Académique Documents
Professionnel Documents
Culture Documents
Partie 1
Michel BEINE
michel.beine@uni.lu
Université du Luxembourg
De manière générale:
y = β0 + β1 x + u. (2)
n
X
n−1 (yi − β̂0 − β̂1 xi ) = 0 (3)
i=1
n
X
n−1 [(yi − β̂0 − β̂1 xi )xi ] = 0 (4)
i=1
Pn
σ 2 n−1 x
i=1 i
2
V ar(β̂0 ) = Pn 2
i=1 (xi − x)
σ2
V ar(β̂1 ) = Pn 2
i=1 (x i − x)
De manière générale:
y = β0 + β1 x1 + . . . + βk xk + u. (12)
Pn
OLS: minb0 ,b1 ,...,bk i=1 (yi − b0 − b1 xi1 − . . . − bk xik )2 .
σ2
V ar(β̂j ) = Pn
(1 − Rj2 ) i=1 (xij − xj )2
Exemple.
Théorème 4.2: Sous les hypothèses MLR.1 - MLR.6,
β̂j −βj
∼ tn−k−1 , ∀i = 0, . . . , k , où
se(β̂j )
q
se(β̂j ) = V ar(β̂j ) et σ 2 est remplacé par σ̂ 2 .
On peut donc tester H0 : βj = aj contre
H1 : βj <, 6=, > aj .
Cov(x1 , u)
plim β̂1 = β1 +
V ar(x1 )
= β1 , si Cov(u, x1 ) = 0.
Master 2: Econométrie 2 – p. 33/22
Propriétés asymptotiques des MCO
→ Il est possible de relâcher MLR.3 pour prouver tout
de même que les MCO sont convergents.
MLR.3’ E(u) = 0 et Cov(xj , u) = 0 ∀j = 1, . . . , k →
moyenne nulle et correlation nulle.
→ Sous les hypothèses MLR.1 - MLR.2 - MLR.3’ -
MLR.4, β̂j est un estimateur convergent de βj ,
∀j = 1, . . . , k .
n
X
V ar(β̂1 ) = SSTx−2 V ar( xt ut )
i=1
n
X n−1
XX n−t
= SSTx−2 x2t V ar(ut ) + 2 xt xt+j E(ut ut+j )
i=1 t=1 j=1
n−1 n−t
σ2 σ2 XX
= +2 ρj xt xt+j
SSTx SSTx2
t=1 j=1
Master 2: Econométrie 2 – p. 42/22
Efficience-Inférence des MCO
La formule traditionnelle ignore le second terme.
Si ρ > 0 → on sous-estime V ar(β̂1 ).
Si ρ < 0 → on sur-estime V ar(β̂1 ).
Question: Supposons que ut = et + αet−1 . Montrez que
la formule traditionnelle pour calculer V ar(β̂1 ) est
incorrecte si α 6= 0.
Par conséquent,
3
^
FatalityRate = 2.01 + 0.15 BeraTax
(0.15) (0.13)
0.25 0.50 0.75 1.00 1.25 1.50 1.75 2.00 2.25 2.50 2.75
Bear Tax (Dollars par caise en $1988)
Fatality rate (par 10.000)
4
1988 ^
FatalityRate = 2.86 + 0.44 BeraTax
3 (0.11) (0.13)
0.25 0.50 0.75 1.00 1.25 1.50 1.75 2.00 2.25 2.50 2.75
Bear Tax (Dollars par caise en $1988)
Master 2: Econométrie 2 – p. 82/22
Eviews
- Workfile Eviews.
- Programme Eviews.
Code Eviews :
’ Equation OLS on first difference for t=1982 and 1988 --> T=2
smpl 1982 1988
states.genr dbtax?=beertax?-beertax?(-6)
states.genr dvfrall?=vfrall?-vfrall?(-6)
states.ls(h) dvfrall? c dbtax?
freeze(eq_OLS_FD) states
y i = β1 xi + ai + ui ,
1 PT
où y i = T i=1 yit .
Ou encore,
ÿit = β1 ẍit + üit ,
où ÿit = yit − y i est la valeur de y en déviation par
rapport à sa moyenne temporelle.
La transformation par effets fixes est aussi appelé
transformation within.
On peut remarquer que ai a disparu : on peut donc
estimer le modèle ÿit = β1 ẍit + üit par MCO poolés
→ Estimateur à effets fixes ou estimateur within
(estimateur EF).
Master 2: Econométrie 2 – p. 91/22
Effets fixes
On peut généraliser ce modèle au cas multivarié :
wage = β0 + β1 educ + u.
y = β0 + β1 x + u.
Cov(x, u) 6= 0 (13)
Cov(z, u) = 0.
x = π0 + π1 z + ν.
Cov(x, u)
plim β̂1 = β1 +
V ar(x)
σu
= β1 + Corr(x, u)
σx
= β1 , si Corr(x, u) = 0.
Pour les VI :
Corr(z, u) σu
plim β̂1 = β1 + . (14)
Corr(z, x) σx
important .
Estimation par VI en régression multiple
y2 = π0 + π1 z1 + π2 z2 + ν2 .
y1 = α1 y2 + β1 z1 + u1
y2 = α2 y1 + β2 z2 + u2 .
y2 = π21 z1 + π22 z2 + ν2 ,
α1 β1 β2 α2 u1 +u2
avec π21 = 1−α2 α1 ; π22 = 1−α2 α1 ; ν2 = 1−α2 α1 .
y1 = β10 + α1 y2 + β1 z1 + u1
y2 = β20 + α2 y1 + β2 z2 + u2
Ct = β0 + β1 (Yt − Tt ) + β2 rt + ut1
It = γ0 + γ1 rt + ut2
Yt ≡ Ct + It + Gt .