Assistants Ishara Musimwa (gentil.ishara@hotmail.

com)
Davina Kapinga (kapingadavina09@gmail.com)
Olive Lukau (lukaulukieseolive@gmail.com)

UPC, Année académique 2023-2024

ÉCONOMÉTRIE :
Banque des questions
Professeur : Jean-Paul K. Tsasa
Sujets :

• Le modèle de régression linéaire classique

• Propriétés sur échantillons finis
• Méthode des moments généralisés
Cible : L3 FASE / LMD

QUESTIONS

1. Soit le modèle canonique Y = Xβ + ε. Dérivez proprement l’estimateur OLS.

Calculez son espérance mathématique et sa variance. Chaque fois, enoncez
proprement l’hyppthèse utilisée.

2. Démontrez le théorème de Gauss-Markov

3. Pourquoi dit-on que l’estimateur OLS est BLUE ?

4. Décrivez la procédure de construction du test de significativité individuelle de

l’estimateur OLS. C’est quoi l’hypotèse nulle de ce test ?
5. Soit le modèle canonique Y = Xβ + ε.
SSR
Montrez que l’estimateur S2 = = εˆ⊤ est un estimateur non biaisé
εˆ
de σ2. n− n− K
K

6. Différenciez l’estimateur OLS, ML et GMM

7. Montrez, en respectant certraines hypothèses, que l’estimateur OLS est égal

aux estimateurs ML et GMM

8. Soit le modèle canonique Y = Xβ + ε. Montrez que

(a) E(ε|X) = 0 =⇒ E(ε) = 0

1
(b) E(ε|X) = 0 =⇒ E(X ⊤ ε) = 0

2
 (c) E(ε|X) = 0 =⇒ Cov(ε, X) = 0

9. Soit le modèle canonique Y = Xβ + ε. Montrez que ε|X ∼ N 0, σ 2 [X ⊤ X]−1

10. Que cherche à résoudre l’estimateur de moindres carrés généralisés ?

11. Soit le modèle d’autorégression d’ordre 1 noté AR(1) : yt = βyt 1 + εt, t =

∀−
1, 2, ..., T . Montrez que l’estimateur OLS (βˆOLS ) est biaisé.
12. Soit le modèle canonique Y = Xβ + ε avec E(ε⊤ε X) = σ2V avec V une
|
matrice semi-definie positive. Dérivez proprement l’estimateur GLS. Calculez
son espérance mathématique et sa variance. Chaque fois, enoncez proprement
l’hyppthèse utilisée.

13. Pour un modèle de regression linéaire, montrez que la somme des carrés totale
(SCT) est égale la somme des carrés expliquée (SCE) et la somme des
carrés des residus (SCR)

14. Quid du coefficient de détermination R2 d’un modèle de régression linéaire ?

Comment est-il calculé ? Quel est son support ? Comment est-il interpreté ?

15. Expliquez le biais d’endogéneité. Quelles sont ses sources potentielles ? Com-
ment résoudre ce problème ?

16. Considerez le modèle linéaire suivant :


y = Xβ
E{ε|X} ≠ 0

E{X⊤ε} = 0
+ε
E{Z⊤ε} = 0

E{Z X} de plein rang
⊤

Dérivez proprement l’estimateur GMM

17. Interprétations des résultats de R.
Une étude a été mennée aux États-Unis pour analyser le comportement
fumeur des américains. Une enquête a été menée au près de 807 individus.
Les questions suivantes leur ont été posées et les réponses ont été encodées
dans une bases des données comme indiqués ci-bas.
(a) Quel est le nombre des tiges de cigaretes que vous fumez par semaine ?
(Réposée encodée comme "cigs")
(b) Quel est votre revenu par jour ? (Réponse encodée comme "income")
(c) Quel est le prix unitaire de votre cigare ? (Réponse encodée comme
"cigpric") ?
(d) Quel est votre niveau d’éducation (nombre d’années âssées au banc de
l’école ) ? (Réponse encodée comme "educ")
(e) Quel est votre âge (nombre d’années)? (Réponse encodée "age")

3
 Le chercheur voudrait savoir les effets de ces facteurs socio-économiques sur
le comportement de fumer (nombre de cigaretes fumées par semaine) et pour
ce faire, il a estimer le modèle de regression suivante :

cigsi = β1 + β2 log(incomei) + β3 log(cigprici) + β2educi + β2agei + εi

Après avoir estimé cette regression sur R, les résultats sont présentés dans le tableau
suivant :
Table 1: Résultats de la regression par OLS

Dependent variable:
cigs
log(income) 1.777∗∗
(0.713)

log(cigpric) 2.912
−
(5.826)

educ −0.389∗∗
(0.169)

age 0.043
−
(0.029)

Constant 10.004
(24.266)

Observations 807
R2 0.013
Adjusted R2 0.008
Residual Std. Error 13.668 (df = 802)
F Statistic 2.593∗∗ (df = 4; 802)
∗
Note: p<0.1; ∗∗p<0.05; ∗∗∗p<0.01
Entre paranthèses, ce sont les erreurs stadards des coefficients.

Question : Interprétez ces résultats (chaque chiffre) et dites comment ce chiffre

a été calculé (formule dans le cours)