Académique Documents
Professionnel Documents
Culture Documents
L’ECONOMETRIE
Equipe pédagogique de Statistiques, Econométrie et Modélisation.
Responsable: Pr Soumaila Dembélé
Objectifs du cours
Comprendre ce que c’est que l’économétrie, et quelle est son utilité.
Logique « notions de cours>>applications», c’est-à-dire qu’à chaque fin de chapitre (ou à la fin
de chaque grande notion), on passe aux applications pratiques intensives afin de mieux ancrer les
acquis des étudiants.
Priorité aux applications pratiques (manuelles et sous Excel) par rapport à la théorie
économétrique pure.
Priorité à l’estimation des coefficients des modèles ainsi qu’à leurs interprétations et implications
de politique plutôt qu’aux différents tests de spécification (à voir à un niveau plus avancé).
3
Plan du cours
Chapitre I. Introduction à l’économétrie
Chapitre II. Analyse de corrélation
Chapitre III. Le modèle de régression simple
4
Chapitre I
Introduction à l’économétrie
Objectifs du chapitre
A la fin de ce chapitre, les étudiants doivent être en mesure de:
définir clairement l’économétrie ainsi que son utilité;
comprendre et distinguer clairement les notions de « modèle économique » et de
modèle « économétrique »;
comprendre les différents types de variables composant un modèle
économétrique;
connaître les différents types de données pouvant être utilisées dans un modèle
économétrique;
comprendre les différentes étapes de la construction d’un modèle économétrique.
6
Définition et utilité de l’économétrie (1)
Plus généralement, l’économétrie est une branche des sciences économiques qui
permet d’étudier et de quantifier (à l’aide de techniques statistiques et
mathématiques) des relations pouvant exister entre des phénomènes ou variables
économiques, en utilisant des données réelles.
7
Définition et utilité de l’économétrie (2)
Les chercheurs en sciences économiques (et même de Gestion) sont souvent amenés à
utiliser l’économétrie dans leurs recherches, dans la mesure où il s’agit de donner une
justification scientifique aux relations supposées entre les variables économiques. Par
exemple, l’économétrie permet de répondre à des interrogations comme:
Le revenu des ménages maliens explique-t-il leur consommation? Dans quelle
proportion?
Les exportations de coton malien contribuent-elles à la croissance économique du Mali?
Les sanctions de la CEDEAO ont-elles eu un impact négatif sur le commerce extérieur
malien? 25/11/2023 8
Définition et utilité de l’économétrie (3)
Rôle de l’économétrie : l’économétrie a deux rôles essentiels: (1) validation de la théorie
économique et (2) outil d’analyse et d’aide à la décision.
Variable endogène: une variable endogène ou dépendante, ou à expliquer est une variable qui est
expliquée par la(les) variable(s) exogène(s). Il s’agit précisément du phénomène à expliquer, et il dépend
des paramètres du modèle. C’est la variable située du « côté gauche » du modèle économétrique. Dans
notre exemple, notre variable endogène est la variable « consommation». 25/11/2023 13
Notions de modèle (5)
ne sont pas des variables mais plutôt les paramètres à estimer du modèle associés aux variables
exogènes (excepté Rappelons que l’économétrie est « la mesure de l’économie ». Les paramètres
estimés représentent ainsi les contributions (significatives ou pas) des variables exogènes à
l’explication du phénomène étudié (variable endogène). Il s’agit donc des paramètres mettant en
évidence les relations pouvant exister entre la variable endogène et la variable exogène.
Le terme d’erreur représente l’ensemble des autres informations (facteurs explicatifs potentiels)
non prises en compte explicitement dans le modèle économétrique (on ne peut pas être certain
d’avoir pris en compte tous les facteurs explicatifs du phénomène étudié).
25/11/2023 14
Notions de modèle (6)
Après la spécification du modèle économétrique, il convient de collecter les données des variables (endogène
et exogènes) afin d’estimer le modèle.
3 types de données possibles (le modèle sera choisi en fonction de la nature des données):
Données en séries temporelles: il s’agit des données des variables d’un seul individu (un pays, une
entreprise,…) observées à intervalles réguliers de temps. Par exemple, les variables consommation et PIB du
Mali de 1990 à 2020.
Le modèle économétrique s’écrira avec un indice « t » représentant le temps:
=
15
Notions de modèle (7)
Données en coupe instantanée : les données des variables sont observées au même instant (une seule période)
pour plusieurs individus (pays, entreprises) à la fois. Le modèle économétrique s’écrira avec un indice « i »
représentant les individus. Par exemple, la consommation et le PIB des 8 pays de l’UEMOA en 2020.
=
Données de panel : combinaison des séries temporelles et données en coupe. Les données des variables sont
observées pour plusieurs individus à intervalles réguliers.
Le modèle économétrique s’écrira avec un indice « i,t » représentant à la fois les individus et le temps. Par
exemple, la consommation et le PIB des 8 pays de l’UEMOA de 1990 à 2020. =
16
Synthèse des étapes de construction d’un modèle économétrique
17
Chapitre II
Analyse de corrélation
Objectifs du chapitre
A la fin de ce chapitre, les étudiants doivent être en mesure de:
définir clairement ce que c’est qu’une corrélation entre deux variables
économiques;
savoir représenter un nuage de points et identifier un lien de corrélation
graphiquement;
savoir calculer (manuellement et sous Excel) un coefficient de corrélation entre
deux variables;
interpréter un coefficient de corrélation entre deux variables économiques;
distinguer clairement les notions de « corrélation positive» et « corrélation
négative».
19
Chapitre 2: Analyse de corrélation (1)
Corrélation négative (ou inverse) : lorsque l’une des variables augmente, l’autre diminue et
inversement.
Non corrélée : il n’y a aucun lien entre les variations des valeurs des deux variables.
Analyse graphique
25/11/2023 21
Chapitre 2: Analyse de corrélation (3)
25/11/2023 22
Chapitre 2: Analyse de corrélation (4)
liaison négative
quantité de bien
0 10 20 30
prix du bien
25/11/2023 23
Chapitre 2: Analyse de corrélation (5)
• :=
• Cov (x, y) = covariance entre x et y : cov(x, y) – *
• = écart type de x et écart type de y
• V(x) = – et V(y) = – n = nombre d’observations
Le coefficient de corrélation est compris entre « -1 et +1 »
25
Chapitre 2: Analyse de corrélation (7)
Coefficient de détermination :
• Le coefficient de corrélation sert avant tout à caractériser une relation linéaire positive ou négative. Il s'agit
d'une mesure symétrique. Plus il est proche de 1 (en valeur absolue), plus la relation est forte.
• Le que l'on appelle coefficient de détermination, s'interprète comme la proportion de variance de y
(respectivement x) linéairement expliquée par x (respectivement y). C’est une mesure de la qualité de la
régression linéaire.
• Par exemple, avec = 0.96, on peut dire que 96 % de la variance de y est expliquée par x (et inversement).
• Le coefficient de détermination est le carré du coefficient de corrélation.
25/11/2023 27
Chapitre III
Analyse de cause à effet: le
modèle de régression simple
Objectifs du chapitre
A la fin de ce chapitre, les étudiants doivent être en mesure
de:
construire un modèle économétrique de régression linéaire simple;
estimer les coefficients du modèle par la méthode des MCO
(manuellement et sous Excel);
interpréter les coefficients estimés du modèle économétrique;
déduire des implications (recommandations) pour la prise de décision.
29
Chapitre 3: Le modèle de régression linéaire
simple (1)
Présentation du modèle
La corrélation analyse un lien statistique mais ne se demande pas quelle variable influe sur l’autre. La notion de
causalité renvoie, quant à elle, au lien de cause à effet entre deux variables. Il y a, ainsi, causalité, lorsque le
mouvement d'une variable provoque (« cause ») celui d'une autre variable. Ainsi, une corrélation n'implique pas
nécessairement une causalité.
Le but de la régression linéaire simple est d’expliquer si une variable x cause une variable y.
Notre modèle économétrique se présente sous forme d’équation linéaire
y=
Rappelons que la variable y est appelée variable endogène ou variable à expliquer et la variable x est appelée
variable exogène ou variable explicative. sont des paramètres ou coefficients de régression du modèle à estimer
est le terme d’erreur.
25/11/2023 30
Chapitre 3: Le modèle de régression simple (2)
L’estimation des paramètres du modèle s’effectue par la méthode des moindres carrés
ordinaires (MCO). Un certain nombre d’hypothèses régissent cette méthode.
Hypothèses et estimation des paramètres par MCO
Hypothèses : Pour l’estimation des paramètres du modèle linéaire simple, nous
émettons un certain nombre d’hypothèses sur et
H1 : Le modèle est linéaire en ;
H2 : Les valeurs de sont observées sans erreurs;
25/11/2023 31
Chapitre 3: Le modèle de régression simple (3)
H3 : l’espérance mathématique de l’erreur est nulle, en moyenne le modèle est bien
spécifié et donc l’erreur moyenne est nulle;
H4 : E(*) = la variance de l’erreur est constante;
H5 : E(*) = 0 Si t et t’ sont différents; alors les erreurs sont non corrélées, c’est-à-dire,
une erreur à l’instant « t » n’a pas d’influence sur les erreurs suivantes ;
H6 : cov(*) = 0 : l’erreur est indépendante de la variable explicative.
25/11/2023 32
Chapitre 3: Le modèle de régression simple (4)
Estimation des paramètres par MCO
La méthode des moindres carrés ordinaires (MCO) consiste à projeter
l’ensemble de points « Mi » de coordonnées (,) sur une courbe (déterminée par la forme
du nuage), parallèlement à l’axe des ordonnées, de telle sorte que l’ensemble des écarts
entre les points observés et les points projetés « » de coordonnées (, ) soient les plus
faibles possibles.
De manière analytique la méthode MCO permet de minimiser =
25/11/2023 33
Chapitre 3: Le modèle de régression simple (5)
• S= =
• = ; cov(x, y) – * ; V(x) = –
• =
• Retenez principalement les formules de calculs des coefficients .
25/11/2023 34
Chapitre 3: Le modèle de régression simple (6)
Validité du modèle : Un modèle est validé si:
La plupart des variables explicatives sont significatives: test de Student;
Il est globalement significatif: test de Fisher;
Ses erreurs ne sont pas corrélées: test de Breusch-Godfrey (à voir niveau avancé);
Ses erreurs ne sont pas hétéroscédastiques: tests de White et ARCH (à voir niveau
avancé)
25/11/2023 35
Chapitre 3: Le modèle de régression simple (7)
Test de Student
Significativité des paramètres
H0 : = 0, le paramètre en question n’est pas significatif, donc la variable explicative
afférente à n’est pas contributive à l’explication du modèle.
H1 : ≠ 0, le paramètre est significativement ≠ 0, donc la variable explicative
afférente à est contributive à l’explication du modèle.
25/11/2023 36
Chapitre 3: Le modèle de régression simple (8)
Calcule la statistique de STUDENT
t* = que l’on compare à % (n-k-1) lu dans la table de Student.
Avec = =
= =
25/11/2023 37
Chapitre 3: Le modèle de régression simple (9)
Règle de décision
• Si t* > % (n-k-1) on accepte H1
• Si t* < % (n-k-1) on accepte H0
25/11/2023 38
Chapitre 3: Le modèle de régression simple (10)
Interprétation des résultats
Il s’agit ici d’interpréter les résultats des coefficients estimés.
Deux niveaux d’interprétation séquentiels:
NB: on ne doit interpréter économiquement les résultats que lorsque que le test de significativité
statistique est passé avec succès.
25/11/2023 39
Chapitre 3: Le modèle de régression simple (11)
25/11/2023 41