Académique Documents
Professionnel Documents
Culture Documents
Adrian Bruhin
Université de Lausanne
Automne 2019
1
Survol du cours
Hypothèses
OLS
Propriétés
stochastiques
Espérance et
variance
E(b) =
s2
S(b1 ) = P
(xi x̄)2 Régression linéaire simple
yi = β 0 + x i β 1 + ✏ i
P
(xi x̄ )(yi ȳ )
L’estimateur OLS: b1 = P
(xi x̄ ) 2
2
Qu’allons-nous faire aujourd’hui?
• Les propriétés stochastiques de l’estimateur OLS
– Très important. Tous les tests d’hypothèses sont basés là-
dessus.
3
Survol du cours
La loi des grands Un coefficient
Hypothèses Distribution nombres
OLS asymptotique p bk − k
z =p ⇡ N(0, 1)
Propriétés bk −
! k Les tests S(bk )
stochastiques Le théorème d’hypothèses
central de la limite
Espérance et b ⇡ N( , S(b))
variance
E(b) =
s2
S(b1 ) = P
(xi x̄)2 Régression linéaire simple
yi = β 0 + x i β 1 + ✏ i
P
(xi x̄ )(yi ȳ )
L’estimateur OLS: b1 = P
(xi x̄ ) 2
4
Les propriétés stochastiques de l’estimateur OLS
• Deux façons possibles de caractériser les propriétés
stochastiques
6
Convergence de l’estimateur OLS
Convergence en probabilité de b1
Sous les hypothèses 1 à 3, si N ! 1, l’estimateur OLS converge en proba-
bilité vers la vraie valeur de 1 :
p
b1 −
! 1
7
Convergence de l’estimateur OLS
Le terme centrale est
P
✏i (xi − x̄)
b 1 = β1 + P
(xi − x̄)2
p
Si N ! 1, la loi des grands nombres implique que x̄ ! µx
X p X
✏i (xi − x̄) ! ✏i (xi − µx )
X X
2 p
(xi − x̄) ! (xi − µx )2
P 1 P
p ✏i (xi − µx ) N ✏i (xi − µx )
b 1 ! β1 + P 2
= β1 + 1 P
(xi − µx ) (x − µ ) 2
N i x
8
Convergence de l’estimateur OLS
Considerons le numérateur
1 X p
✏i (xi − µx ) ! E (✏i (xi − µx ))
N
= EX [E (✏i |xi )(xi − µx )] = 0
| {z }
=0 De nouveau, le rôle central
de l’hypothèse 1 OLS
Et le dénominateur
1 X 2 p
(xi − µx ) ! V (xi ) = σX2
N
Donc, l’estimateur converge vers la vraie valeur β1 :
p 0
b 1 ! β 1 + 2 = β1
σX
9
La convergence de b1
12
La distribution limite de b1
La distribution limite de b1
Sous les hypothèses 1 à 3, l’estimateur OLS converge vers une distribution
normale
d σ✏2
b1 ! N(β1 , )
Nσx2 coïncide avec la
formule de la variance
σ✏2 conditionnelle de
La variance Nσx2
peut être estimée par lestimateur OLS.
d 2 1 P 2
σ✏ N ei
= P
Nσx2 (xi − x̄)2
18
Ariely et al. (2009): Expérience
• Méthode de paiement
– Pour recevoir un paiement, il fallait atteindre un niveau
qualifié de « bon » dans chaque jeu.
• Plus qu’un certain nombre de points sur plusieurs tours
20
Ariely et al. (2009): Résultats descriptifs
• Les incitations financières semblent diminuer la
performance (N = 29 dans chaque traitement).
21
Les tests unilatéraux : formulation des hypothèses
• L’évidence est-elle assez forte pour confirmer l’intuition
que les incitations financières réduisent la performance?
– Régression linéaire pour tester l’influence des incitations
financières: yi = β0 + xi β1 + ✏i
Où
22
Les tests unilatéraux : estimation des paramètres
• Est l’évidence assez forte pour confirmer l’intuition que
les incitations financières réduisent la performance?
– Régression linéaire pour tester l’influence des incitations
financières: yi = β0 + xi β1 + ✏i
p
• Erreurs standards S(b1 ) entre parenthèses.
23
Les tests unilatéraux : calcul du valeur p
• Etant-donné H0, quelle est la probabilité d’observer par
hasard b1 ou une valeur plus extrême en direction de H1?
– Rappelons nous que b1 ! N(β1 , σ✏2 /(NσX2 ))
d
!
b 0
p= p1 1
densité
S(b1 )
0.2
0.1
0.0
−3 −2 −1 0 1 2 3
b1 0
1
p
S(b1 ) 25
Les tests unilatéraux : calcul du valeur p
• Attention: Si H1: b1 > 0, l‘alternative se trouve à droite!
0.4
0.3
!
b − 0
p = Pr (Z ≥ z) = 1 − p1 1
S(b1 )
densité
0.2
0.1
0.0
−3 −2 −1 0 1 2 3
b1 0
1
p
S(b1 ) 26
Les tests unilatéraux: décision
• Test de l’intuition psychologique
Résultats pour "Labyrinthe" : Test unilatéral H1 : β1 < 0 ?
0.316
z= = 3.26
0.097
p = ( 3.26) = 0.0005 < ↵ = 0.05
vs.
0.2
0.1
0.0
−3 � −2 � −1 0 1 � 2 � 3
�b 0� �b − 0�
� 1 1� � 1 1�
�p � �p �
� S(b1 ) � � S(b1 ) � 30
Ariely et al. (2009): Test d’hypothèse bilatéral
• Test bilatéral sur l’influence des incitations financières
Résultats pour "Labyrinthe" : Test bilatéral H1 : β1 6= 0 ?
−0.316
z= = −3.26
0.097
p = 2 ⇥ (−| − 3.26|) = 0.001 < ↵ = 0.05
z0.05 z0.025
5% 2.5% 2.5%
32
Qu’avons-nous fait aujourd’hui?
• Propriétés de l’estimateur OLS quand N tend vers l’infini.
– Convergence
– Distribution limite
• La semaine prochaine
– Plus d’applications de tests.
– Les intervalles de confiance