Vous êtes sur la page 1sur 57

Premire partie : Introduction gnrale

Economtrie - M1 AMSE

2017

Economtrie - M1 AMSE () I. Introduction gnrale 2017 1 / 57


Sommaire
Menu du jour...

1 I. Objectifs et organisation du cours


I.2 Organisation
I.2 Plan du cours
I.3. Bibliographie

2 II. Introduction : le modle linaire

3 III. Les dirents types de donnes

4 IV. quoi sert lestimation ?

5 V. Do vient le modle ?

6 VI. Complments dalgbre linaire


Economtrie - M1 AMSE () I. Introduction gnrale 2017 2 / 57
I. Objectifs et organisation du cours
I.1 Organisation

1 Cours dEconomtrie + sances TD


2 Sances dutilisation du logiciel SAS
3 Ralisation dun dossier (par groupe de 2 personnes maxi) avec
soutenance orale qui tient lieu de modalit de contrle pour les
deux modules (Economtrie+SAS). Une note de TD
conomtrie sera aussi attribue.

Objectifs :
mise niveau gnrale en conomtrie an de prparer les cours
dapprofondissement du S2 et de M2.
rappel des thmes classiquesavec un niveau technique
suprieur celui exig en L3.
se former une pratique rigoureuse.

Economtrie - M1 AMSE () I. Introduction gnrale 2017 3 / 57


I. Objectifs et organisation du cours
I.2 Plan du cours

1 Introduction gnrale
2 Le modle de rgression classique linaire
3 Estimation sous contraintes linaires et tests dhypothses
4 Proprits asymptotiques et maximum de vraisemblance
5 Le modle linaire sans lhypothse IID (MCG et MCQG)
6 Endognet des rgresseurs (Variables instrumentales)
7 Extensions : sries temporelles et donnes de panel

Economtrie - M1 AMSE () I. Introduction gnrale 2017 4 / 57


I. Objectifs et organisation du cours
I.3 Bibliographie

En franais
Bruno Crpon : Economtrie linaire (disponible sur internet)
Philippe Deschamps : Cours dconomtrie (disponible sur
internet)
William H. Greene : Economtrie, Pearson Education
En anglais
Bruce E. Hansen : Econometrics (disponible sur internet)
Fumio Hayashi, Econometrics , Princeton University Press
(chapitre I disponible sur internet).
Russell Davidson, James G. MacKinnon. Econometric Theory
and Methods, Oxford University Press.

Economtrie - M1 AMSE () I. Introduction gnrale 2017 5 / 57


Sommaire
Menu du jour...

1 I. Objectifs et organisation du cours

2 II. Introduction : le modle linaire


II.1. Notations
II.2 Notions de base
II.3 Lestimateur
II.4 Le terme derreur
II.5 Les questions statistiques
II.6 Linarit

3 III. Les dirents types de donnes

4 IV. quoi sert lestimation ?

5 V. Do vient le modle ?
Economtrie - M1 AMSE () I. Introduction gnrale 2017 6 / 57
II. Introduction : le modle linaire
II.1. Notations

On considre le modle hypothtique :

yi D b0 C b1 x1i C C bK xKi C ui
| {z }
Fonction de rgression

Indice i : priode dobservation ou individu 2 .1, , ..., N/


Indice f1, ..., K / : numrote chaque rgresseur

8
>
> yi D variable dpendante observe (date/individu i)
<
xji D variable explicative j observe (date/individu i)
>
> ui D terme derreur (non observ)
:
b1 , ..., bK D coe cients de rgression (inconnus)

Economtrie - M1 AMSE () I. Introduction gnrale 2017 7 / 57


Exemple (Lquation de Mincer : linuence de la dure
dtudes sur le salaire.)

ln.Wi / D b0 C b1 .Si C b2 .E 1i C b3.E 2i C ui


ln.W / : logarithme du salaire ;
S : nombre dannes dtudes ;
E 1 : annes dexprience dans lemploi courant ;
E 2 : annes dexprience sur le march du travail
b1 mesure le rendement des tudes.

Economtrie - M1 AMSE () I. Introduction gnrale 2017 8 / 57


Notations : vecteurs nots en gras et minuscules (a) ; matrices en
gras et majuscules (A).
Remarque (Le modle en notation vectorielle)
0 1
1 0 1
B C b0
B x1i C B C
xi DB .. C b
|{z} D @ ... A
|{z} @ . A
vecteur des K+1 bK
vecteur des K+1 xKi | {z }
rgresseurs la priode i | {z } paramtres
.K C1/ 1
.K C1/ 1
Produit vectoriel interne :

x0i b Db0 C b1 x1i C C bK xKi


|{z}
[1 .K C1/] [.K C1/ 1]D.1 1/

H) Pour chaque observation i on aura :


yi D x0i b C ui I i 2 .1, , ..., N/
Economtrie - M1 AMSE () I. Introduction gnrale 2017 9 / 57
Rappel : Ne pas confondre produit interne vectoriel et produit externe
- 1/2
b
Produit interne. Exemple : soient les rsidus estims |{z}
u .
N 1

1 0
b
u1
B C
u0 |{z}
b
|{z} b
u D b
u1 ... b uN @ ... A
1 N N 1 b
uN
D b
u1b
u1 Cb u2b
u2 C ... CbuNb
uN
X N
D buj2 D SSR
jD1

Nous montrerons plus tard que Var.b


u/ D SSR
.N 1/

Economtrie - M1 AMSE () I. Introduction gnrale 2017 10 / 57


Rappel : Ne pas confondre produit interne vectoriel et produit externe
- 2/2
Produit externe :

1 0
b
u1
B C
b
u
|{z} u0 D @ ... A b
b
|{z} u1 ... b uN
N 1 1 N b
uN
0 1
u12 b
b u1b
u2 ... b u1b uN
B b
u b
u b
u 2 ... b
u b
2 uN
C
D B 2 1
@ ...
2 C D matrice NxN !
A
... ... ...
b
uNbu1 buNbu2 ... b uN2

Economtrie - M1 AMSE () I. Introduction gnrale 2017 11 / 57


Remarque (Le modle en notation matricielle)
10 0 1 0 1
y1 x01 1 x11 : : : xK 1
B C B C B .. C
y D @ ... A X D @ ... A D @ ..
.
..
. . A
yN x0N 1 x1N : : : xKN
| {z } | {z }
N 1 N .K C1/
0 1 0 1
b0 u1
B .. C B .. C
b D @ . A uD@ . A
bK uN
| {z } | {z }
.K C1/ 1 N 1

y D X
|{z} b C |{z}
|{z} u
|{z}
N 1 N .K C1/.K C1/ 1 N 1
| {z }
N 1

Economtrie - M1 AMSE () I. Introduction gnrale 2017 12 / 57


Rappel : Produit dune matrice et dun vecteur
Soit une matrice 0 1
0 0 1 1 x11 x21 0 1
x0 B C b0
1 x12 x22 C
X D @ x01 A D B @ et un vecteur b D @ b1 A
0 1 x13 x23 A
x2 b2
1 x14 x24 | {z }
| {z } .K C1/ 1
.ND4/ .K C1D3/
Le produit Xb D
0 1 0 1
1 x11 x21 0 1 b0 C b1 x11 C b2 x21
B 1 x12 x22 C b0 B C
B C@ A D B b0 C b1 x12 C b2 x22 C
@ 1 x13 x23 A b1 @ b0 C b1 x13 C b2 x23 A
b2
1 x14 x24 b0 C b1 x14 C b2 x24
Chaque ligne est la fonction de rgression
b0 C b1 x1i C C bK xKi associe chaque observation yi .

Economtrie - M1 AMSE () I. Introduction gnrale 2017 13 / 57


Conventions
2 3 de notations
x10
6 .. 7
X D 4 . 5 H) X est composes de N vecteurs xi (i=1,N),
x0N
chacun 0 tant 1 de dimension K, puisque par exemple :
x11
B C
x1 D @ ... A , x01 D x11 ... xK 1
xK 1
Ici, x1 se lit : x1 Dvecteur des K variables explicatives observes
la date/individu 1.
et par extension on poura noter : xi Dvecteur des K variables
explicatives
0 observes
1 la date/individu i (i=1,...,N) :
x1i
B .. C
xi D @ . A , x0i D x1i ... xKi (i=1,...N)
xKi
Economtrie - M1 AMSE () I. Introduction gnrale 2017 14 / 57
Mais de faon quivalente X D x1 ... xK H) X est
compose de K vecteurs xj (j=1,K),0 chacun
1 tant de dimension
x11
B .. C
N, puisque par exemple : x1 D @ . A
x1N
Ici x1 , se lit : x1 Dvecteur des N observations de la variables
explicative x1 .
et par extension on poura noter : xj Dvecteur 0 des N observations
1
x1j
B C
de la variable explicatice xj (j=1,...,K) : xj D @ ... A
xKj
(j=1,...K)

Economtrie - M1 AMSE () I. Introduction gnrale 2017 15 / 57


Ds lors, on peut renconter une ambigit lorsque lon fait
rfrence au vecteur xj : sagit-il
du vecteur des K variables explicatives observes la
date/individu j ?
ou vecteur des N observations de la variables explicative xj ?
Pour lever cette ambigit, nous noterons :
xj (j=1,...N) dans le premier cas de gure
et xj (j=1,...K) dans le second cas de gure

Economtrie - M1 AMSE () I. Introduction gnrale 2017 16 / 57


II. Introduction : le modle linaire
II.2. Notions de base

Notions importantes :
Lconomtrie sappuie sur la thorie conomique, la thorie
statistique et les mathmatiques.
Les donnes observes (yi , xij ) partir dun chantillon
yi , xij : i D 1, ..., K I j D 1, ..., N : sont considres comme
des ralisations de variables alatoires ;
Point de vue probabiliste :
les donnes observes (yi , xij ) sont des ralisations dune
fonction de distribution de probabilit jointe F .y, X/ appele
population et qui est inniment grande.
Cest une abstraction : la distribution F est inconnue et
lobjectif de linfrence statistique est dtudier les
caractristiques de F partir dun chantillon.

Economtrie - M1 AMSE () I. Introduction gnrale 2017 17 / 57


II. Introduction : le modle linaire
II.3 Lestimateur (1/4)
Soit un modle de rgression simple : yi D bxi C ui
le paramtre de population b : caractristique non alatoire de la
population
lestimateur bb rsulte dun calcul sur un chantillon tir au
hasard EN D yi , xij : i D 1, ..., K I j D 1, ..., N
On appelle statistique une fonction G dpendant de
lchantillon : G .EN /
Lestimateur est une statistique dont on attend quelle
sapproche du paramtre dintrt b.
plusieurs estimateurs possibles : MCO, MCG, ML, GMM,....
Toute statistique est une variable alatoire ) b b est une variable
alatoire car sa valeur peut varier selon lchantillon utilis.
b
b possde une esprance E.b b/ et une variance Var.b b/
Economtrie - M1 AMSE () I. Introduction gnrale 2017 18 / 57
II. Introduction : le modle linaire
II.3 Lestimateur (2/4)

La thorie de lestimation a pour but de dterminer de bons


estimateurs, c--d qui satisfont certains critres
Il sagit donc de calculer b
b partir des donnes observes et qui
satisfasse des critres souhaitables tels que :
1. labsence de biais : E.bb/ D b )en moyenne lestimateur
concide avec la vraie valeur (bien que sur une mesure ponctuelle la
probabilit soit trs faible pour que lestime - qui est une ralisation
de la variable alatoire bb soit gale b/.
Remarque (Consistance)
un estimateur peut tre biais sur de petits chantillons avec un biais
qui diminue lorsque N augmente : lestimateur est consistant sil tend
vers b lorsque N ! 1
Economtrie - M1 AMSE () I. Introduction gnrale 2017 19 / 57
II. Introduction : le modle linaire
II.3 Lestimateur (3/4)
h 2
i
2. Var.b b/ D E b b E b b minimale. Faible variance, les
variations de lestim seront faibles entre dirents chantillons
alatoires. Un estimateur est dit e cace (ou e cient) si sa
variance est faible (par rapport dautres estimateurs sans biais).

Remarque (Erreur quadratique moyenne (EQM ou MSE))


Dirents estimateurs peuvent avoir des biais et des variances
direntes. Lerreur quadratique moyenne est un critre de slection
possible :
h 2
i
b est un scalaire : EQM D E b b b D var.b
b/ C .biais.b
b//2
0
b est un vecteur : EQM D var.b
b/ C biais.b
b/ biais.b
b/

Economtrie - M1 AMSE () I. Introduction gnrale 2017 20 / 57


Fig.: Pour deux estimateurs sans biais, une faible variance est prfrable
Economtrie - M1 AMSE () I. Introduction gnrale 2017 21 / 57
Fig.: Lorsquun estimateur est biais, ce nest pas aussi vident.
Economtrie - M1 AMSE () I. Introduction gnrale 2017 22 / 57
Remarque (LEQM dans le cas vectoriel 1/2)
Pour un vecteur alatoire x de dimension (k 1) on vrie :

E [xx0 ] D E [.x E.x/ C E.x//.x E.x/ C E.x//0 ]


| {z }
k k
D E [.x E.x//.x E.x//0 ] E [.x E.x//E.x/0 ]
| {z } | {z }
var .x/ 0
E [E.x/.x E.x// ] C E [E.x/E.x/0 ]
0
| {z } | {z }
0 E.x/E.x/0
D var.x/ C E.x/E.x/ 0
| {z } | {z }
k k k k

Economtrie - M1 AMSE () I. Introduction gnrale 2017 23 / 57


Remarque (LEQM dans le cas vectoriel 2/2)
Ainsi : E [xx0 ] D var.x/ C E.x/E.x/0
| {z } | {z } | {z }
k k k k k k

En posant x D b
b b on retrouve lEQM (qui est une matrice
k k) :

MSE .b
b/ D E .b
b b/.bb b/0
0
D var.b
b b/ C biais.b
b/ biais.b
b/
| {z }
Dvar .b
b/ car b est non al eK atoire
0
D var.b
b/ C biais.b
b/ biais.b
b/

Entre deux estimateurs b b et e


b, on dira que b
b est plus e cace en
moyenne quadratique si :
MSE .eb/ MSE .b b/ est une matrice dnie dnie positive (ses
valeurs propres sont toutes positives)
Economtrie - M1 AMSE () I. Introduction gnrale 2017 24 / 57
II. Introduction : le modle linaire
II.3 Lestimateur (4/4)

Autres critres :
3. un estimateur robuste sera relativement peu sensible des
valeurs extrmes (ex : la mdiane est un estimateur plus robuste
que la moyenne). Certains estimateurs (MAD, rgressions
quantiles) sont orients vers cet objectif.
!
P
T
4. optimisation dun critre, tel que min .yt bx1t /2 ou
tD1
maximisation de la vraisemblance (si la fonction de distribution
de probabilit des erreurs est connue).

Economtrie - M1 AMSE () I. Introduction gnrale 2017 25 / 57


II. Introduction : le modle linaire
II.3. Lestimateur : exemple

Rappel : Proprits de la moyenne empirique dune V.A. 1/2


Soit x une V.A. o x1 , ..., xN sont i.i.d., avec : E.x/ D et
V.x/ D E .xj /2 D 2
1P n
Moyenne empirique sur un chantillon (n) : bn D xj
n jD1
bn est un estimateur sans biais de car :
1P n 1X n
E.bn / D E.xj / D D
n jD1 n jD1
| {z }
n

Economtrie - M1 AMSE () I. Introduction gnrale 2017 26 / 57


Rappel : Proprits de la moyenne empirique dune V.A. 2/2
bn est une V.A. avec E.bn / D et V.bn / D
1 1 1 1 n 2
V. x1 C ... C xn / D 2 V.x1 / C ... C 2 V.xn / D 2 2 D
| {z } n | {z } n
|n {z n } n 2 2
n
1P n
xj
n j D1
) la variance de la moyenne empirique :
1 Pn 2
V.bn / D E .bn /2 D 2 E .xj /2 D
n jD1 n
Elle tend vers 0 lorsque n ! 1 , la prcision de lestimateur
bn augmente lorsque la taille de lchantillon saccrot.

Economtrie - M1 AMSE () I. Introduction gnrale 2017 27 / 57


Rappel : Estimateur sans biais de la variance 1/3
Notons et 2 ne sont pas connus : on cherche prsent un
estimateur sans biais de 2 . Considrons lexpression suivante :
X
n X
n
.xj /2 D [.xj bn / C .bn /]2
jD1 jD1
X
n X
n
D .xj bn /2 C 2 .xj bn /.bn /
jD1 jD1
X
n
C .bn /2
jD1
X
n X
n
D .xj bn /2 C 2.bn / .xj bn /
jD1 jD1
C n.bn /2

Economtrie - M1 AMSE () I. Introduction gnrale 2017 28 / 57


Rappel : Estimateur sans biais de la variance 2/3
Prenons les esprances
" de chaque
# ct de
Xn
lgalit : E .xj /2
jD1
| {z }
n
P n
P
D E.xj /2 D E 2 Dn 2
j D1 j D1
" # " #
P
n X
n
DE .xj bn /2 C E 2.bn / .xj bn / C
jD1 jD1
| {z }
D0
n E .bn /2
| {z }
2
V.bn /D
n " #
P
n
On rsoud donc par rapport : E .xj bn /2
jD1
Economtrie - M1 AMSE () I. Introduction gnrale 2017 29 / 57
Rappel : Estimateur sans biais de la variance 3/3
On obtient :
" #
X
n
E .xj bn /2 D n 2 2
D .n 1/ 2

jD1

P
n
.xj bn /2
jD1 2.
) est un estimateur sans biais de
.n 1/

Economtrie - M1 AMSE () I. Introduction gnrale 2017 30 / 57


II. Introduction : le modle linaire
II.4 Le terme derreur (1/2)

Dans le modle y D Xb C u
u : terme derreur, non observable (b
u dnotera le rsidu de
lestimation obtenu sur la base dun chantillon, une fois que les
paramtres b auront t estims).
Il reprsente dirents eets :
variables non prises en compte dans le modle,
carts du vraimodle par rapport au modle linaris.

Exemple (Dveloppement de Taylor lordre 1.)


y D f .x, z/
y y0 D f 0x0 ..x x0 / C f 0z0 ..z z0 / C reste
y D a.x C b.z C c C u
a D f 0x0 I b D f 0z0 I c D y0 f 0x0 x0 f 0z0 .z0 I u D reste
Economtrie - M1 AMSE () I. Introduction gnrale 2017 31 / 57
II. Introduction : le modle linaire
II.3 Le terme derreur (2/2)

erreurs de mesure
erreur danticipation des agents
Exemple
si Et 1 yt D ax 1 C b
| t {z }
les anticipations se forment
partir de linformation disponible
et yt D E y C ut
| t 1 {zt }
ralisation=anticipation+erreur danticipation
alors : yt D axt 1 C b C ut

Economtrie - M1 AMSE () I. Introduction gnrale 2017 32 / 57


II. Introduction : le modle linaire
II.5 Les questions statistiques

Lestimation des paramtres du modle conduit aux questions


suivantes qui seront abordes dans la suite du cours :
1 Etude du biais de lestimateur ( distance nie ou
asymptotiquement)
2 Caractrisation de la variance de lestimateur (idem)
3 Estimation de sa variance (idem), qui dpend elle-mme de la
variance des erreurs
4 Caractrisation de la loi de distribution de lestimateur (idem)
5 Construction de tests dhypothses (sur la valeur des
paramtres, des prvisions ou sur le comportement des erreurs
du modle - autocorrlation, htroscdasticit,...)

Economtrie - M1 AMSE () I. Introduction gnrale 2017 33 / 57


II. Introduction : le modle linaire
II.6 Linarit

La linarit du modle est une restriction, mais lon peut jouer sur de
nombreuses formulations :
Exercice :
1. peut-on estimer les modles suivants sous la forme linaire :
yt D b0 C b1 x1t C C bk xkt C ut ?
p
1 yt D b0 C z1t z2t b1 C ln.z3t /b3 C ut
2 Yt D Lt Kt .1 C ut /
3 Yt D Lt Kt C ut
1
4 Yt D . Lvt C Ktv / v .1 C ut /
5 Yt D Lt Kt1 .1 C ut /
2. Interprtez les coe cients des rgressions linaires estimes.

Economtrie - M1 AMSE () I. Introduction gnrale 2017 34 / 57


Sommaire

Menu du jour...

1 I. Objectifs et organisation du cours

2 II. Introduction : le modle linaire

3 III. Les dirents types de donnes

4 IV. quoi sert lestimation ?

5 V. Do vient le modle ?

6 VI. Complments dalgbre linaire

7 VI. Rsum et conclusions


Economtrie - M1 AMSE () I. Introduction gnrale 2017 35 / 57
III. Les dirents types de donnes

Remarque
Le site rfe.org contient de nombreux liens permettant de collecter de
nombreuses donnes conomiques et nancires.

On travaille sur des donnes appartenant trois grands types :


Donnes temporelles, par observation du mme phnomne
dans le temps, cest--dire des variables yt , xt , ut I t D 1, : : : , T .
T doit alors tre su sament grand, de lordre de 50 priodes.

Exemple (Consommation et revenu)


Ct D C Rt C t C ut

Economtrie - M1 AMSE () I. Introduction gnrale 2017 36 / 57


III. Les dirents types de donnes

Donnes en coupe : yi , xi , ui I i D 1, ..., N


N peut tre grand, voire trs grand (plusieurs milliers
dobservations).
Lajustement est en gnral moins bon que dans le cas des
donnes temporelles.

Exemple (Enqute-emploi)
On a plus de 150000 personnes enqutes, avec un grand nombre de
questions.
) !i D 0 C 1 scoi C 1 expi C 2 expi2 C ui

Economtrie - M1 AMSE () I. Introduction gnrale 2017 37 / 57


III. Les dirents types de donnes

Donnes de panel, doublement indices :


yi ,t , xi ,t I i D 1, ..., N grand .> 100/, t D 1, ..., T petit .< 10/.

Exemple (Fonctions de production dentreprises)


Yit D Ait Kit Lit ! yit D ait C kit C lit
Le rsidu, dit rsidu de Solow, est alors ait .

Economtrie - M1 AMSE () I. Introduction gnrale 2017 38 / 57


Sommaire

Menu du jour...

1 I. Objectifs et organisation du cours

2 II. Introduction : le modle linaire

3 III. Les dirents types de donnes

4 IV. quoi sert lestimation ?

5 V. Do vient le modle ?

6 VI. Complments dalgbre linaire

7 VI. Rsum et conclusions


Economtrie - M1 AMSE () I. Introduction gnrale 2017 39 / 57
IV. quoi sert lestimation ?

Description : quelles variables X expliquent les variations de y ?


(ex : les dterminants du salaire individuel, les dterminants de
la croissance conomique, les dterminants du prix des
logements, le nombre de buts marqus par match dpend-il du
budget des quipes, de la frquentation des stades,....)
Prvision : peut-on utiliser X pour prvoir lvolution future de
y ? (ex : le taux dintrt inuence-t-il les cours boursiers ?,...)
Causalit : quel est leet de xi (i=1,...,K) sur y. Validation
empirique dune relation thorique entre les variables (ex : le
chmage sexplique-t-il par lvolution des cots de production
ou par lvolution de la demande agrge ?,...).

Economtrie - M1 AMSE () I. Introduction gnrale 2017 40 / 57


Sommaire

Menu du jour...

1 I. Objectifs et organisation du cours

2 II. Introduction : le modle linaire

3 III. Les dirents types de donnes

4 IV. quoi sert lestimation ?

5 V. Do vient le modle ?

6 VI. Complments dalgbre linaire

7 VI. Rsum et conclusions


Economtrie - M1 AMSE () I. Introduction gnrale 2017 41 / 57
V. Do vient le modle ?

Le modle vient de la thorie conomique


Exemple
QFK .x/, la
Fonction de production y D
k
thorie donne une ide de la
modlisation, comme y D k D1 xk .

Mais lidentication du paramtre dintrt (b) ncessite aussi


des restrictions particulires.

Economtrie - M1 AMSE () I. Introduction gnrale 2017 42 / 57


V. Do vient le modle ?

Dnition (Identication)
Deux b dirents peuvent-ils gnrer la mme distribution jointe des
grandeurs observes (y,X) ?
Si oui : b nest pas identi
Si non : b est identi

Quelles conditions doivent vrier y et X pour identier b dans


un modle linaire :
y D Xb C u

Economtrie - M1 AMSE () I. Introduction gnrale 2017 43 / 57


V. Do vient le modle ?

Supposons ici que E .u/ D 0 et X, b sont non-alatoires :


y D Xb C u ) E .y/ D E .Xb/ D Xb
1re condition pour identier le modle (E .y/ D Xb/ : absence
de colinarit entre les variables X (testable sur les donnes)
Dmonstration
Colinarit entre les vecteurs qui composent la matrice
X D .x1 , x2 , ..., xK / , 9 6D 0 tel que X D 0
Dans ce cas 9b 6D e b tels que e
b D b C conduisant la mme
e
relation : E .y/ D Xb D Xb puisque

Xb D Xe
b
D X.bC /
D XbCX
D XbC |{z}
0
X D0
Economtrie - M1 AMSE () I. Introduction gnrale 2017 44 / 57
Rappel : Pourquoi la colinarit scrit-elle 9 6D 0 tel que X D 0?
2 3
1
Considrons la matrice X D x1 x2 x3 et le vecteur D4 2 5
3
Alors : 2 3
1
X D x1 x2 x3 4 2 5D 1 x1 C 2 x2 C 3 x3
3
Solutions de : 1 x1 C 2 x2 C 3 x3 D 0
2 3
x1 D 1
x2 1
x3 si 1 6D 0 ) x1 est une combinaison linaire de
x2 et x3
3
x2 D 2 x3 si 2 D6 0 et 1 D 0 ) x2 est une combinaison linaire
de x3
etc...

Economtrie - M1 AMSE () I. Introduction gnrale 2017 45 / 57


V. Do vient le modle ?

2me condition : la covariance entre X et u est nulle.


Dmonstration
Si lon pose e
b D bC sans contrainte sur les relations entre X et u,
on peut toujours avoir :

Xb C u D Xe
b Ce
u
Xb C u D X.bC / C e
u
Xb C u D XbCX C e u
u D X Ceu
e
u D u X

Economtrie - M1 AMSE () I. Introduction gnrale 2017 46 / 57


Pour 6D 0, il y a une innit de valeurs possibles e b D bC
conduisant au mme modle, mais les rsidus associs e u ont une
covariance non nulle avec les variables X puisque : e uDu X
b est donc identi de faon unique par la condition
Cov(X,u)=0 et si les variables explicatives ne sont pas
colinaires.
Dautres types de restrictions didentication existent dans le cas
de modles quations simultanes, mais cette analyse dpasse
lobjectif du cours (ex. estimation dun modle dore et de
demande en fonction des prix)
Point retenir : lexistence dun modle issu de la thorie
conomique est une condition pralable (sinon ncessaire) mais
non su sante pour mettre en oeuvre de lestimation
conomtrique.
Exemple : il est di cile de mesurer les eets spciques de lge
et de lexprience sur le salaire car ces deux variables sont
colinaires : le modle thorique nest pas en adquation avec les
prrequis conomtriques.
Economtrie - M1 AMSE () I. Introduction gnrale 2017 47 / 57
Sommaire

Menu du jour...

1 I. Objectifs et organisation du cours

2 II. Introduction : le modle linaire

3 III. Les dirents types de donnes

4 IV. quoi sert lestimation ?

5 V. Do vient le modle ?

6 VI. Complments dalgbre linaire

7 VI. Rsum et conclusions


Economtrie - M1 AMSE () I. Introduction gnrale 2017 48 / 57
Rappel : Ecriture vectorielle de la moyenne
Soient : a :un scalaire ; x,y : 2 vecteurs de N lignes ;
: un vecteur compos de N lignes et dune colonne de 1.
0 Pn
Alors : |{z} y D yj (somme des yj )
|{z} jD1
.1 N/.N 1/

P
n P
n
et a 0 y D ayj D a yj
jD1 jD1

1 0 1P n
Pour a=1/n : yD yj D y
n n jD1
1 0
La moyenne dchantillon scrit donc : y D y
n

Economtrie - M1 AMSE () I. Introduction gnrale 2017 49 / 57


Rappel : Calcul des variables centres
Le vecteur permet de calculer le vecteur form par les carts de
chaque observation de y sa moyenne (not y par
commodit) :

2 3
3 2 2 3
y1 y
y1 1
4 ... 5 D 4 ... 5 y 4 ... 5
yN y yN 1
| {z }
.N 1/
1 0
y D y y Dy y
|{z} N
1 0
N y

1 0
y D I y D M0 y
|{z} N |{z} |{z} |{z}
.N 1/ | {z }.N 1/ .N N/.N 1/
.N N/

Economtrie - M1 AMSE () I. Introduction gnrale 2017 50 / 57


Rappel : La matrice M0
An dexprimer les vecteurs centrs il est commode dutiliser une
matrice dnie par la relation :
M0 D I N1 0 puisque : y D M0 y
2 1 1 1 3
1 N N... N
6 1
1 N1 ... 1 7
on a : M0 D 6
4
N N 7
... ... ... ... 5
1 1 1
| N N{z ... 1 N }
.N N/
On peut montrer que cette matrice est :
symtrique :M00 D M0 et idempotente : M20 D M0

Economtrie - M1 AMSE () I. Introduction gnrale 2017 51 / 57


Rappel : Produit vectoriel et variance dchantillon
Variance dchantillon de y : Var.y/ D E .y y/2 .
1 P
N 1
! Var.y/ D .yj y/2 D . y 0 y /
n 1 jD1 n 1 |{z} |{z}
.1 N/.N 1/

1
Var.y/ D ..M0 y/0.M0 y//
n 1
1
D .y0 M00 M0 y/
n 1
1
D .y0 M0 y/
n 1

car : .AB/0 D B0A0 ; M00 D M0 et M20 D M0


Dans le cas dun vecteur de moyenne nulle (ex : b
u) :
1 1
Var.b u/ D .b u/ D
u0b SSR
n 1 n 1
Economtrie - M1 AMSE () I. Introduction gnrale 2017 52 / 57
Rappel : Produit interne vectoriel et covariance dchantillon
On a vu que : x0y D x1 y1 C x2 y2 C ... C xn yn : somme des (n)
produits.
Par un raisonnement identique au prcdent, la covariance entre
les variables x et y scrit :

Cov.x, y/ D E [.y y/.x y/]


1
D .x 0y /
n 1
1
D ..M0 x/0.M0 y//
n 1
1
D . x0 M0 y /
n 1 |{z} |{z} |{z}
.1 N/.N N/.N 1/

Economtrie - M1 AMSE () I. Introduction gnrale 2017 53 / 57


Rappel : Matrice des variances-covariances
La matrice des variances-covariances entre deux variables exprimes
sous forme vectorielle scrit

VCV.x, y/ D E [.x x/.y y/0 ]


1
D . x y 0 /
n 1 |{z} |{z}
.N 1/.1 N/
1
D ..M0 x/.M0 y/0 /
n 1
1
D .M0 xy0 M0 /
n 1| {z }
.N N/

Economtrie - M1 AMSE () I. Introduction gnrale 2017 54 / 57


Remarque (Ne pas confondre VCV et covariance)
La matrice VCV se calcule par produit vectoriel externe. Elle est
donc de dimension NxN alors que la covariance est un scalaire
qui se calcule par produit vectoriel interne.
Il peut donc exister une confusion dans la notation Cov : on
prfera noter Cov.x, y/ la covariance entre deux variables et
Cov.x, y/ la matrice des VCV.
Dans le cas dun vecteur x, note Cov.x, x0 / D Var.x/. Var.x/
reprsente la matrice VCV et non la variance de la variable x
(qui serait note Var.x/).
Ex : dans le cas des rsidus, qui sont centrs on notera :
1
Var.b u/ D E.bubu0 / D . bu b u0 /
n 1 |{z} |{z}
.N 1/.1 N/
Diagonale principale : ui2 /I
.b hors de la diagonale : (b uj /.
ui ,b

Economtrie - M1 AMSE () I. Introduction gnrale 2017 55 / 57


Sommaire

Menu du jour...

1 I. Objectifs et organisation du cours

2 II. Introduction : le modle linaire

3 III. Les dirents types de donnes

4 IV. quoi sert lestimation ?

5 V. Do vient le modle ?

6 VI. Complments dalgbre linaire

7 VI. Rsum et conclusions


Economtrie - M1 AMSE () I. Introduction gnrale 2017 56 / 57
Rsum et conclusions
Dans cette partie, nous avons indiqu le plan gnral du cours :
prochaine partie : estimation et proprits des estimateurs MCO
du modle linaire classique (bas sur les hypothses de
Gauss-Markov).
analyse fonde sur lalgbre linaire : pour cette raison, nous
avons procd un rappel de base.
les outils statistiques seront mobiliss par la suite, an de
prciser les lois de distribution des estimateurs et introduire les
tests dhypothse.
Nous avons prcis la notion destimateur et les proprits
souhaitables dun bonestimateur.
Nous avons enn tent de prciser quelques contraintes
auxquelles doit satisfaire le modle thorique estimer :
linarit, conditions didentications, interprtation des
coe cients estims et des erreurs du modle.

Economtrie - M1 AMSE () I. Introduction gnrale 2017 57 / 57