Econométrie L3: Correction TD
TD 1 & 2
Exercice 1
cf correction tableau
Exercice 2
cf correction tableau
Exercice 3
cf correction tableau
Exercice 4
Qu1: Nuage de points
plot wage school
→
1
plot wage exper
→
Qu2: Statistiques Descriptives
sum wage
2
sum school
sum exper
sum male
→
Qu3: Percentiles
summarize wage, detail
→
3
summarize school, detail
→
summarize exper, detail
→
4
Qu4: Matrice de Corrélation
correlate
→
Qu5: Variable Indicatrice
Plusieurs méthodes possibles:
generate female = 0
replace female = 1 if male==0
OU
gen female2 = (male==0)
5
Qu6: Moyenne des salaires
mean wage if male==0
mean wage if male==1
→
→ les hommes sont en moyenne mieux payés que les femmes
mean exper if male==0
mean exper if male==1
→
6
mean school if male==0
mean school if male==1
→
→ les hommes arrêtent en moyenne leurs études plus tôt (et ont donc + d’expérience pro)
7
Qu7: Régression par MCO
reg wage male
→
→ les hommes ont un salaire supérieur à celui des femmes (significatif au seuil de 5%)
β1 = écart entre salaire moyen homme et femme
β0 = salaire moyen femme
Qu8: Coefficient de Détermination
display e(r2)
→
OU
8
→ le genre seul explique R2 = 2.64% des variations de salaire. Autrement dit, notre
modèle explique seulement 2.64% des variations de salaire.
Qu9: Interprétation des Coefficients
β0 + β1 =salaire moyen homme
β0 =salaire moyen femme
Les β sont les valeurs dans le population entière. Ces valeurs sont inconnues mais es-
timées grâce aux β.
b
Donc βb0 = estimation du salaire moyen des femmes = moyenne empirique du salaire des
femmes de l’échantillon
Qu10: Colinéarité
Faux, car f emale est colinéaire avec male, tel que: f emale = 1 − male
→ Violation d’une des hypothèse des MCO
wage = βe0 + βe1 · male + βe2 · f emale + u
= βe0 + βe1 · male + βe2 · (1 − male) + u
9
= βe0 + βe2 + (βe1 − βe2 ) · male + u
= βb0 + βb1 · male + u
Avec βb0 = βe0 + βe2 et βb1 = βe1 − βe2
Donc βb1 donne la bonne valeur, mais pas βe1
Qu11: Test d’hypothèse
H0 : β1 = 0
H1 : β1 ̸= 0
reg wage male
→
10
→ on peut rejeter H0 au seuil de 5%.
Qu12: Intervalle de Confiance
reg wage male
→
11
Qu13: Modèle correctement spécifié?
reg wage male
→
12
• Modèle globalement signiticatif (P rob > F ) = 0.0000 < 5%
• R2 très faible
• il manque beaucoup de variables expliquant le salaire
• les variables manquantes sont dans le terme d’erreur
u = v + γ · school → corr(male, u) ̸= 0 → violation d’une hypothèse des MCO.
13
TD 3, 4 & 5
Exercice 1
14
15
16
Rappel de cours
17
Exercice 2
On va donc devoir utiliser ln(yi ), ln(x1,i ) et ln(x2,i à la place des variables d’origine.
18
→
En écriture matricielle:
19
donc:
\
ln(y i ) = −18, 605 + 2, 707 · ln(x1,i ) + 0, 690 · ln(x2,i )
Comme il s’agit d’un modèle log-log, on peut interpréter en élasticités:
• +1% de travail → +2, 707% de production.
• +1% de capital → +0, 691% de production.
20
Pour la constante: A b = exp(bb0 ) = exp(−18, 605) = 8, 315 · 10−9 → effet du progrès
technique positif mais très faible.
Pour l’analyse de la variance, on peut utiliser la sortie Stata:
21
avec SCT = SCE + SCR → en anglais: SST otal = SSM odel + SSResidual.
SCE
On retrouve le R2 grâce à l’analyse de la variance: R2 = SCT
22
Exercice 3
Qu1
Qu2
Qu3
23
Test bilatéral de Student:
(bb1 − b1 )
tc = ∼ TN −(k+1)
σc
bb1
Rejet H01 au seuil α = 5%?
sous H01 :
(0, 2 − 0, 3)
|tc | = √ = | − 1| < t1−(0,05/2) (30) = 2, 042
0, 01
→ On ne peut pas rejeter H01 au seuil de 5%.
Test unilatéral de Student:
Rejet H02 au seuil α = 5%?
24
Rejet H03 au seuil α = 5%?
Rappel sur l’opérateur Variance:
Formule générale: V (aX + bY ) = a2 · V (X) + b2 · V (Y ) + 2ab · Cov(X, Y )
donc
V (X − Y ) = V (1 · X + (−1) · Y ) = 12 · V (X) + (−1)2 · V (Y ) + 2 · 1 · (−1) · Cov(X, Y ) =
V (X) + V (Y ) − 2Cov(X, Y )
25
Qu4
Exercice 4
Base de donnée “monnaie”
Demande de monnaie:
mt = b0 + b1 · rt + b2 · it + ut
Qu1
Graphique du PIB par année:
Faisable également directement en code Stata:
twoway (line y an)
→
26
Pour le taux d’intérêt:
twoway(line D an)
→
Pour l’agrégat M1:
twoway(line m an)
→
27
Qu2
Qu3
Pour les MCO:
reg m y D
→
28
Qu4
Prévision pour un PIB de 1000 milliard de dollars et un taux d’intérêt de 12%:
Qu5
Elasicité points de la demande de monnaie par rapport au revenu:
29
Qu6
Elasticité points de la demande de monnaie par rapport au taux d’intérêt:
Qu7
Matrice variance/covariance:
30
estat vce
→(Attention à l’ordre des variables)
31
Qu9
Graphique des séries observées et ajustées:
OU
Qu10
Pour les résidus:
32
Exercice 5
Base de donnée “monnaie”
33
Modèle log-linéaire à la place du modèle linéaire de l’exercice 4.
Qu1
Qu2
34
Qu3
35
Tables Statistiques
36
37
TD 6 & 7
Exercice 1
Qu1
la trace d’une matrice carrée est définie comme la somme de ses coefficients diagonaux
38
2
Donc σ
bu,M CO est biaisé.
39
2
Donc σ
bu,M CG est sans biais.
Qu2
40
Exercice 2
Qu1
H0 : b1 + b2 ≥ 1
↔
H0 : b1 + b2 − 1 ≥ 0
Qu2
Conclusion fiable si les hypothèses des MCO sont respectées.
41
Il faut donc qu’il y ait absence d’autocorrélation et d’hétéroscédasticité des perturbations
(sinon l’estimateur n’est pas “Best Linear Unbiased Estimator” (BLUE ).
Qu3
25 ans et 4 trimestres par an → T = 25 · 4 = 100
k + 1 = 3 (nombre de variables, constante incluse).
42
Table complète
→ dl = 1, 63369 et ds = 1, 71517
Exercice 3
base de données housing.
43
Qu1
44
Qu2
Qu3
Les résidus suivent une tendance. Présence d’autocorrélation positive.
45
Qu4
46
Qu5
La variance était surestimée avec les MCO.
Qu6
Rappel de cours:
47
48
49
TD 8 & 9
Exercice 1
Qu1
50
Qu2
Qu3
51
Exercice 2
Qu1
52
Qu2
53
Qu3
Sur Stata:
Donc:
54
Qu4
Sur Stata:
Donc:
55
Qu5
Qu6
Écart type avec correction de White → on doit recalculer l’intervalle de confiance: les σ
b
changent donc les t de Student aussi. Les coefficients restent inchangés.
Qu7
Quand on a davantage d’information sur la forme de l’hétéroscédasticité: On peut utiliser
les moindres carrées pondérés.
Intuitivement, on estime les écarts types de façon empirique, puis on multiplie chaque
observation par l’inverse de son écart-type (i.e. σb1i ). On estime ensuite les coefficients des
MCO sur ces données modifiées.
56
Remarque: on obtient donc des coefficients différents, mais comme les MCQG sont sans
biais, les coefficients estimés par MCQG seront assez proche de ceux estimés par MCO
(également sans biais).
57
Exercice 3
Qu1
Qu2
p − value = 0.0000 < 5% → Rejet de (H0 : homoscédasticité) → les résidus sont
hétéroscédastiques.
Qu3
On utilise l’estimateur “sandwich”: la variance des MCO “classiques” est entre 2 matrices
(X T X)−1 , tel que:
58
Qu4
On rejete toujours H0 → l’ajout des variables indicatrices des continents n’a pas reglé le
probleme d’hétéroscédasticité → il y a donc de l’hétéroscédasticité intra-continentale, et pas
seulement inter-continentale.
59
