Académique Documents
Professionnel Documents
Culture Documents
TD 1 & 2
Exercice 1
cf correction tableau
Exercice 2
cf correction tableau
Exercice 3
cf correction tableau
Exercice 4
Qu1: Nuage de points
plot wage school
→
1
plot wage exper
→
2
sum school
sum exper
sum male
→
Qu3: Percentiles
summarize wage, detail
→
3
summarize school, detail
→
4
Qu4: Matrice de Corrélation
correlate
→
generate female = 0
replace female = 1 if male==0
OU
5
Qu6: Moyenne des salaires
mean wage if male==0
mean wage if male==1
→
6
mean school if male==0
mean school if male==1
→
→ les hommes arrêtent en moyenne leurs études plus tôt (et ont donc + d’expérience pro)
7
Qu7: Régression par MCO
reg wage male
→
→ les hommes ont un salaire supérieur à celui des femmes (significatif au seuil de 5%)
OU
8
→ le genre seul explique R2 = 2.64% des variations de salaire. Autrement dit, notre
modèle explique seulement 2.64% des variations de salaire.
Les β sont les valeurs dans le population entière. Ces valeurs sont inconnues mais es-
timées grâce aux β.
b
Donc βb0 = estimation du salaire moyen des femmes = moyenne empirique du salaire des
femmes de l’échantillon
Qu10: Colinéarité
Faux, car f emale est colinéaire avec male, tel que: f emale = 1 − male
9
= βe0 + βe2 + (βe1 − βe2 ) · male + u
H1 : β1 ̸= 0
10
→ on peut rejeter H0 au seuil de 5%.
11
Qu13: Modèle correctement spécifié?
reg wage male
→
12
• Modèle globalement signiticatif (P rob > F ) = 0.0000 < 5%
• R2 très faible
13
TD 3, 4 & 5
Exercice 1
14
15
16
Rappel de cours
17
Exercice 2
On va donc devoir utiliser ln(yi ), ln(x1,i ) et ln(x2,i à la place des variables d’origine.
18
→
En écriture matricielle:
19
donc:
\
ln(y i ) = −18, 605 + 2, 707 · ln(x1,i ) + 0, 690 · ln(x2,i )
20
Pour la constante: A b = exp(bb0 ) = exp(−18, 605) = 8, 315 · 10−9 → effet du progrès
technique positif mais très faible.
21
avec SCT = SCE + SCR → en anglais: SST otal = SSM odel + SSResidual.
SCE
On retrouve le R2 grâce à l’analyse de la variance: R2 = SCT
22
Exercice 3
Qu1
Qu2
Qu3
23
Test bilatéral de Student:
(bb1 − b1 )
tc = ∼ TN −(k+1)
σc
bb1
sous H01 :
(0, 2 − 0, 3)
|tc | = √ = | − 1| < t1−(0,05/2) (30) = 2, 042
0, 01
24
Rejet H03 au seuil α = 5%?
donc
V (X − Y ) = V (1 · X + (−1) · Y ) = 12 · V (X) + (−1)2 · V (Y ) + 2 · 1 · (−1) · Cov(X, Y ) =
V (X) + V (Y ) − 2Cov(X, Y )
25
Qu4
Exercice 4
Base de donnée “monnaie”
Demande de monnaie:
mt = b0 + b1 · rt + b2 · it + ut
Qu1
Graphique du PIB par année:
26
Pour le taux d’intérêt:
twoway(line D an)
→
27
Qu2
Qu3
Pour les MCO:
reg m y D
→
28
Qu4
Prévision pour un PIB de 1000 milliard de dollars et un taux d’intérêt de 12%:
Qu5
Elasicité points de la demande de monnaie par rapport au revenu:
29
Qu6
Elasticité points de la demande de monnaie par rapport au taux d’intérêt:
Qu7
Matrice variance/covariance:
30
estat vce
→(Attention à l’ordre des variables)
31
Qu9
Graphique des séries observées et ajustées:
OU
Qu10
Pour les résidus:
32
Exercice 5
Base de donnée “monnaie”
33
Modèle log-linéaire à la place du modèle linéaire de l’exercice 4.
Qu1
Qu2
34
Qu3
35
Tables Statistiques
36
37
TD 6 & 7
Exercice 1
Qu1
la trace d’une matrice carrée est définie comme la somme de ses coefficients diagonaux
38
2
Donc σ
bu,M CO est biaisé.
39
2
Donc σ
bu,M CG est sans biais.
Qu2
40
Exercice 2
Qu1
H0 : b1 + b2 ≥ 1
↔
H0 : b1 + b2 − 1 ≥ 0
Qu2
Conclusion fiable si les hypothèses des MCO sont respectées.
41
Il faut donc qu’il y ait absence d’autocorrélation et d’hétéroscédasticité des perturbations
(sinon l’estimateur n’est pas “Best Linear Unbiased Estimator” (BLUE ).
Qu3
42
Table complète
→ dl = 1, 63369 et ds = 1, 71517
Exercice 3
base de données housing.
43
Qu1
44
Qu2
Qu3
45
Qu4
46
Qu5
Qu6
Rappel de cours:
47
48
49
TD 8 & 9
Exercice 1
Qu1
50
Qu2
Qu3
51
Exercice 2
Qu1
52
Qu2
53
Qu3
Sur Stata:
Donc:
54