Vous êtes sur la page 1sur 42

2011

INTRODUCTION A LECONOMETRIE
2012

2011 2012

LICENCE 3 SCIENCES ECONOMIQUES

COURS DE M. FRANOISE SEYTE

Introduction
lconomtrie
[Tapez le sous-titre du document]

INTRODUCTION A LECONOMETRIE

Page 0
H34VEN
Cours pour Licence 3, Semestre 5 Anne 2011-2012

INTRODUCTION A LECONOMETRIE

2011 2012

INTRODUCTION A LECONOMETRIE

Page 1

INTRODUCTION A LECONOMETRIE

LICENCE 3 SCIENCES ECONOMIQUES

2011 2012

COURS DE MME FRANOISE SEYTE

Cours magistral
dintroduction lconomtrie

Ecrit pour les tudiants de troisime anne de licence en sciences conomiques

Pour toutes incomprhensions, imperfections ou erreurs ventuelles,


Merci de les signaler sur le forum de la facult de sciences conomiques de l'UM1, cette
adresse :
http://www.forum-sceco.fr (Connexion partir de http://gide-co.fr/forum ), dfaut de ne
pouvoir me contacter directement...
PRISE DE NOTE PAR : PLASMAN SYLVAIN

INTRODUCTION A LECONOMETRIE

ANNEE 2011 2012

Page 2

INTRODUCTION A LECONOMETRIE

2011 2012

Sommaire
Historique de lconomtrie

P.005

(peut tomber en examen, cf. Annales)


Quest ce que lconomtrie ? / Bibliographie
I.
Des origines de lconomtrie lge dor de la modlisation macroconomtrique
II.
La crise de la modlisation macro-conomtrique au dveloppement
rcent de lconomtrie
A. Les annes 70
B. Lconomtrie des sries temporelles depuis les annes 1980

Chapitre I

P.005
P.006
P.008
P.008
P.008

P.009

Modles linaires simples : Le modle 2 variables


I.
II.
III.

IV.

V.

Les hypothses du modle


Lestimateur des Moindres Carrs Ordinaires
Les proprits des estimateurs des MCO
A. Les hypothses
B. Les proprits
Loi des estimateurs, intervalle de confiance et test dhypothse
A. Estimations par intervalle de confiance
B. Test des paramtres
C. Etude de la corrlation
Utilisation du modle de rgression en prvision
A. Prvision dune valeur moyenne de correspondant une valeur de
: Intervalle de confiance
B. Comparaison dune prvision ponctuelle la droite des moindres
carrs : Test dhypothse

Chapitre II

P.009
P.010
P.013
P.013
P.018
P.019
P.019
P.021
P.023
P.026
P.027
P.029
P.031

Modle linaire gnral simple


I.

II.

III.

Les tests de normalit de lala


A. Test de Skewness-Kurtosis
B. Test de Jarque-Bera
Le problme de lautocorrlation
A. Dtection de lautocorrlation
B. Principales causes de lautocorrlation
C. Les effets de lautocorrlation
D. Le test dautocorrlation
Le problme de lhtroscdacticit
A. Glejser

INTRODUCTION A LECONOMETRIE

P.031
P.031
P.032
P.032
P.032
P.034
P.034
P.034
P.035
P.035
Page 3

INTRODUCTION A LECONOMETRIE

IV.

B. (processus) ARCH
C. White
D. Goldfeld-Quandt
Robustesse du MLGS (Modle Linaire Gnral Simple)
A. Test de comparaison de 2 coefficients de rgression
B. Test dANACOVA
C. Test de comparaison de 2 coefficients de corrlation

INTRODUCTION A LECONOMETRIE

2011 2012

P.035
P.036
P.036
P.037
P.037
P.038
P.038

Page 4

INTRODUCTION A LECONOMETRIE

2011 2012

Historique de leconometrie
(A ne pas zapper, peut tomber en examen !)
Quest-ce que lconomtrie ?
Lconomtrie, cest lunification de la thorie conomique, des mathmatiques et des statistiques.
Lconomtrie nest pas assimilable uniquement la statistique conomique ou aux mthodes
mathmatiques appliques lconomie : cest la conjonction de la thorie conomique, de la
statistique et des mathmatiques
Dfinition de Ragnar FRISCH, 1933
Lconomtrie a t mise lhonneur par plusieurs prix Nobel
1) 1980 : Lawrence KLEIN (Premiers modles macro-conomtriques, analyse des fluctuations et
croissance)
2) 1989 : Trygve HAAVELMO (Introduction de lapproche probabiliste, modles quations
simultanes)
3) 2000 : James HECKMAN (Thories et mthodes danalyse des chantillons)
4) 2000 : Daniel McFADDEN (Analyse des choix discrets en conomtrie)
5) 2003 : Robert GRANGER & Clive ENGLE (Co-intgration & Volatilit des sries temporelles et des
modles ARCH)

Bibliographie :
PIROTTE, Lconomtrie : des origines aux dveloppements rcents
JOHNSON-DINARDO, Economtrie, DUNOD
LABROUSSE, Introduction lconomtrie, DUNOD
BOURBONNAIS, Introduction lconomtrie, DUNOD

I.

Des origines de lconomtrie lge dor de la modlisation macro-conomtrique

Les premires tudes empiriques datent du XVIIme-XVIIIme sicle. Lautorit de la loi


naturelle, cette poque, se dgage progressivement de celle de la religion et de celle du prince.
Cest le cas en Allemagne et en Angleterre.

INTRODUCTION A LECONOMETRIE

Page 5

INTRODUCTION A LECONOMETRIE

2011 2012

En Allemagne se met en place la Statistique descriptive qui se situe dans une description globale des
tats. Cest le cas dHermann CONRING (1606 1681) qui conoit la statistique comme un moyen de
classer des savoirs.
En Angleterre se met en place lArithmtique politique (Dpouillement des registres et des paroisses
des baptmes, des mariages et des dcs). On construit des tables de mortalits et on calcule des
esprances de vie.
William PETTY a contribu lui au dveloppement de la Statistique dmographique.
Gregory KING est le premier formaliser une loi de demande.
Cest au XIXme sicle que se dveloppement la statistique mathmatique et lvolution
probabiliste de multiples champs comme : LAstronomie, la Sociologie, la Biologie, la Physique.
La gense de lconomtrie apparait au milieu du XIXme sicle, avec le dveloppement de
lconomie mathmatique dAuguste COURNOT et Lon WALRAS.
On doit lanalyse mathmatique de la rgression aux Anglais, et en particulier GALTON en 188
dveloppe la corrlation (Liaison entre 2 variables)
A la mme poque, Francis EDGEWORTH dtermine la formule de la fonction de densit normale.
Karl PEARSON dveloppe le coefficient multiple et montre le lien avec les coefficients de corrlation
simple
George YULE tudie la corrlation entre le Pauprisme et laccs des mesures dassistance.
Evelyn HOCKER est le premier tudier des variables retardes dans les modles de rgression.
Marcel LENOIR est le premier tenter dexpliquer les lois doffre et de demande. Son approche tant
dimbriquer lconomie mathmatique, la statistique descriptive et la statistique mathmatique.
Lconomtrie moderne dbute rellement avec lanalyse du march du travail amricain : Henry
MOORE sintresse au problme de dtermination des salaires, des fonctions de demande et des
cycles de priodicit. Sa dmarche consiste prouver que les mathmatiques et la statistique
peuvent servir de rvlateur empirique et autoriser une interprtation concrte des phnomnes
conomiques.
Dbut de la description de la conjoncture avec lanalyse des cycles. Ce sont les conjoncturistes
amricains qui jouent un rle essentiel dans la dtection statistique des cycles. Il faut observer,
analyser, systmatiser les phnomnes de prosprit, de crise et de dpression.
Cycle de JUGLAR/Cycle de KITCHIN/Cycle de KUZNETS/Cycle de KONDRATIEFF
En 1920 apparait le premier institut de conjoncture. A la mme poque est cr le National Bureau
of Economics Research (NBER). Son rle tant bas sur la recherche conomique empirique.
Avec le dbut du XXme sicle, lanalyse conomique prend une nouvelle dimension : Des
conomistes, des hommes daffaires et des ingnieurs contribuent lier lconomie, les
mathmatiques et la statistique. Lconomie devient reconnue comme une discipline part entire.

INTRODUCTION A LECONOMETRIE

Page 6

INTRODUCTION A LECONOMETRIE

2011 2012

Le 29 dcembre 1930, lconomie va prendre un nouvel essor avec Jan TINBERGEN et Ragnar FRISCH.
FRISCH est lorigine de la Socit dconomtrie. Le premier colloque se fait 1931 Lausanne. A la
mme poque, Alfred COWLES, conseiller financier et spcialiste en prvision boursire, rentre en
contact avec la Socit dconomtrie et propose 2 projets :
-

Financer la publication dune revue dconomtrie


Financer une organisation de recherche sous son patronat

Dans les annes 1930, la revue Econometrica est cre, le premier numro sort en Janvier 1933, son
rdacteur de lpoque tant Ragnar FRISCH.
Lorganisme de recherche, la COWLES Commission, voit aussi le jour cette poque. Elle sinstalle
Chicago et sintresse la mesure directe des phnomnes laissant de ct linfrence sur les
mesures statistiques et prend par la suite de nouvelles mesures dorientation (obtient des
subventions de la part des universits).
Apparait ce moment-l les premiers modles quations simultanes, du fait de lapparition dans
les quations de termes alatoires qui refltent des causes multiples.
Le premier modle macro-conomtrique apparait son tour et incorpore des principes
probabilistes et celui de Lawrence KLEIN dans les annes 1950-1960. Cette poque voit le
dveloppement des modles retard chelonn de KOYCK, en 1954.
Paralllement commence se dvelopper des mthodes de prvisions court terme, o lon
retrouve les modles de BOX et JENKINS. On estime alors des Processus univaris pour raliser des
prvisions.

II.

La crise de la modlisation macro-conomtrique au dveloppement rcent de


lconomtrie

A. Les annes 70
Les annes 70 marquent la fin de lge dor de la macro-conomtrie, le choc ptrolier contredit tous
les prcdents modles macro-conomtriques.
Cela ouvre cependant la voie de nouveaux modles, notamment les modles Vecteurs Auto
Rgressifs (VAR). Se dveloppent en mme temps les analyses de la Causalit.

B. Lconomtrie des sries temporelles depuis les annes 1980


Les Tests de racine unitaire de MICKEY-FULLER, les modles ARMA, la modlisation ARCH, les
modles LOGIT-PROBIT, les modles de BOOSTRAP et les modles baysiens apparaissent dans les
annes 1980.
Lconomie comprend lheure actuelle de multiples branches trs forts contenus.

INTRODUCTION A LECONOMETRIE

Page 7

INTRODUCTION A LECONOMETRIE
-

2011 2012

Lconomtrie des sries temporelles


Lconomtrie des variables qualitatives
Lconomtrie des donnes de PANEL

INTRODUCTION A LECONOMETRIE

Page 8

INTRODUCTION A LECONOMETRIE

2011 2012

Chapitre I
Modles linaires simples : Le modle 2 variables

I.

Les hypothses du modle

Le modle conomtrique est une reprsentation simplifie mais la plus exhaustive possible
dune entit conomique donne. Sous sa forme la plus courante, un modle conomtrique est
reprsent par des quations, le plus souvent linaire. Dans ces quations, nous avons 2 types de
variables :
-

Les variables exognes (explicatives) :


Les variables endognes (expliques) :

La fonction peut avoir plusieurs formes, elle peut tre linaire, exponentiel, fonction puissance,
mais il faut savoir que tout modle non linaire peut se ramener au cas non linaire par
transformation par anamorphose.
Soit
{
{

)
(

INTRODUCTION A LECONOMETRIE

Page 9

INTRODUCTION A LECONOMETRIE

2011 2012

Comme il ny a pas de variable explicative en conomie, on en ajoutera une qui lon appellera
ala ou erreur. On dit que cette variable synthtise lensemble des influences sur que ne peut
expliquer.
En conomie, il y a trois types de modles :
-

Le modle en srie temporelle, note


Le modle en coupe instantane, note
Le modle de PANEL, note

Le problme va tre destimer les paramtres

, qui sera ici lcriture privilgie

et

connaissant les valeurs observes de

et

Les valeurs calcules vont tre notes et , tant estimateurs.


Ntant pas de mme valeur, lcart de valeur entre

et est appel cart ou rsidu, note

Il existe deux mthodes permettant de calculer alpha et beta


-

La mthode des Moindre Carres Ordinaires (MCO)


La mthode du maximum de vraisemblance

Lutilisation de ces 2 mthodes doit mener des valeurs estimes dalpha et beta, ce qui
implique quun certain nombre dhypothses de base soit vrifi.
1)
est une variable contrle, cest--dire indpendante de lala
2) Lhypothse de normalit de lala : [ ]
. En moyenne lensemble des facteurs non
expliqus par la rgression et qui se retrouve dans tendent se compenser
3) Lhypothse dhomoscdacticit : [ ]
, signifie que la variance des est
constante quelque soit le sous chantillon tir de lensemble de jusqu
]
4) Lhypothse de non autocorrlation : [
,
. La distribution des , qui
correspond celle des est indpendante de celle des
, qui correspond celle des
Nous avons donc 3 quantits inconnues dans notre modle
-

, la variance de lala

II.

Lestimateur des Moindres Carrs Ordinaires

La mthode des MCO consiste retenir comme estimateur de et ce qui rsulte de la


minimisation de la somme des carrs des carts, cart entre la valeur observe de la variable
endogne (rappel : explique) et la variable calcule de cette mme variable endogne, cart
respectivement mesur par la projection paralllement laxe des ordonnes des points sur la
droite de rgression.

INTRODUCTION A LECONOMETRIE

Page 10

INTRODUCTION A LECONOMETRIE

2011 2012

))

( , )

quations normales

2 (

INTRODUCTION A LECONOMETRIE

Page 11

INTRODUCTION A LECONOMETRIE
,

2011 2012

( ,

MCO

(
2

INTRODUCTION A LECONOMETRIE

Page 12

INTRODUCTION A LECONOMETRIE

Valeurs centres : {

III.

2011 2012

Les proprits des estimateurs du MCO

A. Hypothses :
1) Les estimateurs des MCO sont des fonctions linaires des estimateurs de Y. Pour
consquence, comme dpend de , est une variable alatoire. De ce fait, et sont
aussi des variables alatoires. Ainsi, et obiront une loi Normale

Proprits de

Comme dpend de ,
est une variable alatoire. De ce fait,
alatoires. Les
sont des constantes fixs dans les chantillons.
2)

sont des variables

sont des estimateurs sans biais de

INTRODUCTION A LECONOMETRIE

Page 13

INTRODUCTION A LECONOMETRIE

[ ]

, avec

2011 2012

[ ]

[ ]

[ ]

[ ]

[ (

[ (

) ]

[
[

[ (

) [ ]

) ]

[ ]

INTRODUCTION A LECONOMETRIE

Page 14

INTRODUCTION A LECONOMETRIE

sont des estimateurs variance minimale de

3)

Calcul de variance de

[ ]

[ ]] ,

[ ]

]
2

2011 2012

[ ]

Calcul de la variance de

[ ]

[ ]] ,

[ (

[ (

2(

) ]

2(

[ ]

)(

) [

INTRODUCTION A LECONOMETRIE

Page 15

INTRODUCTION A LECONOMETRIE

( , )

( , )

( , )

Calcul de la covariance de
( , )

2011 2012

)]

[ (

[ ]

],

, [
]
, [

]
[ ]

ont des variances, il faut montrer maintenant quelles sont minimales.

On considre un estimateur linaire quelconque de

par rapport , tel que :

Si est sans biais et de variance minimale, on aura

INTRODUCTION A LECONOMETRIE

et
Page 16

INTRODUCTION A LECONOMETRIE

2011 2012

[ ]

[ ]

[ ]

[ ]

[ ]]

[ ]

[ ]

Si
est minimal, la variance est elle aussi minimale. On a donc un problme de minimisation
sous contrainte.

min

sc. {

INTRODUCTION A LECONOMETRIE

Page 17

INTRODUCTION A LECONOMETRIE

2011 2012

Or

B. Proprits
1)

sont des estimateurs convergents

, S
[ ]

[ ]

[ ]

[ ]

, Estimateur convergent

(15 pages de polycopis)

INTRODUCTION A LECONOMETRIE

Page 18

INTRODUCTION A LECONOMETRIE

2011 2012

sont des estimateurs linaires de


, ils sont aussi sans biais, convergents, de variance
minimale. On dit quon a affaire des estimateurs Best Linear Unbiased Estimator (BLUE)

[ ]

[ ]

[ ]

[ ]

2
IV.

Loi des estimateurs, intervalle de confiance et test dhypothse

Comme les estimateurs sont des estimateurs linaires de , qui dpendent de l'ala alors les
estimateurs sont alatoires et obissent une loi normale

( ,

( ,

A. Estimations par intervalle de confiance

( ,

]
),

inconnu

INTRODUCTION A LECONOMETRIE

Page 19

INTRODUCTION A LECONOMETRIE

2011 2012

[
(

]]

( ,

2 ]

2
2

2
2)

]
]

INTRODUCTION A LECONOMETRIE

]]

Page 20

INTRODUCTION A LECONOMETRIE

2011 2012

Test sur
Problme :
2 (

,
2

[
[

2 (

]
]

B. Test des paramtres


Test sur

]
]

[ {

]]

RDD :
-

Si
Si

, alors
, alors

Il faut rejeter

pour avoir une relation linaire cela revient tester la validit du modle.
2

[
[

accepte au risque
rejete au risque

]
]

INTRODUCTION A LECONOMETRIE

Page 21

INTRODUCTION A LECONOMETRIE

[|

] , pour

2011 2012

RDD :
Si | |
Si | |

2 ,
2 ,

accepte au risque
rejete au risque

[
2

]
]

] , Si


[ {

]]

vraie

Et

de

ort disparu

RDD :
Si
Si

,
,

accepte au risque
rejete au risque p
2 , pour

RDD :
-

Si | |
Si | |

2 ,
2 ,

accepte au risque
rejete au risque

INTRODUCTION A LECONOMETRIE

Page 22

INTRODUCTION A LECONOMETRIE
Test de
2

2011 2012

[
[

]]

RDD :
Si
Si

,
,

accepte au risque
rejete au risque

C. Etude de la corrlation
Le coefficient de corrlation est le coefficient qui mesure le degr de covariation linaire entre
et , cest--dire la manire dont varient ensemble les variables linaires
,

sans dimension
Le coefficient de corrlation nest pas affect par une interpolation de

variables
Relation entre

INTRODUCTION A LECONOMETRIE

Page 23

INTRODUCTION A LECONOMETRIE

((

) )

2011 2012

) , or

Variance totale = Variance rsiduelle + Variance explique


La fluctuation totale des valeurs de
dcompose en 2 lments :

autour de la moyenne de lchantillon peut tre

La Variance Explique est la variation des valeurs de autour de leur moyenne, cest la
somme des carres expliques par linfluence linaire de la variable .
La Variance Rsiduelle est la variation rsiduelle des valeurs de autour de la droite des
moindre carrs. lus la variance rsiduelle que lon peut considrer comme lerreur est
faible, plus le modle sera prcis et exact.

Calcul de

rsiduelle
totale

INTRODUCTION A LECONOMETRIE

Page 24

INTRODUCTION A LECONOMETRIE

2011 2012

explique
totale

Le coefficient de corrlation, port au carr,


explique par linfluence linaire de la valeur .
-

Test du coefficient de corrlation linaire simple


2

indique la fraction de la variance de

2 , si

vraie

Cette hypothse revient tester la validit globale du modle et donc tester la corrlation de
type linaire entre et .

[|

RDD :
Si |

2 ,

accepte au risque de premire espce

INTRODUCTION A LECONOMETRIE

Page 25

INTRODUCTION A LECONOMETRIE
Si |

2 ,

2011 2012

rejete au risque de premire espce

Tableau de lanalyse de la variance


Origine des variances

Somme des carres des carts


Variance explique
Variance rsiduelle

Variance totale

On calcule

DDL

Carrs moyens

1
2

sparment, on montre que

Test du coefficient de dtermination


2

Le carre dune loi de Student donne la loi de Fisher


,
,

2
2

RDD :
-

Si
Si

V.

,
,

2 ,
2 ,

accepte au risque de premire espce


rejete au risque de premire espce

Utilisation du modle de rgression en prvision

Prvoir la valeur moyenne de la variable explique pour une valeur donne de la variable
explicative : cest lesprance mathmatique des valeurs possibles de connaissant la valeur .
On construit un intervalle de confiance de cette valeur
On va se demander maintenant si une prvision ponctuelle donne (
compatible avec la relation linaire dont on a estim les paramtres.
1

est

Rho

INTRODUCTION A LECONOMETRIE

Page 26

INTRODUCTION A LECONOMETRIE

2011 2012

A. Prvision dune valeur moyenne de

correspondant une valeur de

: Intervalle de confiance

doit tre de variance minimale


our faire une prvision ponctuelle, on dfinit dabord une fonction de prvision linaire des

Il sagit donc de calculer les de telle sorte que soit la meilleure prvision linaire
sans biais, cest--dire, il faut que soit un estimateur BLUE ; On doit calculer son esprance
mathmatique et montrer que lestimateur est sans biais et montrer que est de variance
minimale.
Calcul de lesprance mathmatique

[ ]

[ ]

est un estimateur sans biais de [

] si [

et

Calcul de la variance (qui doit tre minimale)

Cf. Polycop Dmonstration : doit tre minimale


2

Calcul de variance de

: Sachant que

INTRODUCTION A LECONOMETRIE

Page 27

INTRODUCTION A LECONOMETRIE
[ ]

[
[

[ ]
[ ]

2011 2012

[ ]

( ,

( , )

[ ]

[ ]

( , )

{
[ ]

)
[ ]

[ ]

tant inconnu, on constitue une loi de

2
2

INTRODUCTION A LECONOMETRIE

Page 28

INTRODUCTION A LECONOMETRIE

2011 2012

]
[

]]

B. Comparaison dune prvision ponctuelle la droite des moindres carrs : Test dhypothse
On souhaite obtenir un intervalle pour et regarder si la valeur prvue est compatible
avec la valeur moyenne de sachant
Supposons que la relation estime soit valable pour trouver

)
: Comme obit une loi normale,

Il convient donc de chercher la loi de


une loi normale aussi.
[

sachant que lon a

obit

[ ]

Les estimateurs sont biais, donc ils disparaissent quand ils sont soustraits aux
paramtres.
[

[
[ ]

[ ]

2 (

[ ]
(

obit une loi normale, desprance

INTRODUCTION A LECONOMETRIE

et de variance

Page 29

INTRODUCTION A LECONOMETRIE

2011 2012

constante

compatibilit entre la prvision et la droite estime

[
[

]]

RDD :
-

Si
Si

,
,

accepte au risque de premire espce


rejete au risque de premire espce

INTRODUCTION A LECONOMETRIE

Page 30

INTRODUCTION A LECONOMETRIE

2011 2012

Chapitre II
Modle linaire gnrale simple

Dans le chapitre prcdent, lestimation des paramtres du modle linaire simple, par
les MCO, ncessitait quun certain nombre dhypothse de base sur lala soit vrifi : lhypothse
de normalit, dhomoscdacticit et de non autocorrlation. Ici, on va lever toutes ces
hypothses et on va les tester.

I.

Les tests de normalit de lala

Il existe deux tests :


-

Le test de Skewness-Kurtosis
Le test de Jarque-Bera

A. Test de Skewness-Kurtosis
Test de Skewness
Symtrie normale
coefficient d asymtrie de earson
( , ) (6 et pas

!!)

RDD :

Si | |

accepte au risque

Si | |

rejete au risque

Test de Kurtosis :
pplatissement normale
( , 2

INTRODUCTION A LECONOMETRIE

Page 31

INTRODUCTION A LECONOMETRIE

2011 2012

RDD :
-

Si |

Si |

accept au risque

rejete au risque

our avoir normalit de lala, il faut avoir donc la symtrie normale et laplatissement normal.
B. Test de Jarque-Bera
2

2
Normalit de lala
RDD :
-

Si
Si JB

II.

2 ,
2 ,

accept au risque
rejete au risque

Le problme de lautocorrlation

A. Dtection de lautocorrlation
On se place ici dans un modle de srie temporelle.
Les erreurs sont inconnues. Seuls les rsidus apportent une information sur les
erreurs. Lautocorrlation concernent donc les rsidus.

Lautocorrlation reprsente des corrlations lintrieur de la srie des rsidus. Il y a


autocorrlation toutes les fois o lon peut trouver un coefficient de corrlation linaire
significativement diffrent de 0, entre la chronique des rsidus et elle-mme, retarde dun ou
plusieurs pas de temps.
Ces coefficients dautocorrlation peuvent se reprsenter graphiquement dont la
reprsentation graphique sappelle le corrlogramme.
Lensemble des coefficients de corrlation sappelle la fonction dautocorrlation.

INTRODUCTION A LECONOMETRIE

Page 32

INTRODUCTION A LECONOMETRIE

2011 2012

Exemple :

Si les rsidus sont une bonne reprsentation de lala, ils doivent vrifier lhypothse de
non autocorrlation. Cela signifie que toutes les autocorrlations successives doivent tre
significativement proches de 0 (barres courtes).
Il existe deux types dautocorrlation des rsidus :

Autocorrlation positive

Autocorrlation ngative

INTRODUCTION A LECONOMETRIE

Page 33

INTRODUCTION A LECONOMETRIE

2011 2012

B. Principales causes de lautocorrlation

Le modle ignore une variable explicative


Les variables de dpart taient saisonnires
Les variables contiennent des phnomnes exceptionnels, mal expliqu par le modle
oubli dune variable dichotomique ?)
Les variables de dpart des non-informations qui ont t corrigs par interpolation
linaire
Les variables de dpart ne vrifie pas lhypothse de stationnarit, cest--dire quelles
peuvent contenir des tendances dterministes (Trend linaire) ou stochastique

C. Les effets de lautocorrlation

obit un processus autorgressif :


-

Les estimateurs restent sans biais


Les variances dchantillon des coefficients de rgression ne sont plus minimales
La mthode des MCO nest plus la meilleure des mthodes pour estimer le modle.

D. Le test dautocorrlation
Test de lautocorrlation dordre 1 : le test de Durbin-Watson
Il existe un processus autorgressif dordre :
o | |
Absence dautocorrlation
D
0
Autocorrlation
positive
Si

,D

2
accepte

Autocorrlation
ngative
2

bsence dautocorrlation

Autocorrlation
positive

4
Autocorrlation
ngative

Test pour une autocorrlation suprieure 1 : Le test de Ljung-Box

stat

, avec

nombre de retards

INTRODUCTION A LECONOMETRIE

Page 34

INTRODUCTION A LECONOMETRIE

2011 2012

stat

, avec

ruit lanc

{ ,2, , }

RDD :
Si
Si

,
,

stat
stat

III.

accepte au risque
rejete au risque

Le problme de lhtroscdacticit

A. Glejser
| |

Test de la nullit de la pente de la droite :


homoscdacticit

RDD :
Si

Si | |
Si | |

2 ,
2 ,

accepte au risque
rejete au risque

est rejete, alors il y a htroscdacticit

B. (processus) ARCH
rocessus autorgressif sur le carr dune variable
, avec

le nombre de retards

{ ,, }

Multiplicateur de Lagrange

INTRODUCTION A LECONOMETRIE

Page 35

INTRODUCTION A LECONOMETRIE

2011 2012

RDD :
-

Si

accepte au risque (homoscdacticit)

Si

rejete au risque

C. White
Cest une rgression entre le carr des rsidus et chacune des variables explicatives
niveau ( ) et avec aussi le carr de ces variables.

,
(Homoscdacticit)
,

{ , ,2}
2

Le degr de libert du
variables explicatives.

gale au multiplicateur de Lagrange

est gale au nombre de

RDD :
-

Si

2 ,

accepte au risque

Si

2 ,

rejete au risque

Il existe une deuxime faon de faire le test : on utilise la statistique de Fisher, comme
pour le test du , mais cest la statistique de Fisher relative paramtres.

D. Goldfeld-Quandt
Ce test sapplique toutes les fois o lcart-type de lerreur du modle saccroit
proportionnellement avec lune des variables explicatives.
[ ]

[ ]

On ordonne les observations des variables


, en fonction des valeurs croissantes
de . On limine les observations centrales de lchantillon obtenu.

INTRODUCTION A LECONOMETRIE

Page 36

INTRODUCTION A LECONOMETRIE

2011 2012

Soit , le nombre dobservations limines. On obtient 2 sous-chantillons lun


correspond aux faibles valeurs de et lautre aux fortes valeurs. On applique la mthode des
MCO sur les
observations faibles et sur les
observations fortes.
Homoscdacticit
Htroscdacticit

) , avec

Somme des carrs des rsidus


{ ,2} l chantillon tudi

le nombre de paramtres
RDD :
-

Si

Si

omoscdacticit
troscdacticit

IV.

),
(

accepte au risque
),

rejete au risque

Robustesse du MLGS (Modle Linaire Gnral Simple)

Un modle est dit robuste lorsquil est valide dans les circonstances diffrentes. Dans
ce cas, il nous faut tudier le modle sous plusieurs sous-priodes. Par exemple, la relation
prix/rcolte du vin est-elle reste identique aprs lintroduction de la viticulture dans le
march commun en 1970 ?
Un modle est dit robuste si quelque-soit les sous-ensembles constitus partir
dobservations conscutives sur la priode { , }, les estimateurs du mme modle sur chacun
de ces sous-ensembles sont :
-

Valide : Il faut tester la significativit des paramtres, du , de Durbin-Watson


Stable : Les paramtres estims ne sont pas significativement diffrents. 3 tests :
o Test de comparaison de 2 coefficients de rgression :
o Test d N COV
o Test de comparaison de 2 coefficients de corrlation

A. Test de comparaison de 2 coefficients de rgression


re sous priode
2me sous priode
stabilit

INTRODUCTION A LECONOMETRIE

Page 37

INTRODUCTION A LECONOMETRIE

2011 2012

[ ]
[ ]

[ ]
]

[ ]
[ ]

[ ] Indpendant

[ ]

[ ]

RDD :
-

Si | |
Si | |

2
2

,
,

accepte au risque
rejete au risque

Mme chose pour les

B. Test dANACOVA
On appelle
la somme des carrs des rsidus du modle sur toute la priode,
la
somme des carrs des rsidus de la rgression sur chaque sous-priode (
sil y a 2
sous-priodes).
Le test consiste faire une comparaison entre

et

et
2

RDD :
-

Si
Si

,
,

2
2

,
,

accepte au risque (Stabilit)


rejete au risque

C. Test de comparaison de 2 coefficients de corrlation


Soit 2 sous priodes et , , respectivement les coefficients de corrlation de la sous
priode et 2. On montre quun coefficient de corrlation ne suit pas une distribution

INTRODUCTION A LECONOMETRIE

Page 38

INTRODUCTION A LECONOMETRIE

2011 2012

dexpression simple autour de son esprance mathmatique parce que la distribution est
fortement asymtrique pour des valeurs loignes de 0.
Comme on ne peut pas comparer les deux coefficients de corrlation, Fisher a propos
dutiliser largument tangente hyperbolique de r, not :

2
{

ln

ln
ln

respectivement

[ ]

[ ]

[ ]

[ ]

[ ]

[ ]

, sous

2 ln

2 ln

DDL

RDD :
-

Si | |
Si | |

,
,
accepte au risque (Stabilit)
rejete au risque

INTRODUCTION A LECONOMETRIE

Page 39

INTRODUCTION A LECONOMETRIE

2011 2012

Fin du cours dIntroduction lconomtrie

Sign par :

(^)(^)
^ ^
(= - =)
() ()
POOKIPOOKI
votre fidle serviteur

INTRODUCTION A LECONOMETRIE

Page 40

INTRODUCTION A LECONOMETRIE

2010
2011

2011 2012

Introduction
lconomtrie

INTRODUCTION A LECONOMETRIE

H34VEN
Cours pour Licence 3, Semestre 5 Anne 2011

Page 41