FASEG

Master 1 Analyse économique

Application 1

- Origine de la Modélisation Macroéconomique

- Construction de modèles : Variables endogènes et exogènes.

1. les encaisses des ménages

2. la pauvreté par les perceptions.
3. Les théories de la consommation

Application 2
Supposons que la décision de production d’une entreprise soit décrite
par la fonction suivante :
St = b0 + b1Pt +ut
Où St est la quantité produite, Pt le prix et ut le terme aléatoire, il est
connu que pour une raison quelconque si l’entreprise peut être en
surproduction à la période t-1, il décidera de réduire sa production en t.
Partant de cette information, quelles en seraient les conséquences si on
estime b0 et b1 par la méthode des MCO ?
 Application 3
Soit l’estimation par les MCO de la demande de monnaie des USA sur
39 années couvrant la période 1919-57.
Log M/P = 2,310 -0,761 log (i) + 0,008logY/P +0,012L/P
Où M désigne la demande nominale de monnaie, i le taux d’intérêt, L
le montant nominal des actifs de liquidité, P l’indice des prix (le
déflateur des prix pour maintenir constant la parité du pouvoir
d’achat). Les résidus obtenus de l’estimation sont :
∑39 2
𝑡=1 𝑒𝑡 = 1,0567 ∑39 2
𝑡=2(𝑒𝑡 − 𝑒𝑡−1 ) = 0,2240

1. Sur la base de ces informations le chercheur décide de ré-estimer la

fonction de demande de monnaie, en utilisation les différences
premières sur les variables originales.
(i) Calculer le Durbin-Watson d statistic.
(ii) La valeur du d justifie t’elle l’adoption des différences
premières comme solution ?
2. A priori les dépenses d’habillement du consommateur (C) sont
influencées par les revenu disponible (Y), les liquidités(L), l’indice
des prix de l’habillement(Pc), l’indice général des prix (P0), de telle
sorte que la fonction de demande est la suivante :
(1) 𝐶 = 𝑏0 + 𝑏1 𝑌 + 𝑏2 𝐿 + 𝑏3 𝑃𝐶 + 𝑏4 𝑃0 + 𝑢
En appliquant les MCO à la fonction de demande sur une série de dix
années nous obtenons l’estimation de la fonction de demande
d’habillement suivante :
𝐶 = 13,53 + 0,097𝑌 + 0,015𝐿 − 0,199𝑃𝐶 + 0,34𝑃0
Ecart type (7,5) (0,03) (0,05) (0,09)
(0,015)

𝑛 = 10 𝑅 2 = 0,998 ∑ 𝑦̂2 = 28,15 ∑ 𝑒 2 = 0,33 𝑑𝑢𝑏𝑖𝑛 𝑑 = 3,4

i) Le modèle ci-dessus peut-il être retenu pour expliquer la

fonction de demande d’habillement du consommateur ?
ii) A la suite de cette estimation nous calculons les coefficients de
corrélation simple entre variables explicatives qui figurent dans
le tableau ci-dessous. Commenter le tableau et quelles
conclusions en tirez-vous quant à la qualité des estimateurs
 Le tableau des coefficients de corrélation simple entre variables
explicatives
Y L Pc P0

Y 1 0,993 0,980 0,987

L 1 0,964 0,97

Pc 1 0,977

P0 1

iii) A la suite du résultat de la question (ii), nous estimons les

équations élémentaires suivantes en dont les résultats figurent
ci-dessous
Pourquoi faisons-nous ces estimations ?
Quelle équation choisirez-vous et pourquoi?
(1) 𝐶̂ = 𝑎̂
0 + 𝑎̂
1 𝑌 = −1,24 + 0,118𝑌 𝑅 2 = 0,995 𝑑 = 2,6
(0,37) (0,002)

(2) 𝐶̂ = 𝑏̂ ̂
0 + 𝑏1 𝑃𝑐 = −38,51 + 0,516𝑃𝑐 𝑅 2 = 0,951 𝑑 = 2,4
(4,20) (0,04)
(3) 𝐶̂ = 𝑐̂
0 + 𝑐̂
1 𝐿 = 2,11 + 0,327𝐿 𝑅 2 = 0,967 𝑑 = 0,4
(0,81) (0,02)

(4) 𝐶̂ = 𝑑̂ ̂
0 + 𝑑1 𝑃0 = −53,65 + 0,663𝑃0 𝑅 2 = 0,977 𝑑 = 2,1
(3,63) (0,03)

iv) A partir de l’équation choisie (1) en (iii), nous estimons

successivement les modèles suivants dont les résultats sont dans
le tableau ci-dessous. Commenter le tableau et en déduire le
modèle qui sera retenu.
Tableau des estimations

𝑏̂
0 𝑏̂
1 𝑏̂
2 𝑏̂
3 𝑏̂
4 𝑅2 𝑑

C= f(Y) -1,24 0,118 0,995 2,6

(0,37) (0,002)
C= f( Y, 1,40 0,126 -0,036 0,996 2,5
Pc)
(4,92) (0,01) (0,07)
C= f( Y, Pc 0,94 0,138 -0,034 -0,037 0,996 3,1
, L)
(5 ,17) (0,02) (0,06) (0,05)
C= f (Y, Pc -12,76 0,104 -0,188 - 0,319 0,997 3,5
, P0 )
(6,52) (0,01) (0,07) (0,12)
C= f (Y, Pc -13,53 0,097 -0,199 0,015 0,34 0,998 3,4
, L, P0 )
(7,5) (0,03) (0,09) (0,05) (0,015)

Application 4

Soit l’équation suivante qui donne l’estimation du temps de sommeil

(TSOM) en fonction du temps de travail (TTRAV), du niveau d’éducation
(EDUC) et de l’âge (AG) :
̂ = 3638,25 − 0,148 𝑇𝑇𝑅𝐴𝑉 − 11,13𝐸𝐷𝑈𝐶 + 2,20𝐴𝐺
𝑇𝑇𝑆𝑂𝑀
(112,28) (0,017) (5,88) (1,45)
N= 706 R2 = 0,113
1. Les variables EDUC et AG sont-elles individuellement significatives
au seuil de 5% contre l’hypothèse alternative bilatérale ? Justifier
votre réponse.

2. En excluant EDUC et AG de l’équation nous obtenons les résultats

suivants :
̂ = 3638,25 − 0,151𝑇𝑇𝑅𝐴𝑉
𝑇𝑇𝑆𝑂𝑀
(38,91) (0,17)
N= 706 R2 = 0,103
Les variables EDUC et AG sont-elles conjointement significatives au
seuil de 5% ? Justifier votre réponse
 3. Est-ce que l’introduction des variables EDUC et AG dans le modèle
affecte substantiellement l’arbitrage estimé entre le temps de
sommeil et le temps de travail ?

4. Supposons que l’équation du temps de sommeil contiennent de

l’hétéroscédasticité. Quelle incidence cela peut avoir sur les tests
calculés dans les questions (i) et (ii) ?

Application 5

Soit une base de données qui contient des informations sur un

échantillon de 141 étudiants inscrits dans un institut d’enseignement
supérieur (IES). Ces informations incluent la moyenne générale des
notes obtenues à l’institut d’enseignement supérieur (IESMG), soit
moyenne générale IES), la moyenne générale des notes du lycée (LMG) et
la note obtenue au baccalauréat (BAC). En cherchant à expliquer la
moyenne générale des notes obtenues à l’institut d’enseignement
supérieur (IESMG) à partir de la moyenne générale des notes du lycée et
de la note obtenue au baccalauréat, nous obtenons la droite de régression
suivante :

ÎESMG= 1,29 + 0,453 LMG + 0,0094 BAC

N= 141 R2 = 0,176

1. Comment interpréter cette équation ?

2. Quelle est la signification de la valeur de l’ordonnée à l’origine ?

3. Supposons que nous choisissons deux étudiants A et B et que la

moyenne des notes obtenues par A au lycée soit supérieur à celle
obtenue par B, quelle prédiction peut-on faire quant aux moyennes
à l’ISE ?
4. En comparant les coefficients de LMG et BAC que pouvons-nous
conclure relativement à la note du baccalauréat dans l’explication
de la moyenne générale à l’institut (IESMG) ?

5. Quelles explications pouvez-vous donner sur la faiblesse du R2