Licence 3ème année Econométrie

Université de Lorraine
TALNAN EVRARD 2018-2019

TD 4
Inférence statistique

RAPPEL : méthodologie générale des tests

CAS 1 : pas du t-test ou F-test

1. Ecrire le modèle à tester .

2. Donner l’hypothèse nulle et l’hypothèse alternative du test.
3. Donner la statistique de test et la loi suivie par cette statistique avec la valeur
exacte des degrés de liberté.
4. Calculer la valeur de la statistique spéci…que à votre échantillon.
5. Déterminer les valeurs critiques du test avec le seuil de signi…cativité associé.
6. Réaliser la comparaison.

7. Conclure sur le rejet ou non de l’hypothèse nulle avec le seuil de signi…cativité.

8. Conclure sur les conséquence du rejet ou non de l’hypothèse nulle.
CAS 2 : p-value
1. Ecrire le modèle à tester .
2. Donner l’hypothèse nulle et l’hypothèse alternative du test.
3. Comparer la p-value avec le seuil de signi…cativité adéquat.
4. Conclure sur le rejet ou non de l’hypothèse nulle avec le seuil de signi…cativité.
5. Conclure sur les conséquence du rejet ou non de l’hypothèse nulle.

Exercice 1 Nous étudions les e¤ets de l’absentéisme sur les résultats aux tests du premier
cycle universitaire américain (college GPA) :
\A =
colGP 1:39 + 0:412hsGP A + 0:015ACT 0:083skipped
(0:32) (0:094) (0:011) (0:26)

2
N = 141; R = 0:234
avec colGP A la moyenne générale des notes obtenues à l’université (college Grade Point
Average), hsGP A la moyenne générale des notes au lycée (high school GPA), ACT la note
obtenue au test ACT et skipped le nombre de cours manqués par semaine.
1. Réalisez un test bilatéral de l’hypothèse H0 : skipped = 0:1.

1
 2. Trouvez l’intervalle de con…ance à 95% de hsGP A .

3. Pouvez-vous rejeter l’hypothèse H0 : hsGP A = 0:4 au seuil de 5% ?

4. Pouvez-vous rejeter l’hypothèse H0 : hsGP A = 1 au seuil de 5% ?

Exercice 2 Considérons une équation de salaire cherchant à expliquer les revenus des PDG en
fonction des ventes annuelles de l’entreprise, du retour sur fonds propres (roe en pourcentage),
et du rendement des actions de la société (ros en pourcentage) :
log(salary) = 0 + 1 log(sales) + 2 roe + 3 ros +u
1. Donnez l’hypothèse nulle selon laquelle ros n’a aucun e¤et sur le salaire des PDG après
avoir pris en compte l’in‡uence du niveau des ventes et du ROE.

2. Un modèle de régression linéaire est estimé par la méthode des MCO :

\
log(salary) = 4:31 + 0:280 log(sales) + 0:0174roe + 0:00024ros
(0:32) (0:035) (0:0041) (0:00054)

2
N = 209; R = 0:283; SCR = 47:861
Réalisez un test unilatéral de l’hypothèse nulle selon laquelle ros n’a pas d’e¤et sur le
salaire.

3. Seriez-vous en faveur d’inclure la variable ros dans le modèle …nal expliquant la rémun-
ération des PDG en fonction des performances de l’entreprise ? Justi…ez.

4. Expliquez comment réaliser le test de signi…cativité jointe pour les variables roe et ros.

2
 5. Soit le modèle esimé :
\
log(salary) = 4:82 + 0:257 log(sales)
(0:29) (0:035)

N = 209; R2 = 0:211; SCR = 52:656

Réalisez le test décrit dans la question précédente.

Exercice 3 Les données correspondant à cet exercice sont disponibles sur ARCHE dans la
base "kielmc.sas7bdat".
Nous utilisons les données suivantes concernant des maisons vendues pendant les années
1978 et 1981 dans la ville de North Andover, Massachussets.
Description des données :
y81 =1 si l’année d’observation est 1981
price prix de vente en dollars
dist distance entre le logement et l’incinérateur, en pieds
intst distance séparant la maison de l’autoroute
area super…cie de la maison
land super…cie du terrain
rooms nombre total de pièces
baths nombre de salles de bains
age âge de la maison en nombre d’années
L’année 1981 correspond à la date à laquelle a commencé la construction d’un incinérateur
local.
Le modèle de régression linéaire est donné par :
2
log(price) = 0+ 1 log(intst)+ 2 (log(intst)) + 3 log(area)+ 4 log(land)+ 5 rooms+ 6 baths+ 7 age+u

Une estimation par la méthode des MCO fournit les résultats suivants :

pour l’année 1978 :

\ 2
log(price) = 5:395 + 0:289 log(intst) 0:018 (log(intst)) + 0:357 log(area)
(1:723) (0:369) (0:021) (0:076)

+0:130 log(land) + 0:071rooms + 0:102baths 0:002age

(0:035) (0:023) (0:037) (0:001)

2
N = 179; R = 0:6622; SCR = 8:09807

pour l’année 1981 :

\ 2
log(price) = 1:280 + 1:418 log(intst) 0:078 (log(intst)) + 0:332 log(area)
(2:208) (0:463) (0:025) (0:074)

+0:077 log(land) + 0:045rooms + 0:161baths 0:003age

(0:038) (0:027) (0:041) (0:001)

2
N = 142; R = 0:7628; SCR = 5:08526

3
 pour les années 1978 et 1981 réunies :
\ 2
log(price) = 0:782 + 1:224 log(intst) 0:070 (log(intst)) + 0:501 log(area)
(1:751) (0:372) (0:021) (0:068)

+0:099 log(land) + 0:053rooms + 0:100baths 0:004age

(0:034) (0:023) (0:035) (0:001)

2
N = 321; R = 0:6066; SCR = 24:17236

La relation entre le niveau des prix et les variables explicatives était-elle la même en 1978
et en 1981 ?

Exercice 4 Considérons le modèle de régression multiple avec trois variables indépendantes,

sous les hypothèses classiques du modèle linéaire, (RLM.1 à RLM.6) :
y= 0 + 1 x1 + 2 x2 + 3 x3 +u
1. Vous souhaitez tester l’hypothèse nulle H0 : 1 3 2 = 1.
Expliquez comment tester H0 contre l’hypothèse alternative bilatérale.

2. Vous souhaitez tester l’hypothèse nulle H0 : 1 3 2 = 1 et 3 = 1.

Expliquez comment tester H0 .

Exercices complémentaires

Exercice 1 Soit l’équation estimée :

[
sleep = 3638:25 0:148totwrk 11:13educ 2:20age
(112:28) (0:017) (5:88) (1:45)

N = 706; R2 = 0:113
où le sommeil (sleep) et le travail (totwrk, « total work » en anglais) sont mesurés en minutes
par semaine. Les variables educ et age sont mesurées en années, avec educ qui désigne le nombre
d’années d’études.

4
 1. Les variables educ ou age ont-elles individuellement un e¤et signi…catif ? Justi…ez votre
réponse.

2. Exclure educ et age de l’équation donne

[
sleep = 3586:38 0:151totwrk
(38:91) (0:17)

2
N = 706; R = 0:103

Les variables educ et age ont-elles conjointement un e¤et signi…catif ? Justi…ez votre
réponse.

3. Est-ce que l’introduction ou non des variables educ et age dans le modèle a¤ecte sub-
stantiellement l’arbitrage estimé entre les temps de sommeil et de travail ?

Exercice 2 Le tableau suivant donne les résultats de 3 estimations. Les écarts-types estimés
sont mentionnés entre parenthèses sous les coe¢ cients estimés du modèle.
Variable dépendante : log(salary)
Variables indépendantes (1) (2) (3)
log(sales) 0:224 0:158 0:188
(0:027) (0:040) (0:040)

log(mktval) — 0:112 0:100

(0:050) (0:049)

prof marg — 0:0023 0:0022

(0:0022) (0:0021)

ceoten — — 0:0171
(0:0055)

comten — — 0:0092
(0:0033)

constante 4:94 4:62 4:57

(0:20) (0:25) (0:25)

Observations 177 177 177

R-carré 0:281 0:304 0:353
La variable sales désigne le montant annuel des ventes de l’entreprise en millions de dollars,
mktval la valeur de marché de l’entreprise, prof marg le pro…t en pourcentage des ventes, ceoten
le nombre d’années d’expérience du PDG à son poste, comten désigne le nombre total d’années
d’exercice du PDG au sein de l’entreprise (au poste actuel ou à un autre poste).

5
1. Commentez l’in‡uence de la variable prof marg sur le salaire des PDG.

2. La valeur de marché a-t-elle un e¤et statistiquement signi…catif ? Justi…ez (utilisez le

modèle 3).

3. Interprétez les coe¢ cients de ceoten et comten. Ces variables explicatives ont-elles indi-
viduellement un e¤et statistiquement signi…catif ?

4. Que pensez-vous du fait que l’augmentation de l’ancienneté dans l’entreprise, toutes choses
égales par ailleurs, est associée à un salaire inférieur ?