ECONOMETRIE

DEVOIR 1

BAMBA ANGE

TIAMA MOHAMED
Exercice 1 : Questionnaire à choix multiples (20 points)

1. L’économétrie est la mesure des faits économiques.

A- vrai

2. L’objet de l’économétrie est d’appliquer les méthodes statistiques aux données économiques.

A- vrai

3. La démarche économétrique à suivre est la suivante :

B- théorie – modèle – estimation – validation – prévision

4. La technique des moindres carrés ordinaires consiste à minimiser :

D- la somme des carrés des résidus

5. Le modèle linéaire simple

Yt = a1 + a2 Yt + erreur t, 1 ≤ t ≤ T

est spécifié en

a- Série temporelle

6. Le modèle linéaire simple

Yi = ai + a2 Yi + erreur i 1 ≤ i ≤ n

est spécifié en

b- coupe instantanée

7. Si l’on considère le modèle linéaire simple

Y = aX + b + terme d’erreur

Le paramètre a s’interprète comme

a- La propension marginale de Y par rapport à X

8. Si l’on considère le modèle linéaire simple

Log(Y) = alog(X) + b + terme d’erreur

où log est le logarithme népérien.

Le paramètre a s’interprète comme

B- l’élasticité de Y par rapport à X

9. Si l’on considère le modèle linéaire simple

Log(Y) = aX + b + terme d’erreur

où log est le logarithme népérien.

Le paramètre a s’interprète comme

b- La semi élasticité de Y par rapport à X

10. Si l’équation estimée est

Y = 7,4 – 4,5 X1 + 2,8X2

Cela signifie que lorsque X1 augmente de 10 unités, Y diminue de

4,5 unités, toutes choses étant égales par ailleurs.

B - Faux

11. Si l’équation estimée est

Log(Y) = 7,4 – 4,5 log(X1) + 2,8log(X2)

où log est le logarithme népérien.

Cela signifie que lorsque X2 augmente de 1%, Y augmente de

2,8%, toutes choses étant égales par ailleurs.

A- vrai

12. D’après le coefficient de détermination R², vous pouvez dire que :

B- 95% de la variance observée de Y est expliquée par le modèle

13. L’hétéroscédasticité des résidus se pose quand :

C- la variance des résidus n’est pas constante

14. L’autocorrélation des résidus se pose quand :

D- la covariance des résidus et les variables explicatives est non nulle

15. La méthode d’estimation des moindres carrés ordinaires est

optimale si les résidus du modèle économétrique sont :

A- non corrélés et hétérocédastiques

16. Quel test doit-on utiliser pour s’assurer qu’une variable

exogène a une influence individuelle significative sur la variable

endogène Y?

d- Student

17. Quel test doit-on utiliser pour s’assurer que les résidus d’un

modèle économétrique ne sont pas corrélés ?

b- Breusch-Godfrey

18. Quel test doit-on utiliser pour s’assurer que des variables

explicatives ont été omises dans un modèle économétrique ?

a- Ramsey

19. Quel test doit-on utiliser pour s’assurer qu’un modèle

économétrique est globalement significatif ?

d- Fisher

20. Quel test doit-on utiliser pour s’assurer que les résidus d’un

modèle économétrique suivent une loi normale ?

c- Jarque-Bera

Exercice 2: Modèle linéaire simple (20 points)

1. Les modèles (1) et (2) sont-ils spécifiés en série temporelle ou en coupe transversale ?

Les modèles (1) et (2) sont exprimés en coupe transversale.

2. On considère le modèle (1).

2.1 Représenter graphiquement le nuage de points.

14,000

12,000

10,000

8,000
PRIX

6,000

4,000

2,000

0
0 20,000 60,000 100,000 140,000

QTE

2.2 Calculer le coefficient de corrélation linéaire entre les variables quantité et prix.

QTE PRIX
QTE 1 -0,706
PRIX -0,706 1

Le coefficient de corrélation linéaire entre les variables quantité et prix est égale -0,706 soit 70,6% en valeur absolue.

3. On considère le modèle (2).

3.1 Représenter graphiquement le nuage de points.

9.6

9.2

8.8
LOG(PRIX)

8.4

8.0

7.6

7.2
7 8 9 10 11 12

LOG(QTE)

3.2 Calculer le coefficient de corrélation linéaire entre les variables log(quantité) et log(prix).

LOG(PRIX) LOG(QTE)
LOG(PRIX) 1 -0,999
LOG(QTE) -0,999 1

Le coefficient de corrélation linéaire entre les variables log(quantité) et log(prix) est égale -0,999 soit 99,9% en valeur
absolue.

4. Est-il plus pertinent de réaliser une régression linéaire ou une régression puissance ?

Le modèle le plus pertinent est celui ayant le coefficient de corrélation linéaire le plus élevé ; après comparaison on
constate que le coefficient du modèle puissance est supérieur à celui du modèle linéaire. On en conclut que le modèle
puissance est le plus pertinent.

5. On considère la régression la plus pertinente.

Considérons le modèle (2) :

𝑙𝑞𝑡𝑒 = λlprix + 𝛽 + 𝑢

avec lqte = log(qte) ; lprix = log(prix)

5.1 Estimer et interpréter les paramètres de cette régression.

Dependent Variable: LOG(QTE)

Method: Least Squares
Variable Coefficient
C 26.72194
LOG(PRIX) -2.030941

L’équation devient alors

𝑙𝑞𝑡𝑒 = −2.03lprix + 26,721

5.2 Interpréter le coefficient de détermination.

Le coefficient de détermination R2 est égale à 99,87%, cela signifie que 99,87% de variation de la quantité peuvent être
expliqué par le prix.

5.3 Effectuer le test de Student de significativité de la variable explicative.

Variable Coefficient Std. Error

C 26.72194 0.307103
LOG(PRIX) -2.030941 0.035694

Test de Student → H0 : a = 0 contre H1 : a ≠ 0

Le ratio de Student est égal à 0.035694 avec une probabilité critique nulle. Comme la probabilité critique est inférieure à
5%, nous rejetons l’hypothèse nulle. La variable « prix » a un impact négatif significatif sur la variable « quantité »

5.4 Déterminer le prix de vente à fixer si on souhaite vendre 20 000 produits

On a :

𝑙(20000) = −2.03lprix + 26,721

, ( )
→lprix =
,

, ( )
→ 𝑃𝑟𝑖𝑥 = 𝑒 ,

Après calcul, on obtient 4127. Alors pour vendre 20 000 produits le prix unitaire doit être fixé à 4127.