Vous êtes sur la page 1sur 3

Formules pour l’examen: Statistique et économétrie I

Adrian Bruhin

1 Régression linéaire simple


• Définition du modèle:
yi = β0 + β1 xi + i

• L’estimateur OLS:
P
(yi − y) (xi − x)
i
b1 = P 2
i (xi − x)
b0 = y − xb1

• Distribution limite (homoscédasticité):

σ2
 
d
b1 → N β 1 ,
N σx2

• Distribution limite (hétéroscédasticité):


 h i
2 2
d
E σ  (x i ) (x i − µx )
b1 → N β1 , 
N σx4

• Mesures de précision:
V (b
y) V (e)
R2 = =1−
V (y) V (y)

2 Régression linéaire multiple


• Définition du modèle:

yi = x i β + i
Y = Xβ + 

• L’estimateur OLS:
−1
b = (X0 X) X0 Y

• Distribution limite (homoscédasticité):


!
−1
d σ 2 · E [xi x0i ]
b → N β, 
N

• Distribution limite (hétéroscédasticité):


−1 0 −1 −1
!
E [xi x0i ] · E [xi x0i ]

d · E (xi i ) (xi i )
b → N β,
N
• Résultats utiles pour les tests:

– La variable aléatoire z suit une distribution normale avec un vecteur des moyennes µz et
matrice de covariance Σz , donc z ∼ N (µz , Σz ). Une transformation linéaire q = Az sera
également normale avec
q ∼ N (Aµz , AΣz A0 )
– Si z1 , . . . , zk suivent tous N (0, 1), la somme de leurs carrés suit une distribution χ2 avec k
degrés de liberté:
Xk
zi2 ∼ χ2 (k)
i=1

• Résultats utiles pour les propriétés asymptotiques:


 
1 E(x1i ) E(x2i ) ... E(xki )
2
E(x ) E(x ) E(x 1i x2i ) ... E(x1i xki )
X 0X 1i
 
1i
→ Q ≡ E(xi x0i ) = 
 2

E(x 2i ) E(x x
2i 1i ) E(x 2i ) ... E(x2i xki ) 
N  
 ... ... ... ... ... 
E(xki ) E(xki x1i ) E(xki x2i ) ... E(x2ki )
 
E(i )
E(x1i i )
X 0
 
0
 
→ E(X ) =  E(x2i i ) 
N  
 ... 
E(xki i )

3 Les modèles panels


• Définition du modèle (xi sans constante):

yi = αi + xit β + it

• L’estimateur OLS pour β:


 0
−1 0
b= Xgit Xit
g X
g it Yit
g
avec

xf
it = xit − xi
yf
it = yit − yi

• Distribution limite (homoscédasticité, sans ”clustering”):


!
−1
d σ 2 · E [e e0it ]
xit x
b → N β, 
T ·N

• Distribution limite (hétéroscédasticité, sans ”clustering”):


0 −1
e0it ]−1 · E (e e0it ]−1
 !
d E [e
xit x xit it ) (e
xit it ) · E [e
xit x
b → N β,
T ·N

4 Variables instrumentales
• L’estimateur de Wald pour estimer l’impact de xi sur yi avec un instrument zi :
dOLS
1
bW
1 =
cOLS
1

où dOLS
1 est l’estimateur OLS pour l’impact de zi sur yi dans la forme réduite et cOLS
1 est
l’estimateur OLS pour l’impact de zi sur xi .
• Distribution limite de 2SLS (avec une variable indépendante xi et une variable instrumentale zi ):
!
2 2
d σ σ
z 
bT1 S → N β1 , 2
N · [Cov (xi , zi )]

5 Tableaux de la distribution standard normale


• Quantiles de la distribution standard normale
z0.010 –2.3263 z0.990 2.3263
z0.025 –1.9600 z0.975 1.9600
z0.050 –1.6449 z0.950 1.6449
z0.100 –1.2816 z0.900 1.2816

• Fonction de répartition de la distribution standard normale

Φ(z) = P r(Z ≤ z)

Notez que la symétrie implique que Φ(−z) = 1 − Φ(z).


z Φ(z) z Φ(z)
0.0 0.5000 1.8 0.9641
0.1 0.5398 1.9 0.9713
0.2 0.5793 2.0 0.9772
0.3 0.6179 2.1 0.9821
0.4 0.6554 2.2 0.9861
0.5 0.6915 2.3 0.9893
0.6 0.7257 2.4 0.9918
0.7 0.7580 2.5 0.9938
0.8 0.7881 2.6 0.9953
0.9 0.8159 2.7 0.9965
1.0 0.8413 2.8 0.9974
1.1 0.8643 2.9 0.9981
1.2 0.8849 3.0 0.9987
1.3 0.9032 3.1 0.9990
1.4 0.9192 3.2 0.9993
1.5 0.9332 3.3 0.9995
1.6 0.9452 3.4 0.9997
1.7 0.9554 3.5 0.9998