FaraM.J. Noel Devoir D - Econometrie Des Variables Qualitatives

Centre de Techniques de Planification et d’Economie
Appliquée
DEVOIR D’ECONOMETRIE DES VARIABLES QUALITATIVES
Devoir prépare par Fara Marie Josie NOEL et présenté au professeur Septimus Pierre dans le cadre du
cours d’économétrie des variables qualitatives.
VENDREDI 11 SEPTEMBRE 2020

Exercice 1
a. Calculer les moyennes des revenus par secteur à partir de cette estimation. Comparer avec
les données fournies. Que constatez-vous ?
Dans cet exercice, la variable à expliquer est une variable quantitative: « Revenu moyen» Et la
variable explicative une variable qualitative : « Le secteur d’activité » qui a 4 modalités : Industrie,
Services, Transport, Autres. Avec la relation suivante : REVENUi= BO+ B1SECTi +Ei i=1,2,…N
REVENUi : le revenu moyen par secteur i, on le notera Yi
SECTi : Variable codée comme suit :
On a l’équation de régression estimée: i =17.46+ 1.53*SECTi + Ei
Résolution
 Calculons Le revenu moyen perçu: par secteur d’activité en utilisant l’équation de
régression
Soit xi la variable indicatrice du secteur :
xi=1 Si services ; xi=2 si transport ; xi=3 si industrie ; xi==4 si autres
En utilisant la commande : « =17.46+1.53*xi » sur Excel,
On obtient les résultats suivants :
Moyenne des revenus Moyenne des revenus estimée

Indicateurs Secteur Effectif par secteur par secteur
1 Services 1165 22.65 18.99
2 Transports 582 16.64 20.52
3 Industrie 333 19.51 22.05
4 Autres 1224 18.31 17.46
Tous les
secteurs 3304 19.67
On remarque que les valeurs obtenues à partir de l’équation de régression estimée sont différentes
de ceux qu’on a eu dans le tableau. Ceci est dû au fait que la méthode utilisée pour calculer les
moyennes estimées n’est pas correcte. Pour des variables qualitatives multinomiales, une
indicatrice codée 0 et 1 doit être créée pour chaque modalité.
b. Quelle régression l’analyste aurait dû réaliser ? Quelle serait alors la valeur estimée des
paramètres de l’équation de régression ?
On va créer des variables indicatrices (codées en 0 et 1) pour chacune de ces 4 modalités.

On aura :
xi : Indicatrice codée en 0 ou 1 ; l’individu appartient au secteur i si xi=1

On notera cependant que la modalité autre ne sera pas prise en considération pour éviter des
problèmes de multi colinéarité. Donc la régression pourra s’écrire ainsi :
REVENUi=bo+b1SERVi+b2 TRANSi+ b3 INDUSi+i i=1,2,….N
 b0 et b1 les paramètres à estimer
 Ui le terme d’erreur aléatoire tel que E(Ui|xi)=0  i
Supposons que xi=0  i
Trouvons alors les valeurs estimées des paramètres de régression :
On a la matrice XX’ :
XX'
XX’= 3304 582 333 1165
582 582 0 0
333 0 333 0
1165 0 0 1165
0.000817 -0.000817 -0.000817 -0.000817

-1 = -0.000817 0.0025352 0.000817 0.000817
(XX’)
-0.000817 0.000817 0.00382 0.000817
-0.000817 0.000817 0.000817 0.0016754
Après calculs, on obtient le vecteur :

18.31
-1.67
𝛽= 1.20
4.34
Alors, la droite estimée serait : 18.31 - 1.67*services + 1.20*transport + 4.34*industrie.
Exercice 2
1.1) Calculer la probabilité prédite associe a Y a la moyenne des regresseurs :
Probabilite=0.2461 +0.5009*(0.0326) - 0.1289*(0.3727) = 0.2144

Donc, la probabilité prédite associée à la moyenne des régresseurs est de 21.44%.
1.1) Calculer la probabilité prédite associée a la Y la plus faible.

E(Yi|xi=min)=0.2461+0.5009(0.0001) - 0.1289(5.4000) = -0.4499
1.2) Calculer la probabilité prédite associée a Y la plus forte

E(Yi|xi=max)= 0.2461+0.5009(0.2866) - 0.1289(0.1200) = 0.3741
Donc, la probabilité prédite associée a Y la plus forte est de 37.41%.
1.3) Que constatez-vous ?

La probabilité prédite associée à Y la plus faible est négative. Cela est absurde.
1.4) Calculer la probabilité qu'un ménage de 2 adultes avec un revenu total égal à 10 000
roubles achète plus de 1 litre de vodka par jour au prix de 45 roubles par litre.
Ramenons les variables revenu et pvod à 105 et 102 respectivement :

revenu= (10000)/(2*100000)=0.05
pvod= (45)/(100) = 0.45
Alors, la probabilité est de :

Proba= 0.2461 + 0.5009(0.05) - 0.1289(0.45) = 0.2131
Donc, la probabilite qu'un ménage de 2 adultes avec un revenu total égal à 10 000 roubles
achète plus de 1 litre de vodka par jour au prix de 45 roubles par litre est de 21.31%.
Exercice 3
1)- Ecrire le modèle estimé.

Modèle à estimer
1 si Zi*=Xi𝜆 + ui ≥ 0
yi =
0 si Zi*=Xi𝜆 + ui ˂ 0
Caractéristiques de la base de données
• Population : Ménages
• Variables :
o portable : 1= ménage est équipé d'un climatiseur mobile, 0 sinon.
o revenu : revenu annuel du ménage exprimé en logarithme.
o nbfoyer : nombre de personnes du ménage.
o taille : surface de l'habitation.
o maison : 1= ménage réside en logement individuel, 0 sinon.
Les résultats ont été obtenus en estimant un modèle Logit.
Alors l’estimation donne le résultat suivant:
yi = -12.0471 - 0.0645*nbfoyer + 0.0011*taille + 1.1587*revenu - 0.4941*maison -1.8064*portable
2)- Commenter avec précision les résultats obtenus.

Nos commentaires se feront à partir des comparaisons des t-stats a 1.96 (t-tabulé au seuil de 5%)
▪ portable : coefficient négatif et significatif. Toutes choses étant égales par ailleurs, la probabilité
d’installer un climatiseur diminue si le ménage possède un climatiseur mobile.
▪ revenu : Effet significatif. Toutes choses étant égales par ailleurs, la probabilité d’installer un
climatiseur augmente avec le revenu du ménage.

▪ nbfoyer : coefficient négatif et non significatif. Toutes choses étant égales par ailleurs, le nombre
de personnes du ménage n’a aucun effet sur la probabilité d’installer un climatiseur.
▪ taille: Effet significatif de la variable liée a la surface de l’habitation. Toutes choses étant égales
par ailleurs, la probabilité d’installer un climatiseur augmente avec la surface de l’habitation.
▪ maison : coefficient négatif et non significatif. Toutes choses étant égales par ailleurs, le mode de
logement (individuel ou non) n’a aucun effet sur la probabilité d’installer un climatiseur.
3)- Calculer la probabilité qu'un ménage de 3 personnes en maison individuelle de revenu 10, de taille
d'habitation 1360 et ne possédant pas de climatiseur portable installe une climatisation. Commenter.
̂  ŷi = -12.0471- 0.065(3) + 0.0011(1360) + 1.1587(10) – 0.4941(1) – 1.8064(0)
ŷi = xi𝛽
 ŷi = 0.348
Alors, la probabilité d’installer un climatiseur est de :
1
⋀(0.35) = = 0.5861
1+ 𝑒 −0.348
Commentaires
Laprobabilite Pour un ménage composé de 3 personnes, de revenu 10, vivant en maison individuelle de
surface d’habitation de 1360 et ne possédant pas de climatiseur portable d’installer une climatisation
est de 58.61%.
4)- Calculer l'effet marginal associé à la variable REVENU, au point moyen de l'échantillon, à partir de
l'estimation Logit. Utilise pour cela les moyennes des variables explicatives dans le tableau de
statistiques descriptives. Commenter.
̂ = -12.0471- 0.065(3.1752) + 0.0011(1367.6788) + 1.1587(9.3176) – 0.4941(0.8467) –
On a : xi𝛽
1.8064(0.3942)
 xi𝛽̂ = -1.0819
̂ revenu∗ 𝜆(𝑥𝑖𝛽̂ )
Alors, EMrevenu = 𝛽
𝑒 −1.0819
 EMrevenu = 1.1587 * ( )= 0,2192
(1+𝑒 −1.0819 )2
Commentaires
Pour un ménage moyen, la probabilité d’installer un climatiseur va augmenter de 21.91points de
pourcentage suite à une augmentation du revenu moyen d’une unité (passe de 9.3176 à 10.3176).
5)-Calculer l'effet marginal associé à la variable PORTABLE, au point moyen de l'échantillon. Que pouvez-
vous dire de la substitution entre l'installation d'une climatisation et la climatisation portable ?
EMportable = ⋀(𝑐𝑒𝑛𝑡𝑟𝑎𝑙 = 1|𝑝𝑜𝑟𝑡𝑎𝑏𝑙𝑒 = 1, 𝑎𝑢𝑡𝑟𝑒𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑓𝑖𝑥𝑒 𝑎 𝑙𝑎 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 ) - ⋀(𝑐𝑒𝑛𝑡𝑟𝑎𝑙 =
1|𝑝𝑜𝑟𝑡𝑎𝑏𝑙𝑒 = 0, 𝑎𝑢𝑡𝑟𝑒𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑓𝑖𝑥𝑒 𝑎 𝑙𝑎 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 )
EMportable = ⋀(−2.1759) - ⋀(−𝑜. 3711) = 0.1019-0.4087

EMportable = -0.3068

Commentaires.
Ainsi, toutes choses étant égales par ailleurs, pour un ménage moyen, posséder un climatiseur portable
diminue de 30.68 points de pourcentage la probabilité d’installer un climatiseur.
DEUXIEME PARTIE
Le logiciel utilise est R :
1. Importation du Dataset nommé devqual
> devqual<-read.table(file=file.choose(), header=FALSE, se="")

> dim(devqual)
[1] 200 7
> names(devqual)
[1] "V1" "V2" "V3" "V4" "V5" "V6" "V7"
2. Nomination des variables
> colnames(devqual)<-c("sexe", "age", "abo", "sitfam", "soc", "zau", "sal")

> attach(devqual)
2. Présentation des statistiques descriptives de la base:
a. Calcul de la moyenne, de l’ecart type, du minimum et du maximum pour

l’ensemble des variables continues de la base :
> summary(devqual)
sexe age abo sitfam soc
Femme:124 Min. :18.00 Min. :0.000 Min. :1.00 Cadre :32
Homme: 76 1st Qu.:35.00 1st Qu.:0.000 1st Qu.:1.00 Employe:88
Median :44.00 Median :1.000 Median :1.00 Ouvrier:80
Mean :42.52 Mean :0.545 Mean :1.63
3rd Qu.:49.00 3rd Qu.:1.000 3rd Qu.:2.00
Max. :59.00 Max. :1.000 Max. :3.00
zau sal
Min. :1.00 Min. : 3678
1st Qu.:2.00 1st Qu.:13789
Median :2.00 Median :17038
Mean :3.03 Mean :18615
3rd Qu.:4.00 3rd Qu.:22523
Max. :7.00 Max. :35972
b. Calcul de la moyenne, l’ecart-type, le minimum et le maximum pour les

variables continues selon le type d’abonnement

> sd(zau)
[1] 1.90453
> sd(sal)
[1] 7082.492
> summary(devqual[devqual[,"abo"]=="0","age"])
Min. 1st Qu. Median Mean 3rd Qu. Max.
31.00 34.00 39.00 40.27 46.00 51.00
> sd(devqual[devqual[, "abo"]=="0","age"])
[1] 6.752886
> summary(devqual[devqual[,"abo"]=="1","age"])
18.00 38.00 46.00 44.39 52.00 59.00
> sd(devqual[devqual[,"abo"]=="1","age"])
[1] 9.628294
> summary(devqual[devqual[,"abo"]=="0","zau"])
1.000 2.000 2.000 3.055 4.500 7.000
> sd(devqual[devqual[,"abo"]=="0","zau"])
[1] 1.928515
> summary(devqual[devqual[,"abo"]=="1","zau"])
1.000 2.000 2.000 3.009 4.000 7.000
> sd(devqual[devqual[,"abo"]=="1","zau"])
[1] 1.892947
> summary(devqual[devqual[,"abo"]=="0","sal"])
3678 12936 16227 17654 21320 35374
> sd(devqual[devqual[,"abo"]=="0","sal"])
[1] 7150.625
> summary(devqual[devqual[,"abo"]=="1","sal"])
6296 15528 18190 19418 23030 35972
> sd(devqual[devqual[,"abo"]=="1","sal"])
[1] 6956.164
c. Réalisons un tri a plat pour l’ensemble des variables qualitatives
> table(sexe)
sexe
Femme Homme
124 76
> length(sexe)
[1] 200
> prop.table(table(sexe))*100
sexe
Femme Homme
62 38
> table(abo)
abo

0 1
91 109
> length(abo)
[1] 200
> prop.table(table(abo))*100
abo
0 1
45.5 54.5
> table(sitfam)
sitfam
1 2 3
101 72 27
> legnth(sitfam)
Error in legnth(sitfam) : could not find function "legnth"
> length(sitfam)
[1] 200
> prop.table(table(sitfam))*100
sitfam
1 2 3
50.5 36.0 13.5
> table(soc)
soc
Cadre Employe Ouvrier
32 88 80
> length(soc)
[1] 200
> prop.table(table(soc))*100
soc
Cadre Employe Ouvrier
16 44 40
> table(zau)
zau
1 2 3 4 5 7
31 97 3 21 24 24
> length(zau)
[1] 200
> prop.table(table(zau))*100
zau
1 2 3 4 5 7
15.5 48.5 1.5 10.5 12.0 12.0
> addmargins(table(sexe,abo))
abo
sexe 0 1 Sum
Femme 67 57 124
Homme 24 52 76
Sum 91 109 200
> Tab<-table(sexe,abo)
> addmargins(prop.table(addmargins(Tab,1),1),2)*100
abo
sexe 0 1 Sum

Femme 54.03226 45.96774 100.00000
Homme 31.57895 68.42105 100.00000
Sum 45.50000 54.50000 100.00000
> Tab<-table(sexe,abo)
c. Realisons un test de correlation que nous allons presenter dans un

tableau croise entre les variables d’abonnement et sexe.
> addmargins(prop.table(addmargins(Tab,2),2),1)*100
abo
sexe 0 1 Sum
Femme 73.62637 52.29358 62.00000
Homme 26.37363 47.70642 38.00000
Sum 100.00000 100.00000 100.00000
> genre<-ifelse(sexe=="Homme",1,0)
> cor.test(genre,abo)
Pearson's product-moment correlation
data: genre and abo

t = 3.1561, df = 198, p-value = 0.001848
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.08262675 0.34706143
sample estimates:
cor
0.2188588
Nous en deduisons que 47,70% des hommes sont prêts a s’abonner contre
52,29% de femmes.
3. Création de nouvelles variables
> abon<-ifelse(abo=="0",1,0)
> fem<-ifelse(sexe=="Femme",1,0)
> hom<-ifelse(sexe=="Homme",1,0)
> marie<-ifelse(sitfam=="1",1,0)
> celib<-ifelse(sitfam=="2",1,0)
> divor<-ifelse(sitfam=="3",1,0)
> cadre<-ifelse(soc=="Cadre",1,0)
> empl<-ifelse(soc=="Employe",1,0)
> ouv<-ifelse(soc=="Ouvrier",1,0)
>
> urbain<-ifelse(zau<="3",1,0)
> Femu<-ifelse(sexe=="Femme" & urbain=="1",1,0)
> Femr<-ifelse(sexe=="Femme" & urbain=="0",1,0)
> Homu<-ifelse(sexe=="Homme" & urbain=="1",1,0)
> Homr<-ifelse(sexe=="Homme" & urbain=="0",1,0)

> saldiv<-sal/1000
> saldiv2<-(sal^2)/100000
> logsal<-log(sal)
> age2<-age^2
> logage<-log(age
> table(abo + abon)
4. Vérifions alors que ces variables ont été correctement créées
1
200
> table(fem + hom)
1
200
> table(marie + celib + divor)
1
200
> table(cadre + ouv + empl)
1
200
> cbind(zau, urbain)
zau urbain
[1,] 3 1
[2,] 3 1
[3,] 3 1
[4,] 4 0
[5,] 4 0
[6,] 4 0
[7,] 4 0
[8,] 4 0
[9,] 4 0
[10,] 4 0
[11,] 4 0
[12,] 4 0
[13,] 4 0
[14,] 2 1
[15,] 2 1
[16,] 2 1
[17,] 1 1
[18,] 1 1
[19,] 1 1
[20,] 1 1
[21,] 1 1
[22,] 1 1
[23,] 1 1
[24,] 1 1
[25,] 2 1
[26,] 2 1
[27,] 2 1
[28,] 2 1
[29,] 2 1
[30,] 2 1
[31,] 2 1
[32,] 2 1
[33,] 2 1
[34,] 2 1
[35,] 2 1
[36,] 2 1
[37,] 2 1
[38,] 2 1
[39,] 2 1
[40,] 2 1
[41,] 2 1
[42,] 2 1
[43,] 2 1
[44,] 2 1
[45,] 2 1
[46,] 2 1
[47,] 2 1
[48,] 5 0
[49,] 5 0
[50,] 5 0
[51,] 5 0
[52,] 2 1
[53,] 2 1
[54,] 2 1
[55,] 2 1
[56,] 2 1
[57,] 2 1
[58,] 2 1
[59,] 2 1
[60,] 2 1
[61,] 2 1
[62,] 2 1
[63,] 2 1
[64,] 2 1
[65,] 2 1
[66,] 2 1
[67,] 2 1
[68,] 2 1
[69,] 2 1
[70,] 2 1
[71,] 2 1

[72,] 2 1
[73,] 2 1
[74,] 2 1
[75,] 2 1
[76,] 2 1
[77,] 2 1
[78,] 2 1
[79,] 5 0
[80,] 5 0
[81,] 5 0
[82,] 5 0
[83,] 5 0
[84,] 5 0
[85,] 5 0
[86,] 5 0
[87,] 7 0
[88,] 1 1
[89,] 1 1
[90,] 1 1
[91,] 7 0
[92,] 7 0
[93,] 7 0
[94,] 7 0
[95,] 7 0
[96,] 2 1
[97,] 1 1
[98,] 1 1
[99,] 2 1
[100,] 2 1
[101,] 1 1
[102,] 1 1
[103,] 2 1
[104,] 1 1
[105,] 2 1
[106,] 2 1
[107,] 5 0
[108,] 1 1
[109,] 5 0
[110,] 5 0
[111,] 5 0
[112,] 1 1
[113,] 5 0
[114,] 5 0
[115,] 7 0
[116,] 7 0
[117,] 7 0
[118,] 7 0
[119,] 7 0
[120,] 7 0
[121,] 7 0

[122,] 7 0
[123,] 7 0
[124,] 7 0
[125,] 7 0
[126,] 7 0
[127,] 7 0
[128,] 1 1
[129,] 1 1
[130,] 1 1
[131,] 5 0
[132,] 5 0
[133,] 1 1
[134,] 1 1
[135,] 1 1
[136,] 1 1
[137,] 5 0
[138,] 5 0
[139,] 5 0
[140,] 4 0
[141,] 4 0
[142,] 1 1
[143,] 4 0
[144,] 4 0
[145,] 4 0
[146,] 4 0
[147,] 4 0
[148,] 7 0
[149,] 5 0
[150,] 2 1
[151,] 2 1
[152,] 2 1
[153,] 2 1
[154,] 2 1
[155,] 2 1
[156,] 2 1
[157,] 2 1
[158,] 7 0
[159,] 1 1
[160,] 7 0
[161,] 1 1
[162,] 7 0
[163,] 7 0
[164,] 4 0
[165,] 1 1
[166,] 1 1
[167,] 4 0
[168,] 4 0
[169,] 4 0
[170,] 2 1
[171,] 2 1

[172,] 2 1
[173,] 2 1
[174,] 2 1
[175,] 2 1
[176,] 2 1
[177,] 2 1
[178,] 1 1
[179,] 2 1
[180,] 2 1
[181,] 2 1
[182,] 2 1
[183,] 2 1
[184,] 2 1
[185,] 2 1
[186,] 2 1
[187,] 2 1
[188,] 2 1
[189,] 2 1
[190,] 2 1
[191,] 2 1
[192,] 2 1
[193,] 2 1
[194,] 2 1
[195,] 2 1
[196,] 2 1
[197,] 2 1
[198,] 2 1
[199,] 2 1
[200,] 2 1
> table((Femu + Femr) - fem)
0
200
> table((Homu + Homr) - hom)
0
200
> table(saldiv*1000 - sal)
-9.09494701772928e-13 0 1.81898940354586e-12
1 197 2
> table(sqrt(saldiv2*100000) - sal)
-3.63797880709171e-12 -1.81898940354586e-12 0
1 7 184
9.09494701772928e-13 1.81898940354586e-12 3.63797880709171e-12
1 4 3
> table(sqrt(age2) – age)
Error: unexpected input in "table(sqrt(age2) –"
> table(sqrt(age2)- age)

0
200
> table(exp(logage)- age)
-1.4210854715202e-14 -7.105427357601e-15 -3.5527136788005e-15

4 83 7
0 3.5527136788005e-15 7.105427357601e-15
57 5 32
1.4210854715202e-14 2.1316282072803e-14
8 4
5. Estimation d’un modele logit

Estimation sans variable explicative (avec la constante seulement)
Estimation sur la variable caractérisant l’abonnement (variable d’origine)
Ecrire les modèles économétriques associés à l’estimation 1 et 2. Précisez bien les différentes
hypothèses retenues.
> LogitAboCst<-glm(abo ~ 1, family = binomial(link="logit"))

> summary(LogitAboCst)
Call:
glm(formula = abo ~ 1, family = binomial(link = "logit"))
Deviance Residuals:
Min 1Q Median 3Q Max
-1.255 -1.255 1.102 1.102 1.102
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.1805 0.1420 1.271 0.204
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 275.64 on 199 degrees of freedom

Residual deviance: 275.64 on 199 degrees of freedom
AIC: 277.64
Number of Fisher Scoring iterations: 3
> BetaAboCst<-coef(LogitAboCst)
> P1<-exp(BetaAboCst)/(1+exp(BetaAboCst))
> LogitAbonCst<-glm(abon ~ 1, family = binomial(link="logit"))
> summary(LogitAbonCst)

Call:
glm(formula = abon ~ 1, family = binomial(link = "logit"))
Deviance Residuals:
-1.102 -1.102 -1.102 1.255 1.255
Coefficients:
(Intercept) -0.1805 0.1420 -1.271 0.204

AIC: 277.64
> BetaAbonCst<-coefficients(LogitAbonCst) P0<-

exp(BetaAbonCst)/(1+exp(BetaAbonCst))
Error: unexpected symbol in "BetaAbonCst<-coefficients(LogitAbonCst) P0"
> BetaAbonCst<-coefficients(LogitAbonCst)
> P0<-exp(BetaAbonCst)/(1+exp(BetaAbonCst))
> P0
(Intercept)
0.455
6. Estimation avec variables explicatives

Une seule variable explicative : le sexe
> LogitSexe<-glm(abo ~ fem, family = binomial(link="logit"))
> summary(LogitSexe)
Call:
glm(formula = abo ~ fem, family = binomial(link = "logit"))
Deviance Residuals:
-1.5183 -1.1096 0.8712 1.2468 1.2468
Coefficients:
(Intercept) 0.7732 0.2468 3.133 0.00173 **
fem -0.9348 0.3056 -3.059 0.00222 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1


AIC: 269.89
> BetaSexe<-coef(LogitSexe)
> Pfem<-exp(BetaSexe[1] + BetaSexe[2])/(1+exp(BetaSexe[1] + BetaSexe[2]))
> Pfem
(Intercept)
0.4596774
> BetaSexe<-coef(LogitSexe)
> Phom<-exp(BetaSexe[1])/(1+exp(BetaSexe[1]))
> Phom
(Intercept)
0.6842105
> OddH<-Phom/(1-Phom)
> OddH
(Intercept)
2.166667
> OddF<-Pfem/(1-Pfem)
> OddF
(Intercept)
0.8507463
6. Estimation avec variables explicatives
> Logitmodel1<-glm(abo ~ fem + marie + celib + cadre + empl + urbain + age +

sal, family = binomial(link="logit")) summary(Logitmodel1)
Error: unexpected symbol in "Logitmodel1<-glm(abo ~ fem + marie + celib +
cadre + empl + urbain + age + sal, family = binomial(link="logit")) summary"
sal, family = binomial(link="logit"))
> summary(Logitmodel1)
Call:
glm(formula = abo ~ fem + marie + celib + cadre + empl + urbain +
age + sal, family = binomial(link = "logit"))
Deviance Residuals:
-2.3577 -0.8211 0.3776 0.7868 1.6585
Coefficients:
(Intercept) -2.736e+00 1.145e+00 -2.389 0.01687 *
fem -1.141e+00 3.816e-01 -2.989 0.00280 **

marie 1.209e+00 4.929e-01 2.453 0.01417 *
celib -4.820e-01 5.283e-01 -0.912 0.36156
cadre 1.753e+00 6.443e-01 2.721 0.00652 **
empl -5.122e-01 3.950e-01 -1.297 0.19470
urbain -1.486e-01 3.648e-01 -0.408 0.68363
age 8.629e-02 2.211e-02 3.902 9.55e-05 ***
sal -1.855e-05 2.753e-05 -0.674 0.50044
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 227.36

saldiv, family = binomial(link="logit"))
Call:
age + saldiv, family = binomial(link = "logit"))
Deviance Residuals:
-2.3577 -0.8211 0.3776 0.7868 1.6585
Coefficients:
(Intercept) -2.73595 1.14502 -2.389 0.01687 *
fem -1.14055 0.38161 -2.989 0.00280 **
marie 1.20914 0.49293 2.453 0.01417 *
celib -0.48205 0.52833 -0.912 0.36156
cadre 1.75291 0.64432 2.721 0.00652 **
empl -0.51224 0.39500 -1.297 0.19470
urbain -0.14865 0.36477 -0.408 0.68363
age 0.08629 0.02211 3.902 9.55e-05 ***
saldiv -0.01855 0.02753 -0.674 0.50044
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 227.36


age2 + saldiv + saldiv2, family = binomial(link="logit"))
Call:
age + age2 + saldiv + saldiv2, family = binomial(link = "logit"))
Deviance Residuals:
-2.3084 -0.8019 0.1074 0.8211 1.9342
Coefficients:
(Intercept) 16.4043850 6.4066398 2.561 0.01045 *
fem -1.0203878 0.4067757 -2.508 0.01213 *
marie 0.9201744 0.5174169 1.778 0.07534 .
celib -0.7646153 0.5815115 -1.315 0.18855
cadre 1.5893378 0.6846792 2.321 0.02027 *
empl -0.6905511 0.4203864 -1.643 0.10045
urbain -0.1508788 0.3894397 -0.387 0.69844
age -0.9119657 0.3134578 -2.909 0.00362 **
age2 0.0120903 0.0038443 3.145 0.00166 **
saldiv 0.0878204 0.1356691 0.647 0.51743
saldiv2 -0.0002430 0.0003136 -0.775 0.43827
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 216.72
> Logitmodel4<-glm(abo ~ fem + marie + celib + cadre + empl + urbain + logage

+ logsal, family = binomial(link="logit"))
Call:
logage + logsal, family = binomial(link = "logit"))
Deviance Residuals:
-2.3864 -0.8067 0.3883 0.8450 1.6142

Coefficients:
(Intercept) -8.9307 5.3756 -1.661 0.096640 .
fem -1.1393 0.3831 -2.974 0.002940 **
marie 1.2387 0.4904 2.526 0.011551 *
celib -0.4824 0.5223 -0.924 0.355692
cadre 1.6911 0.6395 2.644 0.008182 **
empl -0.4704 0.3888 -1.210 0.226252
urbain -0.1317 0.3596 -0.366 0.714158
logage 3.0719 0.8607 3.569 0.000358 ***
logsal -0.2027 0.4904 -0.413 0.679370
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 230.87
> quantile(age, probs=c(0, 0.01 , 0.05, 0.1, 0.25, 0.5 , 0.75 , 0.9, 0.95,
0.99, 1))
0% 1% 5% 10% 25% 50% 75% 90% 95% 99% 100%
18.00 26.95 30.00 31.00 35.00 44.00 49.00 52.20 58.00 59.00 59.00
> age35<-ifelse(age<=35,1,0)
> age45<-ifelse(age>35 & age<=45,1,0)
> age60<-ifelse(age>45,1,0)
> table(age35 + age45 + age60)
1
200
> quantile(sal, probs=c(0, 0.01 , 0.05, 0.1, 0.25, 0.5 , 0.75 , 0.9, 0.95,
0.99, 1))
0% 1% 5% 10% 25% 50% 75% 90%
95% 99% 100%
3678.00 6530.63 8359.00 10725.50 13789.00 17037.50 22522.50 28848.70
33448.90 35787.00 35972.00
> sal15<-ifelse(sal<=15000,1,0)
> sal225<-ifelse(sal>15000 & sal<=22500,1,0)
> sal30<-ifelse(sal>22500 & sal<=30000,1,0)
> salsup<-ifelse(sal>30000,1,0)
> table(sal15 + sal225 + sal30 + salsup)
1
200
> Logitmodel5<-glm(abo ~ fem + marie + celib + cadre + empl + urbain + age45
+ age60 + sal225 + sal30 + salsup, family = binomial(link="logit"))

Call:
age45 + age60 + sal225 + sal30 + salsup, family = binomial(link =
"logit"))
Deviance Residuals:
-2.1555 -0.7690 0.3513 0.8202 1.7381
Coefficients:
(Intercept) -0.8928 0.7631 -1.170 0.242033
fem -0.9723 0.3896 -2.496 0.012577 *
marie 1.3257 0.5278 2.512 0.012017 *
celib -0.2714 0.5460 -0.497 0.619072
cadre 1.9748 0.6860 2.879 0.003993 **
empl -0.5426 0.3993 -1.359 0.174201
urbain -0.1790 0.3780 -0.474 0.635848
age45 1.0952 0.5124 2.137 0.032582 *
age60 1.7658 0.4564 3.869 0.000109 ***
sal225 0.5910 0.4169 1.418 0.156277
sal30 -0.4469 0.5844 -0.765 0.444442
salsup -0.0087 0.7472 -0.012 0.990711
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 231.24
> Logitmodel6<-glm(abo ~ Femu + Femr + Homu + age + age2 + marie + celib +

cadre + empl + saldiv + saldiv2, family = binomial(link="logit"))
Call:
glm(formula = abo ~ Femu + Femr + Homu + age + age2 + marie +
celib + cadre + empl + saldiv + saldiv2, family = binomial(link =
"logit"))
Deviance Residuals:
-2.2200 -0.8103 0.1021 0.8136 1.9393
Coefficients:

(Intercept) 16.2383641 6.4650965 2.512 0.01202 *
Femu -0.9976735 0.5797050 -1.721 0.08525 .
Femr -0.6171168 0.6473748 -0.953 0.34046
Homu 0.2538972 0.6416142 0.396 0.69231
age -0.9216167 0.3167366 -2.910 0.00362 **
age2 0.0122138 0.0038852 3.144 0.00167 **
marie 0.9340910 0.5194527 1.798 0.07214 .
celib -0.8145164 0.5867700 -1.388 0.16510
cadre 1.6176862 0.6859913 2.358 0.01837 *
empl -0.6305470 0.4273594 -1.475 0.14009
saldiv 0.0951634 0.1355617 0.702 0.48268
saldiv2 -0.0002576 0.0003126 -0.824 0.40991
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 218.09
> vcov(Logitmodel6)
(Intercept) Femu Femr Homu
age age2 marie celib cadre empl
saldiv
(Intercept) 41.797472688 -3.662931e-01 -4.710581e-01 -0.0045996203 -
1.984284e+00 2.409211e-02 -6.047388e-01 -8.340558e-01 1.585785e-01 -
3.438164e-01 -1.220164e-01
Femu -0.366293072 3.360578e-01 2.594732e-01 0.2459708281
4.974367e-03 -9.218309e-05 -1.370098e-02 -1.656787e-02 -2.904523e-02 -
2.360264e-03 4.964772e-03
Femr -0.471058104 2.594732e-01 4.190941e-01 0.2430897581
3.191492e-03 -5.707143e-05 -8.193036e-03 -3.421170e-02 -4.179343e-02
1.244309e-02 1.836028e-02
Homu -0.004599620 2.459708e-01 2.430898e-01 0.4116688275 -
1.122594e-02 1.335229e-04 1.346819e-02 -3.645484e-02 5.003942e-02
4.464801e-02 -5.671508e-03
age -1.984283628 4.974367e-03 3.191492e-03 -0.0112259396
1.003221e-01 -1.226524e-03 1.824812e-02 3.355463e-02 -5.162942e-03
1.625846e-02 -2.901064e-03
age2 0.024092113 -9.218309e-05 -5.707143e-05 0.0001335229 -
1.226524e-03 1.509508e-05 -2.063893e-04 -3.931868e-04 9.527985e-05 -
2.190399e-04 3.684612e-05
marie -0.604738801 -1.370098e-02 -8.193036e-03 0.0134681942
1.824812e-02 -2.063893e-04 2.698311e-01 2.032042e-01 -3.418169e-03
2.120221e-02 6.145067e-05

celib -0.834055801 -1.656787e-02 -3.421170e-02 -0.0364548447
3.355463e-02 -3.931868e-04 2.032042e-01 3.442991e-01 -1.367901e-01 -
4.855065e-02 -2.791954e-03
cadre 0.158578546 -2.904523e-02 -4.179343e-02 0.0500394168 -
5.162942e-03 9.527985e-05 -3.418169e-03 -1.367901e-01 4.705840e-01
1.217114e-01 -1.132606e-02
empl -0.343816369 -2.360264e-03 1.244309e-02 0.0446480091
1.625846e-02 -2.190399e-04 2.120221e-02 -4.855065e-02 1.217114e-01
1.826361e-01 -4.557175e-03
saldiv -0.122016351 4.964772e-03 1.836028e-02 -0.0056715076 -
2.901064e-03 3.684612e-05 6.145067e-05 -2.791954e-03 -1.132606e-02 -
4.557175e-03 1.837698e-02
saldiv2 0.000261332 -2.124185e-06 -3.547225e-05 0.0000176759
6.438946e-06 -8.515026e-08 1.506216e-06 8.595541e-06 9.845642e-06
1.028776e-05 -4.147838e-05
saldiv2
(Intercept) 2.613320e-04
Femu -2.124185e-06
Femr -3.547225e-05
Homu 1.767590e-05
age 6.438946e-06
age2 -8.515026e-08
marie 1.506216e-06
celib 8.595541e-06
cadre 9.845642e-06
empl 1.028776e-05
saldiv -4.147838e-05
saldiv2 9.773574e-08
> varFemu<-vcov(Logitmodel6)[2,2]
> varFemr<-vcov(Logitmodel6)[3,3]
> covFemuFemr<-vcov(Logitmodel6)[2,3]
> varFemuFemr<- varFemu + varFemr - 2*covFemuFemr
> seFemuFemr<-sqrt(varFemuFemr)
> BetaFemu<-coef(Logitmodel6)[2]
> BetaFemr<-coef(Logitmodel6)[3]
> Z <- (BetaFemu - BetaFemr)/seFemuFemr
> Z
Femu
-0.7830228
> pvalue1<-2*pt(Z, 200-12, lower.tail=TRUE)
> pvaluel
Error: object 'pvaluel' not found
> pvalue1
Femu
0.434599
age2 + saldiv + saldiv2, family = binomial(link="logit"))
Call:

age + age2 + saldiv + saldiv2, family = binomial(link = "logit"))
Deviance Residuals:
-2.3084 -0.8019 0.1074 0.8211 1.9342
Coefficients:
(Intercept) 16.4043850 6.4066398 2.561 0.01045 *
fem -1.0203878 0.4067757 -2.508 0.01213 *
marie 0.9201744 0.5174169 1.778 0.07534 .
celib -0.7646153 0.5815115 -1.315 0.18855
cadre 1.5893378 0.6846792 2.321 0.02027 *
empl -0.6905511 0.4203864 -1.643 0.10045
urbain -0.1508788 0.3894397 -0.387 0.69844
age -0.9119657 0.3134578 -2.909 0.00362 **
age2 0.0120903 0.0038443 3.145 0.00166 **
saldiv 0.0878204 0.1356691 0.647 0.51743
saldiv2 -0.0002430 0.0003136 -0.775 0.43827
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 216.72
> Xmoyen<-cbind(1,0,0,0,0,0,1,42.5, 42.5^2 , 18590/1000 , (18590^2)/100000 )

> Beta7<-coef(Logitmodel7)
> Pmoyen<-exp(Xmoyen%*%Beta7)/(1+exp(Xmoyen%*%Beta7))
> Pmoyen
[,1]
[1,] 0.531402
> Xbis<-cbind(1,0,1,0,1,0,0,50, 50^2 , 30000/1000 , (30000^2)/100000)
> Pbis<-exp(Xbis%*%Beta7)/(1+exp(Xbis%*%Beta7))
> Pbis
[,1]
[1,] 0.9818123
7. Estimer un modèle PROBIT

> ProbitSexe<-glm(abo ~ hom, family = binomial(link="probit"))
> summary(ProbitSexe)
Call:
glm(formula = abo ~ hom, family = binomial(link = "probit"))
Deviance Residuals:
-1.5183 -1.1096 0.8712 1.2468 1.2468
Coefficients:
(Intercept) -0.1012 0.1128 -0.898 0.36925
hom 0.5808 0.1876 3.096 0.00196 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 269.89
> Prob1<-pnorm(-0.1012 + 0.5808)

> Prob1
[1] 0.6842441
> Prob0<-pnorm(-0.1012)
> Prob0
[1] 0.4596958
> Probitmodel<-glm(abo ~ fem + age + age2 + marie + celib + cadre + empl +
urbain + saldiv + saldiv2, family = binomial(link="probit"))
> summary(Probitmodel)
Call:
glm(formula = abo ~ fem + age + age2 + marie + celib + cadre +
empl + urbain + saldiv + saldiv2, family = binomial(link = "probit"))
Deviance Residuals:
-2.25886 -0.80121 0.05407 0.83502 1.92147
Coefficients:
(Intercept) 9.4792485 3.7221752 2.547 0.01087 *
fem -0.6072863 0.2370584 -2.562 0.01041 *
age -0.5334554 0.1817832 -2.935 0.00334 **
age2 0.0071238 0.0022246 3.202 0.00136 **
marie 0.5736498 0.3099084 1.851 0.06417 .
celib -0.3978892 0.3419977 -1.163 0.24466
cadre 0.8440002 0.3923651 2.151 0.03147 *
empl -0.4432831 0.2491456 -1.779 0.07520 .
urbain -0.0798572 0.2292545 -0.348 0.72759
saldiv 0.0531477 0.0794605 0.669 0.50359

saldiv2 -0.0001479 0.0001833 -0.807 0.41964
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 216.24

FaraM.J. Noel Devoir D - Econometrie Des Variables Qualitatives

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

FaraM.J. Noel Devoir D - Econometrie Des Variables Qualitatives

Transféré par

Droits d'auteur :

Formats disponibles

Centre de Techniques de Planification et d’Economie

DEVOIR D’ECONOMETRIE DES VARIABLES QUALITATIVES

VENDREDI 11 SEPTEMBRE 2020

On a l’équation de régression estimée: i =17.46+ 1.53*SECTi + Ei

On obtient les résultats suivants :

Moyenne des revenus Moyenne des revenus estimée

On va créer des variables indicatrices (codées en 0 et 1) pour chacune de ces 4 modalités.

VENDREDI 11 SEPTEMBRE 2020

Supposons que xi=0  i

Trouvons alors les valeurs estimées des paramètres de régression :

0.000817 -0.000817 -0.000817 -0.000817

Après calculs, on obtient le vecteur :

Alors, la droite estimée serait : 18.31 - 1.67*services + 1.20*transport + 4.34*industrie.

1.1) Calculer la probabilité prédite associe a Y a la moyenne des regresseurs :

Probabilite=0.2461 +0.5009*(0.0326) - 0.1289*(0.3727) = 0.2144

1.1) Calculer la probabilité prédite associée a la Y la plus faible.

1.2) Calculer la probabilité prédite associée a Y la plus forte

1.3) Que constatez-vous ?

VENDREDI 11 SEPTEMBRE 2020

Ramenons les variables revenu et pvod à 105 et 102 respectivement :

Alors, la probabilité est de :

1)- Ecrire le modèle estimé.

2)- Commenter avec précision les résultats obtenus.

VENDREDI 11 SEPTEMBRE 2020

EMportable = ⋀(−2.1759) - ⋀(−𝑜. 3711) = 0.1019-0.4087

VENDREDI 11 SEPTEMBRE 2020

1. Importation du Dataset nommé devqual

> devqual<-read.table(file=file.choose(), header=FALSE, se="")

2. Nomination des variables

> colnames(devqual)<-c("sexe", "age", "abo", "sitfam", "soc", "zau", "sal")

2. Présentation des statistiques descriptives de la base:

a. Calcul de la moyenne, de l’ecart type, du minimum et du maximum pour

b. Calcul de la moyenne, l’ecart-type, le minimum et le maximum pour les

VENDREDI 11 SEPTEMBRE 2020

c. Réalisons un tri a plat pour l’ensemble des variables qualitatives

VENDREDI 11 SEPTEMBRE 2020

VENDREDI 11 SEPTEMBRE 2020

c. Realisons un test de correlation que nous allons presenter dans un

Pearson's product-moment correlation

data: genre and abo

3. Création de nouvelles variables

VENDREDI 11 SEPTEMBRE 2020

4. Vérifions alors que ces variables ont été correctement créées

VENDREDI 11 SEPTEMBRE 2020

VENDREDI 11 SEPTEMBRE 2020

VENDREDI 11 SEPTEMBRE 2020

VENDREDI 11 SEPTEMBRE 2020

-1.4210854715202e-14 -7.105427357601e-15 -3.5527136788005e-15

5. Estimation d’un modele logit

> LogitAboCst<-glm(abo ~ 1, family = binomial(link="logit"))

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 275.64 on 199 degrees of freedom

Number of Fisher Scoring iterations: 3

VENDREDI 11 SEPTEMBRE 2020

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 275.64 on 199 degrees of freedom

Number of Fisher Scoring iterations: 3

> BetaAbonCst<-coefficients(LogitAbonCst) P0<-

6. Estimation avec variables explicatives

VENDREDI 11 SEPTEMBRE 2020

Null deviance: 275.64 on 199 degrees of freedom

Number of Fisher Scoring iterations: 4

6. Estimation avec variables explicatives

Alors, la droite estimée serait : 18.31 - 1.67services + 1.20transport + 4.34*industrie.

Probabilite=0.2461 +0.5009(0.0326) - 0.1289(0.3727) = 0.2144