INTRODUCTION A

L’ECONOMETRIE

Dr. Fahd FOFANA

abdulfahdfofana@gmail.com
00228 90 81 11 18
PLAN DU COURS

Chapitre 1: Qu’est-ce que l’économétrie ?

Chapitre 2: Le modèle de régression simple

Chapitre 3: Le modèle de régression multiple

Chapitre 4: Econométrie des variables qualitatives

CHAPITRE I
Qu’est-ce que
l’économétrie ?
CHAPITRE II
Le modèle de
régression simple
L’économétrie et la notion de modèle
• L’économétrie est décrite comme la partie de l’économie qui s’occupe de la mesure, du
quantitatif. Elle applique les méthodes statistiques aux données empiriques issues de l’économie.

• C’est un domaine de l’économie qui s’occupe des applications de la statistique mathématique et

des outils de l’inférence statistique à la mesure empirique des relations postulées par la théorie
économique.

• Héritière à la fois des mathématiques, de l’économie et des statistiques, elle se fonde sur des
modèles économiques qu’elle vient confronter à un ensemble de donnée observée.

• L’économétrie vise à estimer les paramètres de ces modèles et à en vérifier la validité.

• Un modèle consiste est une présentation formalisée d’un phénomène sous forme d’équations dont
les variables sont des grandeurs économiques.

• Le modèle est une présentation schématique et partielle d’une réalité naturellement plus complexe

• Pas toujours aisée la modélisation (exemple du poisson : pêcheur/zoologiste/cuisinier)

5 étapes pour construire des modèles en économétrie

A travers les
hypothèses auxquelles A partir de la
le modèle fait référence (1) Référence à une théorie construction des
(exemple théorie relations (C = Cy + Co)
keynésienne)

(5)
A vérifier la conformité du
modèle avec les données Validation
disponibles (Les relations du modèle
spécifiées sont-elles
valides ? Les coefficients
sont-ils stables? Le A partir de la collecte
modèle est vérifié sur la des données qui
totalité de la période? ) peuvent être des séries
temporelles, des
coupes instantanées,
des panels ou des
cohortes

A les variables ne sont pas toujours

synchrones. (on peut introduire des
variables endogènes retardées)
Rôle de l’économétrie
• L’économétrie est un outil à la disposition de l’économiste lui permettant d’infirmer ou de confirmer les
théories qu’il construit. La démarche est la suivante :
Théorie
validée
Théorie Modélisation Estimation Nouvelle
données
Théorie non
validée
Nouvelle
spécification

• L’économétrie n’est pas seulement un système de validation, mais également un outil d’analyse. On peut
s’en servir pour : mettre en évidence des relations entre des variables économiques, faire l’induction
statistique (inférer à partir d’un échantillon, les caractéristiques d’une population), faire des simulations
(l’impact de la modification de la valeur d’une variable sur une autre) et faire des prévisions afin d’anticiper et
éventuellement de réagir à l’environnement économique.
Théorie de la corrélation
• La représentation graphique ne donne qu’une
impression de la corrélation entre deux variables sans
donner une idée précise de l’intensité de la liaison,
c’est pourquoi nous calculons une statistique appelée
coefficient de corrélation linéaire simple

• Proche de 1 : les variables sont corrélées

positivement
• Proche de -1 : les variables sont corrélées
négativement
• Proche de 0 : les variables ne sont pas
corrélées.
Notion de distribution
L’histogramme donne un simple exemple d’une distribution empirique. Pour avoir un
histogramme, on a besoin de la fréquence à chaque valeur ou intervalle de la variable d’intérêt

Figure 1 : Age et taille des firmes manufacturières

Notion de distribution
Quand on a une distribution caractérisée par un large intervalle statistique, la transformation des
valeurs en logarithmes donne une distribution beaucoup plus palpable.

Figure 2 : Log de l’âge et taille des firmes manufacturières

Notion de distribution
• On peut superposer une distribution dite normale sur un histogramme pour se faire une idée sur le
degré de normalité d’une distribution empirique.
• La courbe fine représente la distribution normale tandis que la courbe grasse est une courbe de
densité kernel
Figure 3 : Histogramme et distribution normale
Les statistiques descriptives caractérisant une distribution
Pour caractériser une distribution, on a besoin de quatre valeurs que l’on appelle les ‘moments
statistiques’:
• La moyenne ou le premier moment d’un échantillon est un paramètre de localisation. Deux
autres mesures, le mode et la médiane, sont aussi utilisées comme mesures de localisation.

• La variance ou le deuxième moment est une mesure de dispersion autour de la moyenne

• Le troisième moment permet de déterminer le degré de symétrie (ou le skewness) d’une

distribution

• Le quatrième moment mesure le degré d’aplatissement appelé le kurtosis d’une distribution :

Les distributions statistiques usuelles
Quatres distributions statistiques sont largement utilisées :

• La distribution normale

• La distribution z : De la distribution normale est dérivée la distribution z ou distribution normale

standardisée. Elle est standardisée pour avoir une moyenne nulle et une variance unitaire.

• La distribution Chi-carré est utilisée quand la variable d’intérêt est le carré d’une variable
distribuée normalement. (exemple x = z² avec z suivant une loi Normale). Aussi, le ratio de z et x
donne une distribution de Student (significativité individuel)

• La distribution F est un ratio de deux distributions Chi-carré (significativité globale)

Les distributions statistiques usuelles
Figure 4 : Distribution normale et distribution t de Student

• Continue est symétrique : moyenne, mode et médiane se confondent

• Elle est asymptotique : sans limite de moins à plus l’infini
• Les deux premiers moments suffisent pour la caractériser
• La distribution normale est standardisée quand elle a une moyenne nulle et une variance
unitaire
Les distributions statistiques usuelles
Figure 5 : Distribution Chi-carré et distribution F

• La distribution Chi-carré est non symétrique et la forme dépend des degrés de liberté qui
la sous-tendent
• La distribution F est le ratio de deux distributions Chi-carré. Elle est largement utilisée
dans les tests de significativité de groupes de coefficients issus d’une régression linéaire
Théorème de la limite centrale

• Quelle que soit la distribution d’une variable X , si elle a une moyenne finie et une
variance finie, la distribution approche une distribution normale quand la taille de
l’échantillon augmente: la distribution de la moyenne d’un large échantillon est
approximativement normale (simulations de Monte Carlo)

• Le Théorème de la limite centrale est crucial en économétrie; presque tous les

estimateurs qu’on utilise sont basés sur ce théorème

Approximation de la distribution normale dépend de 3 facteurs:

• La symétrie de la distribution de la population
• L’indépendance de l’échantillon
• La taille de l’échantillon
Session des travaux dirigés (TD1)

• Nuages de point
• Calcul du coefficient de corrélation et test
de sa significativité (y/c graphique)
• Histogramme et distribution normale
• Statistiques descriptives (moyenne, écart
type, variance, skewness, Kurtosis)

Allons-y : Bonne recherche!