossible de travailler dessus.
Premi`ere question `a se poser: doit-on travailler en log ou pas? Si la vari-
able crot `a un taux constant, elle sera lineaire en log. De plus, les pro-
prietes du logarithme font en sorte quil ecrase une variance croissante.
Outre la transformation logarithmique, il existe trois cas possibles de non-
stationnarite qui impliqueront des changements dans la serie (ou sa modelisation):
Changement structurel
Tendance deterministe
Racine unitaire
52
Changement structurel
Les changement structurels peuvent etre detectes `a laide du Test de Chow
(voir section 4.2). Malheureusement, rien ne peut generalement etre fait pour
stationnariser une serie dans le cas dun changement structurel.
Tendance deterministe
An de regler le probl`eme de la presence dune tendance temporelle, il sut
de la modeliser la tendance. Il faut faire attention de bien choisir la tendance
la mieux adaptee `a nos donnees: lineaire, quadratique, logarithmique, etc.
ex: tendance quadratique
Matlab
T = length(y);
t = 1:T;
t2 = t^2;
X = [ones(size(y)),t,t2]
[b,u,etype,R2] = MCO(X,y)
Stata
t = n
t2 = t^2
tsset t
regress y t t2
Racines Unitaires
On fait face `a un probl`eme de racine unitaire lorsque = 1 dans le mod`ele
suivant:
y
t
= +y
t1
+e
t
An de regler le probl`eme de racine unitaire, il faut dierencier la serie, i.e.
travailler sur y
t
= y
t
y
t1
plutot que y
t
. Le mod`ele devient donc:
y
t
= +y
t1
+
t
Matlab
53
T = length(y);
x = y(2:T) - y(1:T-1)
...
Stata
La dierenciation dune serie est eectuee automatiquement dans Stata lors
de lutilisation de la fonction arima.
Tester pour la presence dune racine unitaire se fait par un test t o` u H
0
est = 0. Malheureusement, sous lhypoth`ese nulle, la statistique t ne suit
pas la loi asymptotique habituelle. Il faut plutot utiliser la loi de Dickey-
Fuller. Sil y a correlation des termes derreur, il faut plutot utiliser une loi
de Dickey-Fuller augmentee.
Stata
dfuller
Eectue un test de Dickey-Fuller augmente sur la variable speciee.
dfuller nom de variable, options
Options:
lags(#): specie le nombre de retards `a utiliser pour le calcul de la
variance estimee Newey-West.
trend: incluera une variable de tendance dans la regression.
pperron
Poss`ede exactement la meme structure et les memes options que dfuller,
mais eectue un test de Phillips-Perron plutot quun test de Dickey-Fuller
augmente.
9.4.2 Modelisation des cycles: Mod`eles AR, MA, ARMA,
ARIMA
Stata
54
arima
Permet destimer un mod`ele AR, MA, ARMA ou ARIMA par maximum de
vraisemblance.
arima variable d ependante variable ind ependante, arima(p,d,q)
o` u p est le nombre de AR, d le nombre de dierenciation et q le nombre de
MA.
Il nest pas necessaire de preciser de variables independates.
ex: AR(1)
arima t, arima(1,0,0)
ex: MA(1)
arima t, arima(0,0,1)
ex: ARIMA(1,1,2)
arima t, arima(1,1,2)
Pour choisir p et q, il est bon de regarder lautocorrelogramme partiel (nom-
bre de AR) et lautocorrelogramme (nombre de MA) de la variable qui nous
interesse.
corrgram
Construit une table des autocorrelations et des autocorrelations partielles.
Permet de tracer lautocorrelogramme et lautocorrelogramme partiel.
corrgram nom de variable, option
Options: lags(#): specie le nombre de retards `a calculer.
corrgran peut etre suivi de deux autres fonctions:
ac
Produit un autocorrelogramme.
ac nom de variable, options
Options:
lags(#): specie le nombre de retards `a calculer.
level(#): specie le niveau de conance `a utiliser dans le
calcul des bandes de conances.
55
Toutes les options standards dun graphique sont egalement
admissible.
pac
Produit un autocorrelogramme partiel. Meme structure et memes
options que ac.
9.4.3 Selection de Mod`ele
`
A chaque etape de la modelisation de notre serie chronologique, il est impor-
tant de choisir le meilleur des choix qui sore `a nous: tendance quadratique
ou logarithmique? AR(2) ou AR(3)?
Plusieurs crit`eres existent pour nous aider dans nos choix, nous en explorerons
trois qui se basent tous sur le principe de penalite pour le nombre de variables.
R-carre ajuste
Le R-carre ajuste (

R
2
) est donne par la formule suivante:

R
2
= 1
n 1
n K
(1 R
2
)
Akaike information criterion (AIC)
Voici la formule habituelle du crit`ere dAkaike:
AIC(K) = log(
e

e
n
) +
2K
n
Bayesian information criterion (BIC)
Voici la formule habituelle du crit`ere de Schwartz ou Bayesien:
BIC(K) = log(
e

e
n
) +
Klogn
n
`
A la fois dans Matlab et Stata, ces crit`eres doivent etre construits manuelle-
ment.
56
Chapitre 10
Donnees longitudinales (Panel)
Il existe bon nombre de methodes pour traiter les donnees en Panel et la
litterature sur le sujet est tr`es exhaustive, nous ne traiterons donc dans ce
chapitre que des methodes de base.
10.1 Variables Binaires
La facon la plus simple de controler pour le pooling de plusieurs annees est
dajouter dans la regression une variable binaire par annee. Ces derni`eres
permettent de capter leet de lannee sur la variable dependante. Cette
methode suppose de fait que toutes les autres variables sont constantes `a
travers le temps. Comme dans tous les cas o` u lon travaille avec des vari-
ables binaires, il faut laisser tomber une des variables pour ne pas avoir de
colinearite parfaite
Matlab
Il sut simplement de construire des variables binaires tel quindique dans
le chapitre 1.
ex: On desire faire une regression sur des echantillons tires de
1980,81,82 et 83.
a81 = (annee == 1981)
a82 = (annee == 1982)
a83 = (annee == 1983)
X = [X,a81,a82,a83]
57
function [b,u,etype,R2] = MCO(X,y)
Stata
Comme cest le cas avec Matlab, on peut simplement ajouter manuellement
des variables binaires dans notre regression. Il existe par ailleurs une methode
automatique dindiquer `a Stata que lon travaille avec des donnees en panel
qui sera presentee `a la section suivante.
ex: On desire faire une regression sur des echantillons tires de
1980,81,82 et 83.
a81 = (annee == 1981)
a82 = (annee == 1982)
a83 = (annee == 1983)
regress y x1 x2 a81 a82 a83
10.2 Eets Fixes et Eets Aleatoires
Tr`es souvent, lestimation simplement `a laide de donnees binaires dannees
donnera un resultat biaise. Ce mod`ele fait en eet abstraction de la pos-
sibilite dun eet non-observe independant du temps (eet lie au groupe).
Cet eet peut soit etre correle avec les variables explicatives (Eet Fixe) ou
non-correlees avec celles-ci (Eet Aleatoire).
Dans le cas dun eet xe, la methode la plus simple de capter cet eet est
de supposer quil existe pour chacun de nos groupes et, ainsi, dajouter une
variable binaire par groupe (sans oublier, comme dhabitude, dans laisser
tomber une). Donc si nous avons cinq groupes et quatre periodes de temps,
nous aurons un total de sept variables binaires.
Nous presenterons le cas dun eet aleatoire que pour Stata car cest une
procedure qui est faite automatiquement avec la fonction xtreg.
Matlab
Ajout de variables binaires pour chaque groupe et chaque annee.
ex: Regression sur cinq echantillons tires de 1980,81,82 et 83.
a81 = (annee == 1981)
58
a82 = (annee == 1982)
a83 = (annee == 1983)
g2 = (groupe == 2)
g3 = (groupe == 3)
g4 = (groupe == 4)
g5 = (groupe == 5)
X = [X,a81,a82,a83,g2,g3,g4,g5]
function [b,u,etype,R2] = MCO(X,y)
Stata
Ajout manuellement de variables binaires pour chaque groupe et chaque
annee.
ex: Regression sur cinq echantillons tires de 1980,81,82 et 83.
a81 = (annee == 1981)
a82 = (annee == 1982)
a83 = (annee == 1983)
g2 = (groupe == 2)
g3 = (groupe == 3)
g4 = (groupe == 4)
g5 = (groupe == 5)
regress y x1 x2 a81 a82 a83 g2 g3 g4 g5
Tel que mentionne `a la section precedente, il est aussi possible dindiquer
`a Stata que lon travaille avec des donnees en Panel an dautomatiser le
processus:
tsset
Cette fonction dej`a vue dans le chapitre 9 permet egalement de declarer nos
donnees comme un panel de series temporelles. Il sut pour ca dajouter la
variable de panel (de groupe) avant la variable de temps.
tsset variable de panel variable de temps
ex:
g t = n
tsset groupe t
59
Une fois tsset declare pour des donnees panel, il est possible de travailler
avec la famille de fonctions xt de Stata. Il existe une telle fonction pour cha-
cun des types de regression: xtreg, xtlogit, xprobit, xttobit, xtgls,
etc. Nous ne couvrirons ici que sommairement xtreg et nous vous referons
`a laide de Stata pour plus de details sur cette famille de fonctions.
xtreg
Permet de faire des regressions sur des donnees en Panel.
Eet xe: xtreg variable dependante variable independante, fe
Eet aleatoire estime par MCG: xtreg variable dependante variable independante,
re
Eet aleatoire estime par EMV: xtreg variable dependante variable independante,
mle
ex:
tsset groupe annee
xtreg y x1 x2, fe
60
Chapitre 11
Interaction avec les traitements
de texte et les tableurs
61
Chapitre 12
O` u trouver ses donnees et
comment les extraires
62
Annexe A
Tableaux Recapitulatifs
A.1 Fonctions de Matlab
Fonction Description Forme
Importation de Donnees
dlmread Importe des donnees
numeriques dun chier.
M = (nom de fichier,
s eparateur de donn ees

)
load Importe des donnees
numeriques dun chier.
load nom de fichier
textread Importe les donnees dun chier. [A, B, C . . . ] =
textread(nom de fichier,
format)
xlsread Importe les donnees dun tableur
Excel.
[A, B] =
xlsread(nom de fichier)
63
Transformation de Variables
cumsum Somme cumulative des elements
dun vecteur.
cumsum(z)
exp Exponentielle dune matrice
element par element.
exp(z)
length Nombre de colonnes dun vecteur. length(z)
log Logarithme naturel dune matrice
element par element.
log(z)
max Renvoie lelements du vecteur
ayant la valeur la plus elevee.
max(z)
mean Moyenne des elements dun
vecteur.
mean(z)
min Renvoie lelements du vecteur
ayant la valeur la moins elevee.
min(z)
size renvoie un vecteur 1 2 con-
tenant la taille dune matrice
(rangees,colonnes).
size(z)
std

Ecart-type des elements dun
vecteur.
std(z)
sqrt Racine carree dune matrice
element par element.
sqrt(z)
sum Somme des elements du vecteur. sum(z)
var Variance des elements dun
vecteur.
var(z)
64
Fonctions Matricielles
diag Extraction de la diagonale dune
matrice. / Creation dune ma-
trice diagonale.
diag(A)
eye Cree une matrice identite. I = eye(#)
inv Inverse dune matrice. Inv(A)
ones Creer une matrice dont chaque
element egale `a un.
O = ones(#, #)
rand Creer une matrice dont chaque
element est un alea U(0,1)
U = rand(#, #)
randn Creer une matrice dont chaque
element est un alea N(0,1)
N = randn(#, #)
zeros Creer une matrice dont chaque
element egale `a zero.
Z = zeros(#, #)
Autres Fonctions
diary Permet de sauvegarder une copie
de sa session dans le chier
specie.
diary(nom de fichier)
programme diary(off)
fminsearch Minimise une fonction. [x, fval] =
fminsearch(fonction, options, variables)
hold Permet de superposer plusieurs
graphiques.
hold on graphiques hold off
normcdf Donne la valeur de la fonction de
repartition de la loi normale.
normcdf(X)
normpsf Donne la valeur de la fonction de
probabilite de la loi normale.
normpdf(X)
plot Trace un graphique en nuage de
points.
plot(x, y,couleur style marqueur)
wk1write Sauvegarde une matrice dans un
chier de tableur.
wk1write(nom de fichier,M)
65
A.2 Fonctions de Stata
Fonction Abreviation Description Forme
Importation de Donnees
inle inf Importe les donnees dun
chier.
infile nom des variables
using nomdefichier
insheet Importe les donnees dun
chier (separateurs: tabula-
tions ou virgules).
insheet using
nom de fichier
Transformation de Variables
generate g Cree une nouvelle variable. generate
nouvelle variable =
expression
replace Remplace une variable exis-
tante.
replace variable existante
= expression
abs Valeur absolue. abs(x)
exp Exponentiel. exp(x)
log Logarithme naturel. log(x)
max Renvoie largument
possedant la valeur la
plus elevee.
max(x
1
, ..., x
n
)
min Renvoie largument
possedant la valeur la
moins elevee.
min(x
1
, ..., x
n
)
mod Modulo de x par rapport `a
y.
mod(x,y)
sqrt Racine carree. sqrt(x)
sum Somme de tous les elements
de x.
sum(x)
uniform Donne une valeur aleatoire
entre 0 et 1 (ditribution uni-
forme sur [0,1)).
uniform()
66
Fonctions Matricielles
matrix mat Cree ou modie une ma-
trice.
matrix nom de la matrice
= expression
matrix get Permet dobtenir copie
dune matrice syst`eme.
matrix variable =
get(matrice syst` eme)
mkmat Transforme des variables en
vecteurs/matrice.
mkmat
nom(s) de variable(s),
matrix
[(nomdelanouvellematrice)]
svmat Transforme les colonnes
dune matrice en variables.
svmat matrice,
[names(nom col1, nom col2, . . . )]
colsof nombre de colonnes dune
matrice.
colsof(A)
det Determinant dune matrice. det(A)
diag Matrice diagonale n n,
avec pour diagonale les
elements de V .
diag(V )
el

Element a
ij
dune matrice. el(A,i,j)
I Matrice identite n n. I(n):
inv Inverse dune matrice
carree.
inv(A)
rowsof Nombre de rangees dune
matrice.
rowsof(A)
vecdiag Extrait la diagonale dune
matrice carree sous forme de
vecteur.
vecdiag(A)
Fonctions Diverses
graph gr Trace un graphique. graph nomdesvariables,
[typedegraphique,
autresoptions]
list Ache `a lecran les vari-
ables speciees.
list
[nom(s) de variable(s)]
log Enregistre la session. log using nom de fichier
more Active ou desactive
lachage de --more--.
more on/off
set matsize set mat Fixe la taille maximale des
matrices.
set matsize #
67
Fonctions Diverses (suite)
tsset Declaration de series tem-
porelles/Donnees pannel.
tsset variable de temps
l Operateur retard. l#.variable
f Operateur avance. f#.variable
Fonctions

Econometriques
regress reg Eectue une regression
lineaire par MCO.
regress var
d
ep [vars inds]
predict Calcule les valeurs predites,
les residus, etc.
predict nouvelle variable,
options
test t Eectue des tests
dhypoth`ese.
test [expression1 =
expression2]
ivreg Eectue une regression par
DMCO.
ivreg var dep vars inds
(var dep = V I), options
hausman Eectue le test de
specication dHausman.
hausman / hausman, save
vwls Eectue une regression
ponderee par la variance
(FGLS).
vwls var
d
ep vars inds
[poids], options
probit prob Estime un mod`ele probit. probit var dep vars inds
logit Estime un mod`ele logit. logit var dep vars inds
tobit Estime un mod`ele tobit. tobit var dep vars inds,
[ll(#)] [ul(#)]
dfuller Eectue le test de Dickey-
Fuller augmente.
dfuller nom de variable,
options
pperron Eectue le test de Phillips-
Perron.
pperron nom de variable,
options
corrgram Produit une table des au-
tocorrelations et des auto-
correlations partielles.
corrgram
nom de variable, option
xtreg Eectue une regression sur
des donnees panel.
xtreg var dep vars inds,
[fe] [re] [mle]
68
A.3 Operateurs
Description Forme
Operateurs Mathematiques
Addition +
Soustraction -
Multiplication *
Division /
Puissance ^
Operateurs Logiques
ET &
OU |
Non () ~
Operateurs de Comparaison

Egal ==
Dierent ~=
Plus grand >
Plus petit <
Plus grand ou egal >=
Plus petit ou egal <=
69