Questions économétrie

Question 1. Soit le modèle théorique suivant représentant la relation entre la prime de risque
du marché et la prime de risque d’une action 𝐴.

𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖 (1)

A partir d’un échantillon 𝑛 = 1000 nous avons

∑ 𝑥𝑖 𝑦𝑖 = 480 ∑ 𝑥𝑖2 = 600 ∑ 𝑥𝑖 = 100 ∑ 𝑦𝑖 = 60 𝑆𝐶𝑇 = 160 𝑆𝐶𝑅 = 51,2

1. Précisez les différents termes intervenant dans l’équation 1

2. Donnez les estimateurs par les méthodes des moments, du maximum de vraisemblance
et des moindres carrées de 𝛽0 et de 𝛽1 .
3. Vous décidez d’estimez les deux coefficients par la méthode des moindres carrés.
Expliquez en quelques lignes les principes de cette méthode.
4. Donnez une estimation par moindres carrés ordinaires des coefficients 𝛽0 et 𝛽1 .
Interprétez les deux coefficients.
5. Calculez le coefficient de détermination et interprétez le
6. Sachant que 𝑆𝐸(𝛽̂0 ) = 0,0072 et 𝑆𝐸(𝛽̂1 ) = 0,0093, les coefficients sont-t-ils
significatifs au seuil 5% ? Interprétez
7. Testez l’hypothèse que l’action 𝐴 est aussi risquée que le marché (𝛽1 = 1)

Réponse 1.

1. Variable à expliquer (𝑦), variable explicative (𝑥), coefficients (𝛽0 , 𝛽1) et le terme
d’erreur (𝜀).
2. Lorsque certaines conditions de Gauss-Markov sont remplies et que l’erreur est
distribuée normalement, les trois méthodes donnent les mêmes estimateurs

𝑐𝑜𝑣(𝑥,𝑦)
𝛽̂1 = 𝑣𝑎𝑟(𝑥) et 𝛽̂0 = 𝑦̅ − 𝛽̂1 𝑥̅

3. La méthode des moindres carrés consiste à choisir les estimateurs qui minimisent la
somme des carrés des erreurs. C'est-à-dire ceux qui conduisent à une différence
minimale entre le modèle théorique (la droite) et les données. De manière formelle, les
estimateurs de la méthode des moindres carrés sont tels que

𝑀𝑖𝑛 ∑ 𝜀𝑖2 ≡ 𝑀𝑖𝑛 ∑(𝑦𝑖 − 𝛽0 − 𝛽1 𝑥𝑖 )2

4. Les estimations des deux coefficients sont données par

1
 1 1 100 60
𝑐𝑜𝑣(𝑥, 𝑦) 𝑛 ∑ 𝑥𝑖 𝑦𝑖 − 𝑥𝑦
̅̅̅ 1000 480 − 1000 × 1000
𝛽̂1 = = = = 0,803
𝑣𝑎𝑟(𝑥) 1 2 2 1 100 2
∑
𝑛 𝑥𝑖 − 𝑥̅ 1000 600 − (1000)

60 100
𝛽̂0 = 𝑦̅ − 𝛽̂1 𝑥̅ = − 0,803 × = −0,02
1000 1000

5. Le coefficient de détermination est donné par

𝑆𝐶𝑇 = 𝑆𝐶𝐸 + 𝑆𝐶𝑅
𝑆𝐶𝐸
𝑅2 =
𝑆𝐶𝑇
𝑆𝐶𝑅
𝑅2 = 1 −
𝑆𝐶𝑇
Dans notre exemple
51,2
𝑅2 = 1 − = 0,680 ≡ 68,0%
160
68% des variations de la variable 𝑦 sont expliquées par celles de 𝑥. Le modèle explique
68% de la réalité.
6. Pour tester la significativité des coefficients (test de Student), nous devons tester
l’hypothèse

𝐻0 : 𝛽𝑖 = 0 contre 𝐻1 : 𝛽𝑖 ≠ 0 au seuil 5%

Pour ce faire, calculons

𝛽̂0 −0,02
𝑡𝑜𝑏𝑠 (𝛽̂0 ) = = = −2,77
𝑆𝐸(𝛽̂0 ) 0,0072

𝛽̂1 0,803
𝑡𝑜𝑏𝑠 (𝛽̂1 ) = = = 86,34
𝑆𝐸(𝛽̂1 ) 0,0093

Dans les deux cas le 𝑡𝑜𝑏𝑠 (𝛽̂𝑖 ) est situé dans la zone de rejet (< -1,96 et > 1,96). Les deux
hypothèses nulles sont rejetées au seuil 5%. Les deux coefficients sont significativement
différents de 0.

S’il y a bien un lien entre prime de risque de l’action et prime de marché, le marché en question
n’est pas en équilibre.

7. Nous souhaitons tester la volatilité du cours de l’action 𝐴. Nous testons l’hypothèse

𝐻0 : 𝛽1 − 1 = 0 contre 𝐻1 : 𝛽1 ≠ 1 au seuil 5%

Pour ce faire, calculons

2
 |𝛽̂1 − 1| |0,803 − 1|
𝑡𝑜𝑏𝑠 (𝛽̂1 ) = = = 21,18
𝑆𝐸(𝛽̂1 ) 0,0093

On rejette l’hypothèse nulle au seuil 5%. L’action A est moins volatile que le marché.

Question 2. Quelles sont les conditions et les hypothèses nécessaires pour construire les
estimateurs des coefficients d’une régression linéaire simple par les méthodes des moindres
carrés, des moments et du maximum de vraisemblance ?

Réponse 2.

- Pour la méthode des moindres carrés, aucune condition n’est requise pour construire les
estimateurs
- Pour la méthode des moments les conditions relatives à la nullité de la moyenne de
l’erreur te de l’endogéinité de la variable explicative sont nécessaires
- Pour la méthode du maximum de vraisemblance, il faut connaître la distribution de
l’errer (On suppose généralement que les erreurs sont normales).

Question 3. Considérons le modèle économétrique suivant :

𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖

Que représente le terme d’erreur 𝜀𝑖 ?

Réponse 3. Le terme d’erreur résume l’ensemble des erreurs liées à la spécification du modèle,
l’oubli de variables explicatives, aux erreurs d’agrégation, aux erreurs de mesure, etc. (voir
cours pour compléter)

Question 4. Quelles propriétés doit remplir un estimateur pour être qualifié d’estimateur
BLUE ? Donnez un (ou plusieurs) exemple d’estimateurs BLUE.

Réponse 4. BLUE signifie Best Linear Unbiaised Estimator. Pour posséder ces qualités un
estimateur doit remplir les conditions de Gauss-Markov.

Considérons le modèle économétrique suivant :

𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖

Si 𝜀𝑖 satisfit aux conditions de Gauss Markov, les estimateurs par la méthode des moindres
carrés
𝑐𝑜𝑣(𝑥,𝑦)
𝛽̂1 = 𝑣𝑎𝑟(𝑥) 𝛽̂0 = 𝑦̅ − 𝛽̂1 𝑥̅

3
Sont les estimateurs qui possèdent la variance la plus faible parmi tous les estimateurs non
biaisés. De plus, la variance de ces estimateurs tend vers 0 lorsque 𝑛 tend vers l’infini. C’est
dans ce sens qu’ils sont BLUE.

Question 5. Définir le concept d’hétéroscédasticité et préciser ses causes, ses conséquences et

les solutions à apporter dans ce cas.

Réponse 5. L’hétéroscédasticité signifie que l’erreur n’est finie ou n’est pas constante. Dans ce
cas les estimateurs sont toujours non biaisés mais ne sont plus efficaces. Elle peut être
rencontrée aussi bien dans le cas des séries temporelles que dans le cas des séries en coupes
transversales. Dans le premier cas l’hétéroscédasticité survient lorsque les variables présentent
des tendances importantes. Dans ce cas il faut considérer des données stationnaires (prendre le
taux de croissance économique par exemple au lieur de retenir le PIB). Le second cas de
l’hétéroscédasticité survient lorsque la population n’est pas homogène (petit pays et grands
pays, petites entreprises et grandes entreprises, hommes et femmes, etc.). Dans ce cas plusieurs
solutions peuvent être considérées ; considérer les variables en log, retenir des variables par
tête, etc.

Question 6. La statistique de Durbin-Watson dans une régression linéaire simple est égal 2,32.
Sachant que l’échantillon compte 34 observations, les erreurs relatives à ce modèle sont elles
autocorrélées au seuil 5% ?

Notons que la table de Durbin-Watson rend les valeurs 1,393 et 1,514.

Réponse 6. Pour un seuil de 5%, une variable explicative et un échantillon de taille 34, la table
de Durbin-Watson rend les valeurs 1,393 et 1,514. En utilisant ces données, il est possible de
définir les régions de rejet et d’acception de l’hypothèse d’autocorrélation des erreurs et de
définir sa nature le cas échéant. Elles sont données par

Autocorr. + Absence d’autocorr. Autocorr. -

0 1,393 1,514 2 2,486 2,607 4

La statistique de Durbin-Watson est égale à 2,32, elle appartient à l’intervalle [2,00 ; 2,486]. Il
vient qu’il y a absence d’autocorrélation des erreurs.

Question 7. Considérons le modèle suivant :

𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝜀𝑡 (1)

𝜀𝑡 = 𝜌𝜀𝑡−1 + 𝜇𝑡 (2)

𝜇𝑖 est un bruit blanc gaussien

4
 1. Quel est le problème posé par l’équation 2 ?
2. Quel est le problème si on souhaite estimer les coefficients de la relation 1 par la
méthode des moindres carrés ?
3. Comment peut-on résoudre ce problème ?

Réponse 7. Soit le modèle suivant

𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝜀𝑡 (1)

𝜀𝑡 = 𝜌𝜀𝑡−1 + 𝜇𝑡 (2)

1. L’équation 2 est un modèle AR(1), il montre qu’il y a autocorrélation des erreurs d’ordre
1. L’erreur à la date 𝑡 dépend de celle à la date 𝑡 − 1.
2. Si 𝜌 ≠ 0 alors l’utilisation des moindres carrés rend des estimateurs non biaisés mais
non efficaces.
3. Pour résoudre le problème et continuer à utiliser la méthode des moindres carrés il faut
transformer le modèle à estimer

La relation 1est vraie quel que soit t, aussi elle est vraie aussi pour 𝑡 − 1

𝑦𝑡−1 = 𝛽0 + 𝛽1 𝑥𝑡−1 + 𝜀𝑡−1 (3)

En multipliant cette équation par 𝜌, il vient

𝜌𝑦𝑡−1 = 𝜌𝛽0 + 𝜌𝛽1 𝑥𝑡−1 + 𝜌𝜀𝑡−1 (4)

(1)-(4) rend

𝑦𝑡 − 𝜌𝑦𝑡−1 = 𝛽0 − 𝜌𝛽0 + 𝛽1 𝑥𝑡 − 𝜌𝛽1 𝑥𝑡−1 + 𝜀𝑡 − 𝜌𝜀𝑡−1

Ou

𝑦𝑡 = (1 − 𝜌)𝛽0 + 𝜌𝑦𝑡−1 + 𝛽1 𝑥𝑡 − 𝜌𝛽1 𝑥𝑡−1 + 𝜇𝑡

Il est possible maintenant d’estimer la dernière équation par la méthode des moindres carrés
puisque l’erreur est maintenant un bruit blanc gaussien.

Question 8. Est-il préférable d’inclure une variable non pertinente ou d’omettre une variable
pertinente ? Utilisez un exemple pour répondre et déduire la stratégie d’estimation.

Réponse 8. Voir cours (interprétation des coefficients dans le modèle linéaire général)

Question 9. La validation empirique du modèle de Solow (présenté en cours) en utilisant un

échantillon composé de 106 pays a donné le résultat suivant :

ln (𝑃𝐼𝐵) 𝐶𝑜𝑒𝑓. 𝑆. 𝐸.
Constante 5,64 1,41
ln (𝐼𝑁𝑉) 1,47 0,17

5
 ln (𝑃𝑂𝑃) -0,79 0,60
𝑅2 0,47
𝑅2 𝑎𝑗𝑢𝑠𝑡é 0,46
𝐹 45,79
𝑃𝑟𝑜𝑏. 𝐹 0,000
𝐷𝑊 1,398

1. Les signes des coefficients sont-ils cohérents avec l’intuition économique ?

2. Les variables explicatives choisies sont-elles significatives ?
3. Construire les intervalles de confiance des coefficients et répondre à nouveau à la
question 2.
4. Lorsqu’on introduit le capital humain comme facteur de production supplémentaire
(modèle de Solow augmenté), le résultat donne 𝑅2 = 0,673. Comparez les deux
modèles.

Réponse 9.

1. Les coefficients présentent les signes prédits par le modèle de Solow. Le pib par habitant
est influencé positivement par l’accumulation du capital physique et négativement par
la croissance de la population.
2. Pour le savoir, il faut réaliser un test de Student

On calcule les statistiques de Student comme suit

1,47
𝑡𝑜𝑏𝑠 (𝑖𝑛𝑣) = = 8,64
0,17
−0,79
𝑡𝑜𝑏𝑠 (𝑝𝑜𝑝) = = −1,31
0,6

On peut se contenter de comparer ces valeurs à la valeur 1,96. Comme on peut le remarquer,
l’investissement est statistiquement significatif au seuil 5% (8,64 > 1,96) alors que le taux
de croissance de la population n’est pas significatif au seuil 5% (1,31 <1,96).

3. Construction des intervalles de confiance

[𝛽̂𝑖 − 𝑆𝐸(𝛽̂𝑖 ) × 𝑡𝑛−𝑘−1,𝛼 ; 𝛽̂𝑖 + 𝑆𝐸(𝛽̂𝑖 ) × 𝑡𝑛−𝑘−1,𝛼 ]

Dans le cas du coefficient de l’investissement nous avons

[1,47 − 0,17 × 1,98 ; 1,47 + 0,17 × 1,98] ≡ [1,13 ; 1,80]

Dans le cas du taux de croissance de la population nous avons

6
 [−0,79 − 0,6 × 1,98 ; −0,79 + 0,17 × 1,98] ≡ [−1,98 ; 0,39]

On voit que la valeur 0 n’est comprise dans le premier intervalle, par contre elle est bien
comprise dans le second. Ainsi, l’investissement est statistiquement significatif au seuil 5% par
contre le taux de croissance de la population ne l’est pas.

4. Comme les deux modèles ne considèrent pas le même nombre de variables explicatives,
il faut comparer les 𝑅 2 ajustés et non les 𝑅2 . Dans le deuxième modèle il est donné par

𝑆𝐶𝑅/(𝑛 − 𝑘 − 1)
𝑅̅2 = 1 −
𝑆𝐶𝑇/(𝑛 − 1)
(1 − 𝑅 2 )(𝑛 − 1)
𝑅̅2 = 1 −
𝑛−𝑘−1
Ainsi
(1 − 0,673)(106 − 1)
𝑅̅2 = 1 − = 0,6633
106 − 3 − 1

On remarque le 𝑅̅2 dans le cas du modèle de Solow est supérieur à celui dans le modèle
de Solow initial (66,33% > 46,0%). L’accumulation du capital humain améliore de
manière substantielle l’explication des différences de richesse entre les nations.

Question 10. Considérons un modèle économétrique qui explique le salaire (𝑤) par le nombre
d’années d’expériences (𝑒𝑥𝑝) et le nombre d’années d’études (𝑒𝑑𝑢). Le tableau ci-dessous
donne les résultats d’une estimation par moindres carrés à partir d’un échantillon de taille 100.

𝑤 𝐶𝑜𝑒𝑓. 𝑆. 𝐸.
Constante -5,92 4,75
𝑒𝑥𝑝 0,32 0,065
𝑒𝑑𝑢 1,43 0,32
𝑅2 0,255
𝐹 16,47
𝑃𝑟𝑜𝑏. 𝐹 0,000
𝐷𝑊 2,45

1. En utilisant les résultats du tableau ci-dessus, résumez la qualité globale de l'ajustement

du modèle. Les signes des coefficients correspondent-ils à l’intuition économique ?
Expliquez.
2. Testez la significativité des coefficients
3. Testez la significativité de la constante. Peut-on la supprimer ? Pourquoi ?
4. Que pensez-vous de l’autocorrélation des erreurs ? Comment peut-on résoudre ce
problème ?
5. La régression du carré des résidus sur les variables explicatives, les carrés des variables
explicatives et le produit croisé des variables explicatives a rendu 𝑅2 = 0,094. Utilisez

7
 le test de white et les résultats de la régression auxiliaire ci-dessous, y’a-t-il un problème
d’hétéroscédasticité ?

N.B. La table de Khi-deux pour 5 d.d.l. et un seuil de 5% donne 11,07. La table de DW rend
les valeurs 1,63 et 1,72.

Réponse 10. Considérons un modèle économétrique qui explique le salaire (𝑤) par le
nombre d’années d’expériences (𝑒𝑥𝑝) et le nombre d’années d’études (𝑒𝑑𝑢). Le tableau
ci-dessous donne les résultats d’une estimation par moindres carrés à partir d’un échantillon
de taille 100.

𝑤 𝐶𝑜𝑒𝑓. 𝑆. 𝐸.
Constante -5,92 4,75
𝐸𝑥𝑝 0,32 0,065
𝐸𝑑𝑢 1,43 0,32
𝑅2 0,255
𝐹 16,47
𝑃𝑟𝑜𝑏. 𝐹 0,000
𝐷𝑊 2,45

1. La qualité globale de l'ajustement est donnée par la valeur 𝑅2 de 0,25. Cela implique
que 25% des variations de la variable dépendante peut être expliquée par la variation
des variables indépendantes. Le test 𝐹 relatif à la qualité globale de l'ajustement est
également significatif. Les deux estimations de coefficient sont positives, ce qui est
attendu. Globalement l’estimation est de bonne qualité.
2. Testons la significativité des coefficients

Calculons des statistiques de Student

0,31
𝑡𝑜𝑏𝑠 (𝑒𝑥𝑝) = = 4,77
0,065
1,43
𝑡𝑜𝑏𝑠 (𝑒𝑑𝑢) = = 4,47
0,32

Dans les deux cas 𝑡𝑜𝑏𝑠 > 1,96, les deux coefficients sont significativement différents de 0
au seuil 5%. Le nombre d’années d’expérience et le nombre d’années d’éducation
contribuent bien à expliquer les différences de salaires entre les travailleurs.

3. Le test de Student montre que la constante n’est pas significative. En effet

−5,92
𝑡𝑜𝑏𝑠 (𝑐) = = −1,24
4,75

Comme cette valeur est << à 1,96 la constante n’est pas significative au seuil 5%.

8
Pourtant il n’est pas judicieux de la supprimer car elle assure que la première condition de
Gauss Markov soit satisfaite.

4. Nous avons un nombre d’observations de 100, le nombre de variables explicatives est

de 2. Pour un seuil de 5%, la table de Durbin-Watson donne les valeurs 1,63 et 1,72.

0 1,63 1,72 2 2,28 2,37 4

La statistique de DW est égale à 2,45. Il y a autocorrélation des erreures. Pour résoudre

le problème il faut introduire les variables retardées de 𝑥 et de 𝑦 (voir plus haut).

5. La régression du carré des résidus sur les variables explicatives, les carrés des variables
explicatives et le produit croisé des variables explicatives a rendu 𝑅2 = 0,0949. Nous
utilisons le test de White. La statistique de associée à ce test est donnée par 𝑛𝑅2 = 9,49
comme cette valeur est << à la valeur critique (11,07), on ne peut pas rejeter l’hypothèse
nulle au seuil 5% qu’il n’y ait pas d’hétéroscédasticité.