Chapitres 0 Et 1

Introduction à l’économétrie
Licence 3 – LS6
MANIOC Olivier
Maître de conférences associé
Introduction à l'économétrie (2017-2018)

Présentation du cours
Ce cours est une introduction à l’économétrie
qui est centrée sur l’étude des modèles de
régression à une équation.
Il a pour principal objectif d’initier les étudiants à
l’analyse économétrique et aux concepts qui lui
sont connexes tels que l’inférence statistique.
La méthode des moindres carrés ordinaires y
occupe une place privilégiée aux cotés des
tests statistiques d’usage courant.

Présentation du cours
Le cours n’est pas couplé à des séances de
travaux dirigés, la mise en œuvre pratique des
techniques de calcul sera donc réalisée en
alternance avec l’exposé des concepts
économétriques.
Le cours d’économétrie M1 (1er semestre)
s’inscrit dans le parfait prolongement du cours
de Licence 3. Toutes les notions introduites en
licence doivent être acquises pour aborder le
cours d’économétrie de master 1.
Plan indicatif du cours Licence 3/Master 1
Licence 3 – Introduction à l’économétrie
Partie 1 : Les modèles à une équation
Chapitre 0. Propos introductifs
Chapitre 1. La régression linéaire à deux variables
Chapitre 2. L’inférence statistique dans le modèle linéaire à deux
variables
Chapitre 3. La régression linéaire multiple (le modèle linéaire général)
Master 1 – Econométrie
Chapitre 1. La remise en cause des hypothèses traditionnelles :
l’autocorrélation et l’hétéroscédasticité des résidus.
Chapitre 2. Les modèles à variables endogènes qualitatives (logit et
probit).
Chapitre 3. Les modèles à variables explicatives qualitatives (dummy).
Partie 2 : Les modèles à plusieurs équations
Chapitre 4. Ecriture des modèles à équations simultanées
Chapitre 5. L’identification dans les modèles à équations simultanées

Bibliographie
BOURBONNAIS R. : Econométrie-Manuel et exercices corrigés,
Dunod (9ème édition).
CADORET et alii (2004): Econométrie appliquée, de Boeck.
GREENE W. (2005) : Econométrie, édition française, Pearson
Education, 5ième Edition.
GUJARATI D. (1995) : Basic econometrics, Mac Graw Hill, paru en
français en 2004 chez de Boeck Université.
JOHNSTON J. (1988) : Méthodes économétriques – Tomes 1 et 2,
Economica
WOOLDRIDGE J. (2015): Introduction à l’économétrie, de Boeck.
… et une quantité innombrable de cours en ligne disponibles sur

internet.

Présentation du cours - les TICE
La plate-forme pédagogique de l’uag:
http://e-cursus.univ-ag.fr/course/view.php.id=479
Les diaporamas du cours
Le dossier de travaux dirigés
Les compléments de cours
Twitter
971_L3Econometrie @971_L3Ectrie

Présentation du cours - les TICE
Quelques mots sur les MOOCS acronyme de
Massive Open Online Courses:
https://www.france-universite-numerique-mooc.fr/
Le calendrier des MOOCS:
http://www.sup-numerique.gouv.fr/pid33135/moocs-le-calendrier.html
Ex: L’énergie nucléaire en France (Début 05/02/2018)
Ex: Fondamentaux sur le Big Data (En cours depuis 20/11/2017)
Ex: Analyse des données multidimensionnelles (Début 05/03/2018)

Avant propos
Une suite au cours de statistique de licence 1
Extrait du plan

Avant propos
Une suite au cours de statistique de licence
Extrait du dossier de TD

Avant propos
L’économétrie pour les nuls selon le Captain
Economics…
Rappel des principes de bases
http://www.captaineconomics.fr/-l-econometrie-pour-les-nuls-introduction
Citation du Captain’ Economics:
« Mais tout comme vous n'avez pas besoin d'être un pro en microprocesseur
pour utiliser un ordinateur, il n'est pas foncièrement nécessaire d'être un crack
en math pour pouvoir se servir de l'économétrie comme outil d'analyse »
Le Captain' tente de démystifier la matière

La stratégie économétrique
Vous êtes recruté par l’UA en qualité de chargé
d’études économiques. Vous participez aux
travaux qui visent à déterminer la localisation
optimale de logements étudiants. Deux visions
s’opposent:
Les logements doivent être proches du campus car la
proximité favorise l’assiduité des étudiants en limitant
les retards en cours.
Les logements peuvent être éloignés du campus car
l’environnement de travail est plus favorable à la
réussite (plus de calme et moins d’incitations à faire la
fête….).

Les discussions peuvent être âpres et vives, sans
que les arguments des uns et des autres ne
s’imposent clairement.
La question fondamentale porte sur la relation
entre la distance logement/campus et la réussite
des études.
Pour alimenter de débat, on peut s’appuyer sur
une étude empirique. L’économétrie peut aider et
orienter le processus de décision en étudiant la
relation entre ces deux variables.

Adoptons les notations suivantes :
Yi: Note terminale de l’étudiant i sur 20 (en points)
Xi: Distance entre le lieu de résidence de l’étudiant i
et le campus (en kilomètres).
Considérons la relation économétrique suivante:
Yi=aXi+b (Relation R)

Attention:
Le signe de « a » traduit le sens de la relation entre Y et X
La relation entre Y et X peut être formalisée différemment et
à chaque « formalisation », correspondent des a priori
quant à la nature de la liaison entre Y et X.
Avec (R), la variation de Y est proportionnelle à celle de X
quel que soit le niveau de ces variables. Quand la distance
varie d’un kilomètre, la note varie de « a »points.
A ce stade, la question des données est fondamentale
Il n’y a pas d’économétrie sans données
Les données peuvent être collectées (enquêtes-sondages)
et/ou récupérées (http://www.data.gouv.fr/)

La collecte de données
Objectif: disposer d’un échantillon à partir duquel il sera
possible de procéder à une estimation des paramètres a et b.
L’estimation de la régression
Objectif: trouver des valeurs plausibles pour les paramètres a
et b (calculs « à la main » ou avec l’aide de logiciels
économétriques).
La validation de la régression
Objectif: s’assurer de la « solidité » de la régression c’est-à-
dire que les résultats obtenus à partir de l’échantillon
traduisent la relation existant entre les deux variables (recours
aux tests statistiques).

Un mot sur les logiciels d’économétrie
Les logiciels qui permettent les calculs
économétriques sont nombreux (SAS, Stata,
Rats, Eviews, PcGive, Excel, Gretl, R, …)
Ils se distinguent par leur coût d’entrée
(financier et non financier), leur ergonomie, leur
souplesse, leur « adaptabilité » aux besoins de
l’économètre, etc…
Dans le cadre de ce cours, nous privilégierons :
Excel (largement répandu)
Gretl (gratuit et open source)
Et R?

Plan du cours de licence 3
• Chapitre 0. Propos introductifs
• Chapitre 1. La régression linéaire à deux variables
• Chapitre 2. L’inférence statistique dans le modèle
linéaire à deux variables
• Chapitre 3. La régression linéaire multiple (le
modèle linéaire général)

Plan du cours de licence 3

I°) Les notions de base
A. Qu’est-ce que l’économétrie ?
B. Les modèles économétriques
C. Les variables
D. Les relations
II°) La méthodologie de l’économètre
III°) L’économétrie : une discipline reconnue

C. Les variables
D. Les relations

Application des techniques statistiques et
mathématiques qui visent à étudier les
corrélations pouvant exister entre des
phénomènes ou des variables économiques.
Modèle théorique versus modèle sans théorie
Modèles théoriques: Recherche d’une validation
empirique (modèles keynésiens traditionnels,…)
Analyse fondée sur les propriétés statistiques des
données (modèles VAR, AR ou ARMA,…)

Un objectif:
Déterminer le sens et la force des relations causales
entre variables afin de prédire les comportements
économiques (ou autres)
Permettre l’évaluation des politiques publiques

Un modèle est un ensemble d’équations (ou une

équation unique !) qui vise à expliquer un
phénomène par des variables que l’on juge
pertinentes.

Les grandes dates de la modélisation
macroéconométrique
Histoire de la modélisation économétrique en bref:
Période 1930-1950: modèle pionnier de Tinbergen (1936) et
quelques travaux d’universitaires isolés s’appuyant sur des
techniques rudimentaires.
Période 1950-1965: modèle Klein-Goldberger (qui débouche sur
le modèle Wharton), les progrès de l’informatique permettent
d’introduire des non-linéarités et des éléments de dynamisation.
C’est l’âge d’or de la pensée keynésienne (analyse des
fluctuations dans le court terme)
Période 1965-73: Calage des modèles sur les comptes
nationaux (modèle de la Brookings), accroissement de leur taille
et utilisation de techniques économétriques plus sophistiquées.

Les grandes dates de la modélisation
macroéconométriques
En France:
La modélisation se développe dans l’après-guerre pour répondre
aux exigences de reconstruction et de planification de
l’économie (déclinaison de la matrice de Leontieff).Les pouvoirs
publics sont en première ligne.
Les premiers vrais modèles apparaissent sur la période (1965-
73) et ils traduisent les préoccupations de croissance et de
compétitivité (ZOGOL, DECA)
A partir de 1973, l’activité quitte le giron purement étatique et
intéresse la Banque de France et le monde universitaire. Les
modèles STAR, METRIC, DMS ou encore GAMA sont élaborés.
Aujourd’hui, les modèles occupent une place prépondérante, ils
sont exploités par les organismes officiels (l'INSEE et la direction
de la Prévision), par des organismes non officiels (universités,
OFCE, la COE, …)

Modèle statique versus modèle dynamique
dynamique (qui attribue un rôle particulier au temps)
Ct = aRt −1 + b
statique (où toutes les variables sont observées à la
même période)
Ct = aRt + b

Modèles déterministe ou stochastique (aléatoire)
Déterministe, la relation entre deux variables est
exacte, c'est-à-dire qu’à une valeur X donnée
correspond une valeur unique Y.
Stochastique, la relation entre deux variables est
incertaine (aléatoire)

Combien de dollars américains (Y) peut-on
obtenir en échangeant (X) euros ?
Vous constituez votre échantillon en
interrogeant une centaine de croisiéristes au
départ du port de Pointe-à-Pitre.
Nous considèrerons deux situations:
Cas (1) - un seul opérateur de changes
Cas (2) - deux opérateurs de change

Cas (1) - un unique opérateur de changes
le taux de change est de 1 euro pour 1,317
dollars américains
la commission du cambiste est fixée de façon
forfaitaire à 4 euros (ou 5,26 dollars US)
la relation entre X et Y est fixe, stable et intangible
C’est une relation déterministe. Graphiquement,
les points sont alignés.
Y = 1,317 × X − 5,26

Cas (2) - Deux opérateurs de change avec des
stratégies différenciées
Opérateur 1
le taux de change est de 1 euro pour 1,308 dollars américains
la commission est de 5 dollars US
Opérateur 2
le taux de change est de 1 euro pour 1,321 dollars américains
la commission est 4 dollars US
L’opération a lieu de façon aléatoire chez l’un des deux
opérateurs
La relation entre X et Y n’est pas fixe
C’est une relation stochastique. Graphiquement, les points
ne sont pas alignés.

Relation entre X et Y
30
25
20
Dollars US
15
10
0
10 15 20 25
Euros

C. Les variables
Les variables se distinguent par leur nature,
leur statut et leur structure…
La Nature des variables
Quantitative versus qualitative
Leur statut
Dans une équation, une variable expliquée dépend d’une
ou de plusieurs variables explicatives. On parle également
de variable endogène (expliquée) et de variable exogène
(explicative)
Les notions de variables expliquée/explicatives équation.
Les notions de variables endogènes/exogènes modèle.

C. Les variables
Modèle à une équation
Ct = aRt + b
R est une variable explicative / exogène
C est une variable expliquée / endogène
Attention, R est une variable Rt n’est que l’observation en t de la variable R

C. Les variables
Modèle à plusieurs équations
Ct = aRt + b

 Rt = Ct + Gt
C est une variable explicative dans la seconde équation
C est une variable expliquée dans la première équation
C est une variable endogène du modèle

C. Les variables
Les variables se distinguent par leur nature, leur
statut et leur structure…
La structure
si l’indice est une date t, on parle de données «temporelles»
ou « chronologiques » ou « time series » (ex: l’indice des
prix d’un territoire sur plusieurs périodes)
si l’indice est i, on parle de données transversales ou encore
de coupe instantanée, c’est le terme employé lorsque l’on
manipule des individus statistiques ou en anglais « cross-
sectional data » (ex: les revenus des ménages d’une aire
géographique donnée)
si l’indice inclut les deux dimensions i,t, on parle de données
« mixtes » (ex : les résultats en économétrie de 10
promotions d’étudiants de master 1 de 2001 à 2010).

D. Les relations
les équations de comportement (qui décrivent le
comportement des agents économiques ou des
variables). Elles traduisent la théorie sous-jacente au
modèle utilisé.
Ex : L’équation de consommation keynésienne
les équations d’équilibre (qui traduisent les conditions
d’équilibre sur un marché).
Ex : L’équilibre Offre/Demande sur le marché des biens
les relations comptables (qui s’appuient sur les égalités
comptables)
Ex : Le stock de capital

Le modèle de klein (1955)
Le lien internet
http://perso.univ-rennes1.fr/isabelle.cadoret-david/econometrie/equasimul/modklein.htm
Les variables
Cons : consommation
Invst : investissement
Privwage : salaires versés par le secteur privé
Prod : production
Profit : profits du secteur privé
Klagged : stock de capital de l'année précédente
Govtwage : salaires versés par le gouvernement
Govtexp : dépenses de l'Etat en dehors des salaires
Taxes : taxes
Les relations (3 équations de comportement, 1 équation d'équilibre et

2 relations comptables)

C. Les variables
D. Les relations
II°) La méthodologie de « l’ économètre »

Trois étapes :
1. Formalisation de la théorie / modélisation
Enoncé de la théorie et des hypothèses
Spécification du modèle mathématique de la théorie
Spécification du modèle économétrique associé
2. Confrontation du modèle avec la réalité
Recherche des données
Estimation des paramètres du modèle économétrique
Test de robustesse de la régression
3. Si la théorie est validée
Prévision
Utilisation du modèle à des fins de contrôle ou de
politique économique

Figure 0.1

C. Les variables
D. Les relations

Aujourd’hui, grâce à l’informatique, l’usage des
techniques économétriques est largement répandu.
Elles confèrent une rigueur scientifique aux analyses.
Une reconnaissance de la profession:
Jan Tinbergen et Ragnar Frisch ont reçu le premier « prix
Nobel » d'économie décerné en 1969 (macroéconométrie) ;
1980: Lawrence Klein pour la construction de modèles
économétriques de conjoncture et leur application à l'analyse
de la politique économique ;
2000: Daniel McFadden et James Heckman pour leurs travaux
en microéconométrie ;
2003: Robert Engle et Clive Granger pour leurs analyses
économiques des séries temporelles.

L’économétrie est un élément de la boîte à
outils de l’économiste et plus généralement
du chargé d’études…

Plan indicatif du cours de licence 3

Chapitre 1. le modèle linéaire à deux variables
I°) Position du problème
II°) De l’échantillon à la droite de régression
A. Un exemple : La relation revenu/dépense
B. Quelques précisions utiles…
III°) L’estimation du modèle linéaire à deux variables
par la méthode des moindres carrés ordinaires
A. Un peu d’histoire
B. Les hypothèses d’application des MCO
C. La phase d’estimation
D. Les résultats fondamentaux concernant les estimateurs

I. Position du problème
Soient X et Y deux grandeurs statistiques
observées. On dispose d’un échantillon de taille
n (comptant n observations), chaque observation
est un couple (xi,yi).
Dans l’étude de la relation entre X et Y, on se
pose trois questions fondamentales :
X et Y sont-elles liées ? Si oui, comment mesurer
l’intensité de cette liaison?
Lorsque l’on suppose que X cause Y, quelle est la
fonction la plus appropriée pour représenter ce lien de
causalité ?
Comment estimer les paramètres de cette fonction ?
II. De l’échantillon à la droite de régression
On s’intéresse à la relation qui existe entre les
revenus X et les dépenses Y.
On s’intéresse à une population-mère qui
compte une soixantaine d’individus statistiques
(agents ou ménages) pour lesquels on dispose
des revenus (xi) et des dépenses (yi), soit une
soixantaine de couples.
L’objectif est de retrouver les caractéristiques de
la relation entre les variables X et Y de la
population étudiée à partir d’un échantillon

(Rmq_1) La relation entre les variables X et Y n’est pas
exacte, la connaissance de X ne permet pas de
déterminer de façon unique Y. La relation entre ces
deux variables est donc stochastique (Figure 1.1).
(Rmq_2) Les points obtenus ne sont pas alignés dans le
repère orthogonal où X est en abscisses et Y en
ordonnées (Figure 1.2).
(Rmq_3) A chaque niveau de revenu X, correspond une
dépense moyenne conditionnelle notée E(Y/X). Il est
pertinent de penser que ces variables sont liées ; plus le
revenu X augmente, plus la dépense moyenne
conditionnelle croit (Figure 1.3).

De façon évidente, l’espérance conditionnelle
de Y est une fonction de la variable X. On
dira que X explique E(Y/X) ou encore que
E(Y/X) est expliquée par X.
L’espérance conditionnelle associée à un
niveau de revenu xi est notée E(Y/X=xi) ou
E(Y/xi). On postule que E(Y/xi)=f(xi) . Quelle
est la forme de la fonction f ?

La relation entre la variable X et la dépense
conditionnelle semble fortement linéaire
(Figure 1.2).
On peut donc s’appuyer sur une fonction
linéaire de la forme :
E (Y / xi ) = axi + b
C’est l’équation de la droite de régression.

Pour un niveau de revenu donné, l’individu i
dont le revenu est xi s’écartera de cette
moyenne du fait d’éléments ou d’évènements
qui lui sont propres, ceux-ci sont résumés par
l’aléa εi. On a donc :
y i = E (Y / xi ) + ε i
La présence de l’aléa εi confère une nature

stochastique à la relation.

Le terme εi mesure la différence entre les valeurs
réellement observées et les valeurs qui auraient été
observées si la relation avait été rigoureusement
exacte. Il cristallise toutes les « insuffisances » du
modèle à savoir:
le modèle n’est qu’une vision simplifiée de la réalité, la
spécification ne permet pas de prendre en compte la
totalité du phénomène étudié
des erreurs de mesure sur les données (ou leur
indisponibilité) affectent la fiabilité de ce dernier
la forme fonctionnelle du modèle peut être incorrecte...

Le modèle de régression linéaire permet d’expliquer le
comportement d’une variable endogène par une variable
exogène :
y i = axi + b + ε i i = 1,..., n
Deux remarques :
la variable X est non aléatoire
Puisque Y dépend d’un aléa, Y est une variable
aléatoire

Un mot sur la notion de linéarité…
La notion de modèle linéaire peut être doublement
interprétée :
linéarité de la relation entre la variable endogène Y et
la variable exogène X
linéarité de la relation dans les paramètres a et b.
C’est la seconde acception qui est retenue. Nous
parlerons donc de modèle linéaire ou de régression
linéaire lorsque l’espérance conditionnelle de la variable
endogène est linéaire par rapport aux paramètres,
autrement dit:
que ceux-ci sont élevés à la puissance 1.
que les dérivées de l’espérance conditionnelle de la variable
endogène par rapport aux paramètres sont indépendantes de ces
derniers.

En résumé, le modèle est linéaire dès lors qu’il

correspond à la relation suivante:
f ( yi ) = ag (xi ) + b + ε i
Où les fonctions f et g sont indépendantes des paramètres a
et b.

Exemples de modèles linéaires par rapport aux
paramètres:
= a ln( xi ) + b + ε i
1 1
yi = a + b + ε i yi = a xi + b + ε i
xi yi
yi = a( xi ) + b + ε i
2
Exemples de modèles non linéaires par rapport aux

paramètres:
1
yi = b( xi ) =
a
y
1 + ab
i x i
Nota bene: un modèle non linéaire peut (parfois) être linéarisé!!!
yi = b( xi ) ⇒ ln yi = a ln xi + ln b
a

La fonction de régression peut prendre des formes
multiples, le choix de la spécification dépendra des
a priori du modélisateur et des données.
Parmi les modèles habituellement utilisés, certains
incluent des non linéarités entre Y et X, mais ils :
sont linéaires dans les paramètres
peuvent devenir linéaires dans les paramètres suite à
certaines transformations des variables.
On appelle linéarisation le passage d’une forme non
linéaire dans les paramètres à une expression
linéaire dans les paramètres.

Un modèle peut être formulé de plusieurs façons
(figure 1.5) :
le modèle mathématique : transcription de la théorie
le modèle économétrique : déclinaison stochastique
du modèle mathématique. Attention : Le terme
stochastique doit faire l’objet d’un traitement
particulier, seuls les résidus additifs ont un sens en
économétrie.
le modèle linéaire associé : modèle économétrique
linéarisé

Quelques nuages de points…
Relation linéaire: yi = axi + b

35
30
25
20
y
15
10
0
0 2 4 6 8 10
x

Relation log-linéaire:
yi = bx ⇔ ln ( yi ) = a ln ( xi ) + ln b
a
i
8
2,5
6 2
5
1,5
4
y
ln(y)
3
1
1 0,5
0
0 2 4 6 8 10 0
0 2 4 6 8 10
x
ln(x)

Relation exponentielle:
yi = e axi + b
⇔ ln ( yi ) = axi + b
8
2,5
6 2
5
1,5
4
ln(y)
y
3 1
2
0,5
1
0
0
0 2 4 6 8 10
0 2 4 6 8 10
x
x

Relation logarithmique: yi = a ln ( xi ) + b
8
0,9
0,8
6
0,7
4 0,6
0,5
2
y
0,4
y
0 0,3
0 2 4 6 8 10
0,2
-2
0,1
-4 0
-2 -1 0 1 2 3
-6
ln(x)
x

1 
Relation hyperbolique: yi = a  + b
 xi 
14 14
12 12
10 10
8
8
y
6
y
6
4
4
2
2
0
0
0 2 4 6
0 2 4 6 8 10 1/x
x

Relation parabolique: yi = ax + b 2
i
250
14
12
200
10
150 8
y
6
y
100
4
2
50
0
0 20 40 60 80
0
0 2 4 6 8 10 x²
x

Les paramètres a et b sont et resteront toujours
inconnus
L’ambition est de fournir des estimations des
paramètres a et b en s’appuyant sur un échantillon :
les estimations seront donc liées à l’échantillon utilisé
des échantillons distincts fourniront donc des estimations
différentes.
les estimations sont les valeurs prises par les estimateurs
Les estimateurs â et b̂ vont dépendre des observations
(xi,yi) par voie de conséquence des aléas εi, - les
estimateurs sont des variables aléatoires.

On note:
aˆ = f a (( xi , yi ) ; i = 1,..., n )
bˆ = f b (( xi , yi ) ; i = 1,..., n )
Nous obtenons la relation estimée:
yˆ i = aˆxi + bˆ

Un estimateur est une fonction de variables aléatoires

observables ne dépendant pas de paramètres inconnus.
Une estimation est une valeur numérique, prise par un
estimateur au regard des données de l’échantillon. Une
estimation est associée à un échantillon.

III. L’estimation du modèle linéaire à deux
variables par les MCO
A. Un peu d’histoire…
D. Les résultats fondamentaux concernant les
estimateurs

On dispose d’un nuage de points obtenus à
partir d’un échantillon
L’objectif est de trouver l’équation d’une droite
qui passe au plus près des points. Il s’agit donc
de minimiser l’écart entre la droite et les points
du nuage. Quelle notion d’écart retenir ?

yˆ i = aˆxi + bˆ

Minimiser la somme des carrés des écarts
ˆ ∑
Min
aˆ ,b
y i − ˆ
a(xi − ˆ
b ) 2
i
(1) Approche introduite en 1805 par Adrien-Marie
Legendre (mathématicien français, 1752-1833). Cette
paternité est contestée par Carl Friedrich Gauss
(mathématicien allemand, 1777-1855)
(2) La méthode phare d’estimation dans les travaux
économétriques.
(3) Les estimateurs obtenus sont les estimateurs des
moindres carrées ordinaires (en anglais OLS pour
ordinary least square).

Le modèle est linéaire dans les paramètres et la
variable X est observée sans erreur.
Hypothèse 1:
E (ε i ) = 0 ∀i
Pour une valeur de x donnée, la valeur attendue
du terme aléatoire est nulle. Nous savons que
l’individu i peut s’écarter de la moyenne. Mais a
priori, nous ne pouvons pas préjuger de
l’importance de cette déviation.

Hypothèse 2: Cov (ε , x ) = 0 ∀i
i i
L’aléa est indépendant de la variable explicative
autrement dit, la variable explicative n’apporte aucune
information sur l’aléa.
Hypothèse 3: Cov (ε i , ε j ) = 0 ∀i ≠ j
Cette hypothèse stipule que deux termes aléatoires ne
sont pas corrélés. Le fait que l’individu i s’écarte de la
moyenne n’apporte aucune information sur la situation
d’un individu j. Dans le cas de séries temporelles, on dit
qu’il n’y a pas de corrélation sérielle.

Hypothèse 4:
V (ε i ) = E (ε ) = σ
i
2 2
∀i
C’est l’hypothèse d’homoscédasticité. Les aléas sont
distribués de la même façon autour de leur espérance.
Hypothèse 5:
ε i est une variable normale de paramètres 0 et σ².
Du fait de cette hypothèse, les estimateurs des MCO et
les estimateurs du maximum de vraisemblance (MV)
sont identiques.

Conséquence des hypothèses 1, 3 et 4:
On se rappelle que yi est une variable aléatoire
donc:
E ( yi ) = axi + b ∀i
V ( yi ) = σ 2
∀i
Illustration de l’hypothèse d’homoscédasticité
(Figure 1.7)

Les estimateurs des MCO
∑ (x − x )( y − y )
t t
a∃ =
t
b∃= y − ax
∃
∑ (x − x )
t
t
2
La démarche graphique (Figure 1.8)

La démarche analytique (Figure 1.9)

Application
Les données utilisées (figure 1.4 – tableau de

gauche)
A ce stade, les notions introduites en L1 sont
amplement suffisantes….
En mobilisant ces connaissances de L1, on obtient:
yˆ i = 0,5090 xi + 24,45
En utilisant un logiciel (Excel ou Gretl), les résultats
de l’estimation prennent la forme suivante:

EXCEL (utilitaire d’analyse)

Gretl

Objectif (1): Comprendre les informations
fournies par ces applications
Objectif (2): Savoir réaliser ces estimations à
partir de logiciels (Excel, Gretl ou R)

D. Les résultats fondamentaux concernant
les estimateurs
Rappels - Les estimateurs sont des variables
aléatoires car:
La relation est : y i = axi + b + ε i
L’aléa est une variable aléatoire
La variable expliquée dépend de l’aléa
Les estimateurs sont des fonctions de la
variable expliquée

les estimateurs
On s’intéresse à deux propriétés statistiques des
estimateurs:
Un estimateur sans biais.
Un estimateur convergent.
Ces propriétés statistiques sont déduites des
formes fonctionnelles des estimateurs

les estimateurs
Notion d’estimateur sans biais:
Un estimateur sans biais fournit des estimations du
paramètre inconnu qui, en moyenne, se situent autour
de ce paramètre.
On extrait p échantillons, on procède à l’estimation du
paramètre. Si l’estimateur est sans biais, la moyenne
des p estimations obtenues est proche de la valeur du
paramètre inconnu.

les estimateurs
Les estimateurs des MCO sont sans biais
E (aˆ ) = a ()
E bˆ = b
Démonstration (Figure 1.10)

les estimateurs
Notion d’estimateur convergent:
Un estimateur convergent fournit des estimations qui
tendent vers la valeur du paramètre inconnu lorsque la
taille de l’échantillon croît.
On extrait p échantillons de taille n1, on procède à
l’estimation du paramètre. On renouvelle l’opération
avec p échantillons de taille n2 et p échantillons de
taille n3 avec n1 <n2 <n3). Si l’estimateur est
convergent, lorsque la taille des échantillons croît, les
estimations tendent à être de plus en plus proches de
la valeur du paramètre inconnu.

les estimateurs
Notion d’estimateur convergent:
Les estimations sont de plus en plus proches =>Elles sont
de plus en plus homogènes, leur variance diminue
Un estimateur est dit convergent si sa variance décroît
lorsque la taille des échantillons augmente.

les estimateurs
Les estimateurs des MCO sont convergents
σ2
V (aˆ ) =
∑ (x i − x)
2 ()
V bˆ = x V (aˆ ) +
2 σ2
n
i
lim V (aˆ ) = 0
n →∞
()
lim V bˆ = 0
n →∞

Distribution statistique de l’estimateur de a
100 échantillons de taille 100



les estimateurs
La covariance
( )
Cov aˆ , bˆ = − x V (aˆ )

les estimateurs
La variance de l’aléa est estimé par:
σˆ =
2 1
∑ ( yi − yˆ i )2
n−2 i

E. Les hypothèses d’application des MCO et
les propriétés des estimateurs
Une violation des hypothèses 1 et 2 biaise
l’estimateur des MCO.
Une violation des hypothèses 3 à 4 ne biaise
pas l’estimateur mais invalide les résultats
inférentiels (tous les tests statistiques induits
par la méthode des MCO). Deux
conséquences:
Les tests ne sont plus « utilisables »
On ne peut plus s ’appuyer sur les résultats des
MCO pour déduire les propriétés de la relation au
niveau de la population mère.

Bonus

Bonus

Chapitres 0 Et 1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitres 0 Et 1

Transféré par

Droits d'auteur :

Formats disponibles

Introduction à l’économétrie

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

… et une quantité innombrable de cours en ligne disponibles sur

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Un modèle est un ensemble d’équations (ou une

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Modèle à une équation

C est une variable expliquée / endogène

Attention, R est une variable Rt n’est que l’observation en t de la variable R

Introduction à l'économétrie (2017-2018)

C est une variable expliquée dans la première équation

C est une variable endogène du modèle

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Les relations (3 équations de comportement, 1 équation d'équilibre et

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

La présence de l’aléa εi confère une nature

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

Introduction à l'économétrie (2017-2018)

En résumé, le modèle est linéaire dès lors qu’il