Vous êtes sur la page 1sur 6

Econométrie

Cours 3

• Matière du cours :
— Propriétés de l’estimateur MCO (II)
— Estimation de σ 2 et de V (β̂)
— Intervalles de confiance pour β 1 et β 2

1. Propriétés de l’estimateur MCO (II)


on a considéré les propriétés de l’estimateur MCO β̂ = (X ′X)−1 X ′Y en
• Jusqu’ici,
échantillon fini , càd. valables quelle que soit la taille d’échantillon n
• On s’intéresse à présent aux propriétés asymptotiques de β̂ , càd. aux propriétés de
sa distribution d’échantillonnage lorsque n → ∞

1.1. Convergence
p
• On dit qu’un estimateur θ̂ converge en probabilité vers θ, ce qu’on note θ̂ −→ θ, si :

lim IP |θ̂ − θ| < ε = 1, ∀ε > 0


n→∞

où ε est un nombre positif arbitrairement petit


p
• Des conditions suffisantes pour que θ̂ −→ θ sont :

lim E(θ̂) = θ et lim V ar(θ̂) = 0


n→∞ n→∞
3

• Sous les hypothèses A1 - A5, on a :

E(β̂ j ) = β j et lim V ar(β̂ j ) = 0, j = 1, 2


n→∞

→ β̂ est un estimateur convergent de β :


p
β̂ −→ β

Graphiquement :

n3
f j

n3 n2 n1
n2

n1

j E j j
j
j

1.2. Distribution asymptotique


• Sous les hypothèses A1 - A6, on a en échantillon fini (quel que soit n) :

β̂ ∼ N(β, σ 2(X ′X)−1)

• On peut montrer que le même résultat tient asymptotiquement, càd. en grand


échantillon, lorsque n → ∞, sous les seules hypothèses A1 à A5.
Formellement :
− 12 d
V (β̂) β̂ − β −→ N(0, I), où V (β̂) = σ 2(X ′X)−1

Exprimé sous forme d’approximation utilisable en échantillon fini pour n suffisam-


ment grand :
β̂ ≈ N(β, σ 2(X ′X)−1)

→ On dit que β̂ est asymtotiquement normal


5

2. Estimation de σ2 et de V (β̂)
• Dans les procédures d’inférence (intervalles de confiance, tests d’hypothèses,...) qui
seront établies dans la suite, on aura besoin d’un estimateur de la matrice de
variance - covariance V (β̂) = σ 2(X ′X)−1 de l’estimateur MCO β̂ , ce qui nécessite
de trouver un estimateur de la variance σ 2 du terme d’erreur du modèle

2.1. Estimateur de σ 2

donné que σ 2 = V ar(ei) = E(e2i ), i = 1, 2, ...n, il est naturel de considérer


• Etant
comme estimateur de σ 2 :
n
2 1
σ̂ = ê2i , où êi = yi − β̂ 1 − β̂ 2xi
n i=1

• Bien qu’il soit convergent, cet estimateur σ̂ 2 est un estimateur biaisé de σ 2 :


n−2 2
E(σ̂ 2) = σ < σ2
n

• Sous les hypothèses A1 - A5, un estimateur convergent et non biaisé de σ 2 est donné
par :
n
2 1
ŝ = ê2i
n−2 i=1

2.2. Estimateur de V (β̂)

• Sous les hypothèses A1 à A5, un estimateur convergent et non biaisé de V (β̂) =


2 ′ −1
σ (X X) est donné par :
V̂ (β̂) = ŝ2(X ′X)−1

•A partir des estimateurs V âr(β̂ 1) et de V âr(β̂ 2), des estimateurs convergents, mais
pas non biaisés des écarts-types s.e.(β̂ 1) et s.e.(β̂ 2) de β̂ 1 et β̂ 2 sont donnés par :

s.ê.(β̂ 1) = V âr(β̂ 1) et s.ê.(β̂ 2) = V âr(β̂ 2)


7

3. Intervalles de confiance pour β 1 et β 2


• En s’appuyant sur la distribution d’échantillonnage de β̂ , on peut construire des
intervalles de confiance, aussi appelés estimateurs par intervalle, de β 1 et de β 2 qui,
plutôt que de délivrer des valeurs ponctuelles, fournissent des intervalles de valeurs
plausibles pour β 1 et β 2
• Comme les estimateurs, les intervalles de prévisions sont des règles de décision
• Dans un premier temps, on suppose que, outre les hypothèses A1 à A5, l’hypothèse
optionnelle de normalité A6 est satisfaite

3.1. Cas où σ 2 est connu


• Sous les hypothèses A1 à A6, on a :
β̂ j − β j
β̂ j ∼ N(β j , V ar(β̂ j )) ⇔ ẑ = ∼ N(0, 1), j = 1, 2
s.e.(β̂ j )

où V ar(β̂ j ) = σ 2qjj , avec qjj = (X ′X)−1 jj


et s.e.(β̂ j ) = V ar(β̂ j )

• Pour α donné, on a ainsi :


β̂ j − β j
IP −z1− α2 ≤ ≤ z1− α2 =1−α
s.e.(β̂ j )

⇔ IP β j − z1− α2 s.e.(β̂ j ) ≤ β̂ j ≤ β j + z1− α2 s.e.(β̂ j ) = 1 − α

où z1− α2 est le quantile d’ordre 1 − α2 de la loi N(0, 1)


Graphiquement :
f j Distribution de j

2 2
1
j
j z s.e. j j z s.e. j j
1 1
2 2
9

• Pour α donné, on a également :

IP β̂ j − z1− α2 s.e.(β̂ j ) ≤ β j ≤ β̂ j + z1− α2 s.e.(β̂ j ) = 1 − α

→ un intervalle de confiance à (1 − α) × 100% pour β j :

β̂ j − z1− α2 s.e.(β̂ j ) ; β̂ j + z1− α2 s.e.(β̂ j )

Graphiquement :

f j Distribution de j

Une réalisation particulière


de j : j
L'intervalle de confiance pour
cette réalisation particulière de j

j z1 s.e. j j z1 s.e. j
2 2

2 2

j
j z s.e. j
j
j z s.e. j j
1 1
2 2

10

3.2. Cas où σ 2 est inconnu


• L’intervalle de confiance à (1 − α) × 100% pour β j :

β̂ j − z1− α2 s.e.(β̂ j ) ; β̂ j + z1− α2 s.e.(β̂ j )

dépend de σ 2 au travers de l’écart-type s.e.(β̂ j ) = σ 2qjj , où qjj = (X ′X)−1 jj

• En pratique, σ 2 est inconnu, mais il peut être estimé en utilisant son estimateur
n
1
convergent et non biaisé : ŝ2 = n−2
ê2i
i=1

• Leremplacement de σ 2 par ŝ2 fait passer la distribution d’échantillonnage de β̂ j


d’une loi normale à une loi de Student :
β̂ j − β j β̂ j − β j
ẑ = ∼ N(0, 1) → t̂ = ∼ t(n − 2), j = 1, 2
s.e.(β̂ j ) s.ê.(β̂ j )

où s.ê.(β̂ j ) = ŝ2qjj
11

• Pour α donné, on a ainsi :

β̂ j − β j
IP −tn−2;1− α2 ≤ ≤ tn−2;1− α2 =1−α
s.ê.(β̂ j )

⇔ IP β̂ j − tn−2;1− α2 s.ê.(β̂ j ) ≤ β j ≤ β̂ j + tn−2;1− α2 s.ê.(β̂ j ) = 1 − α

→ un intervalle de confiance à (1 − α) × 100% pour β j :

β̂ j − tn−2;1− α2 s.ê.(β̂ j ) ; β̂ j + tn−2;1− α2 s.ê.(β̂ j )

où tn−2;1− α2 est le quantile d’ordre 1 − α2 de la loi t(n − 2)

Vous aimerez peut-être aussi