Académique Documents
Professionnel Documents
Culture Documents
2
Bibliographie
B. Crépon et N. Jacquemet (2010), Econométrie: méthode et
applications, Groupe de Boeck s.a.;
3
Introduction
1. Modèle économétrique
2. Données
3. Estimation
4. Régression simple
Introduction
Qu’est-ce que l’économétrie?
Définition:
« Il s’agit de l’ensemble des méthodes statistiques
et mathématiques appliquées à l’analyse de
données économiques. Son but consiste à fournir
un contenu empirique aux théories économiques en
les vérifiant ou en les réfutant », Maddala (1983)
L’objectif de l’économétrie: mettre en évidence
empiriquement et quantifier des relations causales
entre phénomènes économiques
5
Introduction
Le rôle de l’économétrie
Tester la validité des théories économiques
Evaluer les paramètres d’intérêt dans les relations
économiques
Prédiction et anticipation
6
Introduction
Le modèle économétrique
Un modèle économétrique est une équation dont le rôle
est « d’expliquer » un phénomène grâce à des variables
que l’on juge déterminantes au premier plan.
Trois ingrédients:
1) Variables
2) Paramètres
3) Perturbations
7
Introduction
Le modèle économétrique
1) Variables
L’analyse économétrique s’intéresse à l’effet d’un ensemble
de variables explicatives – x – sur une ou plusieurs
variables expliquées – y.
Variable expliquée=variable dépendante=variable endogène
Variables explicatives=variables indépendantes=variables exogènes
La relation entre y et les x se fait à travers une fonction f,
dite forme fonctionnelle: = ( )
8
Introduction
Le modèle économétrique
2) Paramètres
Ces relations, = ( ), font intervenir certains paramètres
inconnus clefs de l’analyse économique (l’élasticité-prix, la
propension à investir etc.) que l’on va chercher à estimer
Les relations précédentes s’écrivent ainsi = ( , )
Le rôle d’économétrie est de produire des connaissances tant
sur la fonction f que sur l’existence concrète et la valeur
empirique de ces paramètres, , à partir de l’observation des
comportements réels fournie par les variables x et y.
9
Introduction
Le modèle économétrique
2) Paramètres
Donc, les paramètres inconnus du modèle mesurent l’impact
des variables explicatives sur la variable à expliquer.
C’est l’économétrie qui va permettre une évaluation de ces
paramètres en utilisant l’information contenue dans toutes les
observations de l’échantillon et donc d’analyser et d’utiliser
les résultats obtenus.
10
Introduction
Le modèle économétrique
3) Perturbations
Il est souvent impossible de connaître et d’observer
parfaitement l’ensemble des déterminants d’un phénomène
social. Tout modèle économétrique inclut un terme d’erreur
(perturbation) qui capture les variation de y qui ne peuvent
être expliquées par les variables explicatives x.
11
Introduction
Le modèle économétrique
= + + ℎ + + + +
Variable à expliquer
- mesure de la fréquence des activités criminelles
Variables explicatives
- le salaire qui peut être gagné dans l’emploi légal
ℎ – le revenu des autres sources
– nombre des arrestations précédentes
– nombre de condamnation
– la durée moyenne du réclusion criminelle après condamnation
Perturbation
12
Introduction
Les données
1. Données en coupe
2. Données temporelles
3. Données de panel
4. Propriétés des données
13
Introduction
Les données
1. Données en coupe = coupes transversales=coupes
instantanées
On observe n individus à une seule date
"* , '* = 1, … , + 17
18
Introduction
Les données
3. Données de panel=coupes répétées
On observe n individus pendant T périodes. Par
exemple, pour T=2:
"#* , '#* = 1, … ; = 1, … , + 19
20
Introduction
Les données
4. Propriétés des données
Echantillon et Population
Pour être utilisables, les données doivent refléter aussi fidèlement
que possible le phénomène étudié. Les données utilisées sont un
échantillon supposé représentatif de la population dont on cherche
à caractériser le comportement.
21
Introduction
Les données
4. Propriétés des données
Echantillon et Population
Pour être utilisables, les données doivent refléter aussi fidèlement
que possible le phénomène étudié. Les données utilisées sont un
échantillon supposé représentatif de la population dont on cherche
à caractériser le comportement.
Un échantillon aléatoire:
1. Les individus sont tirés aléatoirement indépendamment de
leurs caractéristiques
2. Inclusion d’un individu n’a pas de conséquence sur la
probabilité qu’un autre individu de la population soit inclus
à son tour
Source: B. Crépon et N. Jacquemet (2010), Econométrie: méthode et applications, Groupe de Boeck s.a 23
Introduction
Nom de Note (/20) Echantillons Echantillons aléatoires
l’élève sélectionnés
Meilleurs Faibles EA1 EA2 EA3
Anna 7 7 7 7 7 7
Fabien 11 11 11 11 11 11
Karim 14 14 14 14 14 14
Alcina 12 12 12 12 12 12
Laura 9 9 9 9 9 9
Source: B. Crépon et N. Jacquemet (2010), Econométrie: méthode et applications, Groupe de Boeck s.a
24
Introduction
L’estimation
1. Méthodes d’estimation
2. Qualité d’un estimateur
25
Introduction
L’estimation
L’estimation est la procédure statistique qui permet
d’obtenir une valeur empirique pour les paramètres du
modèle à partir des données disponibles
Formellement, cette étape consiste à définir une
statistique, c’est-à-dire une fonction des observations y
et x, appelée estimateur.
Pour un ensemble des données particulier,
l’application de cette fonction i.e. le calcul de la
statistique permet d’obtenir une statistique calculée,
c’est-à-dire la valeur prise par la statistique pour ces
observations. Cette quantité est appelée estimation.
Source: B. Crépon et N. Jacquemet (2010), Econométrie: méthode et applications, Groupe de Boeck s.a
26
Introduction
L’estimation
En résumé, on manipule trois types de paramètres
(pour un modèle = + -):
a) a et b les « vrais » paramètres inconnus que l’on
n’observe jamais, mais qui peuvent être utilisés dans
les calculs théoriques
b) /0 et 12 les estimateurs, qui sont des variables
aléatoires
c) 4 et -2 les estimations des paramètres inconnus, cad
des valeurs numériques particulières associées à
l’échantillon
Dans les cours d’économétrie traditionnels et à l’inverse des cours de probabilités, on fait
rarement la différence des les notations entre les estimations et les estimateurs.
27
Introduction
L’estimation
1. Méthodes d’estimation
L’activité principale de l’économétrie est de
développer des méthodes permettant de formuler
des estimateurs, appelées méthodes d’estimation.
28
Introduction
L’estimation
1. Méthodes d’estimation
Solution 1.
a) Imposer les restrictions sur les moments du terme
d’erreur: 5 =5 =0
b) Méthode des Moindres Carrés
Solution 2.
a) Spécifier la loi des observations
b) Méthode du maximum vraisemblance
29
Introduction
L’estimation
2. Qualité d’un estimateur
La contribution majeure de l’économétrie consiste à
proposer des critères permettant de sélectionner les
estimateurs sur la base de leurs propriétés statistiques
L’une des questions fondamentales à laquelle
l’analyse permet de répondre est celle de la capacité
d’un estimateur à révéler la vraie valeur du
paramètre économique auquel on s’intéresse.
Puisqu’un estimateur est une variable aléatoire, c’est
sur sa distribution que portent les critères de qualité.
Source: B. Crépon et N. Jacquemet (2010), Econométrie: méthode et applications, Groupe de Boeck s.a
30
Introduction
L’estimation
2. Qualité d’un estimateur
a) L’absence de biais (unbiased)
L’estimateur concorde en moyenne avec la vraie valeur
du paramètre: 5 /0 =
b) Convergence (consistent)
L’estimateur se rapproche de la vraie valeur du
paramètre lorsque le nombre d’observations augmente:
78 /0 =
c) Variance minimale (efficace) (best) dans une
classe donnée d’estimateurs
31
Introduction
Régression simple
On dispose de données sur n=100 individus. On
observe une variable y, que l’on va chercher à
expliquer à l’aide d’une autre variable x.
32
Source: cours d’Antoine Terracol pour la première année du Master Economie Théorique et Empirique à Paris 1.
Introduction
Régression simple
On spécifie le modèle suivant:
# = + # + 9#
Qui correspond à une relation linéaire entre #
et # . Le terme et la constante, et le terme
est le coefficient associé à la variable #
33
Introduction
Régression simple
On cherche à estimer et par 0 et 0 de façon à
obtenir une droite de régression qui ai de “bonnes
propriétés”
34
Source: cours d’Antoine Terracol pour la première année du Master Economie Théorique et Empirique à Paris 1.
Introduction
Régression simple
Il est évident que la droite de régression 4# = 0 + 0 # ne peut
pas être un résumé parfait de la relation entre y et x. En particulier,
la prédiction linéaire 4# n’est (presque) jamais égale à la valeur
observée # . On appellera résidu la différence entre les deux: # =
# − 4#
35
Introduction
Un point de vocabulaire:
Le terme d’erreur (la perturbation) - ici 9# - est
la différence entre la vraie valeur # et la vriae
droite de régression dans la population. On peut
l’intérpréter comme un aléa pur, ou comme l’effet
des déterminants de #
Le résidu - ici # - est la différence entre la vraie
valeur # et la valeur 4# prédite par notre modèle.
Ce n’est pas une caractéristique de la population
36
Introduction
Régression simple
Comment obtenir les valeurs de 0 et de 0 ? Autrement dit,
quel critère faut-il appliquer pour les obtenir?
Critère retenu: minimisation de la somme des carrés des
résidus (SCR)
A
0 , 0 = min @ #
(I.1)
=> ,=?
#B
= min ∑A#B # − − #
=> ,=?
= min D ,
=> ,=?
37
Introduction
Régression simple
Soit 0 et 0 les valeurs de et de qui minimisent la
sommes des carrés des résidus. Ils doivent donc vérifier des
conditions du premier ordre:
ED( , )
=0 (CPO 1)
E
(CPO 2)
ED( , )
=0
E
A
(CPO 1)
−2 @ # − 0 − 0 # =0
#B
0 − 0 (CPO 2)
−2 ∑A#B # #− # =0
38
Introduction
Régression simple
"GH2 ⇒
39
Introduction
Régression simple
Donc, les estimateurs des moindres carrés ordinaires des
paramètres et du modèle # = + # + 9# sont
définis par les expressions:
∑A#B # − ̅ # − K
0 =
∑A#B # − ̅
0 = K− 0 ̅
(la droite estimée passe par le point moyen de l’échantillon)
40