INTRODUCTION A L’ECONOMETRIE

Objectifs du cours
 Comprendre ce que c’est que l’économétrie, et quelle est son utilité.
 Comprendre comment élaborer un modèle économétrique et comment l’estimer.
 Comprendre comment interpréter les résultats d’un modèle économétrique
(interprétation statistique versus interprétation économique).
 Comprendre comment déduire des implications (recommandations) de politique
à travers les résultats obtenus.
Approche du cours
 Démarche fondamentalement pédagogique afin de susciter l’intérêt des étudiants.
 Logique « notions de cours>>applications», c’est-à-dire qu’à chaque fin de
chapitre (ou à la fin de chaque grande notion), on passe aux applications
pratiques intensives afin de mieux ancrer les acquis des étudiants.
 Priorité aux applications pratiques (manuelles et sous Excel) par rapport à la
théorie économétrique pure.
 Priorité à l’estimation des coefficients des modèles ainsi qu’à leurs
interprétations et implications de politique plutôt qu’aux différents tests de
spécification (à voir à un niveau plus avancé).

Plan du cours
Chapitre I. Introduction à l’économétrie
Chapitre II. Analyse de corrélation
Chapitre III. Le modèle de régression simple
 Chapitre I
Introduction à l’économétrie
Objectifs du chapitre
A la fin de ce chapitre, les étudiants doivent être en mesure de:
 définir clairement l’économétrie ainsi que son utilité;
 comprendre et distinguer clairement les notions de « modèle économique » et de
modèle « économétrique »;
 comprendre les différents types de variables composant un modèle économétrique;
 connaître les différents types de données pouvant être utilisées dans un modèle
économétrique;
comprendre les différentes étapes de la construction d’un modèle économétrique

Définition et utilité de l’économétrie

Définition : Littéralement, le mot « économétrie » est une combinaison de deux mots:
« économie » et « métrie ». L’économétrie signifie donc « la mesure de l'économie».
Plus généralement, l’économétrie est une branche des sciences économiques qui permet
d’étudier et de quantifier (à l’aide de techniques statistiques et mathématiques) des
relations pouvant exister entre des phénomènes ou variables économiques, en utilisant des
données réelles.
Les chercheurs en sciences économiques (et même de Gestion) sont souvent amenés à utiliser
l’économétrie dans leurs recherches, dans la mesure où il s’agit de donner une justification
scientifique aux relations supposées entre les variables économiques. Par exemple,
l’économétrie permet de répondre à des interrogations comme:
Le revenu des ménages maliens explique-t-il leur consommation? Dans quelle proportion?
Les exportations de coton malien contribuent-elles à la croissance économique du Mali?
Les sanctions de la CEDEAO ont-elles eu un impact négatif sur le commerce extérieur
malien?
 Rôle de l’économétrie : l’économétrie a deux rôles essentiels: (1) validation de la
théorie économique et (2) outil d’analyse et d’aide à la décision.
 L’économétrie comme outil de validation de la théorie économique:
L’économétrie est un outil à la disposition de l’économiste afin de lui permettre
d’infirmer ou de confirmer (donc tester) les théories économiques.
 L’économétrie comme outil d’analyse et d’aide à la décision :
L’économétrie permet d’analyser plusieurs alternatives afin de mieux orienter et conseiller
les décideurs.

Notions de modèle
  Définition : en économétrie, un modèle est une présentation formalisée d’un
phénomène économique sous forme d’équations mathématiques. Le modèle est
donc l’outil que l’économètre utilise lorsqu’il cherche à comprendre et à expliquer des
phénomènes économiques.
Pour analyser un phénomène, l’économètre construit préalablement un « modèle
économique » qu’il transforme par la suite en « modèle économétrique ».
 Modèle économique : Il s’agit de l’étape préalable à la construction d’un modèle
économétrique. Construire un modèle économique signifie de réfléchir au
phénomène que l’on souhaite étudier, ainsi que les différents facteurs pouvant
expliquer ce phénomène. En d’autres termes, il s’agit de décrire sous forme
« fonctionnelle » la relation entre le phénomène à expliquer et ses facteurs explicatifs.
L’économètre s’aide généralement de la « théorie économique » pour choisir les
facteurs explicatifs du phénomène étudié.
Le modèle économique se présente sous la forme: y = f(x)
Exemple : Consommation = f(Revenu, Prix)
Ici la consommation des ménages dépendrait (serait fonction) de leur revenu, ainsi que du
prix des produits.
 Modèle économétrique : Le modèle économique est ensuite transformé en « modèle
économétrique » présentant la rélation entre ces variables économiques sous forme
d’une équation mathématique.
Le modèle économétrique se présente ainsi :
Conso = 𝜷𝟎 + 𝜷𝟏 *Revenu + 𝜷𝟐 *Prix+ 𝜺
Conso : variable endogène, ou variable dépendante ou variable à expliquer.
Revenu, Prix : variables exogènes, ou variables indépendantes ou variables explicatives.
𝛽0 , 𝛽1 et 𝛽2 sont les paramètres à estimer du modèle et 𝜺 : terme d’erreur.
 Variable exogène: on appelle variable exogène ou indépendante ou explicative, une
variable dont la détermination ne dépend pas du modèle. En fait, on se sert plutôt de
cette variable pour expliquer le phénomène étudié représentant la variable endogène.
Les variables exogènes sont situées du « côté droit » du modèle économétrique. Dans
notre exemple, les variables exogènes sont le « revenu » et le « prix » des produits.
 Variable endogène: une variable endogène ou dépendante, ou à expliquer est une
variable qui est expliquée par la(les) variable(s) exogène(s). Il s’agit précisément du
phénomène à expliquer, et il dépend des paramètres du modèle. C’est la variable
située du « côté gauche » du modèle économétrique. Dans notre exemple, notre
variable endogène est la variable « consommation».
 𝜷𝟎 , 𝜷𝟏, 𝒆𝒕 𝜷𝟐 ne sont pas des variables mais plutôt les paramètres à estimer du
modèle associés aux variables exogènes (excepté
𝜷𝟎 qui représente la constante du modèle). Rappelons que l’économétrie est « la
mesure de l’économie ». Les paramètres estimés représentent ainsi les
 contributions (significatives ou pas) des variables exogènes à l’explication du
phénomène étudié (variable endogène). Il s’agit donc des paramètres mettant en
évidence les relations pouvant exister entre la variable endogène et la variable
exogène.
 Le terme d’erreur 𝜺 représente l’ensemble des autres informations (facteurs
explicatifs potentiels) non prises en compte explicitement dans le modèle
économétrique (on ne peut pas être certain d’avoir pris en compte tous les facteurs
explicatifs du phénomène étudié).
Après la spécification du modèle économétrique, il convient de collecter les données des
variables (endogène et exogènes) afin d’estimer le modèle.
 3 types de données possibles (le modèle sera choisi en fonction de la nature des
données):
 Données en séries temporelles: il s’agit des données des variables d’un seul individu
(un pays, une entreprise,…) observées à intervalles réguliers de temps. Par exemple,
les variables consommation et PIB du Mali de 1990 à 2020.
Le modèle économétrique s’écrira avec un indice « t » représentant le temps:
𝑪𝒐𝒏𝒔𝒐𝒕 =𝜶𝟎 + 𝜶𝟏 ∗ 𝑷𝑰𝑩𝒕 + 𝜺𝒕
 Données en coupe instantanée : les données des variables sont observées au même
instant (une seule période) pour plusieurs individus (pays, entreprises) à la fois. Le
modèle économétrique s’écrira avec un indice « i » représentant les individus. Par
exemple, la consommation et le PIB des 8 pays de l’UEMOA en 2020.
𝑪𝒐𝒏𝒔𝒐𝒊=𝜶𝟎 + 𝜶𝟏 ∗ 𝑷𝑰𝑩𝒊 + 𝜺𝒊
 Données de panel : combinaison des séries temporelles et données en coupe. Les
données des variables sont observées pour plusieurs individus à intervalles réguliers.
Le modèle économétrique s’écrira avec un indice « i,t » représentant à la fois les individus et
le temps. Par exemple, la consommation et le PIB des 8 pays de l’UEMOA de 1990 à 2020.
𝑪𝒐𝒏𝒔𝒐𝒊,𝒕 =𝜶𝟎 + 𝜶𝟏 ∗ 𝑷𝑰𝑩𝒊,𝒕 + 𝜺𝒊,𝒕
Synthèse des étapes de construction d’un modèle économétrique
Etape 1: élaborer le modèle économique
Etape 2: déduire le modèle économétrique correspondant
Etape 3: collecter les données des différentes variables du modèle retenu (données de la
variable endogène et des variables exogènes).
Etape 4: estimer les paramètres du modèle économétrique
Etape 5: valider le modèle retenu
Etape 6: interpreter les résultats obtenus
Etape 7: déduire les implications (recommandations) pour la prise de décision.
 Chapitre II
Analyse de corrélation
Objectifs du chapitre
A la fin de ce chapitre, les étudiants doivent être en mesure de:
 définir clairement ce que c’est qu’une corrélation entre deux variables économiques;
 savoir représenter un nuage de points et identifier un lien de corrélation
graphiquement;
 savoir calculer (manuellement et sous Excel) un coefficient de corrélation entre deux
variables;
 interpréter un coefficient de corrélation entre deux variables économiques;
 distinguer clairement les notions de « corrélation positive» et « corrélation négative».

Chapitre 2: Analyse de corrélation

 Définition : l’étude de la corrélation entre deux phénomènes économiques se ramène
à l’analyse de la dynamique d’évolution commune de ces deux variables. La
corrélation simple mesure le degré du lien existant entre ces deux phénomènes
(variables) économiques. Une corrélation entre trois (3) variables ou plus, ramène à la
notion de « corrélation multiple », qui ne fait pas l’objet de ce cours.
 Considérons deux(2) variables « x et y». Ces 2 variables peuvent avoir une :
 corrélation positive : Les deux variables augmentent (ou diminuent) dans le même
sens.
 Corrélation négative (ou inverse) : lorsque l’une des variables augmente, l’autre
diminue et inversement.
 Non corrélée : il n’y a aucun lien entre les variations des valeurs des deux variables.
 Analyse de la corrélation : étude de la liaison entre 2 variables quantitatives
 Analyse graphique
Liaison linéaire positive :
 Liaison linéaire négative

liaison négative
100

coefficient de corrélation: r(X,Y)= - 0.99

80
quantité de bien

60
40

0 10 20 30
prix du bien

 Mesure du coefficient de corrélation

La représentation graphique ne donne qu’une « impression » de la corrélation entre deux
variables sans donner une idée précise de l’intensité de la relation. C’est pourquoi nous
calculons une statistique appelée « coefficient de corrélation linéaire simple », noté 𝑟𝑥𝑦 . Ce
coefficient de corrélation permet de mesurer ainsi le degré de relation linéaire existant entre
les variables x et y

𝑪𝒐𝒗(𝒙, 𝒚) ∑𝒏
𝒕=𝟏(𝒙𝒕 −𝒙
̅)∗(𝒚𝒕 −𝒚
̅)
• : 𝒓𝒙,𝒚 = =
𝝈𝒙 𝝈𝒚
√∑𝒕=𝒏 ̅)𝟐 ∗√∑𝒕=𝒏
𝒕=𝟏 (𝒙𝒕 −𝒙 ̅)𝟐
𝒕=𝟏 (𝒚𝒕 −𝒚

∑(𝑥∗𝑦)
• Cov (x, y) = covariance entre x et y : cov(x, y) = – 𝑥̅ *𝑦̅
𝑛

• 𝜎𝑥 𝑒𝑡 𝜎𝑦 = écart type de x et écart type de y

∑ 𝑥2 ∑ 𝑦2
• V(x) = – 𝑥̅ 2 et V(y) = – 𝑦̅ 2 n = nombre d’observations
𝑛 𝑛
Le coefficient de corrélation est compris entre « -1 et +1 »
 Interprétation du coefficient de corrélation :
• rx,y , proche de +1 : les deux variables x et y, sont corrélées positivement (x et y
augmentent ou diminuent dans le même sens). Si x augmente (diminue), alors y
augmente (diminue) également.
• rx,y , proche de -1 : les deux variables x et y sont corrélées négativement (quand x
augmente, y diminue et réciproquement).
• rx,y , proche de 0 : les deux variables x et y ne sont pas corrélées (ou très faiblement).

• rx,y , proche de 1 en valeur absolue : les deux variables x et y sont fortement corrélées.

 Coefficient de détermination : 𝒓𝟐𝑿,𝒀

• Le coefficient de corrélation sert avant tout à caractériser une relation linéaire positive
ou négative. Il s'agit d'une mesure symétrique. Plus il est proche de 1 (en valeur
absolue), plus la relation est forte.
2
• Le 𝑟𝑥𝑦 que l'on appelle coefficient de détermination, s'interprète comme la proportion
de variance de y (respectivement x) linéairement expliquée par x (respectivement y).
C’est une mesure de la qualité de la régression linéaire.
2
• Par exemple, avec 𝑟𝑥,𝑦 = 0.96, on peut dire que 96 % de la variance de y est expliquée
par x (et inversement).
• Le coefficient de détermination est le carré du coefficient de corrélation.
 Chapitre III
Analyse de cause à effet: le modèle de régression simple
Objectifs du chapitre
A la fin de ce chapitre, les étudiants doivent être en mesure de:
 construire un modèle économétrique de régression linéaire simple;
 estimer les coefficients du modèle par la méthode des MCO (manuellement et
sous Excel);
 interpréter les coefficients estimés du modèle économétrique;
 déduire des implications (recommandations) pour la prise de décision.
Chapitre 3: Le modèle de régression linéaire simple
 Présentation du modèle
La corrélation analyse un lien statistique mais ne se demande pas quelle variable influe
sur l’autre. La notion de causalité renvoie, quant à elle, au lien de cause à effet entre
deux variables. Il y a, ainsi, causalité, lorsque le mouvement d'une variable provoque («
cause ») celui d'une autre variable. Ainsi, une corrélation n'implique pas nécessairement
une causalité.
Le but de la régression linéaire simple est d’expliquer si une variable x cause une
variable y.
 Notre modèle économétrique se présente sous forme d’équation linéaire
y = 𝜷𝟎 + 𝜷𝟏 ∗ 𝒙 + 𝜺
Rappelons que la variable y est appelée variable endogène ou variable à expliquer et la
variable x est appelée variable exogène ou variable explicative. 𝜷𝟎 𝐞𝐭 𝜷𝟏 sont des
paramètres ou coefficients de régression du modèle à estimer
𝜺 est le terme d’erreur.
L’estimation des paramètres du modèle s’effectue par la méthode des moindres carrés
ordinaires (MCO). Un certain nombre d’hypothèses régissent cette méthode.
 Hypothèses et estimation des paramètres par MCO
 Hypothèses : Pour l’estimation des paramètres du modèle linéaire simple, nous
émettons un certain nombre d’hypothèses sur 𝑥𝑡 et 𝜀𝑡 .
 H1 : Le modèle est linéaire en 𝑥𝑡 ;
 H2 : Les valeurs de 𝑥𝑡 sont observées sans erreurs;
 H3 : E(𝜺𝒕 ) = 𝟎; l’espérance mathématique de l’erreur est nulle, en moyenne le
modèle est bien spécifié et donc l’erreur moyenne est nulle;
 H4 : E(𝜺𝒕 *𝜺𝒕 ) = 𝞼2 𝞮 la variance de l’erreur est constante;
  H5 : E(𝜺𝒕 *𝜺𝒕′ ) = 0 Si t et t’ sont différents; alors les erreurs sont non corrélées, c’est-
à-dire, une erreur à l’instant « t » n’a pas d’influence sur les erreurs suivantes ;
H6 : cov(𝒙𝒕 *𝜺𝒕 ) = 0 : l’erreur est indépendante de la variable explicative.
 Estimation des paramètres par MCO
La méthode des moindres carrés ordinaires (MCO) consiste à projeter
l’ensemble de points « Mi » de coordonnées (𝑥𝑖 ,𝑦𝑖 ) sur une courbe (déterminée par la forme
du nuage), parallèlement à l’axe des ordonnées, de telle sorte que l’ensemble des écarts entre
les points observés et les points projetés « 𝑃𝑖 » de coordonnées (𝑥𝑖 , 𝑦̂𝑖 ) soient les plus faibles
possibles.
De manière analytique la méthode MCO permet de minimiser ∑𝒏𝒕=𝟏 𝑒 2 = (𝑦 − 𝑦̂)2
2
• S= ∑𝑛𝑡=1 𝑒𝑡 2 = ∑𝑛𝑡=1(𝑦𝑡 − 𝛽̂0 - 𝛽̂1 ∗ 𝑥𝑡 )
𝑐𝑜𝑣(𝑥𝑡 ,𝑦𝑡 ) ∑(𝑥∗𝑦) ∑ 𝑥2
• 𝛽̂1 = ; cov(x, y) = – 𝑥̅ *𝑦̅ ; V(x) = – 𝑥̅ 2
𝑣𝑎𝑟(𝑥𝑡 ) 𝑛 𝑛

• 𝛽̂0 = 𝑦̅ - 𝛽̂1 ∗ 𝑥̅
• Retenez principalement les formules de calculs des coefficients 𝜷𝟎 𝐞𝐭 𝜷𝟏 .
 Validité du modèle : Un modèle est validé si:
 La plupart des variables explicatives sont significatives: test de Student;
 Il est globalement significatif: test de Fisher;
 Ses erreurs ne sont pas corrélées: test de Breusch-Godfrey (à voir niveau avancé);
 Ses erreurs ne sont pas hétéroscédastiques: tests de White et ARCH (à voir niveau
avancé)
 Test de Student
 Significativité des paramètres
H0 : 𝑎𝑖 = 0, le paramètre en question n’est pas significatif, donc la variable explicative
afférente à 𝑎𝑖 n’est pas contributive à l’explication du modèle.
H1 : 𝑎𝑖 ≠ 0, le paramètre est significativement ≠ 0, donc la variable explicative afférente à 𝑎𝑖
est contributive à l’explication du modèle.
 Calcule la statistique de STUDENT
𝛼
|𝑎
̂|
t* = 𝜎̂ 𝑖 que l’on compare à 𝑡 ( 2 ) % (n-k-1) lu dans la table de Student.
̂𝑖
𝑎

(1−𝑅 2 )∗𝑛∗𝑣(𝑦)
Avec 𝜎̂𝑎̂1 = √𝑣̂(𝑎̂1 ) = √( (𝑛−2)∗𝑛∗𝑣(𝑥) )

(1−𝑅 2 ) ∗𝑛∗𝑣(𝑦) 1 𝑥̅ 2
𝜎̂𝑎̂0 = √𝑣̂(𝑎̂0 ) = √ [𝑛 + 𝑛∗𝑣(𝑥)]
𝑛−2
  Règle de décision
𝛼
• Si t* > 𝑡 ( 2 ) % (n-k-1) on accepte H1
𝛼
• Si t* < 𝑡 ( 2 ) % (n-k-1) on accepte H0
 Interprétation des résultats
Il s’agit ici d’interpréter les résultats des coefficients 𝜷𝟎 𝐞𝐭 𝜷𝟏 estimés.
Deux niveaux d’interprétation séquentiels:
 Interprétation statistique (significativité statistique avec t-student) d’abord...
 Interprétation économique ensuite.
NB: on ne doit interpréter économiquement les résultats que lorsque que le test de
significativité statistique est passé avec succès.
 Interprétation des résultats
L’interprétation économique des résultats dépendra aussi de la forme du modèle. Si les
variables endogène et exogène sont en niveaux, l’interprétation économique requiert la
connaissance des unités de mesures des variables. Si les variables sont en logarithmes,
l’interprétation se fait en termes d’élasticité.