Université d’Orléans - Master Econométrie et Statistique

Appliquée
Econométrie des Variables Qualitatives
Christophe HURLIN
Correction Examen Mai 2013. C. Hurlin

Exercice 1 (16 points) : Modèle Probit

Question 1 (2 points) : Sous ces hypothèse, la probabilité d’apparition de l’évenement yi = 1

s’écrit :
Pr ( yi = 1j xi = 1) = ( + ) (1)
Pr ( yi = 1j xi = 1) = ( ) (2)

Question 2 (2 points) : La log-vraisemblance de ce modèle probit est :

N
X
ln L (y; ; ) = yi ln [ ( + xi )] + (1 yi ) ln [1 ( + xi )] (3)
i=1

Dans le cadre de cette application, on obtient alors :

ln L (y; ; ) = 25 ln [ ( + )] + 30 ln [ ( )]
+50 ln [1 ( + )] + 60 ln [1 ( )] (4)

Question 3 (2 points) : On pose A = ( ) et B = ( + ):

ln L (y; A; B) = 25 ln B + 30 ln A
+50 ln [1 B] + 60 ln [1 A] (5)

On cherche les estimateurs du MV b ; b tels que :

b B
A; b = arg max [ln L (y; A; B)] (6)
fA;Bg

Les conditions nécessaires s’écrivent :

@ ln L (y; A; B) 30 60
= =0 (7)
@A bB
(A; b) Ab 1 b
A

1
Examen Mai 2013 - Cours de C. Hurlin - Master ESA 2

@ ln L (y; A; B) 25 50
= =0 (8)
@B b b
(A;B ) Bb 1 b
B
D’où l’on tire que :
b= 1
A (9)
3
b=1
B (10)
3
On en déduit la valeur de b et de b :
8
< b b = 1
3
(11)
: b+b = 1
3

(
b b= 1 1
3
() (12)
b+b= 1 1
3

On en déduit alors les estimateurs du MV b et de b :

1 1
b= ' 0:43 (13)
3

b=0 (14)

Question 4 (2 point) : Par dé…nition, on a :

log L y; b ; b
R2 de McFadden (1974) = 1 (15)
log L (y; b ; 0)

Or ici b = 0; par conséquent :

log L (y; b ; 0)
R2 de McFadden (1974) = 1 (16)
log L (y; b ; 0)

Donc, on a :
R2 de McFadden (1974) = 1 1=0 (17)

PS: pour être exact, il conviendrait de déterminer l’estimateur du maximum de vraisem-

blance du paramètre sous l’hypothèse nulle = 0; mais le résultat serait ici identique.

Question 5 (2 points) : Sous l’hypothèse nulle la log-vraisemblance est :

ln L (y; 0; ) = 25 ln [ ( )] + 30 ln [ ( )]
+50 ln [1 ( )] + 60 ln [1 ( )] (18)

Sachant que ( )=1 ( ) ; il vient :

ln L (y; 0; ) = 25 ln [ ( )] + 30 ln [1 ( )]
+50 ln [1 ( )] + 60 ln [ ( )] (19)

ou encore
ln L (y; 0; ) = 85 ln [ ( )] + 80 ln [1 ( )] (20)
Examen Mai 2013 - Cours de C. Hurlin - Master ESA 3

On pose A = ( ) : Dès lors la maximisation de la vraisemblance donne :

@ log L (y; 0; A) 85 80
= =0 (21)
@A b
A Ab 1 b
A
D’où l’on tire que :
b = 85 = 0:5152
A (22)
165
L’estimateur contraint de est donc :

b = 1 b =
A 1
(0:5152) ' 0:0380
c

Par conséquent, la vraisemblance contrainte est égale à :

1 85
ln L (y; b ; 0) = 85 ln
165
1 85
+80 ln 1 (23)
165
85 80
= 85 ln + 80 ln (24)
165 165
= 114:29 (25)

Question 6 (2 points) : On souhaite tester l’hypothèse nulle H0 : = 0 en utilisant un test

de ratio de vraisemblance. On doit donc considérer la statistique suivante :
h i
LRT = 2 ln L y; 0; b ln L y; b ; b

où L y; 0; b désigne la log-vraisemblance du modèle probit obtenue sous l’hypothèse

nulle H0 : = 0: On sait que sous l’hypothèse alternative, on a :

1 1 b=0
b= (26)
3

Dès lors la valeur de la log-vraisemblance sous l’hypothèse alternative est :

1 1
ln 0 L y; b ; b = 25 ln 1
+ 30 ln 1
3 3
1 1 1 1
+50 ln 1 + 60 ln 1 (27)
3 3

1 2
() ln L y; b ; b = 55 ln + 110 ln = 105:02 (28)
3 3
On en déduit la valeur de la statistique LRT :
h i
LRT = 2 ln L y; 0; b ln L y; b ; b (29)
= 2 ( 114:29 + 105:02) (30)
= 18:54 (31)

Sous H0 ; cette statistique suit une loi du chi-deux à 1 degré de liberté. Pour un risque de
première espèce, le seuil critique est égal à 3.84, donc on rejette H0 : = 0:
Examen Mai 2013 - Cours de C. Hurlin - Master ESA 4

Question 7 (2 points) : Déterminons la matrice d’information de Fisher. Pour un modèle

probit, on a :
XN 2
(xi )
I( ; )= Xi0 Xi (32)
i=1
(xi ) [1 (xi )]
0
où Xi = (1 xi ) désigne un vecteur de dimension 2 1: En remplaçant les paramètres par
leurs estimateurs et en distinguant les deux types d’individus (xi = 1 et xi = 1), il vient

X b+b2
X
2
b b
IN b ; b = h i Xi0 Xi + h i Xi0 Xi
xi =1 b+b 1 b+b xi =1 b b 1 b b

Mais puisque b = 0; on au …nal:

N
X 2
(b )
IN b ; b = Xi0 Xi (33)
i=1
(b ) [1 (b )]

En remplaçant b par son expression, il vient :

N
X 2 1 1
IN b ; b = 1 1
3
1 1 Xi0 Xi
i=1 3 1 3
N
X 2 1 1
= 3
Xi0 Xi
i=1
2=9
N
X
9 2 1 1
= Xi0 Xi (34)
2 3 i=1

Question 8 (2 points) : On sait que

N
X
9 1
IN b ; b = 2 1
Xi0 Xi (35)
2 3 i=1

9 165 15 98:1585 8:9235

() IN b ; b = 0:1322 = (36)
2 15 165 8:9235 98:1585
On en déduit un estimateur de la matrice de variance covariance asymptotique :
1 0:0103 0:0009
Vb = IN b ; b = (37)
0:0009 0:0103

On déduit donc que : p

sb = s b = 0:0103 = 0:1014 (38)
Les z-statistiques sont égales à :

b b 1
(1=3)
zb = =0 zb = = p (39)
sb sb 0:0103

On peut véri…er ces résultats sur la sortie Eviews :

Examen Mai 2013 - Cours de C. Hurlin - Master ESA 5

Figure 1: Regression Probit

Exercice 2 (6 points) : Modèle Tobit type II

Question 1 (1 point) :

Pr (zi 0) = Pr (wi + vi < 0)

vi wi
= Pr <
v v
wi
=
v
wi
= 1 (40)
v

Question 2 (1 point) : Considérons la projection orthogonale de "i sur vi :

v" v"
"i = 2 i
v + i = 2
(zi wi ) + i (41)
v v

D’où
2
yi = xi + "i = xi + v" v (zi wi ) + i (42)

Question 3 (2 points) : On sait que

2
zi N wi ; v (43)

Dès lors :
xi w
E ( zi j zi > 0) = wi + v (44)
v
Examen Mai 2013 - Cours de C. Hurlin - Master ESA 6

où (:) désigne le ratio de Mills. Donc

2
E ( yi j zi > 0) = xi + v" v [E ( zi j zi > 0) wi ] + i

2 xi w
= xi + v" v wi + v wi + i
v

1 xi w
= xi + v" v + i (45)
v