Académique Documents
Professionnel Documents
Culture Documents
2
Plan du cours
Introduction: définition, modélisation, données,
estimation, régression simple
3
Régression multiple
Inférence
Tests
Interprétation des coefficients
Introduction
Source: cours d’Antoine Terracol pour la première année du Master Economie Théorique et Empirique à Paris 1.
5
Introduction
Source: cours d’Antoine Terracol pour la première année du Master Economie Théorique et Empirique à Paris 1.
6
Introduction
Source: cours d’Antoine Terracol pour la première année du Master Economie Théorique et Empirique à Paris 1.
7
Introduction
Source: cours d’Antoine Terracol pour la première année du Master Economie Théorique et Empirique à Paris 1.
8
Introduction
Source: cours d’Antoine Terracol pour la première année du Master Economie Théorique et Empirique à Paris 1.
9
Introduction
Source: cours d’Antoine Terracol pour la première année du Master Economie Théorique et Empirique à Paris 1.
10
Introduction
Source: cours d’Antoine Terracol pour la première année du Master Economie Théorique et Empirique à Paris 1.
11
Introduction
Les estimations doivent être complétées par
des tests.
La valeur de est une réalisation qui dépend
des observations particulières des variables
explicatives et expliquées figurant dans
l’échantillon utilisé. On trouverait un résultat
différent en utilisant un autre échantillon.
Source: B. Crépon et N. Jacquemet (2010), Econométrie: méthode et applications, Groupe de Boeck s.a 12
Introduction
Il s’agit non seulement d’identifier la valeur vraie compatible
avec les données observées, mais également de caractériser le
lien de cette estimation avec la valeur des paramètres dans la
population dont l’échantillon est tiré.
Source: B. Crépon et N. Jacquemet (2010), Econométrie: méthode et applications, Groupe de Boeck s.a 13
La normalité de
H6: Le vecteur des résidus suit une distribution normale
multivariée: ~ 0,
Sous cette hypothèse est aussi normalement distribué:
~ ( , )
Source: B. Crépon et N. Jacquemet (2010), Econométrie: méthode et applications, Groupe de Boeck s.a 14
Intervalle de confiance de
− − ; + − =1−$
Lecture:
Intervalle de confiance au niveau 1 − $ , contient la vraie valeur
du paramètre avec les probabilité 1 − $ , et ne la contient pas
avec la probabilité α.
Intervalle de − écarts-types autour notre estimation de
a (1-α)% de chances de contenir la vraie valeur de
Source: B. Crépon et N. Jacquemet (2010), Econométrie: méthode et applications, Groupe de Boeck s.a 15
Intervalle de confiance de
16
Intervalle de confiance de
%&
= (' + (' + ) *' + + + '
% '
%&
- le taux de croissance des salaires
% '
(' - le taux d’inflation trimestriel
*' - le taux de chômage
' - le terme résiduel
%&
= 0,36(' + 0,38(' − 0,15*' + 0,02
% ' (0,079) (0,013) (0,002)
(0,077)
17
Intervalle de confiance de
n=80
− = 1,1 2 76 = 1,99
) − 1,1 2 76 5 ; ) + 1,1 2 76 5
−0,15 − 1,99 × 0,013; −0,15 + 1,99 × 0,013
−0,18; −0,12
18
Les tests d’hypothèses scalaires dans
le modèle linéaire
71 : l’hypothèse nulle
contre
78 : l’hypothèse alternative
Lors de la réalisation d’un test deux types
d’erreurs peuvent être commises:
1. Rejeter l’hypothèse nulle, 71 , alors qu’elle est
vraie, c’est l’erreur de première espèce
2. Ne pas rejeter l’hypothèse nulle alors qu’elle est
fausse, c’est l’erreur de seconde espèce
19
Les tests d’hypothèses scalaires dans
le modèle linéaire
REALITE
71 7:
D
erreur de
E 71 pas d'erreur
C deuxième espèce
I
S
7: erreur de
I pas d'erreur
O première espèce
N
20
Les tests d’hypothèses scalaires dans
le modèle linéaire
Les étapes du test:
1. On spécifie une hypothèse nulle (71 ) que l’on cherche à
tester contre une hypothèse alternative (78 ).
2. On spécifie une statistique de test dont on connaît la loi de
probabilité sous 71 (c’est-à-dire si l’hypothèse nulle est
effectivement vérifiée).
3. On choisit le niveau du test (α) i.e. la probabilité de rejeter
l’hypothèse nulle à tort (risque de première espèce).
4. On calcule la statistique observée à partir des données
5. On cherche à savoir si la valeur obtenue est compatible
avec l’hypothèse nulle, compte tenu de la probabilité
d’erreur que l’on a choisie.
21
Les tests d’hypothèses scalaires dans
le modèle linéaire
Le test d’égalité sur un paramètre ;
71 : = 1
contre
7 : ≠ 1
=
?@
~ ( − )
>
=
AB: ?@
> ( − )
>
22
Les tests d’hypothèses scalaires dans
le modèle linéaire
1
−
AB: > D( − )
23
Les tests d’hypothèses scalaires dans
le modèle linéaire
1
−
AB: > D( − )
24
Les tests d’hypothèses scalaires dans
le modèle linéaire
Exemple
%&
= 0,36(' + 0,38(' − 0,15*' + 0,02
% ' (0,077) (0,013) (0,002)
(0,079)
71 : = 0,5
contre:
78 : ( ≠ 0,5)
25
Les tests d’hypothèses scalaires dans
le modèle linéaire
Exemple
%&
= 0,36(' + 0,38(' − 0,15*' + 0,02
% '
(0,079) (0,077) (0,013) (0,002)
71 : = 0,5
contre:
78 : ( ≠ 0,5)
AB: E8F > D ( − )
E8F
− 0,5 0,36 − 0,5 −0,14
= = = = 1,77
G
0,079 0,079
D − = 1,1 2 76 = 1,99
E8F
AB: > ( − )
27
Les tests d’hypothèses scalaires dans
le modèle linéaire
Exemple
%&
= 0,36(' + 0,38(' − 0,15*' + 0,02
% ' (0,079) (0,077) (0,013) (0,002)
71 : ) = 0
contre:
78 : ( ) ≠ 0)
28
Les tests d’hypothèses scalaires dans
le modèle linéaire
Exemple
%&
= 0,36(' + 0,38(' − 0,15*' + 0,02
% '
(0,079) (0,077) (0,013) (0,002)
71 : ) = 0
contre:
78 : ( ) ≠ 0)
AB: E8F > D ( − )
30
Test unilatéral sur un paramètre IJ
Si on considère un test d’inégalité de la forme:
71 : ≥ 1
contre
7 : < 1
E8F
AB: <− D −
1
E8F
−
=
31
Test unilatéral sur un paramètre J
32
La notion de p-value
E8F p-value
M M
Constante 8.827 0.059 150.267 0.000000
Education 0.084 0.018 4.6273 0.000004
Expérience 0.014 0.004 3.469 0.000523
NO éQRS TS -0.0002 0.0003 -0.639 0.522857
Nombre d’observations=197
33
La notion de p-value
E8F p-value
M M
Constante 8.827 0.059 150.267 0.000000
Education 0.084 0.018 4.6273 0.000004
Expérience 0.014 0.004 3.469 0.000523
NO éQRS TS -0.0002 0.0003 -0.639 0.522857
Nombre d’observations=197
35
Tests d’hypothèses jointes
Test de Fisher
VWB1 − VWB8 −
U =
VWB8 X
VWB1 − VWB8 YYZ[\
U =
VWB8 YYZ[= − YYZ[\
VWB1 − somme des carrées des résidus sous 71 (la
contrainte est vérifiée)
VWB8 - somme des carrées des résidus sous 78 (le modèle
complet)
YYZ[\ - le degré de liberté sous 78 (modèle complet)
YYZ[= - le degré de liberté sous 71 (modèle contraint)
X – nombre de contraintes =YYZ[= − YYZ[\
36
Le cas particulier du test de nullité de
tous les coefficients sauf la constante
] = +
] = + ⋯+ _ _ +S _ +
37
Le cas particulier du test de nullité de tous les
coefficients sauf la constante
B −
U =
1−B −1
AB: U > `D ( − 1, − )
38
Interprétation des coefficients
Dans le modèle de régression linéaire, le coefficient de
pente mesure la variation de la valeur moyenne de la
variable dépendante pour une unité de changement de
la valeur d’un régresseur, toutes les autres variables
demeurant constantes.
Si la régression: a = 1 + O, donc ∆a = ∆O
∆c
= - il s’agit donc de l’effet marginal de O sur a qui est
∆d
constant (puisque c’est une droite)
39
Interprétation des coefficients
Exemple 1.
ℎf gR h = 164 + 0,27R TfiS
40
Interprétation des coefficients
Exemple 1.
ℎf gR h = 164 + 0,27R TfiS
41
42
Interprétation des coefficients
Exemple 1.
ℎf gR h = 164 + 0,27R TfiS
Considérons l’équation: a = 1 + O+ O
∆a
≈ +2 O
∆O
∆a ≈ +2 O ∆O
∗
0,48
O = n −2 = = 30
2 × 0,008
45
Fonctions Quadratiques
Interprétation des coefficients
Exemple 2.
jkhS = 5,25 + 0,48SO SQ − 0,008SO SQ
q – quantité demandée
p – prix
47
Logarithme népérien
Interprétation des coefficients
Exemple 3.
log r = 4,7 − 1,25log( )
q – quantité demandée
p – prix
q – quantité demandée
p – prix
51
Level-log function
Interprétation des coefficients
Exemple 5.
ℎf Qg = 33 + 45,1 × log(wage)
53
Interprétation de coefficient d’une
variable explicative binaire
Interprétation de coefficient d’une variable
explicative binaire
jkhS = 1 + y1 zSikZS + SY T +
zSikZS = 1 pour une femme
zSikZS = 0 pour un homme
Si zSikZS = 0:
Si zSikZS = 1:
Interprétation de coefficient d’une variable
explicative binaire
jkhS = 1 + y1 zSikZS + SY T +
zSikZS = 1 pour une femme
zSikZS = 0 pour un homme
Si zSikZS = 0:
jkhS = 1 + SY T +
Si zSikZS = 1:
jkhS = 1 + y1 + SY T +
Interprétation de coefficient d’une variable
explicative binaire
jkhS = 1 + y1 zSikZS + SY T +
zSikZS = 1 pour une femme
zSikZS = 0 pour un homme
Si zSikZS = 0:
jkhS = 1 + SY T +
Si zSikZS = 1:
jkhS = 1 + y1 + SY T +
y1 = N jkhS|zSikZS = 1, SY T − N(jkhS|zSikZS = 0, SY T)
y1 = N jkhS|zSikZS, SY T − N(jkhS|ikZS, SY T)
jkhS
| = −1.57 − 1.81zSikZS +
0.572SY T + 0.025SO SQ
= 526
Interprétation de coefficient d’une variable
explicative binaire
jkhS
| = −1.57 − 1.81zSikZS + 0.572SY T +
0.025SO SQ
= 526
Le coefficient auprès de zSikZS mesure la
différence moyenne dans le salaire horaire entre
une femme et un homme, pour un même niveau
de l’éducation, de l’expérience
Si on prend une femme et un homme avec le
même niveau d’éducation et d’expérience, la
femme gagne en moyenne 1.81 dollar par heure
moins que l’homme