Vous êtes sur la page 1sur 16

Exercices de travaux dirigés Cours d’économétrie Maîtrise d’économétrie

September 21, 2004

1 Le modèle linéaire - Rendements d’une fonction de production Cobb-Douglas

Présentation du problème: On considère la fonction de production suivante à deux facteurs, le travail L et le capital K , correspondant à une technologie de type Cobb-Douglas:

Y ( L, K ) = AL α K β

α et β sont des réels compris entre 0 et 1 . Soit un échantillon { ( y i , i ,k i ) , i = 1 ,

n } d’observations indépendantes de logarithmes

d’outputs et d’inputs de n entreprises. On suppose que

y i = a + αl i + βk i + u i ,

où les u i sont iid et normaux d’espérance nulle et de variance σ 2 . On supposera de plus u i orthogonal à l i et k i .

(1)

,

(2)

Données numériques : n = 1000 P i i = 500 P i k i = 490 P i y i = 1490

=

P i P i k P i y

P i i y i = 800 P i k i y i = 770

2

i

330

320

2

i

=

2

i

= 3200

Questions:

1. Justier l’équation (2). Interpréter en particulier le sens de la variable u i . Le fait de la traiter comme une variable aléatoire signie-t-il que la valeur de u i est le produit du hasard pour l’entreprise i?

1

2.

Ecrire le modèle (2) sous la forme matricielle suivante :

y = Xb + u,

(3)

y , X, b et u sont des matrices que l’on déterminera et dont on indiquera les dimensions.

3. Donner l’expression de l’estimateur des MCO b b de b en fonction de y et de X .

4. Estimation des coecients: Dans cette question, on cherche à estimer les coe-

b

cients αb , β et ba. On centre les variables du problème. Pour cela, on dénit :

ye i = y i y, i = i , et k e i = k i k,

e

y, et k sont les moyennes arithmétiques de y i , i et k i dans l’échantillon.

(a)

(b)

(c)

(d)

(e)

(f)

Déduire du modèle (2) le modèle des variables ³ ye i , i , k e i ´ .

L’écrire sous forme matricielle :

e

e e

ye = X b e + ue .

e

Précisez les dimensions de b et X.

On fait l’hypothèse :

X

i

e

i e k i = X

i

(

i )(k i k )=0 .

(4)

(5)

Interpréter cette hypothèse.

Calculer la matrice X e 0 X e , ainsi que son inverse, sachant que l’hypothèse (5) est vériée. En déduire l’estimateur des MCO des coecients de la régression de ye i

sur i et e k i sans constante.

En déduire, par l’application du théorème de régression partitionnée, l’estimateur des MCO des coecients de la régression de y i sur i et k i avec constante.

Application numérique.

e

5. Signicativité des coecients: On teste ici la signicativité de αb et β b .

(a)

(b)

(c)

(d)

Ecrire l’équation d’orthogonalité entre X b b et y X b. b

Donner l’expression de la somme des carrés des résidus, SCR , en fonction de y i ,

y , i , , k i , k , αb et β . En déduire l’expression de l’estimateur σb 2 . Application numérique.

Donner l’expression de σb α et σb en fonction de σb 2 , i , , k i et k . Application numérique.

Tester la signicativité de αb et de β à 10% et 5% près. Conclusion?

b

2

2

β

b

2

6. Test de l’hypothèse de rendements constants: On teste l’hypothèse nulle suivante

Contre l’alternative :

(H 0 ) : α + β = 1

( H a ) : α + β 6= 1

(a)

Ecrire le modèle contraint associé à H 0 , modèle dans lequel β n’intervient plus. Quelles sont les variables dépendantes et indépendantes de ce nouveau problème?

(b)

Calculer la somme des carrés des résidus du modèle contraint SCR c . Application numérique : On vériera que α c ' 0 .594 .

(c)

Calculer alors la statistique de Fischer associée au test de rendements constants. Tester H 0 à 5% près. Conclusion ?

3

2

Théorie asymptotique des MCO

2.1 Lancer d’une pièce de monnaie pipée

On lance un grand nombre de fois une pièce de monnaie déséquilibrée, dont la probabilité d’obtenir "face" est égale à α [0 , 1].

1. On modélise le problème par le modèle suivant:

y = β + ε,

y est la réalisation du lancer (y = 0 si "pile", y = 1 si "face"), et ε est d’espérance nulle. Que vaut le scalaire β ? Dessiner la fonction de répartition de ε . Sa loi est-elle normale?

ˆ

2. Calculer l’estimateur des MCO de β : β . Préciser les hypothèses ("naturelles") que

vous faites sur les résidus.

Vers quelle valeur converge β lorsque le nombre de lancers tend vers +?

ˆ

3. Donner l’expression de la variance de ε en fonction de α .

4. Déduire de la question précédente la densité asymptotique de β (NB: on pourra noter

ˆ

n le nombre de lancers).

2.2 Inclusion et oubli de variables non pertinentes

On dispose d’un échantillon { ( y i ,x 1i ,x 2i ) , i = 1 ,

, n } d’observations indépendantes.

1. On suppose tout d’abord que le modèle de y i sachant x 1i ,x 2i est

y i = α + β 1 x 1 i + u i ,

(6)

avec E ( u i | x 1i ,x 2i )=0 . On cherche à mesurer les conséquences de l’introduction d’une seconde variable explicative, x 2i .

(a)

(b)

Calculer les estimateurs des MCO β 1 et β b 2 des coecients de x 1 i et x 2 i dans la

régression de y i sur x 1i et x 2 i .

b

b

Montrer que β 1 est asymptotiquement équivalent à l’estimateur des MCO de la régression de y i sur x 1i sans x 2 i . Ces deux estimateurs sont-ils pour autant

identiques?

2. On suppose maintenant que le vrai modèle est

y i = α + β 1 x 1i + β 2 x 2i + v i

avec E ( v i | x 1 i ,x 2i )=0.

(7)

(a) Poser u i = β 2 x 2 i + v i et calculer E ( u i | x 1i ,x 2i ) . A quelle condition E ( u i | x 1 i ,x 2i ) =

0 ?

4

(b)

On suppose d’abord que x 1 et x 2 sont orthogonaux (cov ( x 1 ,x 2 )=0 ). Montrer que l’estimateur des MCO du coecient de x 1i dans la régression de y i sur x 1i sans x 2i est convergent mais moins ecace (asymptotiquement moins précis) que l’estimateur des MCO du coecient de x 1 i dans la régression de y i sur x 1i et x 2 i .

(c)

Si x 1 et x 2 sont corrélés, montrer que l’estimateur des MCO du coecient de x 1i dans la régression de y i sur x 1i sans x 2i est non convergent (asymptotiquement biaisé).

2.3 Test d’égalité de deux moyennes

, T 1 } un échantillon

, n 2 } un échantillon de salaires de femmes. On suppose

les observations iid. Pour cela, on divise le panel en deux sous-échantillons, femmes (1 , taille

de salaires d’hommes et {w 2i , i = 1 ,

On cherche à tester l’inuence du sexe sur le salaire. Soit { w 1 i , i = 1,

n 1 ) et hommes (2, taille n 2 ). On considère alors les deux modèles suivants

Le modèle non contraint s’écrit :

w

1i = α 1 + u 1i ,

w 2i = α 2 + u 2i ,

Eu 1i = 0,

Eu 2i = 0,

α 1 et α 2 ne sont pas supposés égaux a priori.

Le modèle contraint impose l’égalité des coecients α 1 et α 2 :

Données numériques: n 1 = 32728

n 2 = 35144

P i w 1i = 2 .11 10 8

P i w 2i = 2 .865 10 8

P i w 2 P i w

σb 1 = 916

σb 2 = 1266

1 .66 10 12

1i =

2i = 2 .84 10 12

2

H 0 : α 1 = α 2 .

Questions:

1. On empile les deux échantillons pour former l’échantillon { w i , i = 1 , n 1 + n 2 et

¯

¯

w

1i , i = 1 ,

, n 1 ,

w i =

¯ ¯ 2i ,i = n 1 + 1,

w

, n,

(a) Ecrire le modèle de w i sous la forme:

w i = α 1 S i + α 2 (1 S i ) + u i , i = 1,

, n

où l’on précisera S i et u i .

5

,

n } n =

(8)

(b)

Comment s’interprètent les variables S i et 1 S i et combien vaut E ( u i |S i ) ?

(c)

Montrer que l’estimateur des MCO de α 1 (resp. de α 2 ) dans la régression de w i sur S i et 1 S i est identique à l’estimateur des MCO de α 1 dans la régression de w 1 i (resp. de w 2 i ) sur la constante 1. Expliciter αb 1 et αb 2 .

2. Le test à distance nie (rappels de licence). On suppose les résidus du modèle (8) sont iid et normaux, de variance Vu i = σ 2 .

(a)

(b)

(c)

(d)

L’hypothèse Vu i = σ 2 pour tout i = 1 ,

Ecrire le modèle non contraint sous forme matricielle.

Montrer que la somme des carrés des résidus non contraints SCR nc s’écrit très

simplement en fonction des sommes des carrés des résidus u 1 et u 2 . La calculer.

Montrer de plus que SCR nc liberté.

Montrer que, sous l’hypothèse d’absence de changement structurel que l’on pré- cisera, l’estimateur ( αb 1 b 2 ) suit une loi normale dont on calculera la moyenne et la variance.

suit un χ 2 dont on précisera le nombre de degrés de

, n vous paraît-elle discutable?

σ

2

(e)

Exprimer la diérence SCR c SCR nc en fonction de n 1 , n 2 , et de la diérence αb 1 αb 2 .

(f) En déduire que cette quantité, convenablement normalisée, suit un χ 2 à un degré de liberté. Interpréter.

(g) Calculer la statistique de Fischer associé au problème. Tester à 5% l’égalité entre α 1 et α 2 . Conclusion?

3. Le test asymptotique. On abandonne ici l’hypothèse de normalité des résidus, ceux-ci restant iid.

(a)

(b)

(c)

Calculer l’estimateur des MCO de α 1 α 2 .

Sous quelle hypothèse quant au comportement asymptotique de la statistique

S =

Sous ces hypothèses, montrer que

1

n P n i=1 S i = n n 1

cet estimateur est-il convergent? Interpréter.

n→∞ N µ 0 , p (1 p)

L

σ

2

n α 1 α 2 −→

\

p = E S i . Pour cela, montrer successivement que:

i. S −→

P

n→∞ p.

ii.

n P n

1

i=1 ¡ S i S ¢ 2 = SS 2 n p (1 p) .

P

−→

iii. n

1

n P n

i=1 ¡ S i S ¢ ( u i u) n N (0 , σ 2 p (1 p)) .

−→

L

6

 

\

\

(d)

Comment estimer la variance asymptotique de α 1 α 2 , V as α 1 α 2 ?

(e)

Tester alors l’absence de changement structurel, à 5% , à l’aide d’un test de Student (asymptotique).

7

3

Le Modèle Hétéroscédastique

3.1 Test d’égalité de deux moyennes (suite de (2.3))

On suppose mantenant que Vu 1i = σ 2 et Vu 2 i = σ 2 2 avec σ 1 et σ 2 quelconques. On estime α 1 et α 2 séparément sur les échantillons de lles et de garçons.

1

1. Montrer que αb 1 et αb 2 sont deux variables aléatoires indépendantes et que

2. Montrer de plus que

n 1 ( αb 1

n 2 ( αb 2

L

α 1 ) N ¡ 0 2 ¢ ,

−→

n

1

1

L

α 2 ) N ¡ 0 2 2 ¢ .

−→

n

2

σb 2 =

1

σb

2

2

=

1

n

1

1

n

2

n

1

X

i=1

n

1

X

i=1

(

(

w 1i αb 1 ) 2 −→

n

1

P

→∞ σ 2

1

w 12 αb 2 ) 2 −→

n

2

P

→∞ σ 2

2

,

.

3. On suppose que n 1 /n 2 k 6= 0 lorsque n 1 →∞.

(a)

(b)

Montrer que

En déduire que

n 1 ( αb 1 αb 2 ) N ¡ 02 + 2

−→

n

1

1

L

2 ¢ .

T = αb 1 αb 2

−→ N (0 , 1)

L

q σ 2 + σ 2 n 1

1

n

1

n

2

2

sous l’hypothèse nulle H 0 : α 1 = α 2 .

(c) Vérier que

si σ 1 = σ 2 = σ .

σb 2 + σb 2 n

1

1

2

n

2

P

−→

n

1 →∞

σ

2

np (1 p)

4. On suppose que n 1 → ∞ et n 1 /n 2 k = 0.

(a)

Interpréter.

(b)

Montrer que

αb 1 αb 2

σ 2

1

n 1

8

L

−→ N (0 , 1).

n

1

3.2

Un test de Goldfeld-Quandt

Dans cet exercice, on cherche à quantier l’inuence du diplôme sur le salaire. On considérera donc le modèle linéaire suivant :

w i = αx i + β + u i

x i repère le niveau d’éducation de l’individu i. On supposera les résidus u i inid et orthogonaux aux variables explicatives. On teste l’hétéroscédasticité des résidus en divisant l’échantillon en deux sous-échantillons I 1 et I 2 correspondant aux "non-diplômés" (niveau inférieur au bac) et aux "diplômés" (au moins le bac). On retire ensuite de ces deux sous-échantillons une proportion des individus telle que tous deux aient la même taille. On calcule ensuite les sommes des résidus des deux sous-modèles, soit SR 1 et SR 2 .

suit, sous l’hypothèse d’homoscédasticité, une loi de Fisher dont on

1. Montrer que SR 2

SR 1

précisera le nombre de degrés de liberté.

2. Tester l’hypothèse d’homoscédasticité aux niveaux 1% , 5% et 10%. Qu’en déduire ?

3. On considère alors le modèle :

ln( w i ) = αx i + β + u i .

(9)

Justier la forme choisie: pourquoi utilise-t-on le logarithme?

4. Tester l’hypothèse d’homoscédasticité sur ce modèle. Conclusion ?

3.3 Utilisation à tort des MCO

On évalue l’erreur qui est faite lorsque l’on estime un modèle linéaire hétéroscédastique par les MCO. On considère le modèle hétéroscédastique :

y i = a + bx i + u i ,

(10)

où la matrice de variance-covariance des u i est diagonale, égale à σ 2 diag ( ω 1 , suppose que les poids ω j sont positifs, et somment à 1.

,

ω n ) . On

ˆ

1. Calculer b MCO . Est-il sans biais? Convergent?

ˆ

2. Mêmes questions pour b MCP , l’estimateurs des Moindres Carrés Pondérés du paramètre

b.

3. Calculer les variances de

ˆ

b MCO et

ˆ

b MCP .

ˆ

4. Montrer que b MCP est plus précis.

5. On calcule un estimateur de la variance de b MCP par la méthode des MCP. Montrer

ˆ

que cet estimateur n’est pas biaisé.

ˆ

6. On calcule maintenant un estimateur de la variance de b MCO par les MCO. Montrer

que cet estimateur est biaisé. Dans quelle direction?

9

3.4

Observations Groupées

, La variable d i est une variable discrète qui indique un groupe social d’appartenance de l’individu i (les diplômés par opposition aux non diplômés, diérentes PCS, etc.). Chaque

groupe social j { 1 ,

moyen, âge moyen, etc.). Pour tout j { 1 ,

le groupe j et

, J } , on note N j le nombre d’individus i dans

Soit un échantillon d’observations iid {( y i ,d i ) , i = 1 ,

, J } .

N } , avec y i R et d i {1 ,

, J } est caractérisé par un vecteur de constantes z j R K (revenu

y j la moyenne de y i dans le groupe j . Enn, δ j = 1 { d i = j } dénote la variable

i

indiquant si le groupe d’appartenance est le groupe j (δ j = 1 si d i = j , = 0 sinon).

i

1. Soit β b = ( β 1 , ,

b

(

δ

1

i ,

, δ

J

i

) 0 .

b

β J ) 0 l’estimateur des MCO de la régression de y i sur le vecteur x i =

(a)

(b)

(c)

Remplacer les ? dans les deux équations suivantes par l’expression appropriée:

N j =

N

X

i=1

?

y j = P P

N i=1 ?y i

N i=1 ?

Interprétez géométriquent le système des équations normales dénissant l’estimateur des MCO:

N

X

i=1

x i ³ y i x 0 β ´ = 0.

b

i

Déduire des équations normales que β b j = y j .

2. On considère maintenant le modèle de régression linéaire suivant:

z d i = P

J j =1 z j δ i j

0

y i = a + z d i b + u i

et avec E ( u i | d i )=0 et V ( u i | d i ) = σ 2 .

(11)

(a)

(b)

Montrer que les équations normales dénissant l’estimateur des MCO de a et b s’écrivent:

P

P

=1 N j ³ y j baz b = 0

J

j

J

j

0

j

b

´

=1 N j z j ³ y j baz b b ´ = 0

0

j

(12)

N j est le nombre d’individus i appartenant au groupe j .

Combien y-a-t’il d’équations et de variables dans le système (12)?

(c) Montrer que

b

ba = yz 0 b.,

b b = Ã

J

X

j

=1

N j ( z j z ) (z j z ) 0 ! 1 Ã N j ( z j z ) ¡ y j y ¢ ! ,

J

X

j

=1

(13)

(14)

y et

z sont les moyennes de y i et z d i dans l’échantillon,.

10

3. On considère ensuite le modèle de régression linéaire suivant:

0

y j = a + z j b + v j , j = 1 , , J.

(15)

(a)

Montrer que l’équation (15) se déduit de l’équation (11) pour un choix de v j que vous expliciterez.

(b) Montrer que E ( v j | X )=0 X = ( δ

(c) Montrer que V ( v j | X ) = N σ 2 j .

1

i ,

, δ

J

i

)

i=1, ,N

.

(d) Montrer que Cov(v j ,v j 0 | X )=0, j 6= j 0 { 1 , J } .

(e) Calculer l’estimateur des MCO de la régression de y j sur 1 et z j .

(f)

Calculer l’estimateur des MCG et montrer que c’est le même estimateur que celui obtenu dans la question 2c.

11

4

Endogénéité des variables explicatives

4.1 Rendements de l’éducation

On considère l’équation de salaire suivante :

y i = a + bx i + u i ,

x i représente le niveau d’éducation de l’individu i, et y i le logarithme de son salaire. On s’intéresse aux éventuels problèmes d’endogénéité posés par cette formulation.

1. Pour mettre ces problèmes en évidence, on postule dans cette question l’existence d’une caractéristique inobservée, z i , qui inuence à la fois u i et x i . Soit :

½ u i =

bz i + η i ,

x i = α + βz i + e i .

(a)

Interpréter ce modèle structurel.

(b)

En supposant η i et e i non corrélés et de moyenne nulle, déterminer le biais asym-

 

ˆ

 

totique de l’estimateur des MCO b MCO . Montrer qu’il est vraisemblablement

positif.

 

ˆ

(c)

On calcule empiriquement le biais de b . Quelle méthode peut-on utiliser?

On trouve alors un biais signi cativement négatif.

2. On interprète le paradoxe des questions précédentes en postulant la présence d’erreurs de mesure. On suppose que le vrai modèle s’écrit :

y

i = a + bx + u i ,

i

y est le salaire mesuré par y i avec erreur:

i

y i = y + ν i ,

i

et x le vrai niveau d’éducation mesuré avec erreur par x i :

i

x i = x + ε i .

i

On suppose les erreurs de mesure ε i et ν i non corrélées entre elles, iid et non corrélées avec x

i .

(a)

Soit b b l’estimateur des MCO du coecient de x i dans la régression de y i sur x i avec constante. Exprimer le biais asymptotique sur b et montrer que l’erreur de mesure biaise l’estimateur vers 0 .

(b)

Soit bc l’estimateur des MCO du coecient de y i dans la régression de x i sur y i avec constante. Exprimer le biais asymptotique de 1 /bc sur b . Montrer que le biais est positif.

(c)

En déduire que l’on peut obtenir un encadrement du vrai rendement de l’éducation, et discuter la précision de cet encadrement. Montrer en particulier que 1 /bc reste biaisé même lorsqu’il n’y a pas d’erreur de mesure.

12

4.2

Un modèle d’ore de travail

Dans cet exercice, on considère le modèle suivant:

(16)

La variable y i représente le nombre d’heures travaillées par l’individu i dans la semaine précédant l’enquête, et x i est le salaire horaire de ce même individu.

y i = a + bx i + u i .

1. Quelles sont les deux interprétations possibles du résidu u i vues en cours. Pour quelle raisons, dans l’éventualité d’une interprétation causale de cette relation, la variable x i est-elle susceptible d’être corrélée au résidu u i ?

2. On suppose dans cette question que x i est endogène dans l’équation (16). Montrer

ˆ

qu’alors l’estimateur des MCO b de b est biaisé, et calculer son biais en fonction de x i

et u i . S’attend-on à un biais positif ou négatif? Justi er.

3. Parmi les variables suivantes, lesquelles peut-on rejeter immédiatement comme n’étant pas des instruments convenables pour le modèle (16) : indicatrice de temps partiel, profession de l’individu, région de résidence, diplôme, salaire hebdomadaire. Justi er chacune de vos armations.

4. On retient dans cette question et la suivante la profession des parents comme instru- ment. Expliquer comment on obtient l’estimateur des doubles moindres carrés de b , associé au modèle (16) et à l’instrument considéré (que l’on pourra noter z i pour les besoins de l’explication). On eectue le calcul de b 2MC sur un échantillon de 10000 individus. La régression augmentée de y i sur x i , vb i et la constante donne :

ˆ

yˆ i = 174 x i 204 vb i + 14 ,

(12)

(12)

(3)

où les écarts-types sont entre parenthèse. Que représente la variable v i ? Donner la

ˆ

moyenne et l’écart-type de b 2MC . Tester ensuite l’exogénéité de x i pour le modèle (1)

à 5%. Dans quel sens l’estimateur des MCO est-il biaisé? Commenter.

5. Peut-on tester la validité de l’instrument "profession des parents" à partir des infor- mations contenues dans l’énoncé ? Comment pourrait-on s’y prendre pour la tester? Expliquer.

6. On s’intéresse maintenant à l’éventuelle hétéroscédasticité du modèle (16). Expliquer pourquoi la variance conditionnelle V( y i |x i ) est vraisemblablement monotone en x i . Quelle méthode peut-on appliquer pour tester l’hétéroscédasticité du modèle?

7. On suppose le modèle (16) hétéroscédastique. On instrumente alors par la profession

ˆ

des parents, comme dans la question 4. Le coecient b 2MC est-t-il convergent? Que

dire de son écart-type?

8. Donner une méthode permettant d’éliminer asymptotiquement le biais mis en évidence à la question précédente. Expliquer son fonctionnement.

13

9.

D’après les conclusions de l’exercice, quel eet, revenu ou substitution, est dominant dans l’échantillon? Proposer une autre forme pour le modèle (16) qui permette de prendre en compte ces deux eets simultanément.

4.3 Régression vers la Moyenne?

Soit un échantillon d’observations iid { ( y i ,x i ) , i = 1 ,

, J } , inobservée, qui partitionne les individus en J groupes.

La variable x i est la taille du père de l’individu i et y i est sa propre taille. En régressant

y i y sur x i x le statisticien Galton a trouvé un coecient inférieur à un, phénomène qu’il a qualié de régression vers la moyenne. En réalité, il s’agit d’un artefact statistique qu’on va chercher à comprendre.

, N } , avec y i R, x i R. On suppose

qu’il existe une variable d i { 1 ,

Soit z 1 ,

, z J R. On suppose vérié le modèle suivant:

y i y = z d i + u i ,

x i x = z d i + v i ,

u i et v i sont deux perturbations de moyennes nulle et de variances constantes non nulles conditionnellement à d i :

E

( u

i |d i )=0

et

E

( v

i |d i )=0

et

V

V

2

u

2

( u i | d i ) = σ ( v i | d i ) = σ

v

.

,

1. Calculer E ( y i y | d i = j ) et E ( x i x | d i = j ) .

2. Interprétez z j . Quelle justication donner au fait que l’on suppose que c’est le même z j qui apparaît dans les deux équations?

3. Calculer l’estimateur des MCO b b du coecient de la régression sans constante de y i y

sur x i x.

4. Montrer que 0 < plim N b b< 1 .

5. Les économistes de la croissance ont souvent régressé le taux de croissance moyen du PIB (sur une période donnée) sur le PIB de début de période:

ln PIB i1 ln PIB i 0 = a + b ln PIB i0 + u i

, N . Une estimation négative du coecient b est

souvent interprétée comme le signe d’une convergence vers un niveau de PIB commun. Montrer à l’aide du modèle précédent qu’une telle interprétation peut être fallacieuse.

pour un échantillon de pays i = 1 ,

14

5

Equations simultanées

5.1 Modèle de Haavelmo

On considère le modèle d’équilibre général formé des deux équations suivantes:

c

=

αy + β + u,

y

= c + i,

y est la production, c la consommation et l’investissement i est considéré comme exogène.

1. Interpréter ces deux équations.

2. Exprimer les formes réduites de ce système.

3. Calculer la limite en probabilité de αb MCO , l’estimateur de α par les MCO.

4. Quelles remarques pouvez-vous faire sur l’estimation des modèles d’équilibre général. Proposez une méthode d’estimation convergente des paramètres.

5.2 Ore et demande

On estime dans cet exercice un modèle Ore/Demande. Soit :

S i ( p i ,v i ) = α + βp i + v i ,

D i ( p i ,u i ) = a + bp i + u i .

On suppose de plus que les résidus suivent une loi normale bivariée dont les paramètres sont

:

E ( u i ) = E ( v i )=0,

V ( u i ) = σ u ; V ( v i ) = σ v ; Cov ( u i ,v i ) = ρσ u σ v .

2

2

1. La loi conditionnelle v i | u i est normale. Calculer sa moyenne et sa variance. En déduire par symétrie la loi de u i | v i .

2. Calculer la loi marginale du prix d’équilibre p i .

3. Calculer E ( u i | p i ) et E ( v i |p i ) .

4. Vérier que :

a + bp i + E ( u i | p i ) = α + βp i + E ( v i | p i )

15

5.3 Identication

1. Soit le système d’équations simulatanées :

½ y 1t y 2t = a 2

=

a

1

avec u 1 t et u 2t corrélés.

+ b 1 · y 2t + b 2 · y 1t

+ c 1 · x 1t + c 2 · x 2t

+ u 1t + u 2t

(a)

Ecrire les formes structurelle et réduite correspondantes.

(b)

Que veut dire : "les paramètres du modèle sont identi és." Donner la dénition.

(c)

A l’aide de la condition d’ordre, dire si les équations sont identiables.

(d)

Montrer à l’aide de la forme réduite que les paramètres sont en eet identiés.

2. Soit le modèle :

½

y 1t = a 1 y 2t = a 2

+ b 1 · y 2t + c 1 · x 1t + u 1t + c 2 · x 1 t + u 2t

(a)

La condition d’ordre reste-t-elle satisfaite pour chaque équation ?

(b)

Quels paramètres ou fonctions des paramètres sont identiables?

16