Vous êtes sur la page 1sur 14

Objectifs du cours

Introduction lconomtrie
Philippe Polom, Prof. U. Lyon 2
www.gate.cnrs.fr/perso/polome

Introduction lconomtrie Acqurir une comprhension permettant


de poser un regard critique sur des rsultats dobtenir quelques rsultats

Acqurir un minimum de maniement de logiciels (au moins dans la comprhension des sorties logicielles)
Tableur (OO calc, MS excel) Gretl

Anne 2010

Organisation

Logiciels
Logiciels conomtriques installs en salle info :
Stata (le plus populaire actuellement ?) SAS (ne dveloppe plus gure lconomtrie, apparemment) Gretl

Cours magistraux
Pas de TD mais dmonstration de pratique en cours 2 ou 3 devoirs sur logiciel rendre dans la semaine (avant le cours suivant) via le FORUM Toutes les communications passent par le forum (voir ma page)

Avantages de Gretl
Gratuit et open source, peut tre tlcharg et install sur vos ordinateurs personnels Gretl @ gretl.sourceforge.net/ Sinstalle dans la langue de votre systme oprationnel (anglais, franais, italien, espagnol, polonais, allemand et portugais). Extras (= jeux de donnes) Maniement similaire Stata et sorties standards Bonne interface graphique Connecte avec divers autres logiciels pour analyse plus pousse ou sorties de prsentation

Evaluation
Les devoirs valent +/- 5 points
Les devoirs ne seront pas corrigs

Le reste (15 points) lexamen


Examen de comprhension, sans calcul, sans logiciel Dont une partie sur les devoirs

Rfrences

Chapitre 1
Ce quon a et ce quon veut faire

Economtrie, Rgis Bourbonnais, Dunod, 2002


Bonne vision trs synthtique en franais

A Guide to Modern Econometrics, Marno Verbeek, Wiley, 2000


Plus avanc, nombreux exemples donnes relles, toutes disponibles dans Gretl

Une introduction intuitive

Introductory econometrics for nance, Chris Brooks, Cambridge University Press, 2002-2005
Pas trop avanc, orient nance

Wooldridge, J. Introductory Econometrics


Beaucoup dexemples, large public

Un exemple

Ce quon a et ce quon veut faire


On a un modle causal stochastique
Sil fait plus chaud (X : la temprature), la consommation de crme glace (Y ) augmente, toutes autres choses gales Yt = !1 + !2 Xt + "t
pour chaque t = 1...T avec erreurs alatoires non-observables "t

On a des donnes
La variable Y dite endogne ou explique Une ou plusieurs variables X1 ...Xk explicatives

On veut
Quantier linuence de X surY Prdire Y conditionnellement certaines valeurs pour X

Comment faire ?

Intuition 1 : Droite qui passe au mieux

Intuition 1 : Droite qui passe au mieux


Yt = !1 + !2 Xt + "t pour chaque t = 1...T
Y = X ! + " en notation matricielle

On suppose que cest la relation relle


" sinterprte comme un vnement alatoire
non-mesur non-systmatique

On cherche une estimation ! de ! telle que la droite 1 + !2 Xt + "t passe au mieux dans le nuage de points Yt = !
soit lerreur " = Y X ! On cherche le vecteur de nombres ! tel que la somme des carrs 2 Yy Xt ! soit minimale des erreurs #T
t=1

Rponse ! = X X

X Y

Compliqu calculer donc logiciel ! est un ESTIMATEUR, dit des moindres carrs

Intuition 2 : Inversion de Y = X ! + "


Imaginons que " = 0 et que X soit carre et inversible
Alors X 1 telle que X 1 X = I existe ! = X 1 Y sobtient par inversion (systme dquations linaires)

Estimateur mthode des moments

Mais " = 0 et X nest pas carre Gnralisation de linverse


Prmultiplier par X , on a X Y = X X ! + X " X X est carre et souvent inversible ( une condition) Hypothse : " nest pas corrl X , cest--dire X " = 0. Alors X Y = X X ! et donc ! = X X
1

Linversion est une intuition dun autre estimateur, dit mthode des moments Soit A un estimateur de ! , alors on peut crire Y XA = " . On veut que A soit tel que X " 0 Alors A = (X X )1 X Y = ! :

X Y

Estimateur MM = estimateur MCO pour le modle linaire Y = X! +" Mais la mthode des moments sapplique pareillement des modles non linaires Y = g (X , ! ) + "

En gnral, X " = 0 mais si on peut supposer que X " 0 en un 1 sens stochastique, alors on peut crire ! = X X X Y dans le sens o ! est une approximation de !

Lexemple de la crme glace

La prdiction
Un objectif tait de prdire au mieux les ventes de crme glace en fonction de la temprature La prdiction se trouve sur la droite : Y = X !

Lexemple calcul dans Excel Lexemple calcul dans Gretl

Un second objectif tait la quantication de linuence de X sur Y


$ Y/$ X1

= !1 = coefcient de X1 = pente de la droite

Se vrie dans la prdiction Exemple dans Excel et Gretl


/Users/polome/Documents/Teach & Org/M1 Fin Ecntx intro/Slides 2010/pasted3.png

Exemples donnes relles

Exemples donnes relles

Trois types de donnes


Sries temporelles (Time series) : un agent, beaucoup de priodes Coupe transversale (Cross-section) : beaucoup dagents, une priode Panel : beaucoup dagents, quelques priodes (MCO peu adapts !)

Gretl contient de nombreuses bases de donnes relles, utilises dans des textes de rfrences (dont Verbeek)
Exemple consommation de crmes glaces icecream.gdt dans Verbeek dataset

Sries temporelles dans Gretl

Coupes transversales dans Gretl

Macroeconomics data, several decades, trimestriel, Australia, Europe, Danemark, UK... dont : prix, dateurs, emplois, population, croissance, investissement, ducation... Daily percentage nominal returns for the DM/British exchange rate 03/01/84 : 31/12/91 Monthly data on international airline passengers, 1949-1960 Daily/Weekly stock price data (closing value of the Dow-Jones or NYSE) for several periods Consumption and rate of return on portfolios, mensuel, 1959-97 ...

Strike duration data, in days Votes on ratication of Microsofts "Ofce Open XML" as an ISO standard, September 2007 Choix de plan de pension en fonction de caractristiques socio-conomiques Dgts des bateaux Nombre de visites chez le mdecin ...

Panel dans Gretl

O trouver des donnes relles ?


Finance
What Was the Exchange Rate Then ? - historical exchange rates : http ://www.measuringworth.org/exchangeglobal/ Bond Market Association - material on this important market : http ://www.bondmarkets.com/ Center for Research in Security Prices (CRSP) - key security price data set : http ://www.crsp.com/ CRSP Data Access and Analysis - suggestions on using CRSP : http ://web.mit.edu/doncram/www/crsp.html Financial Data Finder (FDF) - lists numerous nancial data sets : http ://sher.osu.edu/cgibin/DB_Search/db_search.cgi?setup_le=nance.setup.cgi Global Financial Data - historical nance, price, and foreign exchange data : https ://www.globalnancialdata.com/ OSU Virtual Finance Library - nice listing of nance sites for academics : http ://sher.osu.edu/n/overview.htm SEC EDGAR - electronic lings with the SEC (U.S. Securities and Exchange Commission) : http ://www.sec.gov/edgar.shtml TickPlus Data - very detailed nancial market data : http ://www.regisdata.co.uk/tickdata.htm

140 U.K. manufacturing companies over the period 1976-1984 Employment and schooling history for a sample of men for the years 1981 to 1987 ...

O trouver des donnes relles ?

Distribution dchantillonnage & Proprits

En France : donnes des grandes enqutes publiques (consommation, logement, revenu,...)


Centre Qutelet : http ://www.centre.quetelet.cnrs.fr/ Plateforme de diffusion de donnes SHS : http ://www.ish-lyon.cnrs.fr/DATA_SHS/index_fr.php INSEE : http ://www.insee.fr/fr/default.asp

Autres : voir mon site http ://www.gate.cnrs.fr/spip.php ?article205

Distribution dchantillonnage
Chaque chantillon est alatoire Exemple de la vente de crme glace sur la plage
Un autre vendeur sur autre plage aurait rcolt des donnes diffrentes La mthodologie prsente auparavant est applicable quand-mme Le modle est le mme ... mais les valeurs des coefcients seront diffrentes dans les deux cas ! !

Distribution dchantillonnage
Exemples dans OpenOfce / Excel : simulation de Monte-Carlo
Dans une simulation de Monte-Carlo, on gnre (cre) des donnes articielles an dillustrer certains outils thoriques dans un cadre contrl Fonction alea() (si vous avez une version anglaise : rand()) : cre une valeur tire dune variable alatoire de distribution uniforme entre 0 et 1 SQRT(-2*LN(alea()))*SIN(2*PI()*alea()) cre une valeur dune normale de moyenne 0 et dcart-type 1 Avec ces fonctions, on gnre X et le terme derreur Ce qui permet de calculer Y = 2-3X+erreur (ou tout autre choix de coefcient) On rpte lopration 10 lignes (par exemple) En utilisant Y et X on estime ! , on voit bien que ! = ! En recommencant lopration, on cre des vecteurs !i qui sont tous diffrents les uns des autres et tous diffrents de ! : les !i sont tous alatoires (alors que ! ne lest pas, mais lerreur et X le sont)

Echantillon alatoire => ! alatoire alors que ! ne lest pas !


Quel est le ! correct ? Tous les deux sont corrects Tous les deux sont entachs dune marge derreur par rapport au vrai coefcient !

Distribution dchantillonnage

Proprit dsirable 1 : absence de biais


La moyenne des coefcients estims (sur lensemble des chantillons dans Excel) tend se rapprocher des vrais valeurs Estimateur moindres carrs est dit non-biais
En moyenne, cet estimateur ne se trompe pas (pour autant que le modle choisi soit le bon)

! alatoire : consquences
Il ny a pas de garantie dtre proche des vrais valeurs On caractrise un estimateur en fonction de ses proprits

Un estimateur sera jug meilleur quun autre si ses proprits sont meilleures
Biais Consistence (cohrence) Efcience

E !

=E =E

XX XX

1 1

XY X X!

=E +E X

XX XX

X (X ! + " ) X"

= E (! ) + E pour autant que

XX

E (" ) = !

X et " soient indpendants (alors lesprance de leur produit = le produit des esprances) E (" ) = 0 (on verra plus tard que cest toujours vrai)

E ! moyenne ! lorsquil y a beaucoup dchantillons

Proprit dsirable 2 : consistence

Proprit dsirable 3 : efcience

Lefcience dun estimateur est sa prcision (linverse de sa variance) Plus la taille de lchantillon grandit, plus les coefcients estims tendent se rapprocher des vrais valeurs
Lestimateur moindres carrs est dit consistent Lorsque la taille de lchantillon tend vers linni, les coefcients estims convergent vers les vrais valeurs On crit : Plim ! = ! On verra la mesure prcise plus tard

On ne sintresse lefcience que des estimateurs :


Non-biaiss pour les petits chantillons Consistents pour les grands (on parle de : asymptotiquement efcient)

Lefcience est comparative : un estimateur par rapport un autre


Lestimateur MCO est le plus efcient des estimateurs linaires non-biass / consistents

Devoir #1
Raliser votre propre exemple de Monte Carlo dans Excel (ou OpenOfce ou NoOfce ou Gretl ou Stata)
Avec 2 rgresseurs, un distribu uniformment dans [0, 1] et lautre distribu normalement n(0, 1), une constante et un terme derreur distribu n(0, 1) Choisissez les valeurs des coefcients

Chapitre 2 :
Le modle classique de rgression linaire

Tout le monde devrait avoir des chiffres diffrents Calculez les coefcients avec les formules
X X sera 3x3 et ! sera 3x1

Poster le devoir sur le forum avant le prochain cours (jeudi au plus tard) sous forme dun seul chier Excel (ou OpenOfce ou NoOfce ou Gretl ou Stata) par personne
Je ne prends pas en compte les chiers envoys autrement

On ne corrigera pas le devoir

Causalit contre corrlation


Modle causal : X cause Y , X inuence Y
Pas le contraire

Causalit contre corrlation


La rgression ne mesure que des corrlations
Elle na de sens causal que pour conrmer ou inrmer un modle (Il est existe des tests de causalit applicables dans certaines circonstances)

Ce nest pas la mme chose quune corrlation X corrl Y Y corrl X Dans lexemple des ventes de crme glace, la temprature cause les ventes
Un accroissement de temprature provoque un accroissement de demande videmment, ce nest pas parce que les gens mangent plus de glaces que la temprature va augmenter

Exemple de rgression inverse dans le cas des crmes glaces : X1 = %1 + %2 Y + "


Excel et Gretl

Dans des modles plus sophistiqus, cette causalit est loin dtre vidente
En macro, le taux de change agit-il sur la balance commerciale ou est-ce linverse ? En marketing, au niveau de la rme, les ventes et les dpenses de publicit sont dites simultanes : chacune est cause de lautre La demande dun produit (quantit) dpend du prix, mais linverse est vrai aussi (simultanit)

Ce que a veut dire : une rgression ne dit elle seule rien dautre que des corrlations
Pour y voir des relations conomiques, il est ncessaire quelle soit accompagne dune thorie

Exemple des cigognes

Les moyennes conditionnelles


Exemple de tableau crois dynamique Les moyennes conditionnelles sont des moyennes (arithmtiques simples) calcules sur un groupe particulier dans lchantillon
Par exemple : les ventes moyennes du vendeur Smith dans une entreprise

Causalit : conclusion

Lconomtrie, les moyennes conditionnelles, les corrlations ne servent qu quantier, pas expliquer. De telles quantications peuvent conrmer ou inrmer une thorie (parfois)
Par exemple, si la thorie est les hommes sont meilleurs vendeurs que les femmes, on peut comparer les ventes des hommes et des femmes pour inrmer cette thorie

Il est possible de croire que les diffrences entre moyennes conditionnelles sont dues aux conditionneurs
Par exemple, les ventes de Smith sont plus leves que celles de Gonzlez parce que Smith est meilleur vendeur que Gonzlez

Mais il ne sagit que dune corrlation, pas dune causalit


Par exemple, les ventes de Smith sont plus leves parce que il est sur un plus grand territoire

Mais il ne faut pas accepter nimporte quel rsultat juste parce quil a t obtenu par des mthodes sophistiques

Le modle conomtrique formel

Le modle conomtrique formel


Yt = !0 + !1 X1t + ... + !k Xkt + "t
t = 1...T indexe les observations Y est la variable endogne, explique, dpendante Chaque Xi avec i = 1...k est une variable explicative ou causale, un rgresseur (pas ncessairement exogne)

Une section de nomenclature

Yt = !0 + !1 X1t + ... + !k Xkt est une thorie


Chaque !i mesure quantitativement linuence de Xi sur Y
!i est la pente de la droite selon Xi !0 est dit constante, terme indpendant ou intercept du modle

! est le vecteur de coefcients du modle

Le terme derreur scrit souvent " ou


Il a plusieurs interprtations : erreurs de mesures, rgresseurs inobservables ou manquants, facteurs alatoires...

Le modle conomtrique formel

Le modle conomtrique formel

En notation matricielle Y = X ! + "


On observe Y et X Lconomtrie est un ensemble de techniques pour estimer !

La prdiction scrit Y = X !
Il y a bien sr toujours une erreur de prdiction

Chaque technique donne lieu une formule, quon appelle estimateur et quon note avec un chapeau
Par exemple Moindres carrs ordinaire ! = X X X 1 Y Il existe galement des estimateurs maximum de vraisemblance , mthode des moments , variables instrumentales , moindres carrs gnraliss ...
1

On nobserve jamais le terme derreur "


Par contre, on calcule le rsidu " = Y Y = Y X !

Ce rsidu scrit parfois e et peut se nommer erreur (mais a porte confusion) Exemple Excel

Modle classique de rgression linaire : 7 hypothses

Modle classique de rgression linaire : 7 hypothses

Le Modle Classique de Rgression Linaire (MCRL) est le modle quon a utilis jusqu prsent, soit, en notation matricielle Y = X! +" Les circonstances dans lesquelles MCO est un bonestimateur Ce modle saccompagne de 7 hypothses classiques
Lorsquelles sont vries, lestimateur MCO possde de trs bonnes proprits On va examiner ces hypothses
Voir dans quels cas elles ne sont pas satisfaites Voir si les consquences sur lestimateur sont graves Voir si on peut rparer

MCRL Y = X ! + " : 7 hypothses


F IGURE: MCRL Y = X ! + " : Illustration graphique des 4 hyp. sur lerreur

1. E ("t ) = 0 t : les erreurs ont une esprance nulle

Cette proprit est toujours satisfaite pour autant quil y ait une constante !0 dans la rgression (commande MC dans excel)

2. var ("t ) = & 2 t : la variance de chaque erreur est la mme et est relle = Homoscdasticit 3. cov ("t , "s ) = 0 t = s : les erreurs sont indpendantes entre elles = Pas dauto-corrlation
1+2+3 = Sphricit des erreurs

4. E ("t xt ) = 0 t : il ny a pas de corrlation contemporaine (mme t) entre lerreur et chaque rgresseur = Exognit

Wooldridge

MCRL Y = X ! + " : 7 hypothses


5. La matrice X est de plein rang
Aucun rgresseur ne peut scrire comme une combinaison linaire des autres rgresseurs Dans le cas contraire, on parle de colinarit parfaite des rgresseurs Dans ce cas, X X nest pas inversible

MCRL Y = X ! + " : 3 Proprits de lestimateur MCO


Si toutes les hypothses du MCRL sont respectes, lestimateur MCO possde les proprits suivantes Non-biais E ! = !
La moyenne sur sufsamment dchantillons des estimations MCO est gale la vrai valeur des coefcients

6. Le modle est correctement spci


La ralit est effectivement linaire en les coefcients (forme fonctionnelle) Il ne manque aucun rgresseur pertinent

Consistent : A mesure que lchantillon grandit, lestimation MCO se rapproche de la vrai valeur des coefcients
En abrg Plim ! = !

Efcient (prcision)
Un estimateur linaire est dit efcient si sa variance est la plus petite de tous les estimateurs linaires Thorme de Gauss-Markov : cette variance est la plus petite de tous les estimateurs linaires non-biaiss : ! est BLUE est le plus efcient de tous les estimateurs consistents : De plus, ! ! est asymtotiquement efcient

7. La variable dpendante Y est continue


Pas qualitative : 0/1 ou bien A, B, C, D Pas discrte : 0,1,2,3... Pas tronque/censure : [3,12] ou [-1,+1]

Hypothses pas respectes => MCO perd certaines de ses proprits (Chap 4)

Chap 6 Variables dpendantes limites

6.1 Modles dichotomiques

Dans beaucoup de situations conomiques, on souhaite expliquer une variable endogne dichotomique
Acheter ou non, tre employ, Voter Aller luniversit, quelle orientation...

Souvent il sagit de situations micro (individus, mnages, rmes) Le modle linaire nest pas appropri Yi = Xi ! + "i avec Yi {0, 1}

implique quil faudrait contraindre les ! de telle sorte ce que Yi {0, 1} i pas priori possible (trop de contraintes)

Modle de probabilit
Au lieu dexpliquer une variable endogne dichotomique, on propose un modle destimation de la probabilit que la variable endogne soit =1 en fonction de variables explicatives
Pr {Yi = 1|Xi } = F (Xi ! ) o
F est une fonction de distribution Xi ! est dit fonction index

Interprtation

Le signe du coefcient dun rgresseur xj indique le sens de la variation de Pr {Yi = 1} lorsque ce rgresseur saccrot.

Pour avoir une ide quantitative de cette variation, on doit avoir recours aux drives :
$ (Xi ! ) = ) (Xi ! ) !j o ) () est la fonction de densit $ xji normale standard (dans tous les tableurs) $ (Xi ! ) !j Logit = (Xi ! ) $ xij 1 + exp(Xi ! ) Attention : le modle est non-linaire, les effets sont individuels ! Gretl calcule les effets la moyenne des rgresseurs, ce nest pas la mme chose que leffet moyen !
Probit

Pr {Yi = 0|Xi } = 1 F (Xi ! ) 2 principaux exemples

exp (Xi ! ) 1 + exp(Xi ! ) Probit, bas sur la normale standard Xi ! 1 exp t 2 /2 dt F (Xi ! ) = (Xi ! ) = 2( ' Remarque : argument linaire des fonctions = Modle linaire gnral Logit F (Xi ! ) = (Xi ! ) =

Modle sous-jacent
Il est souvent utile, pour linterprtation et la comprhension, dobtenir le modle de choix dichotomique partir dhypothses comportementales Exemple de lachat dun bien
Soit lutilit individuelle Yi = Xi ! + "i de lachat de ce bien X reprsente des caractristiques observables individuelles ou bien des caractristiques observables du bien (selon les cas, pas les deux) " reprsente les caractristiques inobservables Y est dit variable latente car elle ne peut tre observe, on nobserve que la dcision Y {0, 1} On fait lhypothse que lindividu achte le bien si son utilit dpasse un certain seuil, normalis zro donc :

Estimation
Le modle est non-linaire en ! et la variable endogne nest pas continue
MCO nest pas appropri

Principes du maximum de vraisemblance


On suppose connue la distribution du terme derreur, p.e. " n () Hypothse : lchantillon observ est le plus probable Principe : on veut ! t.q. la probabilit estime de lchantillon est maximale

Quelle est la probabilit de lchantillon ?


Hypothse : les observations sont indpendantes entre elles Donc : la probabilit de lchantillon est le produit des probabilits de chaque observation, cest la fonction de vraisemblance :
Yi =0

Pr {Yi = 1} = > 0} = Pr {Xi ! + "i > 0} = Pr {"i < Xi ! } = F (Xi ! )

Pr {Yi

* Pr {Yi = 0} * Pr {Yi = 1}
Yi =1

On rcrit souvent pour plus de simplicit * (Pr {Yi = 0})1yi (Pr {Yi = 1})yi
i

Maximum de vraisemblance
Gnralement on prend le ln car la forme est plus simple optimiser ln L (! ) = # (1 yi ) ln (1 F (Xi ! )) + yi ln (F (Xi ! ))
i

Proprits de MV
Si les hypothses du MRL sont satisfaites sauf pour la continuit de Y Si la fonction de distribution est correctement choisie
Hypothse pas ncessairement critique (pseudo-maximum de vraisemblance) Gnralement impossible vrier)

Rsolution numrique par ordinateur, essentiellement


partir de valeurs de dpart pour ! , lordinateur calcule la valeur de la fonction Puis, prend un autre vecteur de valeurs selon une certaine rgle et recalcule la valeur de la fonction Il poursuit ainsi tant que F crot Cest un algorithme

Alors lestimateur MV est consistent et asymptotiquement efcient


Mais gnralement biais

Dans la pratique, la seule diffrence substantielle entre Logit et Probit cest que Logit est plus facile calculer
Les coefcients sont diffrents mais pas les pentes

Commande Gretl LOGIT et PROBIT, mme maniement que OLS

Exemple Gretl
Greene 19_1 : un certain programme denseignement de lconomie (PSI) est valu par laugmentation ou non des notes des tudiants
Grade = 1 si la note a augment, = 0 sinon GPA : Grade Point Average TUCE : score sur un test de connaissance de cette matire PSI = 1 si ltudiant a reu le programme spcial PSI

6.2 Choix multinomial


Lorsque la variable endogne prsente p catgories non-ordonnes, on se trouve dans un cas multinomial Par extension du cas dichotomique, on va vouloir estimer la probabilit de choisir une parmi ces p Plusieurs modles sont possibles, on ne verra que le plus simple : logit multinomial
Pr {Yi = k|xi } = exp (xi !k )
p j=0

Dans les sorties Gretl


Tableau prdiction ln L Pseudo-R de McFadden = 1 o L0 est la vraisemblance ln L0 du modle sans variable explicative (seulement une constante)
2

# exp (xi !j )

Si les variables introduites nexpliquent rien, L0 = L et Pseudo-R 2 = 0 Si le modle explique parfaitement L = 1 et Pseudo-R 2 = 1 Entre les 2, on interprte comme le R 2 du modle linaire

Les coefcients sont diffrents par alternative j ! Lorsque p 1 catgories nont pas t slectionnes, la catgorie p sera forcment choisie
cfr. p = 2 : dichotomique On doit donc normaliser, on va prendre habituellement quune des catgories est la rfrence Ses coefcients sont alors 0

Pas de diffrence importante entre logit & probit

Choix multinomial
Catgorie rfrence 0 : Pr {Yi = 0|xi } = 1
p

Exemple dans Gretl


1 + # exp (xi !j )
j=1

Les autres catgories k : Pr {Yi = k|xi } = Interprtation

exp (xi !k )
p

1 + # exp (xi !j )
j=1

Kean & Wolpin [keane dans Gretl]


Choix de carrire (0 = tude ; 1 = ni tude ni travail ; 2 = travail) Variables explicatives : education, experience du travail (linaire et carr), dichotomique noir chantillon dhomme, originellement sur un panel, on ne prend que 1987

Tous les rsultats sinterprte relativement la catgorie de rfrence


Un coefcient positif de xm pour la catgorie k indique un effet positif de xm sur la probabilit de slection de k par rapport la catgorie 0 La somme des probabilits doit faire 1, donc avec 3 catgories 0, 1, 2 si xm a un signe positif pour les catgories 1 et 2, alors un accroissement de xm implique une baisse de la probabilit de choisir la catgorie 0

Menu modles non-linaires logit multinomial

Il faut calculer les effets marginaux, de faon similaire aux modles dichotomiques