Vous êtes sur la page 1sur 39

Économétrie II

Économétrie II
Ch. 3. Hétéroscédasticité
L3 Économétrie – L3 MASS

Prof. Philippe Polomé, U. Lyon 2

Année 2016-2016
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité

Rappel

1. E (✏i ) = 0 8i : Espérance nulle


2. var (✏i ) = 2 8i : Homoscédasticité
3. cov (✏t , ✏s ) = 0 8t 6= s : Pas d’auto-corrélation
4. E (✏i xi ) = 0 8i : Exogénéité
5. X La matrice X est de plein rang : Pas de multicolinéarité
6. Le modèle est correctement spécifié
7. La variable dépendante Y est continue
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité

Table des matières

Ch. 3. 9i : var (✏i ) = i2 : Hétéroscédasticité


Définition
Sources
Conséquences
Estimer la matrice de variance-covariance
Moindres carrés pondérés “Weighted Least Squares”
Tests
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Définition

Table des matières

Ch. 3. 9i : var (✏i ) = i2 : Hétéroscédasticité


Définition
Sources
Conséquences
Estimer la matrice de variance-covariance
Moindres carrés pondérés “Weighted Least Squares”
Tests
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Définition

Définition du problème

I L’hypothèse d’homoscédasticité requiert que la variance des


termes d’erreur soit la même pour chaque observation
I Il y a hétéroscédasticité dans le modèle Y = X + ✏ lorsque :
2 2
3
1 0
⇣ 0⌘ 6 2 7
6 2 7 2
var (✏) = E ✏✏ = ⌃✏ = 6 .. 7 6= IN
4 . 5
0 2
N
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Définition

Représentation graphique
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Sources

Table des matières

Ch. 3. 9i : var (✏i ) = i2 : Hétéroscédasticité


Définition
Sources
Conséquences
Estimer la matrice de variance-covariance
Moindres carrés pondérés “Weighted Least Squares”
Tests
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Sources

Données en moyenne

I S’il y a homoscédasticité dans les données de départ, les


données en moyenne seront hétéroscédastiques
I yit avec var (yit ) = 18i, t
1 P
I Mais on ne dispose que des moyennes Tg t yit = yi où Tg
est la taille du groupe
I Par ex : des moyennesP régionalesPde données individuelles
var (yi ) = T12 var ( t yit ) = T12 t var (yit ) = T g2 = T1g :
T
I
g g g
dépend de la taille du groupe
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Sources

Modèle à “coefficients aléatoires”

I Si le modèle sous-jacent est Yi = ↵ + ( + µi ) xi + ✏i


I Par ex. effet de l’éducation sur le salaire
I Alors Yi = ↵ + xi + µi xi + ✏i = ↵ + xi + ⌘i
I Et, avec des termes d’erreurs ✏i et µi homoscédastiques et
indépendant et un régresseur xi non-stochastique, on trouve
2 2
I var (⌘i ) = ✏ + µ xi hétéroscédastique
I Semblable au cas suivant
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Sources

Régresseur manquant hétéroscédastique

I Si le modèle sous-jacent est yi = 0 + 1 x1i + 2 x2i + ✏i


I Mais le modèle estimé est yi = 0 + 1 x1i + µi
I Alors µi = 2 x2i + ✏i donc,
I si x2i n’est pas corrélé à ✏i , var (µi ) = 22 var (x2i ) + 2

I si x2i n’est pas stochastique (analyse conditionnelle),


var (µi ) = 22 x2i + 2
I Hétéroscédastique sauf cas particulier
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Sources

Effet taille

I La variance est une mesure absolue, pas relative


I Imaginons que le CA de toutes les entreprises varie de 10%
I 10% est un grand nombre pour une grande entreprise
I Part du revenu disponible dépensé en loisirs
I Les familles à faibles revenus dépensent relativement peu en
loisirs. Les variations de ces dépenses entre ces familles sont
donc faibles
I Pour les familles avec des revenus importants, le montant
moyen relatif dépensé en loisirs sera plus élevé, et il y aura une
plus grande variabilité entre de telles familles
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Sources

Variables explicatives de la variance

I Un régresseur définit des groupes de variances différentes


dans la variable expliquée
I Ex. Rendement de l’éducation
I variance en productivité propre inobservable ✏ diffère selon les
niveaux h d’éducation atteints
I ln (salairei ) = ↵ + educationh + Xi + ✏i
2
I avec i 2 h et var (✏i ) = h = fonction (educationh )
I Similaire à l’effet taille
I Faible éducation : salaire proche du minimum
I Également :
I Qualité inobservée d’un bien par niveau de prix
I Taux d’épargne par niveau de revenu
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Conséquences

Table des matières

Ch. 3. 9i : var (✏i ) = i2 : Hétéroscédasticité


Définition
Sources
Conséquences
Estimer la matrice de variance-covariance
Moindres carrés pondérés “Weighted Least Squares”
Tests
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Conséquences

Propriétés de ˆ
I MCO restent sans biais (X non-stochastique par facilité)

⇣ ⌘ ✓⇣ ⌘ ◆ ⇣ 0 ⌘
0 1 0 1 0
E ˆ =E X X X (X + ✏) = + X X X E (✏) =

I MCO consistants / convergents (sans démonstration)


I Matrice⇣de variance-covariance
⌘ 1 des coefficients estimés n’est
2 0
plus X X , mais bien (sandwich)

✓⇣ ⌘⇣ ⌘0 ◆ ⇣ 0 ⌘ ⇣ 0⌘ ⇣ 0 ⌘
1 0 1
⌃ˆ = E ˆ ˆ = X X X E ✏✏ X X X

⇣ 0 ⌘ 1 0
⇣ 0 ⌘ 1
= X X X ⌃✏ X X X
I Théorème de Gauss-Markov ne s’applique plus
I MCO n’est plus efficient
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Conséquences

Inférence

✏ˆ ✏ˆ ⇣ 0 ⌘
0
1
I Estimateur MCO X X est biaisé pour ⌃ ˆ
N k
I Tests d’hypothèse usuels post-estimation (t-stat, F-stat ou
LM) invalides dans leur forme classique
I Le bootstrap reste par contre valide
I asymptotiquement comme toujours
I Comment faire face à ces conséquences ? 2 approches
I Estimer ⌃ ˆ à partir de MCO & refaire l’inférence
I Proposer un estimateur alternatif
I Moindres Carrés Pondérés
I Vise à récupérer l’efficience
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Estimer la matrice de variance-covariance

Table des matières

Ch. 3. 9i : var (✏i ) = i2 : Hétéroscédasticité


Définition
Sources
Conséquences
Estimer la matrice de variance-covariance
Moindres carrés pondérés “Weighted Least Squares”
Tests
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Estimer la matrice de variance-covariance

Estimateur robuste White (1980)


⇣ 0 ⌘ 1 0
⇣ 0 ⌘ 1
I On sait ⌃ ˆ = X X X ⌃✏ X X X sandwich
I Sauf cas particulier, ⌃✏ inconnue
I White : Pour obtenir un estimateur de ⌃ ˆ, il suffit d’un
0
estimateur de X ⌃✏ X (et pas de ⌃✏ )
N
X 0
I Sous des conditions très générales, S = 1
N ✏ˆ2i Xi Xi est un
i=1
1 0
estimateur consistant de N X ⌃✏ X
0
I ✏ˆi = yi Xi ˆMCO résidu MCO i
I Xi vecteur-colonne correspondant à l’observation i de X
0
I Donc Xi Xi est bien k ⇥ k
0
I Expliciter la matrice X ⌃✏ X : intuition estimateur de White
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Estimer la matrice de variance-covariance

0
La matrice X ⌃✏ Xk⇥k

2 32 2
32 3
x11 x21 ... xN1 1 0 x11 x12 ... x1k
6 76 2 76 7
6 x12 x22 ... xN2 76 2 76 x21 x22 ... x2k 7
=6 .. .. .. .. 76 .. 76 .. .. .. .. 7
4 . . . . 54 . 54 . . . . 5
2
x1k x2k ... xNk 0 N xN1 xN2 ··· xNk
2 2 2 2
32 3
1 x11 2 x21 ... N xN1 x11 x12 ... x1k
6 2 2 2 76 7
6 1 x12 2 x22 ... N xN2 76 x21 x22 ... x2k 7
=6 .. .. .. .. 76 .. .. .. .. 7
4 . . . . 54 . . . . 5
2 2 2
1 x1k 2 x2k ... N x Nk xN1 xN2 ··· xNk
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Estimer la matrice de variance-covariance

0
La matrice X ⌃✏ Xk⇥k
2 3
N
X N
X N
X
6 2 2 2 2 7
6 i xi1 i xi1 xi2 ... i xi1 xik 7
6 i=1 i=1 i=1 7
6 N N 7
6 X X 7
6 2 2 2 7
6 i xi2 ... i xi2 xi2 7
=6 i=1 i=1 7
6 .. 7
6 .. 7
6 . . 7
6 N 7
6 X 7
4 sym 2 2 5
i xik
i=1

N
X 0
Comparer avec S = 1
N ✏ˆ2i Xi Xi
i=1
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Estimer la matrice de variance-covariance

Matrice de variance-covariance “robuste”


⇣ ⌘ 1 ⇣ 0 ⌘ 1
I ˆ ˆ = N X 0X
⌃ S X X consistant pour ⌃ ˆ
I Peut-être utilisé pour tests usuels post-estimation
I Écart-types issus de White : “robustes à l’hétéroscédasticité”
I Suggestion : corriger la matrice de White par n/ (n k 1)
I Lorsque n ! 1 les deux approches sont équivalentes
I L’estimateur de White est seulement consistant
I Pas sans biais
I Valable seulement asymptotiquement
I Sur échantillons de petite taille
I t de Student “de White” n’ont pas une distribution proche du t
I Tests ont peu de puissance
I Utile de voir si Bootstrap mène aux mêmes résultats
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Estimer la matrice de variance-covariance

Matrice de White : logiciels

I La correction par la matrice de White est pré-programmée sur


tous les logiciels d’économétrie.
I Sous Gretl, cocher une case dans la boîte de dialogue
d’estimation
I Plusieurs variantes à la correction de White, manuel de Gretl
pour les détails
I Dans GRETL
I Prenez les données hprice1.gdt dans Gretl Wooldridge
I Régressez lprice sur llotsize, lsqrft, bdrms, colonial
I Pour obtenir l’estimation “robuste” des t-stats
I Cocher “erreurs standards robustes” (la constante n’est plus
significative)
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

Table des matières

Ch. 3. 9i : var (✏i ) = i2 : Hétéroscédasticité


Définition
Sources
Conséquences
Estimer la matrice de variance-covariance
Moindres carrés pondérés “Weighted Least Squares”
Tests
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

Moindres carrés pondérés “Weighted Least Squares”

I Approche alternative à celle de White pour traiter


l’hétéroscédasticité
I + ancienne
I Disposer d’informations supplémentaires sur la forme de
l’hétéroscédasticité rencontrée permet toujours de dériver un
estimateur plus efficient que celui donné par l’estimation
“robuste”
I Donc si on connait la forme de l’hétéroscédasticité, on devrait
pouvoir obtenir un gain en efficience
I L’idée générale est de transformer les données de sorte à ce
que les erreurs deviennent homoscédastiques
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

Forme de l’hétéroscédasticité connue à une constante près

I Supposons que l’hétéroscédasticité puisse être modélisée sous


la forme var (✏|X ) = 2 h (X )
0 1
h1 0 · · · 0
B .. C
2
B 0 h2 . C
I On peut alors écrire ⌃✏ = B . B C= 2
. . . C
@ . . A
0 ··· hN
avec hi = h (Xi ) > 0
I Si on réécrit le modèle Y = X + ✏
Yi Xi ✏i
I sous la forme p = p +p
hi hi hi
I alors le terme d’erreur est homoscédastique
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

Remarque
I Le résidu MCP est ✏ˆ⇤ = Y ⇤ X ⇤ ˆMCP
P
I Le but de MCP est minimiser la des carrés des résidus sur
les données transformées :
0 ⇤ P ⇣ ⇤ ⌘2

min ✏ˆ ✏ˆ = min i Yi Xi⇤ ˆMCP
✓ ◆2
P Yi Xi ˆ
= min i p p MCP
hi hi
P ⇣ ⌘2
= min Yi Xi ˆMCP /hi
i
I Chaque observation est pondérée par l’inverse de sa variance
I Plus une observation a une variance élevée, moins elle pèse
dans la somme des carrés des résidus
I La qualité de l’ajustement (R 2 ) aux données originales n’est
donc plus recherchée : R 2 n’est plus une mesure intéressante
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

MCP en pratique

I Il faut connaître la forme de l’hétéroscédasticité


I Dans la plupart des cas on ne sait rien sur cette forme
I Il faut donc un estimateur de h (X ) ou éventuellement d’autres
formes h (X , Z )
I Moindres Carrés Pondérés Faisables / Feasible Weighted
Least Squares
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

MCP Faisable
I On suppose une forme simple de type
h (Xi ) = exp ( 0 + 1 x1i + 2 x2i + ...)
I exp garanti la positivité
I var (✏i |Xi ) = 2 exp ( 0 + 1 x1i + 2 x2i + ...)
I Comme MCO est sans biais en présence d’hétéroscédasticité,
✏ˆi 2 peut être vu comme une estimation de var (✏i |Xi )
I ✏ˆ2i = 2
exp ( 0 + 1 x1i + 2 x2i + ...) ⌫i ; ⌫ terme d’erreur
I Estimer ln ✏ˆ2i = ↵0 + 1 x1i + 2 x2i + ... + ln (⌫i ) par MCO
I On peut rajouter des régresseurs Z + X dans cette équation
⇣ ⌘
I Estimation de hi : ĥi = exp ↵ˆ 0 + ˆ1 x1i + ˆ2 x2i + ...+ 12 ˆ⌫2
I Il faut ajouter un terme en variance au carré parce que exp est
non-linéaire (Verbeek) – sans démonstration
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

Mise en garde sur les MCP faisables


I Dans le doute sur la présence et la forme de l’hétéroscédasticité
I il peut être tentant de prendre une forme usuelle et d’appliquer
les MCP
I D’autant plus tentant si le logiciel utilisé propose une
procédure simple
I Mais
I Si les termes d’erreurs sont homoscédastiques au départ,
I l’estimateur des MCPF pourra être biaisé et inconsistant
I Par monte-carlo, on voit que ce sont des configurations peu
courantes
I Si l’hétéroscédasticité dépend d’une variable inconnue,
I ou ne dépend pas d’une variable,
I il peut être difficile d’apporter une correction significative
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

Comparaison des deux approches


I Approche 1 : MCP
I ˆMCP 6= ˆMCO
I Approche historique, en principe meilleure que MCO
I Si l’hyp sur forme de l’hétéroscédasticité est correcte
I Permet alors un gain d’efficience
I Mais risques l’hyp est fausse

\ ⌘
I Approche 2 : var ˆMCO robuste
I On garde les ˆMCO
I 2.a. White : basé sur un résultat plus récent (1980) que MCP ;
requiert une plus grande puissance de calcul
I 2.b. bootstrap : puissance de calcul encore plus grande
I 2.a et 2.b : pas d’hypothèses supplémentaires par rapport à
MCO mais seulement valables pour de grands échantillons
I Évite de tester l’hétéroscédasticité
I et de chercher quelle forme elle pourrait prendre
I Renonce au gain potentiel d’efficience
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

Importance de l’hétéroscédasticité en pratique

I L’hétéroscédasticité est la norme avec les données micro en


coupe transversale
I L’homoscédasticité est l’exception
I On va habituellement utiliser White / bootstrap
I Plus rarement MCP / MCG
I Pas aussi évident pour les séries temporelles
I Car c’est toujours la même unité qui est observée
I White est aussi disponible
I Mais existence de modèles alternatifs propres
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Moindres carrés pondérés “Weighted Least Squares”

Exemple dans Gretl

I Prenez les données hprice1.gdt dans Gretl Wooldridge


I Régressez lprice sur llotsize, lsqrft, bdrms, colonial
I Moindres Carrés Pondérés : “Modèle” – “autres modèles
linéaires” – “MCP”
I Un seul régresseur est associé à l’hét.
I Une façon alternative est “Hétéroscédasticité corrigée” qui
impose une correction “à la White”
I c’est-à-dire : l’hét. est approximée à partir d’une regression
contenant les régresseurs et leurs carrés
I comme dans le test de White (plus loin)
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Tests

Table des matières

Ch. 3. 9i : var (✏i ) = i2 : Hétéroscédasticité


Définition
Sources
Conséquences
Estimer la matrice de variance-covariance
Moindres carrés pondérés “Weighted Least Squares”
Tests
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Tests

Principe des tests d’hétéroscédasticité

I On n’observe jamais les vrais termes d’erreur.


I On les “estime” à partir des résidus de la régression par MCO ✏ˆi
I “car” MCO sans biais en présence d’hétéroscédasticité
I 3 tests populaires
I Breusch-Pagan
I White
I Goldfeld-Quandt
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Tests

Test de Breusch-Pagan

I On veut tester H0 : var (✏i |x1i , ..., xki ) = 2 8i


I Equivalent à tester H0 : E ✏2i |x1i , ..., xki = 2
8i car E (✏) = 0
I Si on suppose que la relation entre ✏2i et Xi est suffisamment
proche du linéaire
I ✏2i = 0 + 1 x1i + ... + k xki + ⌫
I Alors tester H0 revient à tester H0 : 1 = 2 = ... = k =0
I Régresser carré des résidus ✏ˆ2i sur toutes les variables
explicatives X
I Tester significativité globale via la procédure habituelle (F-test
ou LM-test)
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Tests

Test de White

I Test de Breusch-Pagan permet de détecter les formes linéaires


d’hétéroscédasticité
I Test de White permet de prendre en compte certaines
non-linéarités en utilisant les carrés et les produits croisés de
toutes les variables explicatives
I Même procédure que Breusch-Pagan
I En introduisant tous les xj2 et les xj xm
I Et en testant que les paramètres associés sont conjointement
significatifs (F-test ou LM-test)
I Rapidement : nombre de paramètres à estimer impraticable. . .
I En proba (5%) erreur type I : ¬R H0 fréquente
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Tests

Forme alternative du test de White


I Les valeurs ajustées ŷi = Xi ˆ sont fonction de toutes les X
I ŷ 2 est une fonction des carrés xj2 et des produits croisés xj xm
I ŷ 2 peut être utilisé pour représenter les non-linéarités
I On peut utiliser ŷ pour représenter tous les X à la fois
I Procédure
1. Régresser le carré des résidus MCO ✏ˆ2i sur les valeurs ajustées
ŷi et ŷi2
2. F-test ou un LM-test sur la significativité globale de cette
régression
I On ne teste plus que les coef. de ces 2 paramètres
I Ce test repose sur une hypothèse forte concernant la forme de
l’hétéroscédasticité
I Celle-ci est fonction des variables incluses
I N’impose pas la linéarité de cette forme (on peut étendre aux
cubes...)
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Tests

Test de Goldfeld-Quandt
I Dans le cas où la théorie permet d’envisager une
hétéroscédasticité causée par une seule explicative xm
1. Trier les observations par les valeurs de la variable explicative
soupçonnée source d’hétéroscédasticité
I et donc corrélée avec ✏ˆ2i
2. Supprimer la partie des données triées qui se trouve au milieu
de l’échantillon
I entre 1/3 et 1/5 des données
3. Estimations séparées (MCO) sur les deux sous échantillons :
hautes et basses valeurs de xm
4. Les rapport des variances estimées des termes d’erreur des
deux régressions suit une distribution de Fisher
ˆ12
I GQ = ⇠ FN1 K ,N2 K
ˆ22
I N1 K = nombre de degrés de liberté de la 1ère régression
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Tests

Exemple dans Gretl

I Prenez les données hprice1.gdt dans Gretl Wooldridge


I Régressez lprice sur llotsize, lsqrft, bdrms, colonial
I Pour tester : MCO puis post-estimation
I Gretl propose 2 tests : White (1º forme), Breusch-Pagan, mais
pas Goldfeld-Quandt
I Breusch-Pagan R homoscédasticité
I White (1º forme)¬R
I Difficile de conclure
Économétrie II
2
Ch. 3. 9i : var (✏i ) = i : Hétéroscédasticité
Tests

Devoir #3 Hétéroscédasticité
Conception d’une feuille de tableur pour montrer l’effet de
l’hétéroscédasticité sur les coefficients estimés dans une
régression linéaire MCO à deux variables x1 et x2 et une constante.
1. Générer le terme d’erreur ✏ ; par exemple pour chaque
observation i, générer d’abord un nombre aléatoire
↵i 2 [1, 10], puis générer ✏i = ↵i n (0, 1)
2. Illustrer que les MCO sont inconsistants ou non lorsqu’il y a
hétéroscédasticité
3. Employer la formule classique de calcul de la matrice de
variance-covariance des estimations MCO
3.1 (pour les plus motivés) Montrer que la diagonale de cette
matrice ne s’approche pas des variances des coefficients
estimés en Monte-Carlo