Introduction à

l’économétrie
Une approche moderne
Jeffrey M. Wooldridge
Traduction de la 5e édition américaine
par P. André, M. Beine, S. Béreau, M. de la Rupelle, A. Durré,
J.-Y. Gnabo, C. Heuchenne, M. Leturcq et M. Petitjean

Compléments
en ligne gratuits
• Bases de données
• PowerPoint*
• Manuel des solutions*
• QCM*
* réservés aux enseignants
[Link]
Introduction à
l'économétrie
OUVERTURES ÉCONOMIQUES
Introduction à
l’économétrie
Une approche moderne
Jeffrey M. Wooldridge
Traduction de la 5e édition américaine
par P. André, M. Beine, S. Béreau, M. de la Rupelle, A. Durré,
J.-Y. Gnabo, C. Heuchenne, M. Leturcq et M. Petitjean

ÉCONOMIQUES
OUVERTURES

BALISES
Ouvrage original :
Introductory Econometrics. A modern Approach, 5th edition, by Jeffrey M. Wooldridge
© 2013, 2009 South-Western, Cengage Learning

Pour toute information sur notre fonds et les nouveautés dans votre domaine
de spécialisation, consultez notre site web : [Link]

© De Boeck Supérieur s.a., 2015 1re édition

Fond Jean Pâques, 4 – B-1348 Louvain-la-Neuve
Pour la traduction française

Tous droits réservés pour tous pays.

Il est interdit, sauf accord préalable et écrit de l’éditeur, de reproduire (notamment par photocopie)
partiellement ou totalement le présent ouvrage, de le stocker dans une banque de données ou de le
communiquer au public, sous quelque forme et de quelque manière que ce soit.

Imprimé en Belgique

Dépôt légal :
Bibliothèque nationale, Paris: juin 2015 ISSN 2030-501X
Bibliothèque royale de Belgique, Bruxelles: 2015/13647/007 ISBN : 978-2-8041-7131-5
 SOMMAIRE

Avant-propos ............................................................................................... 9

Remerciements ............................................................................................. 19

À propos de l’auteur .................................................................................. 23

CHAPITRE 1
La nature de l’économétrie et la structure des données
économiques ........................................................................................... 25

Partie 1 L’analyse de régression sur données en coupe transversale

CHAPITRE 2
Le modèle de régression linéaire simple ........................................ 53

CHAPITRE 3
Le modèle de régression linéaire multiple ..................................... 115

CHAPITRE 4
L’inférence statistique dans le modèle de régression.................. 183

CHAPITRE 5
Résultats asymptotiques des MCO dans le modèle
de régression .......................................................................................... 253

CHAPITRE 6
Questions additionnelles sur le modèle de régression ............... 279

CHAPITRE 7
Le modèle de régression avec information qualitative ............... 333
6 Introduction à l’économétrie

CHAPITRE 8
L’hétéroscédasticité................................................................................ 391

CHAPITRE 9
Compléments sur la spécification et la question des données .... 443

Partie 2 Analyse économétrique des séries temporelles

CHAPITRE 10
Analyse économétrique simple des séries temporelles ............... 501

CHAPITRE 11
Utilisation des MCO pour l’analyse des séries temporelles ...... 549

CHAPITRE 12
Corrélation sérielle et hétéroscédasticité dans l’analyse
des séries temporelles .......................................................................... 591

Partie 3 Thèmes avancés

CHAPITRE 13
Empiler des données en coupes transversales de périodes
différentes : méthodes de données de panel simple .................. 641

CHAPITRE 14
Méthodes avancées en économétrie des données de panel ..... 689

CHAPITRE 15
Estimation par variables instrumentales
et doubles moindres carrés ................................................................ 729

CHAPITRE 16
Modèles à équations simultanées ..................................................... 787

CHAPITRE 17
Modèles à variable dépendante limitée et correction
pour la sélection de l’échantillon ...................................................... 823

CHAPITRE 18
Matières avancées dans l’analyse des séries temporelles......... 885
Sommaire 7

CHAPITRE 19
Mener à bien un projet empirique ................................................... 943

ANNEXE A
Outils mathématiques de base .......................................................... 981

ANNEXE B
Éléments de probabilités ..................................................................... 1005
ANNEXE C
Éléments de statistique mathématique ............................................ 1047
ANNEXE D
Notions de calcul matriciel ................................................................. 1101
ANNEXE E
Le modèle de régression linéaire sous forme matricielle ........... 1115
ANNEXE F
Réponses aux questions intitulées « Pour aller plus loin » ........ 1135
ANNEXE G
Tables statistiques.................................................................................. 1149

Références..................................................................................................... 1159
Glossaire ....................................................................................................... 1167
Table des matières ...................................................................................... 1195
 AVANT-PROPOS

En rédigeant cet ouvrage, j’ai voulu combler le fossé qui existait entre la façon
dont l’économétrie était enseignée dans le premier cycle universitaire et la manière dont
les chercheurs pensaient et appliquaient les méthodes économétriques dans leurs tra-
vaux empiriques. J’ai en effet acquis la conviction au fil des ans qu’enseigner un
cours d’introduction à l’économétrie en adoptant le point de vue d’un utilisateur pro-
fessionnel permettait de simplifier la présentation de cette discipline, tout en la ren-
dant plus attrayante.
Si j’en crois les réactions positives que les éditions précédentes de ce livre ont
suscitées, il me semble avoir eu là une bonne intuition. Des enseignants aux parcours
et aux intérêts divers, confrontés à des publics dont les niveaux de préparation étaient
très inégaux, ont adopté l’approche moderne de l’économétrie que j’introduis dans cet
ouvrage. L’application de l’économétrie à des problèmes concrets revêt une importance
encore plus grande dans cette nouvelle édition. Le choix d’une méthode économétrique
est toujours motivé par des problématiques auxquelles sont confrontés les chercheurs
qui utilisent des données non expérimentales. L’objectif de ce livre est de comprendre
et d’interpréter les hypothèses d’un modèle à la lumière d’applications empiriques
concrètes. Le niveau requis en mathématiques est celui du premier cycle universitaire,
que ce soit pour l’algèbre, les statistiques descriptives ou le calcul des probabilités.

UN LIVRE CONÇU POUR L’ENSEIGNANT

D’AUJOURD’HUI EN ÉCONOMÉTRIE
Cette cinquième édition conserve l’organisation globale de la quatrième. La principale
caractéristique de ce livre est que les thèmes identifiés le sont en fonction du type de
données analysées. De ce point de vue, il s’écarte clairement de l’approche tradition-
nelle qui présente le modèle, en énumère toutes les hypothèses de travail, et puis s’at-
tache à en défendre les résultats sans les relier clairement aux hypothèses de travail.
L’approche que j’adopte dans la première partie est de traiter l’analyse de régression
multiple à l’aide de données en coupe transversale en recourant à l’hypothèse d’échan-
tillonnage aléatoire. Cette approche devrait convenir aux étudiants qui ont découvert
l’échantillonnage aléatoire dans leur cours d’introduction à la statistique. Cela permet
10 Introduction à l’économétrie

également aux étudiants d’opérer une distinction entre les hypothèses propres au modèle
issu de la population, auxquelles nous pouvons donner une signification économique ou
comportementale, et les hypothèses relatives à l’échantillonnage des données. Une fois
que les étudiants ont acquis une bonne compréhension du modèle de régression basé
sur l’échantillonnage aléatoire, il est alors envisageable de discuter de manière intuitive
des conséquences liées à l’utilisation d’un échantillon non aléatoire.
Une autre caractéristique importante de l’approche que j’adopte dans ce livre,
réside dans le fait qu’une variable est considérée comme résultant d’un processus sto-
chastique, que cette variable soit dépendante ou explicative. Dans le cadre des sciences
sociales, l’hypothèse de variables aléatoires est plus réaliste que l’hypothèse tradition-
nelle de variables non aléatoires. Cette approche permet également de réduire le nombre
d’hypothèses que les étudiants doivent assimiler. En réalité, l’approche traditionnelle
de l’analyse de régression, qui considère les variables explicatives comme fixes d’un
échantillon à l’autre, s’applique à des données collectées dans un cadre expérimental.
Or, cette approche est encore omniprésente dans les ouvrages d’introduction à l’écono-
métrie et les contorsions cérébrales nécessaires à la compréhension de ces hypothèses
déroutent souvent les étudiants.
Dans le modèle issu de la population, je souligne que les hypothèses fonda-
mentales qui sous-tendent l’analyse de régression (comme l’hypothèse d’espérance
nulle de l’erreur) sont en réalité conditionnelles aux variables explicatives. Cela per-
met une meilleure compréhension des problèmes économétriques qui peuvent invali-
der les procédures classiques d’inférence statistique, telle que l’hétéroscédasticité (qui
se traduit par une variance non constante de l’erreur). En me concentrant sur la popu-
lation, je parviens à écarter plusieurs idées fausses que l’on rencontre dans certains
ouvrages d’économétrie. Par exemple, j’explique la raison pour laquelle la mesure
classique du R carré reste une mesure valide de la qualité d’ajustement d’un modèle en
présence d’hétéroscédasticité (chapitre VIII) ou d’autocorrélation dans les écarts-types
estimés (chapitre 12). Je montre que les tests sur la forme fonctionnelle ne devraient
pas être considérés comme des tests généraux d’omission de variables (chapitre 9).
J’identifie également la raison pour laquelle il est toujours intéressant d’inclure, dans
un modèle de régression, des variables de contrôle supplémentaires qui ne sont pas
corrélées à la variable explicative d’intérêt (chapitre 6).
Comme les hypothèses relatives à l’analyse en coupe transversale sont à la fois
relativement simples et réalistes, les étudiants peuvent assez rapidement se frotter aux
applications empiriques, sans devoir se préoccuper de problèmes plus épineux qui sont
omniprésents dans les modèles de régression sur séries chronologiques (comme les pro-
blèmes de tendance temporelle, saisonnalité, autocorrélation, forte persistance et régres-
sion fallacieuse). En procédant de la sorte, j’espérais que mon analyse de la régression
en coupe transversale, qui précède celle sur les séries chronologiques, allait être particu-
lièrement appréciée par les enseignants dont les intérêts de recherche se situent dans le
domaine de la microéconomie appliquée ; et il semble que ce soit effectivement le cas.
Les personnes dont l’intérêt porte avant tout sur les séries chronologiques ont également
Avant-propos 11

été enthousiasmées par la structure de cet ouvrage. En retardant le traitement économé-

trique des séries chronologiques, je peux analyser plus sérieusement les pièges poten-
tiels qui leur sont spécifiques. L’économétrie des séries chronologiques reçoit enfin le
traitement qu’elle méritait dans un ouvrage d’introduction.
Comme dans les éditions précédentes, j’ai soigneusement sélectionné les
thèmes en fonction de leur lien avec la littérature scientifique et la recherche empi-
rique de base. Pour chaque thème, j’ai délibérément omis de nombreux tests et procé-
dures d’estimation qui n’ont pas résisté à l’épreuve du temps, même s’ils sont encore
inclus dans d’autres manuels d’économétrie. De la même façon, j’ai mis en évidence
des thèmes plus récents qui ont clairement démontré leur utilité, comme le calcul de
statistiques de tests robustes à l’hétéroscédasticité (ou à l’autocorrélation) de forme
inconnue, l’utilisation de données portant sur plusieurs années pour l’analyse de poli-
tiques, dites discrétionnaires, ou encore l’utilisation de variables instrumentales pour
faire face au problème de variable omise. Mes choix semblent avoir été judicieux car
je n’ai reçu que quelques suggestions d’ajout ou de suppression.
J’adopte une approche systématique dans ce manuel : chaque thème est logi-
quement introduit à partir des éléments vus au préalable, et les hypothèses ne sont
introduites qu’au fur et à mesure des besoins. Par exemple, les chercheurs qui utili-
sent l’économétrie comme outil empirique savent bien que toutes les hypothèses de
Gauss-Markov ne sont pas nécessaires pour démontrer que les moindres carrés ordi-
naires (MCO) ne sont pas biaisés. La majorité des manuels d’économétrie présentent
pourtant l’ensemble de ces hypothèses avant de prouver l’absence de biais des MCO.
Il arrive même que l’hypothèse de normalité soit incluse parmi les hypothèses néces-
saires à la démonstration du théorème de Gauss-Markov, alors que la normalité ne
joue aucun rôle pour démontrer que les estimateurs des MCO sont les meilleurs esti-
mateurs linéaires sans biais. L’approche systématique que j’adopte dans ce manuel
est illustrée par l’ordre des hypothèses que j’utilise pour introduire la régression mul-
tiple dans la première partie. Cet ordre suit une progression naturelle, qui nous donne
l’occasion de résumer brièvement l’objectif de chaque hypothèse.
– RLM.1. Introduire le modèle issu de la population et en interpréter les para-
mètres (que nous espérons estimer correctement par la suite).
– RLM.2. Introduire l’échantillonnage aléatoire obtenu à partir de la population
et décrire les données utilisées pour estimer les paramètres de la population.
– RLM.3. Ajouter l’hypothèse portant sur les variables explicatives, qui rend
possible le calcul des estimations à l’aide de notre échantillon ; il s’agit de
l’hypothèse d’absence de colinéarité parfaite.
– RLM.4. Supposer que la moyenne de l’erreur du modèle de la population,
que nous ne pouvons pas observer, ne dépend pas des valeurs prises par
les variables explicatives ; il s’agit de l’hypothèse d’« indépendance de la
moyenne » de l’erreur, qui se résume souvent par une espérance nulle de l’er-
reur dans la population. Sans elle, l’absence de biais des MCO est impossible.
12 Introduction à l’économétrie

En utilisant les hypothèses RLM.1 à RLM.3, il est possible d’examiner les

propriétés algébriques des MCO, c’est-à-dire les propriétés des MCO qui s’appli-
quent à n’importe quel jeu particulier de données. Si l’hypothèse RLM.4 est ajoutée
aux trois premières, les MCO sont sans biais (et convergents). L’hypothèse RLM.5
d’homoscédasticité est utile pour dériver le théorème de Gauss-Markov et rendre
valides les habituelles formules de variance des MCO. Sous les cinq premières hypo-
thèses, les estimateurs des MCO sont les meilleurs estimateurs linéaires sans biais.
L’hypothèse RLM.6 de normalité est la dernière des six hypothèses sur lesquelles
repose le modèle linéaire classique. Ces six hypothèses sont requises pour obtenir des
tests exacts d’inférence statistique et des estimateurs des MCO dont la variance est la
plus petite parmi tous les estimateurs sans biais, qu’ils soient linéaires ou pas.
Dans la seconde partie, je me lance dans l’étude des propriétés des MCO en
grand échantillon et l’analyse de régression sur séries chronologiques. Une présenta-
tion et une discussion minutieuses des hypothèses de travail permettent une transition
plus facile vers la troisième partie. Dans cette troisième et dernière partie, j’aborde des
sujets plus pointus, tels que l’utilisation de données empilées, l’exploitation de bases
de données en panel, et l’application de variables instrumentales. En règle générale,
je me suis efforcé de donner une vision unifiée de l’économétrie selon laquelle tous
les estimateurs et les statistiques de tests sont obtenus en se reposant sur quelques
principes à la fois logiques sur le plan intuitif et rigoureusement justifiés sur le plan
formel. Par exemple, les étudiants comprennent d’autant plus facilement les tests d’hé-
téroscédasticité et d’autocorrélation qu’ils ont acquis une maîtrise de la régression.
Cette manière de procéder peut être mise en contraste avec le traitement décousu de
recettes qui s’appliquent souvent à des procédures de tests dépassées.
Dans ce manuel, j’insiste particulièrement sur les relations ceteris paribus.
C’est la raison pour laquelle je passe directement de l’analyse de régression simple
à l’analyse de régression multiple, l’objectif étant que les étudiants puissent analyser
le plus rapidement possible des sujets empiriques intéressants. J’accorde de l’impor-
tance à l’analyse de politiques publiques en utilisant des données diverses et variées.
Par exemple, j’ai tenu à introduire le plus simplement possible deux exemples de
sujets importants sur le plan pratique : l’utilisation de variables de substitution dans
le but d’obtenir des effets ceteris paribus et l’interprétation des effets partiels dans les
modèles à termes d’interaction.

QUOI DE NEUF DANS CETTE ÉDITION ?

De nouveaux exercices ont été ajoutés dans la quasi-totalité des chapitres. Il s’agit
d’exercices informatiques qui requièrent la manipulation de base de données, dont
plusieurs sont inédits, de simulations informatiques qui permettent d’étudier les pro-
priétés de l’estimateur des MCO, ou encore de problèmes plus exigeants sur le plan
formel, pour lesquels une démonstration est nécessaire.
Avant-propos 13

J’ai effectué plusieurs changements dans différents chapitres. Dans le cha-

pitre 3, j’ai approfondi la discussion sur la multicolinéarité et les facteurs d’inflation
de variance, que j’avais introduite dans la quatrième édition. Le chapitre 3 contient
également une nouvelle section sur la terminologie que devraient utiliser les cher-
cheurs lorsqu’ils discutent des équations estimées par les MCO. Pour les étudiants qui
découvrent l’économétrie, il est important de bien comprendre la différence entre un
modèle et une méthode d’estimation ; les étudiants devront s’en souvenir lorsqu’ils
étudieront des procédures plus sophistiquées et réaliseront des travaux empiriques.
Le chapitre 5 inclut une discussion plus intuitive des échantillons de grande
taille. Un point sur lequel j’insiste est que la taille de l’échantillon influence la distri-
bution des moyennes d’échantillon ; elle n’a pas d’impact sur les distributions issues
de la population, par définition. Le chapitre 6 offre un examen plus approfondi des
transformations logarithmiques appliquées aux proportions. Ce chapitre contient éga-
lement une liste exhaustive des éléments à prendre en considération lorsqu’il s’agit
de choisir la forme fonctionnelle la plus appropriée parmi les plus courantes, c’est-
à-dire la fonction logarithmique, la fonction quadratique et les termes d’interaction.
Le chapitre 7 inclut deux nouveautés. En premier lieu, je montre que le test de
Chow peut être construit à partir de la somme des carrés des résidus lorsque l’hypo-
thèse nulle autorise une variation de la constante entre groupes. En second lieu, dans
la section 7.7, j’offre une interprétation simple et plus réaliste des modèles linéaires
dont la variable dépendante est binaire.
Le chapitre 9 propose un examen plus poussé de l’utilité des variables de
substitution dont l’inclusion dans une régression multiple peut permettre de remédier à
l’omission de variables explicatives importantes. Mon espoir est de dissiper les doutes
quant à la pertinence d’inclure une variable de substitution alors qu’elle peut intro-
duire de la multicolinéarité dans la régression. Dans ce chapitre, j’ai également appro-
fondi l’analyse des estimations obtenues par les moindres déviations absolues. Deux
nouveaux problèmes sont abordés : l’un sur la détection du biais d’omission, l’autre
sur l’hétéroscédasticité et l’estimation par les moindres déviations absolues. Ces deux
sujets stimuleront la réflexion des étudiants consciencieux.
À la fin du chapitre 13, l’annexe comprend dorénavant une discussion
des écarts-types robustes à l’autocorrélation et à l’hétéroscédasticité dans le cadre
des modèles de données de panel estimés en différence première. Le calcul de ces
écarts-types est fréquent dans les études appliquées en microéconomie, qui reposent
souvent sur l’utilisation de données de panel. L’aspect théorique de cette analyse
dépasse la portée de ce manuel d’introduction ; il est néanmoins facile d’en saisir
l’idée de base. Une discussion similaire est disponible dans l’annexe du chapitre 14,
dans le contexte des modèles de panel estimés avec effets fixes et aléatoires. Le cha-
pitre 14 contient également une nouvelle section (14.3) sur l’estimation des modèles
de données de panel avec « effets aléatoires corrélés », qui permettent également de
tenir compte de l’hétérogénéité non observée. Bien que ce sujet soit plus difficile à
14 Introduction à l’économétrie

comprendre, il permet de synthétiser l’analyse des méthodes à effets fixes ou aléa-

toires, et de mieux comprendre l’importance des tests de spécification qui sont sou-
vent utilisés dans les travaux empiriques.
Le chapitre 15 sur l’estimation des variables instrumentales a, lui aussi, été
enrichi. Il souligne l’importance de bien vérifier, dans les équations de forme réduite,
les signes des coefficients propres aux variables instrumentales ; il inclut une discus-
sion de l’interprétation que la forme réduite peut avoir à l’égard de la variable dépen-
dante. Comme au chapitre 3 (dans le cadre des MCO), j’insiste sur le fait que les
variables instrumentales ne sont pas un « modèle », mais une méthode d’estimation.

UN OUVRAGE CONÇU POUR LES ÉTUDIANTS

UNIVERSITAIRES DU PREMIER CYCLE,
MAIS ÉGALEMENT ADAPTABLE AUX ÉTUDIANTS
DU SECOND CYCLE
Ce livre est conçu pour des étudiants universitaires du premier cycle (licence ou bac-
calauréat universitaire), inscrits en économie ou en gestion. Ces étudiants ont géné-
ralement suivi des cours d’algèbre, de statistique et d’introduction au calcul de
probabilités. Si tel ne devait pas en être le cas, les annexes A, B et C contiennent
toutes les références contextuelles nécessaires. Un cours d’économétrie organisé sur
un seul trimestre (ou semestre) ne peut pas aborder les thèmes plus avancés de la troi-
sième partie. Un cours classique d’introduction à l’économétrie couvre les chapitres 1
à 8, qui abordent les bases des régressions simple et multiple pour les données en
coupe transversale. Ces chapitres doivent être accessibles à l’écrasante majorité des
étudiants de premier cycle, à condition que l’accent soit mis sur l’intuition et l’in-
terprétation d’exemples empiriques. La plupart des enseignants désireront également
traiter, au moins en partie et à des degrés divers, les chapitres portant sur l’utilisa-
tion de séries chronologiques dans l’analyse de régression (chapitres 10, 11 et 12).
Dans mon cours organisé sur un semestre à l’université d’État du Michigan, j’étudie
le chapitre 10 en détail ; je donne un aperçu du chapitre 11 ; et je ne fais qu’évoquer
l’autocorrélation du chapitre 12. Il me semble que ce cours d’un semestre donne aux
étudiants une assise suffisante pour leur permettre de réaliser des travaux empiriques
de qualité par la suite. Le chapitre 9 contient des sujets assez spécifiques à l’utilisa-
tion de données en coupe transversale, tels que la présence d’observations isolées ou
d’échantillons non aléatoires. Dans le cadre d’un cours organisé sur un semestre, ce
chapitre peut être laissé de côté sans mettre en péril la cohérence de l’ensemble.
La structure du manuel convient également à un cours consacré exclusivement
à l’analyse de régression sur données en coupe transversale, dont l’intérêt peut por-
ter sur l’analyse de politiques publiques par exemple. Les chapitres relatifs aux séries
chronologiques (chapitre 10, 11 et 12) peuvent être laissés de côté et être remplacés
Avant-propos 15

par des thèmes abordés dans les chapitres 9, 13, 14 et 15. Le chapitre 13 est « avancé »
dans le sens où il traite de données dont la structure est originale ; il s’agit de don-
nées en coupe transversale empilées et de données de panel sur deux périodes uni-
quement. Ce type de données est particulièrement utile pour l’analyse de politiques
discrétionnaires (que le pouvoir politique ou le conseil d’administration d’une entre-
prise peut instaurer, par exemple). La compréhension de ce chapitre ne posera aucun
problème aux étudiants ayant bien assimilé les chapitres 1 à 8. En revanche, le cha-
pitre 14 aborde des méthodes plus avancées en économétrie des données de panel ; il
devrait plutôt faire l’objet d’un second cours. Pour conclure en beauté un cours sur
l’analyse en coupe transversale, je conseille d’introduire les bases de l’estimation par
variables instrumentales, présentées au chapitre 15.
Pour un séminaire consacré à la réalisation de travaux de recherche plus poin-
tus, je me suis servi de plusieurs thèmes abordés dans la troisième partie de ce livre,
en particulier dans les chapitres 13, 14, 15 et 17. Lorsque les étudiants ont suivi un
cours d’introduction à l’économétrie et qu’ils ont été sensibilisés à l’utilisation des
données de panel, des variables instrumentales, et des modèles à variable dépendante
limitée, ils sont capables de comprendre une très grande partie de la littérature empi-
rique consacrée à l’étude des sciences sociales. Le chapitre 17 propose d’ailleurs une
introduction aux modèles à variable dépendante limitée les plus répandus.
Ce texte convient également à un cours d’introduction à l’économétrie orga-
nisé durant le second cycle universitaire, en reconnaissant que l’accent doit être mis
davantage sur les applications empiriques que sur les démonstrations réalisées à l’aide
de l’algèbre matricielle. Plusieurs enseignants ont utilisé ce manuel au niveau du
« master » dans le cadre de l’analyse de politiques discrétionnaires. Pour les ensei-
gnants qui désirent présenter l’économétrie sous forme matricielle, les annexes D et E
contiennent un rappel des notions d’algèbre matricielle et une introduction au modèle
de régression multiple sous forme matricielle.
Les doctorants de l’Université d’État du Michigan, dont les thèses portent sur
des problématiques très diverses (en comptabilité, économie de l’agriculture, écono-
mie du développement, économie de l’éducation, finance, économie internationale,
économie du travail, macroéconomie, science politique ou finances publiques), ont
également apprécié ce manuel en raison du pont qu’il permet de jeter entre la théorie
économétrique et la nature empirique de leurs travaux.

CARACTÉRISTIQUES DE L’OUVRAGE
De nombreuses questions de réflexion, assez brèves, sont insérées dans le corps même
des chapitres de ce manuel. Ces questions, dont les réponses sont reprises dans l’an-
nexe F, permettent aux étudiants de vérifier rapidement si les notions qu’ils viennent
de découvrir ont été correctement assimilées. Chaque chapitre contient également de
nombreux exemples numérotés, véritables études de cas en miniature, qui sont inspirés
16 Introduction à l’économétrie

d’articles publiés dans la littérature scientifique. Je me suis toutefois permis d’en sim-
plifier l’analyse, en veillant à ne pas en trahir l’esprit.
Les exercices disponibles à la fin des chapitres, ainsi que les exercices sur
ordinateur, sont axés sur l’analyse empirique plutôt que sur les démonstrations théo-
riques. Les étudiants doivent apprendre à développer un raisonnement précis, en se
basant sur ce qu’ils ont appris dans le chapitre de référence. Les exercices informa-
tiques permettent souvent d’approfondir les exemples qui ont été analysés dans le cha-
pitre. De nombreux exercices requièrent l’utilisation de données tirées ou inspirées
d’articles publiés dans la littérature scientifique et dont les étudiants peuvent dispo-
ser gratuitement.
Une des particularités de ce manuel est le glossaire relativement exhaustif,
dont les définitions brèves rafraîchiront la mémoire des étudiants qui doivent plan-
cher sur leurs examens, lire la littérature en économétrie ou réaliser des travaux empi-
riques. Cette cinquième édition contient plusieurs nouvelles entrées.

BASES DE DONNÉES DISPONIBLES

EN SIX FORMATS 1
Cette nouvelle édition permet dorénavant d’importer directement les bases de données
disponibles dans les logiciels R et Minitab®. L’enseignant a l’embarras du choix : plus
d’une centaine de bases de données sont disponibles ; chacune d’entre elles peut être
directement importée dans les logiciels Stata®, EViews®, Minitab®, Microsoft® Excel,
R et TeX. Comme la plupart de ces bases de données sont tirées d’articles publiés
dans la littérature scientifique, la taille de certaines d’entre elles est importante. Ces
bases de données ne sont naturellement pas reproduites intégralement dans le corps
du texte, même s’il s’est parfois révélé utile d’en tirer quelques extraits pour en illus-
trer la diversité. Comme je l’ai déjà précisé, ce manuel donne une place de prédilec-
tion aux analyses empiriques que les exercices sur ordinateur permettent de réaliser.

UN MANUEL DE DESCRIPTION DES BASES

DE DONNÉES (en anglais)
Les bases de données utilisées dans cet ouvrage sont décrites dans un manuel dispo-
nible en ligne. Ce manuel, unique en son genre et créé par l’auteur lui-même, identi-
fie les sources de ces données et propose plusieurs pistes que l’enseignant peut suivre
s’il désire construire ses propres exercices et travaux. Sont également indiquées les
pages de l’ouvrage principal, auxquelles chaque base de données est mentionnée, ce

1 Ces bases de données sont disponibles uniquement en anglais. Plus d’informations sur [Link]
[Link].
Avant-propos 17

qui permet à l’étudiant et à l’enseignant de saisir rapidement l’utilisation qui en a été

faite. Les étudiants désireront sans doute lire en priorité la description des séries dis-
ponibles, alors que les enseignants chercheront plutôt à créer de nouveaux exercices
et problèmes. C’est la raison pour laquelle le manuel mentionne également des bases
de données qui ne sont pas utilisées dans le texte principal. Il contient même des sug-
gestions que l’enseignant peut suivre s’il souhaite améliorer ces bases de données.
Ce manuel est disponible sur le site compagnon du livre à l’adresse suivante : http://
[Link]. Les étudiants peuvent y accéder gratuitement à l’adresse www.
[Link].

L’ORGANISATION PLUS DÉTAILLÉE

DE VOTRE COURS
J’ai donné précédemment plusieurs indications quant à la structure générale d’un cours
d’économétrie du premier ou second cycle universitaire. J’ai également commenté le
contenu de plusieurs chapitres. Je donne ici un aperçu plus spécifique des sections
qu’un enseignant peut décider d’inclure ou non dans son cours.
Le chapitre 9 contient plusieurs exemples intéressants, comme le cas de la
régression du salaire qui inclut le quotient intellectuel comme variable explicative. Il
est possible de présenter ces exemples aux étudiants sans devoir passer par une dis-
cussion formelle des variables de substitution. En règle générale, je parle plus en détail
des variables de substitution après avoir couvert l’analyse de la régression en coupe
transversale. Dans le cadre d’un cours organisé sur un semestre, je laisse tomber l’in-
férence robuste à l’autocorrélation et les modèles dynamiques d’hétéroscédasticité, qui
sont introduits dans le chapitre 12.
Même dans le cadre d’un second cours, je consacre peu de temps au cha-
pitre 16, qui porte sur les équations simultanées. Les opinions des enseignants diffèrent
lorsqu’il s’agit de statuer sur l’utilité d’enseigner les modèles à équations simultanées
aux étudiants du premier cycle universitaire. Mon sentiment est que l’utilisation des
modèles à équations simultanées est souvent abusive (voir le chapitre 16 pour une dis-
cussion plus approfondie). Dans bien des cas, lorsque la problématique empirique est
analysée avec soin, l’estimation par variables instrumentales se justifie davantage par
l’omission d’une variable ou la présence d’une erreur de mesure, que par une détermi-
nation simultanée des variables. C’est la raison pour laquelle, dans le chapitre 15, j’ai
recouru prioritairement au problème d’omission de variables pour justifier l’estima-
tion par variables instrumentales. Bien entendu, les modèles à équations simultanées
sont indispensables pour estimer les fonctions d’offre et de demande ; ils s’appliquent
également à d’autres cas importants.
Le seul chapitre qui porte sur les modèles intrinsèquement non linéaires
dans leurs paramètres est le chapitre 17, dont la compréhension requiert un effort
18 Introduction à l’économétrie

supplémentaire de la part des étudiants. Ce chapitre débute par l’analyse des modèles
probit et logit, dont la variable de réponse est binaire dans les deux cas. Ce chapitre
couvre également le modèle Tobit et la régression censurée, ce qui peut être considéré
comme inhabituel dans un manuel d’introduction à l’économétrie. J’indique claire-
ment que le modèle Tobit est intéressant, dans le contexte d’un échantillonnage aléa-
toire, lorsque la variable de réponse donne lieu à de nombreuses solutions en coin.
Quant au modèle de régression censurée, il est approprié lorsque le processus aléatoire
de collecte de données conduit à n’observer la variable dépendante qu’en dessous (ou
qu’au-dessus) d’un seuil connu, souvent fixé de manière arbitraire.
Le chapitre 18 porte sur des thèmes plus avancés de l’économétrie des séries
chronologiques, notamment les tests de racine unitaire et la cointégration. Je n’aborde
ces sujets que dans le cadre d’un second cours d’économétrie, que ce cours soit orga-
nisé au niveau du premier cycle ou au niveau du « master ». Le chapitre 18 inclut éga-
lement une introduction détaillée à la prévision.
Le chapitre 19 devrait être inclus dans un cours au terme duquel la rédac-
tion d’un travail empirique est exigée. Plus approfondi que dans d’autres ouvrages
d’économétrie, ce chapitre opère une synthèse des méthodes qui permettent un traite-
ment approprié des structures de données et problèmes auxquels les étudiants sont le
plus souvent confrontés ; j’identifie les pièges méthodologiques à éviter ; j’explique
en détail la marche à suivre lors de la rédaction d’un travail empirique ; et je conclus
en proposant quelques idées de recherche empirique.
 REMERCIEMENTS

Je remercie les personnes qui ont relu le texte de la cinquième édition, en n’oubliant
pas celles qui ont commenté la quatrième.

Erica Johnson, Argun Saatcioglu,

Gonzaga University University of Kansas
Mary Ellen Benedict, Ken Brown,
Bowling Green State University University of Northern Iowa
Yan Li, Michael R. Jonas,
Temple University University of San Francisco
Melissa Tartari, Melissa Yeoh,
Yale University Berry College
Michael Allgrunn, Nikolaos Papanikolaou,
University of South Dakota SUNY at New Paltz
Gregory Colman,
Konstantin Golyaev,
Pace University
University of Minnesota
Yoo-Mi Chin,
Soren Hauge,
Missouri University of Science
Ripon College
and Technology
Arsen Melkumian, Kevin Williams,
Western Illinois University University of Minnesota

Kevin J. Murphy, Hailong Qian,

Oakland University Saint Louis University

Kristine Grimsrud, Rod Hissong,

University of New Mexico University of Texas at Arlington
Will Melick, Steven Cuellar,
Kenyon College Sonoma State University
Philip H. Brown, Yanan Di,
Colby College Wagner College
20 Introduction à l’économétrie

John Fitzgerald, Subha Mani,

Bowdoin College Fordham University
Philip N. Jefferson, John Maluccio,
Swarthmore College Middlebury College
Yongsheng Wang, James Warner,
Washington and Jefferson College College of Wooster

Sheng-Kai Chang, Christopher Magee,

National Taiwan University Bucknell University

Damayanti Ghosh, Andrew Ewing,

Binghamton University Eckerd College

Susan Averett, Debra Israel,

Lafayette College Indiana State University
Jay Goodliffe,
Kevin J. Mumford,
Brigham Young University
Purdue University
Stanley R. Thompson,
Nicolai V. Kuminoff,
The Ohio State University
Arizona State University
Michael Robinson,
Subarna K. Samanta, Mount Holyoke College
The College of New Jersey
Ivan Jeliazkov,
Jing Li, University of California,
South Dakota State University Irvine
Gary Wagner, Heather O’Neill,
University of Arkansas – Little Rock Ursinus College
Kelly Cobourn, Leslie Papke,
Boise State University Michigan State University
Timothy Dittmer, Timothy Vogelsang,
Central Washington University Michigan State University
Daniel Fischmar, Stephen Woodbury,
Westminster College Michigan State University

Plusieurs changements que j’ai évoqués précédemment ont été introduits dans
cette édition à la suite des commentaires que ces collègues ont eu la gentillesse de me
transmettre. Je poursuis d’ailleurs la réflexion sur les modifications à apporter dans
les éditions ultérieures.
De nombreux étudiants et assistants, trop nombreux pour que je puisse les
nommer ici, ont repéré des coquilles qui subsistaient dans les éditions précédentes.
Remerciements 21

Ils m’ont également suggéré de reformuler certains paragraphes. Je leur en suis

reconnaissant.
J’ai pris une nouvelle fois beaucoup de plaisir à collaborer avec l’équipe de
South-Western/Cengage Learning. Mike Worls, responsable des acquisitions, que je
connais depuis longtemps, a appris à me guider, avec délicatesse et fermeté. Julie
Warwick est rapidement parvenue à relever le défi que constitue l’édition d’un manuel
technique et dense. Sa lecture attentive du manuscrit et son sens aiguisé du détail ont
considérablement amélioré la qualité de cette cinquième édition.
Jean Buttrom a brillamment rempli son rôle de directeur de production et
Karunakaran Gunasekaran, de PreMediaGlobal, a supervisé la réalisation du projet
et la composition du manuscrit avec beaucoup d’efficacité et de professionnalisme.
Je remercie tout particulièrement Martin Biewen, de l’université de Tübingen,
qui a créé les diapositives PowerPoint qui illustrent les chapitres de cet ouvrage. Mes
remerciements vont aussi à Francis Smart qui a aidé à la création des séries de don-
nées en R.
Ce livre est dédié à mon épouse, Leslie Papke, qui a directement contribué
à cette édition en rédigeant les versions initiales des diapositives en Word scienti-
fique pour la troisième partie. Elle a également utilisé ces diapositives dans le cours
de politique publique qu’elle enseigne à l’université. Enfin, la contribution de nos
enfants doit être soulignée : Edmund m’a aidé à mettre à jour le manuel de données
et Gwenyth nous a agréablement divertis grâce à ses talents artistiques.

Jeffrey M. Wooldridge
REMERCIEMENTS DES TRADUCTEURS

Nous remercions Jean-Charles Wijnandts, Thomas Renault et Aude de la Rupelle

d’avoir accepté de relire certains chapitres et annexes de cet ouvrage. Si des erreurs
se sont glissées dans cette première édition, nous invitons chaleureusement les lec-
teurs à nous les communiquer.
 À PROPOS DE L’AUTEUR

Jeffrey M. Wooldridge est professeur d’économie à l’Université d’État du Michigan

(MSU) où il enseigne depuis 1991. De 1986 à 1991, il a été professeur d’écono-
mie au Massachusetts Institute of Technology (MIT). Il a obtenu sa licence en éco-
nomie et informatique à l’Université de Californie à Berkeley en 1982, et sa thèse
de doctorat en économie à l’Université de Californie à San Diego en 1986. Le pro-
fesseur Wooldridge a publié de nombreux articles dans des revues de renommée
internationale, ainsi que plusieurs chapitres de livres. Il est également l’auteur d’Eco-
nometric Analysis of Cross Section and Panel Data. Il a reçu de nombreuses récom-
penses : une bourse de recherche de la Fondation Alfred P. Sloan, le prix Plura
Scripsit de la revue Econometric Theory, le prix Sir Richard Stone du Journal of
Applied Econometrics, et le titre d’enseignant de l’année du second cycle au MIT, à
trois reprises. Il est membre de l’Econometric Society et du Journal of Econometrics ;
il est le coéditeur du Journal of Econometric Methods. Dans le passé, il a été l’édi-
teur du Journal of Business and Economic Statistics et le coéditeur en économétrie
de la revue Economics Letters. Il a été membre du comité de rédaction d’Econo-
metric Theory, Journal of Economic Literature, Journal of Economics, Review of
Economics and Statistics et Stata Journal. Il a également été consultant occasionnel
pour Arthur Andersen, Charles River Associates, le Washington State Institute for
Public Policy et Stratus Consulting.
 1
LA NATURE DE L’ÉCONOMÉTRIE
ET LA STRUCTURE DES DONNÉES
ÉCONOMIQUES
Traduction de Marion Leturcq

1.1 Qu’est-ce que l’économétrie ? 26

1.2 Les étapes de l’analyse économique empirique 27
1.3 La structure des données économiques 31
1.4 La causalité et la signification de ceteris paribus dans l’analyse
économétrique 41
26 La nature de l’économétrie et la structure des données économiques

Le chapitre 1 définit le champ d’application de l’économétrie ; il soulève égale-

ment des questions d’ordre général, qui se posent lors de l’analyse de données en écono-
métrie. La section 1.1 discute brièvement de l’objectif et de la portée de l’économétrie.
Son intégration dans l’analyse économique est également abordée dans cette section. La
section 1.2 présente des exemples montrant que la théorie économique sert à construire
des modèles dont l’estimation requiert l’utilisation de données. La section 1.3 examine
les types de bases de données qui sont utilisées en gestion et en économie. La section 1.4
explique de manière intuitive les difficultés auxquelles il faut faire face lorsqu’il s’agit
de déduire des liens de causalité dans le domaine des sciences sociales.

1.1 QU’EST-CE QUE L’ÉCONOMÉTRIE ?

Imaginez que vous soyez recruté par les pouvoirs publics pour évaluer l’efficacité d’un
programme de formation professionnelle financé par des fonds publics. Ce programme
enseigne aux employés les différentes utilisations possibles de l’ordinateur dans le
cycle de production de l’entreprise. Il s’étale sur vingt semaines et offre des cours en
dehors des heures de travail. Tous les salariés sont libres de participer à l’ensemble
du programme ou à une partie seulement. Le cas échéant, vous devez évaluer l’effet
du programme de formation professionnelle sur le salaire horaire de chaque employé.
Imaginez maintenant que vous travailliez pour une banque d’investissement.
Vous devez étudier les rendements de plusieurs stratégies qui consistent à investir
dans des bons du trésor américains de différentes maturités, l’objectif étant de vérifier
si ces stratégies sont conformes aux théories économiques sous-jacentes.
À première vue, répondre à ces questions peut sembler insurmontable. À ce
stade, vous n’avez qu’une vague idée des données auxquelles il faudrait recourir. À la
fin de cet ouvrage, vous devriez être capable d’utiliser les méthodes économétriques
les plus appropriées pour évaluer en bonne et due forme un programme de formation
professionnelle ou tester une théorie économique simple.
L’économétrie est fondée sur le développement de méthodes statistiques dont
le but est d’estimer des relations économiques, tester des théories économiques, éva-
luer et mettre en œuvre la politique du gouvernement et des entreprises. Une des
utilisations les plus courantes de l’économétrie consiste à prédire l’évolution de
variables macroéconomiques importantes, comme les taux d’intérêt, les taux d’infla-
tion ou le produit intérieur brut. Les prévisions d’indicateurs économiques sont très
visibles et largement diffusées, mais les méthodes économétriques peuvent aussi être
utilisées dans des domaines de l’économie qui n’ont aucun rapport avec la prévision
macroéconomique. Nous étudierons par exemple les effets des dépenses de campagne
électorale sur les résultats des élections. Dans le domaine de l’éducation, nous analy-
serons l’effet de subsides octroyés aux écoles sur la performance des étudiants. Nous
apprendrons aussi à utiliser les méthodes économétriques pour générer des prévisions
à partir de séries chronologiques.
Les étapes de l’analyse économique empirique 27

L’économétrie s’est progressivement développée comme une discipline distincte de

la statistique mathématique au fur et à mesure qu’elle s’est intéressée aux problèmes inhé-
rents à la collecte et à l’analyse de données économiques non-expérimentales. Les données
non-expérimentales ne proviennent pas d’expérimentations contrôlées sur les individus,
les entreprises ou certains segments de l’économie. (Les données non-expérimentales sont
parfois appelées données observationnelles ou données rétrospectives, afin de mettre
en valeur le fait que le chercheur recueille les données de manière passive.) Les données
expérimentales sont souvent issues d’expérimentations, réalisées au sein de laboratoires en
sciences naturelles ; elles sont bien plus difficiles à obtenir en sciences sociales. Même s’il
est parfois possible de concevoir des expérimentations sociales pour répondre à des ques-
tions économiques, leur réalisation est souvent impossible, hors de prix ou moralement
inacceptable. Nous verrons quelques exemples précis de différences entre des données
expérimentales et des données non-expérimentales dans la section 1.4.
Bien sûr, les économètres se sont inspirés des statisticiens dès que cela leur
était possible. La méthode des régressions multiples est au cœur de ces deux disci-
plines, mais son champ d’analyse et son interprétation peuvent différer de manière
notable. Les économistes ont également mis au point des techniques nouvelles pour
tenir compte de la complexité des données économiques et pour tester les prédictions
des théories économiques.

1.2 LES ÉTAPES DE L’ANALYSE ÉCONOMIQUE

EMPIRIQUE
Les méthodes économétriques sont utilisées dans quasiment toutes les branches de l’éco-
nomie appliquée. Elles entrent en jeu dès que nous avons une théorie économique à tes-
ter ou qu’il existe un lien logique entre plusieurs variables. La nature de ce lien peut
d’ailleurs revêtir une importance toute particulière lorsqu’il s’agit de prendre une décision
commerciale ou de recommander une politique économique. Une analyse empirique
utilise des données pour tester une théorie ou estimer le lien entre plusieurs variables.
Comment doit-on structurer une analyse économique empirique ? Même si
cela peut paraître évident, il faut d’abord insister sur l’importance que revêt, dans toute
analyse empirique, la formulation de la question d’intérêt. La question peut consister à
tester un aspect particulier d’une théorie économique ; il peut s’agir également de tes-
ter les effets d’une politique menée par un gouvernement. En principe, les méthodes
économétriques peuvent être utilisées pour répondre à un large éventail de questions.
Dans certains cas, en particulier lorsqu’il s’agit de tester une théorie éco-
nomique, l’élaboration d’un modèle économique formel est requise. Un modèle
économique est composé d’équations mathématiques qui décrivent des liens divers
entre variables. Les économistes sont connus pour leur capacité à modéliser une large
palette de comportements. Par exemple, en microéconomie, les décisions individuelles
28 La nature de l’économétrie et la structure des données économiques

de consommation, sous contrainte de budget, sont décrites par des modèles mathéma-
tiques. Le postulat de base sous-jacent à ces modèles est la maximisation de l’utilité.
L’hypothèse selon laquelle les individus, soumis à des contraintes de ressources, font
des choix dans le but de maximiser leur bien-être, offre un cadre d’analyse puissant
qui permet la mise en place de modèles économiques dont les solutions sont analy-
tiques et les prédictions sont claires. Dans le contexte des décisions de consommation,
la maximisation de l’utilité conduit à un ensemble d’équations de demande. Dans une
équation de demande, la quantité de chaque produit dépend de son prix, du prix des
biens compléments et substituts, du revenu du consommateur et des caractéristiques
individuelles qui affectent les goûts. Ces équations peuvent former la base d’une ana-
lyse économétrique de la demande du consommateur.
Les économistes ont utilisé des outils économiques de base, comme le cadre
d’analyse de la maximisation de l’utilité, pour expliquer des comportements qui ne
sont pas, à première vue, de nature économique. Un exemple classique est le modèle
économique de Becker (1968) pour expliquer la criminalité.

Exemple 1.1
Un modèle économique de la criminalité

Dans un article précurseur, le prix Nobel Gary Becker a proposé de décrire la participation d’un individu à des activités
criminelles au moyen d’un cadre d’analyse de maximisation de l’utilité. Si certaines activités criminelles conduisent à une
récompense économique claire, la plupart des comportements criminels sont aussi coûteux. Ce type de comportements
empêche le criminel de participer à d’autres activités comme l’emploi légal, ce qui constitue son coût d’opportunité. Il y a
également des coûts associés à la possibilité d’être arrêté et, si on est reconnu coupable, des coûts liés à l’incarcération.
Dans la perspective de Becker, la décision d’entreprendre une activité illégale est une décision d’allocation de ressources, qui
prend en compte les coûts et avantages des activités en lice.
Sous des hypothèses très générales, il est possible de déduire une équation du temps consacré à une activité criminelle en
fonction de plusieurs facteurs. On pourrait représenter cette fonction par :
y = f (x 1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 ) [1.1]
où
y = nombre d’heures passées à des activités criminelles,
x1 = « salaire » pour une heure passée à une activité criminelle,
x2 = salaire horaire pour un emploi légal,
x3 = revenu de sources différentes de l’emploi ou du crime,
x4 = probabilité d’être arrêté,
x5 = probabilité d’être reconnu coupable si arrêté,
x6 = sentence si reconnu coupable,
x7 = âge.
La décision d’une personne de participer à une activité criminelle peut être affectée par d’autres facteurs, mais la liste
ci-dessus est représentative de ce qui pourrait être issu d’une analyse économique formelle. Comme de coutume en écono-
mie, nous n’avons pas spécifié la fonction f(.) en (1.1). Elle dépend d’une fonction d’utilité sous-jacente, qui est rarement
connue. Néanmoins, on peut utiliser la théorie économique (ou l’introspection) pour prédire l’effet que chaque variable pour-
rait avoir sur l’activité criminelle. Tels sont les éléments de base d’une analyse économétrique de la criminalité individuelle.
Les étapes de l’analyse économique empirique 29

La modélisation économique formelle est parfois le point de départ de l’ana-

lyse empirique, mais il est courant d’utiliser la théorie économique de manière moins
systématique, voire de se reposer entièrement sur son intuition. Vous conviendrez que
les déterminants de la criminalité qui apparaissent dans l’équation (1.1) sont de l’ordre
du bon sens et que nous pourrions aboutir directement à cette équation sans partir
d’un principe de maximisation de l’utilité. C’est en effet un point de vue acceptable,
même si la modélisation apporte, dans certains circonstances, un éclairage fort utile,
que l’intuition seule est incapable d’apporter. L’exemple suivant propose une équa-
tion qui découle d’un raisonnement moins formel.

Exemple 1.2
Formation professionnelle et productivité du salarié

Considérons le problème qui a été introduit au début de la section 1.1. Un économiste du travail veut étudier les effets de
la formation professionnelle sur la productivité des employés. Dans ce cas, le recours à une théorie économique formelle
n’est pas absolument nécessaire. Il suffit de comprendre les bases de l’économie pour se rendre compte que des facteurs
tels que l’éducation, l’expérience et la formation professionnelle auront un effet sur la productivité de l’employé. D’ailleurs,
les économistes savent très bien que les salariés sont payés en fonction de leur productivité. Ce raisonnement simple aboutit
au modèle suivant :
wage = f (educ , exper , training) [1.2]
où
wage = salaire horaire,
educ = nombre d’années d’études,
exper = nombre d’années d’expérience professionnelle,
training = nombre de semaines de formation professionnelle.
Naturellement, d’autres facteurs affectent le taux de salaire, mais l’équation (1.2) capture l’essentiel du problème.

Après avoir spécifié le modèle économique, il est nécessaire de le transformer

en ce qu’on appelle un modèle économétrique. Il est important de savoir comment nous
passons de l’un à l’autre, puisque cet ouvrage est précisément consacré à l’étude des
modèles économétriques. Partons de l’équation (1.1). Il faut d’abord spécifier la forme
de la fonction f(.) avant d’entreprendre une analyse économétrique. L’équation (1.1)
présente un autre problème : que faisons-nous des variables qui, dans les faits, ne peu-
vent pas être observées ? Pensons par exemple au salaire qu’une personne peut tirer de
l’exercice d’activités criminelles. En principe, cette quantité est définie, mais il serait
difficile, voire impossible, de mesurer ce salaire pour un individu donné. Même des
variables, comme la probabilité d’être arrêté, ne peuvent pas être obtenues pour chaque
individu ; on peut néanmoins observer des statistiques pertinentes sur le nombre d’arres-
tations et en déduire des variables qui donnent une approximation de la probabilité
d’être arrêté pour un individu. Il y a tellement d’autres facteurs qui peuvent avoir un
effet sur le comportement criminel qu’on ne peut pas en établir la liste, encore moins
les observer. Il faudra pourtant en tenir compte, d’une manière ou d’une autre.
30 La nature de l’économétrie et la structure des données économiques

Les ambiguïtés intrinsèques du modèle économique de la criminalité sont

résolues en spécifiant le modèle économétrique suivant :
crime = β0 + β1 wage + β2 othinc + β3 freqarr + β4 freqconv
+ β5 avgsen + β6 age + u [1.3]
où
crime = une mesure de la fréquence de l’activité criminelle,
wage = le salaire qui peut être touché dans l’emploi légal,
othinc = autres sources de revenu (biens financiers, héritage, etc.),
freqarr = la fréquence des arrestations lors d’infractions antérieures (dans l’espoir de
se rapprocher de la probabilité d’arrestation pour chaque individu),
freqconv = la fréquence de condamnation,
avgsen = la durée moyenne de la sentence en cas de condamnation.
Le choix de ces variables est déterminé par la théorie économique mais aussi
par des considérations liées aux données. Le terme u contient des facteurs inobservés,
comme le salaire provenant d’activités criminelles, les valeurs morales, le contexte
familial ; il contient également les erreurs incluses dans la mesure des variables,
comme pour la fréquence de l’activité criminelle et la probabilité d’être arrêté. Même
si nous pouvons ajouter des variables concernant le contexte familial (comme le
nombre de frères et sœurs, l’éducation des parents, etc.), il est impossible d’élimi-
ner u entièrement. En réalité, la prise en compte de ce terme d’erreur ou terme de per-
turbation est sans doute la composante la plus importante de l’analyse économétrique.
Les constantes β0, β1, … , β6 sont les paramètres du modèle économétrique.
Elles décrivent dans quelles directions et dans quelle mesure la variable crime est
reliée aux facteurs utilisés dans le modèle pour l’expliquer.
Le modèle économétrique qui correspond à l’exemple 1.2 pourrait s’écrire de
la manière suivante :
wage = β0 + β1educ + β2exper + β3 training + u [1.4]
où le terme u contient des facteurs comme les aptitudes innées, la qualité des études,
le contexte familial, et une myriade d’autres facteurs qui peuvent influencer le salaire
d’une personne. Si nous sommes intéressés par l’effet de la formation professionnelle,
alors β3 est le paramètre d’intérêt.
En règle générale, l’analyse économétrique débute par la spécification d’un
modèle économétrique qui ne requiert pas la prise en compte des détails techniques
liés à la dérivation du modèle théorique sous-jacent. Dans cet ouvrage, nous allons
adopter cette approche, car l’élaboration complète d’un modèle économique, comme
celui portant sur la criminalité, requiert beaucoup de temps et nous conduirait à abor-
der des aspects techniques, souvent compliqués, de la théorie économique. Dans les
La structure des données économiques 31

exemples que nous allons rencontrer, le raisonnement économique joue un rôle impor-
tant et nous tiendrons compte des implications de la théorie économique sous-jacente
dans la spécification du modèle économétrique. Dans le cas du modèle économique
de la criminalité, nous partirons du modèle économétrique décrit dans l’équation (1.3)
et nous utiliserons le raisonnement économique, ainsi que notre bon sens, pour nous
guider dans le choix des variables. Bien que cette approche ne permette pas de rendre
pleinement compte de la finesse de la théorie économique, elle est dans les faits cou-
ramment utilisée par des chercheurs dont la rigueur analytique n’est plus à démontrer.
Après la spécification d’un modèle économétrique, comme celui de l’équa-
tion (1.3) ou (1.4), il est possible de formuler des hypothèses portant sur les paramètres
inconnus du modèle. Par exemple, dans l’équation (1.3), nous pourrions faire l’hypo-
thèse que wage, le salaire qui peut être touché dans l’emploi légal, n’a pas d’effet sur
l’activité criminelle. Dans le contexte de ce modèle économétrique précis, l’hypothèse
se traduit par β1 = 0.
Par définition, une analyse empirique fait appel à des données. Après avoir col-
lecté les données concernant les variables pertinentes du modèle, plusieurs méthodes
économétriques peuvent être utilisées pour estimer les paramètres du modèle et tes-
ter formellement les hypothèses qui nous intéressent. Dans certains cas, le modèle
économétrique est utilisé pour générer des prévisions auxquelles une théorie ou une
politique pourrait conduire.
En raison de l’importance que revêt la collecte de données, la section 1.3 décrit
les types de données qui sont fréquemment utilisées dans les travaux empiriques.

1.3 LA STRUCTURE DES DONNÉES ÉCONOMIQUES

Il existe différents types de bases de données économiques. Alors que certaines
méthodes économétriques peuvent être directement appliquées à de nombreux types
de bases de données, certaines méthodes présentent des particularités dont il faut tenir
compte si nous désirons en exploiter le plein potentiel.

Données en coupe transversale

Une base de données en coupe transversale 1 est composée d’un échantillon d’indi-
vidus, ménages, entreprises, villes, États, pays, ou autres unités, observés à un certain
moment dans le temps. Il arrive que les données n’aient pas été recueillies exactement
au même moment pour l’ensemble des unités d’observation. Par exemple, lors d’une
enquête, plusieurs familles peuvent être interrogées au cours de différentes semaines
d’une même année. Dans une analyse en coupe transversale pure, on a tendance à

1 Les termes « données de coupe transversale » et « données en coupe instantanée » sont équivalentes (note
de la traduction.)
32 La nature de l’économétrie et la structure des données économiques

ignorer ces petits décalages temporels qui interviennent au moment de la collecte de

données. Autrement dit, même si toutes les familles ne sont pas interrogées au cours
de la même semaine, la base de données sera malgré tout considérée comme une base
de données en coupe transversale.
Une caractéristique importante des données en coupe transversale est la possi-
bilité d’obtenir un échantillonnage aléatoire à partir de la population sous-jacente. Par
exemple, si nous pouvons obtenir des informations sur le salaire, le niveau d’études et
l’expérience en tirant aléatoirement 500 personnes de la population active, alors nous
disposons d’un échantillon aléatoire de cette population. Cette stratégie d’échantillon-
nage est la plus couramment abordée dans un cours d’introduction à la statistique et
son utilisation simplifie l’analyse des données en coupe transversale. L’annexe C pro-
pose une révision de l’échantillonnage aléatoire.
Dans certaines circonstances, il n’est pas approprié d’analyser des données
en coupe transversale en se reposant sur l’hypothèse d’échantillonnage aléatoire.
Par exemple, si nous désirons étudier les facteurs qui déterminent l’accumulation de
richesse dans une famille, nous pouvons mener une enquête auprès d’un échantillon
aléatoire mais certaines familles refuseront de divulguer leur patrimoine. Or, si la pro-
babilité de refus est plus élevée pour les familles les plus riches, cet échantillon ne
correspondra pas un échantillon aléatoire et ne sera pas représentatif de la population.
Ce point illustre le problème de sélection de l’échantillon que nous aborderons plus
en détails dans le chapitre 17.
L’hypothèse d’échantillonnage aléatoire est également violée lorsque le
nombre d’unités dans l’échantillon est proche de la taille de la population ; c’est sou-
vent le cas pour les unités géographiques. Dans ces cas-là, le problème potentiel est
que la taille de la population n’est pas suffisamment grande pour respecter l’hypothèse
selon laquelle les observations sont tirées de manière indépendante. Par exemple, si
l’on chercher à étudier le développement de nouvelles activités commerciales dans dif-
férentes régions en fonction des niveaux de salaire, prix des énergies, impôts sur les
entreprises, impôts fonciers, disponibilité des services, qualité de la main d’œuvre, et
autres caractéristiques de la région, il est très improbable que les activités commer-
ciales qui se développent dans deux régions voisines soient indépendantes.
Les méthodes économétriques que nous abordons dans cet ouvrage fonction-
nent toujours dans ce genre de situations, mais elles doivent parfois être raffinées.
Dans la plupart des cas, nous allons ignorer ces complexités et nous analyserons ces
situations dans le cadre de l’échantillonnage aléatoire, même s’il n’est pas technique-
ment rigoureux de procéder ainsi.
Les données en coupe transversale sont largement utilisées en sciences
sociales. En économie, l’analyse de données en coupe transversale s’inscrit fortement
dans le champ de la microéconomie appliquée, comme en économie du travail, finance
publique, économie industrielle, économie urbaine, démographie et économie de la
santé. Les données sur les individus, les ménages, les entreprises et les villes, que l’on
La structure des données économiques 33

récolte à un moment donné dans le temps, sont importantes pour tester les hypothèses
microéconomiques et pour évaluer des politiques diverses et variées.
Les données en coupe transversale que nous utilisons dans cet ouvrage sont
disponibles sous format informatique, ce qui permet de les consulter et de les stocker
sur un ordinateur. Le tableau 1.1 contient un extrait d’une base de données compo-
sée de 526 personnes en emploi au cours de l’année 1976. (Il s’agit d’un extrait de la
base de données [Link]). Les variables sont wage (en dollars par heure), educ
(nombre d’années d’études), exper (nombre d’années d’expérience potentielle sur le
marché du travail), female (pour indiquer si la personne est une femme), et married
(statut marital). Ces deux dernières variables sont par nature binaires (zéro-un) et ser-
vent à indiquer les caractéristiques qualitatives des individus (la personne est une
femme ou non, la personne est mariée ou non). Nous discuterons longuement des
variables binaires à partir du chapitre 7.
La variable obsno dans le tableau 1.1 représente le numéro d’observation
attribué à chaque personne de l’échantillon. Contrairement aux autres variables, il ne
s’agit pas d’une caractéristique de l’individu. Tous les logiciels économétriques attri-
buent un numéro à chaque unité d’observation. En vous fiant à votre intuition, vous
devez comprendre que, pour des données comme celles de la table 1.1, peu importe
de savoir quelle personne est étiquetée observation 1, quelle personne est étiquetée
observation 2, et ainsi de suite. Le fait que l’ordre des données n’a pas d’importance
pour l’analyse économétrique est une caractéristique fondamentale des bases de don-
nées obtenues par échantillonnage aléatoire.

Tableau 1.1
Base de données en coupe transversale indiquant les salaires et d’autres caractéristiques individuelles

obsno wage educ exper female married

1 3,10 11 2 1 0
2 3,24 12 22 1 1
3 3,00 11 2 0 0
4 6,00 8 44 0 1
5 5,30 12 7 0 1
. . . . . .
. . . . . .
. . . . . .
525 11,56 16 5 0 1
526 3,50 14 5 1 0
© Cengage Learning, 2013
34 La nature de l’économétrie et la structure des données économiques

Dans les bases de données en coupe transversale, il arrive que certaines

variables ne correspondent pas exactement aux mêmes périodes de temps. Par exemple,
afin de déterminer les effets de la politique du gouvernement sur la croissance éco-
nomique de long terme, les économistes ont étudié le lien entre la croissance réelle,
mesurée par le produit intérieur brut (PIB) par habitant au cours d’une certaine période
(par exemple, de 1960 à 1985), et un ensemble de variables déterminées en partie par
la politique du gouvernement (ici, les dépenses publiques en 1960 exprimées en pour-
centage du PIB et la proportion d’adultes diplômés du secondaire en 1960). Ce type
de base de données se présente sous une forme similaire au tableau 1.2, qui est en fait
une partie de la base de données utilisée pour l’étude comparative des taux de crois-
sance entre pays par De Long et Summers (1991).
La variable gpcrgdp représente la croissance réelle moyenne du PIB par habi-
tant au cours de la période allant de 1960 à 1985. Le fait que les variables govcons60
(dépenses publiques exprimées en pourcentage du PIB) et second60 (pourcentage de
la population adulte diplômée du secondaire) correspondent à l’année 1960, alors que
gpcrgdp est la croissance moyenne au cours de la période 1960-1985, ne pose aucun
problème particulier ; nous pouvons les traiter comme des données en coupe trans-
versale. Les observations sont ici ordonnées par pays de manière alphabétique, mais
ce rangement n’affecte en rien les analyses qui en découlent.

Tableau 1.2
Une base de données sur les taux de croissance économique et les caractéristiques du pays.

obsno country gpcrgdp govcons60 second60

1 Argentina 0,89 9 32
2 Austria 3,32 16 50
3 Belgium 2,56 13 69
4 Bolivia 1,24 18 12
. . . . .
. . . . .
. . . . .
61 Zimbabwe 2,30 17 6
© Cengage Learning, 2013
La structure des données économiques 35

Séries chronologiques
Une base de séries chronologiques 2 est composée d’une ou de plusieurs variables
observées au cours du temps à plusieurs reprises. Comme exemples de séries chrono-
logiques, on peut citer les prix des actions, l’offre de monnaie, l’indice des prix à la
consommation, le produit intérieur brut, le taux d’homicides par an, et le chiffre d’af-
faire de l’industrie automobile. En sciences sociales, le temps représente une dimen-
sion importante du fait que les évènements passés peuvent influencer les évènements
à venir et que les comportements ne se modifient pas instantanément.
Une caractéristique fondamentale des séries chronologiques, qui les rendent
plus difficiles à analyser que les données en coupe transversale, est que les observa-
tions économiques ne sont (presque) jamais indépendantes au cours du temps. Dans
la plupart des cas, ces séries chronologiques sont fortement dépendantes de leur passé
récent. Par exemple, l’estimation du produit intérieur brut au cours du trimestre précé-
dent nous renseignera plutôt bien sur l’ordre de grandeur du PIB pour le trimestre en
cours ; le PIB a en effet tendance à rester relativement stable d’un trimestre à l’autre.
La plupart des procédures économétriques peuvent être utilisées tant sur
données en coupe transversale que sur séries chronologiques. Pour justifier l’utilisa-
tion des méthodes économétriques standards, il est néanmoins nécessaire de préciser
davantage les conditions sous lesquelles les modèles économétriques sur séries
chronologiques sont valides. Ces méthodes économétriques ont d’ailleurs fait l’objet
de modifications et d’améliorations visant, par exemple, à mieux tenir compte de la
dépendance naturelle ou de la tendance temporelle présente dans les séries chrono-
logiques en économie.
Une autre caractéristique des séries chronologiques nécessite une attention
particulière : il s’agit de la fréquence à laquelle les données sont collectées. En écono-
mie, les fréquences les plus courantes sont la journée, la semaine, le mois, le trimestre
et l’année. Les prix des actions sont souvent enregistrés à une journée d’intervalle
(en excluant les jours fériés, les samedis et les dimanches). L’offre de monnaie de
l’économie américaine est enregistrée toutes les semaines. De nombreuses séries
macroéconomiques sont annoncées une fois par mois, notamment l’inflation et le taux
de chômage. D’autres séries macroéconomiques sont enregistrées de façon moins fré-
quente, par exemple chaque trimestre. Le produit intérieur brut est un exemple bien
connu de série trimestrielle. D’autres séries chronologiques, comme le taux de morta-
lité infantile par État aux États-Unis, ne sont disponibles que sur base annuelle.
De nombreuses séries chronologiques, observées sur base hebdomadaire, men-
suelle ou trimestrielle, font état d’une forte saisonnalité dont il faut tenir compte
dans l’analyse de séries chronologiques. Par exemple, les variations mensuelles obser-
vées pour les constructions de logement s’explique d’abord par les changements de

2 Les termes « données chronologiques », « données temporelles », « séries temporelles » sont interchangeables
(note de la traduction.)
36 La nature de l’économétrie et la structure des données économiques

conditions météorologiques. Nous apprendrons à régler le problème de la saisonna-

lité dans le chapitre 10.
Le tableau 1.3 présente une base de séries chronologiques que Castillo-Freeman
et Freeman (1992) utilisent pour analyser les effets du salaire minimum au Puerto Rico.
Dans cette base de données, la première observation correspond à l’année disponible la
plus ancienne ; la dernière observation correspond à l’année disponible la plus récente.
Quand les méthodes économétriques sont utilisées pour analyser des séries chrono-
logiques, il est conseillé de conserver les données dans l’ordre chronologique.

Tableau 1.3
Salaire minimum, chômage et données associées pour le Puerto Rico

obsno year avgmin avgcov prunemp prgnp

1 1950 0,20 20,1 15,4 878,7
2 1951 0,21 20,7 16,0 925,0
3 1952 0,23 22,6 14,8 1 015,9
. . . . . .
. . . . . .
. . . . . .
37 1986 3,35 58,1 18,9 4 281,6
38 1987 3,35 58,2 16,8 4 496,7
© Cengage Learning, 2013

La variable avgmin fait référence au salaire minimum moyen annuel ; avgcov

est le taux de couverture moyen (c’est-à-dire le pourcentage de salariés couverts par la
loi sur le salaire minimum) ; prunemp est le taux de chômage ; et prgnp est le produit
intérieur brut, en millions de dollars (exprimé en dollars de 1954). Dans les chapitres
consacrés à l’étude des séries chronologiques, nous analyserons ces données plus en
détails afin de mesurer l’effet du salaire minimum sur l’emploi.

Données empilées
Certaines bases de données ont à la fois des caractéristiques propres aux coupes trans-
versales et aux séries chronologiques. Supposons par exemple que l’on mène aux
États-Unis deux enquêtes sur les ménages, l’une en 1985 et l’autre en 1990. En 1985,
nous tirons aléatoirement un échantillon de ménages à partir desquels nous obtenons
des informations sur le revenu, l’épargne, la taille de la famille, etc. En 1990, un nou-
vel échantillon de ménages est tiré aléatoirement ; l’enquête est similaire et permet de
La structure des données économiques 37

récolter le même type de données. Afin d’accroître la taille de notre échantillon, on

peut combiner les deux années pour construire des données empilées 3.
Empiler des coupes transversales pour différentes années est souvent efficace
lorsqu’il s’agit d’analyser les effets d’une nouvelle politique menée par les pouvoirs
publics. Le principe de base consiste à recueillir des données au cours des années qui
précèdent et suivent un changement de politique majeur. Considérons par exemple une
base de données sur les prix de biens immobiliers observés en 1993 et en 1995, juste
avant et après la décision de diminuer les impôts fonciers en 1994. Supposons que
nous ayons des informations sur 250 maisons en 1993 et sur 270 maisons en 1995. Le
tableau 1.4 présente une façon de construire ce type de base de données.
Les observations numérotées 1 à 250 correspondent aux maisons vendues en
1993 ; les observations numérotées 251 à 520 correspondent aux 270 maisons ven-
dues en 1995. Même si l’ordre dans lequel les données sont conservées ne s’avère
pas crucial, indiquer l’année d’observation est en général très important. C’est préci-
sément la raison pour laquelle la variable year est incluse dans la base de données.

Tableau 1.4
Données empilées : les prix de l’immobilier pour deux années

obsno year hprice proptax sqrft bdrms bthrms

1 1993 85 500 42 1 600 3 2,0
2 1993 67 300 36 1 440 3 2,5
3 1993 134 000 38 2 000 4 2,5
. . . . . . .
. . . . . . .
. . . . . . .
250 1993 243 600 41 2 600 4 3,0
251 1995 65 000 16 1 250 2 1,0
252 1995 182 400 20 2 200 4 2,0
253 1995 97 500 15 1 540 3 2,0
. . . . . . .
. . . . . . .
. . . . . . .
520 1995 57 200 16 1 100 2 1,5
© Cengage Learning, 2013

3 On rencontre parfois les termes « coupes transversales empilées », « coupes transversales regroupées » ou
« coupes transversales agrégées » (note de la traduction).
38 La nature de l’économétrie et la structure des données économiques

Les données empilées sont plus ou moins analysées de la même façon que les
données en coupe transversale classiques, à cette différence près que l’évolution des
variables au cours du temps est un objectif explicite de l’analyse sur données empi-
lées. L’utilisation de données empilées permet d’augmenter la taille de l’échantillon
et surtout d’étudier l’évolution de la relation d’intérêt au cours du temps.

Données de panel
Une base de données de panel (ou données longitudinales) contient des séries chrono-
logiques pour chacune des unités reprises dans la coupe transversale. Par exemple, une
telle base de données vous permet d’observer le salaire, le niveau d’étude et l’expé-
rience professionnelle d’un ensemble d’individus que l’on suit au cours du temps, sur
une période de dix ans. Il est également possible de recueillir des informations sur la
structure financière et les investissements pour un même groupe d’entreprises pen-
dant 5 ans. Les données en panel peuvent aussi concerner des unités géographiques.
Par exemple, considérant un ensemble fixe de comtés aux États-Unis, nous pouvons
obtenir, pour les années 1980, 1985 et 1990, des données sur les flux d’immigration,
les taux d’imposition, les taux de salaire, les dépenses publiques, etc.
La caractéristique fondamentale des données de panel, qui les distingue de
simples données empilées, est que les unités que nous suivons au cours du temps res-
tent les mêmes. Dans les exemples précédents, cela signifie que les différentes coupes
transversales contiennent les mêmes individus, entreprises ou comtés. Les données du
tableau 1.4 ne sont pas considérées comme des données de panel parce que les mai-
sons vendues en 1993 ne sont pas forcément les mêmes que celles vendues en 1995 ;
si certaines maisons peuvent apparaître à deux reprises, cela relève plus de l’excep-
tion que de la règle et le nombre de cas est souvent négligeable. En revanche, dans
le tableau 1.5, nous avons des données de panel concernant un échantillon fixe de
150 villes aux États-Unis, dont on observe notamment le taux de la criminalité à deux
moments dans le temps, en 1986 et 1990.
Le tableau 1.5 présente quelques caractéristiques intéressantes. Tout d’abord,
un numéro a été attribué à chaque ville, ce numéro allant de 1 à 150. Il n’est pas
nécessaire de savoir quelle ville correspond à ville 1, ville 2, etc. Dans une base de
données de panel, l’ordre au sein de la coupe transversale n’a aucune importance,
comme c’est également le cas au sein d’une coupe transversale pure. On pourrait
éventuellement utiliser le nom de la ville au lieu du numéro ; en réalité, il est souvent
utile d’avoir les deux.
 TABLE DES MATIÈRES

Sommaire...................................................................................................... 5

Avant-propos ............................................................................................... 9

Remerciements ............................................................................................. 19

À propos de l’auteur .................................................................................. 23

CHAPITRE 1
La nature de l’économétrie et la structure des données
économiques ........................................................................................... 25
1.1 Qu’est-ce que l’économétrie ? ...................................................... 26
1.2 Les étapes de l’analyse économique empirique ......................... 27
1.3 La structure des données économiques ....................................... 31
Données en coupe transversale ............................................................. 31
Séries chronologiques ....................................................................... 35
Données empilées ........................................................................... 36
Données de panel ........................................................................... 38
Remarque sur la structure des données .................................................... 40
1.4 La causalité et la signification de ceteris paribus
dans l’analyse économétrique ...................................................... 41
Résumé ...................................................................................................... 46

Partie 1 L’analyse de régression sur données en coupe transversale

CHAPITRE 2
Le modèle de régression linéaire simple ........................................ 53
2.1 La définition du modèle de régression linéaire simple .............. 54
2.2 La dérivation des estimateurs des Moindres Carrés Ordinaires .... 60
Remarque sur la terminologie .............................................................. 70
1196 Introduction à l’économétrie

2.3 Les propriétés des MCO en échantillon ...................................... 70

Valeurs ajustées et résidus .................................................................. 71
Propriétés algébriques des statistiques dérivées de la méthode des MCO ................ 72
Qualité d’ajustement ........................................................................ 75
2.4 Les unités de mesure et la forme fonctionnelle ............................ 76
Effets du changement des unités de mesure sur les statistiques des MCO ................ 77
Tenir compte de la non-linéarité dans une régression simple ............................. 78
La signification du qualificatif « linéaire » ................................................. 82
2.5 Espérances et variances des estimateurs des MCO................... 83
Absence de biais des estimateurs des MCO ................................................. 83
Variances des estimateurs des MCO ........................................................ 91
L’estimation de la variance de l’erreur ..................................................... 95
2.6 Régression passant par l’origine et régression sur constante ... 98
Résumé ...................................................................................................... 100

CHAPITRE 3
Le modèle de régression linéaire multiple ..................................... 115
3.1 Les avantages du modèle de régression linéaire multiple ......... 116
Le modèle à deux variables indépendantes ................................................ 116
Le modèle avec k variables indépendantes ................................................ 120
3.2 La méthode des moindres carrés ordinaires ............................... 122
Le calcul des estimateurs des MCO.......................................................... 122
Interprétation de l’équation de régression des MCO ....................................... 124
Sur la signification de ceteris paribus dans la régression multiple ........................ 126
Faire varier plusieurs variables indépendantes en même temps .......................... 127
Valeurs ajustées et résidus des MCO ........................................................ 127
Une autre interprétation de l’effet marginal dans la RLM................................. 129
Comparaison des estimations par RLS et par RLM ......................................... 130
Qualité de l’ajustement ..................................................................... 131
Régression passant par l’origine ............................................................ 134
3.3 L’espérance des estimateurs des MCO........................................ 135
Inclusion de variables non pertinentes dans une régression .............................. 142
Biais de variable omise : un cas simple..................................................... 143
Biais de variable omise : le cas général .................................................... 147
3.4 La variance des estimateurs des MCO ........................................ 148
Les composants de la variance des MCO et la multicolinéarité ............................ 150
Variance de l’estimateur dans un modèle mal spécifié .................................... 156
Estimation de σ 2 et écarts-types estimés des MCO ........................................ 158
3.5 Efficacité des MCO : le théorème de Gauss-Markov ................ 160
Table des matières 1197

3.6 Quelques commentaires sur la terminologie ............................... 162

Résumé ...................................................................................................... 164

CHAPITRE 4
L’inférence statistique dans le modèle de régression.................. 183
4.1 Distributions d’échantillonnage des estimateurs des MCO ....... 184
4.2 Tests d’hypothèses sur un unique paramètre de la population :
le test de Student ............................................................................ 188
Test d’hypothèse unilatéral ................................................................. 192
Alternatives bilatérales ...................................................................... 197
Tester d’autres hypothèses relatives à bj .................................................. 200
Calcul des p-valeurs pour les tests de Student.............................................. 202
Rappel du jargon des tests d’hypothèses classiques ....................................... 205
Significativité statistique et significativité économique ou pratique....................... 206
4.3 Intervalles de confiance ................................................................. 209
4.4 Tests d’hypothèses sur une combinaison linéaire simple
des paramètres ............................................................................... 212
4.5 Tester des restrictions linéaires multiples : le test de Fisher ....... 217
Tester les restrictions d’exclusion ........................................................... 217
Liens entre les statistiques de Fisher et de Student ........................................ 225
La formulation R-carré de la statistique de Fisher ......................................... 226
Calcul des p-valeurs pour le test de Fisher ................................................. 228
De l’usage de la statistique de Fisher pour tester la significativité globale
d’un modèle de régression .................................................................. 230
Tester des restrictions linéaires générales .................................................. 231
4.6 Reporter les résultats d’estimation des modèles de régression ....... 233
Résumé ...................................................................................................... 235

CHAPITRE 5
Résultats asymptotiques des MCO dans le modèle de régression .. 253
5.1 Convergence .................................................................................. 255
Calculer la non convergence de l’estimateur des MCO ..................................... 259
5.2 Normalité asymptotique et inférence en grand échantillon ...... 261
Autres tests en grand échantillon : la statistique du multiplicateur de Lagrange ......... 267
La statistique du multiplicateur de Lagrange pour q restrictions d’exclusion ............. 269
5.3 Efficacité asymptotique de l’estimateur des MCO ..................... 271
Résumé ...................................................................................................... 273
1198 Introduction à l’économétrie

CHAPITRE 6
Questions additionnelles sur le modèle de régression ............... 279
6.1 Effets des changements des échelles des données
sur les statistiques des MCO ......................................................... 280
Coefficients Beta............................................................................. 283
6.2 Compléments sur la forme fonctionnelle...................................... 286
Compléments concernant l’utilisation de formes fonctionnelles logarithmiques .......... 286
Modèles quadratiques ....................................................................... 290
Modèles avec termes d’interaction ......................................................... 295
6.3 Compléments sur l’ajustement et la sélection des régresseurs .. 297
R-carré ajusté ................................................................................ 299
Utiliser le R-carré ajusté pour sélectionner des modèles non emboîtés ................... 301
Prendre en compte l’influence de trop de facteurs dans une analyse de régression ..... 303
Ajouter des régresseurs pour réduire la variance de l’erreur ............................. 305
6.4 Analyse des résidus et prédiction................................................. 307
Intervalles de confiance pour prédictions .................................................. 307
Analyse des résidus.......................................................................... 311
Prédire y quand log(y) est la variable dépendante ........................................ 312
Prédire y quand la variable dépendante est log(y) : ...................................... 314
Résumé ...................................................................................................... 317

CHAPITRE 7
Le modèle de régression avec information qualitative ............... 333
7.1 Décrire l’information qualitative ................................................... 334
7.2 Cas d’une unique variable indicatrice indépendante................ 336
Interpréter des coefficients associés aux variables indicatrices explicatives
lorsque la variable dépendante est log(y) ................................................. 342
7.3 Utiliser des variables indicatrices à catégories multiples .......... 344
Introduire de l’information ordinale via les variables indicatrices ........................ 347
7.4 Variables d’interaction impliquant des variables indicatrices ... 350
Relâcher l’hypothèse d’homogénéité des pentes .......................................... 352
Tester les différences de spécifications entre groupes ..................................... 356
7.5 Le cas des variables binaires dépendantes :
Le modèle à probabilités linéaires ............................................... 361
7.6 Pour aller plus loin en matière d’évaluation des politiques
publiques ......................................................................................... 368
7.7 Interpréter des résultats de régression avec des variables
dépendantes discrètes ................................................................... 371
Résumé ...................................................................................................... 374
Table des matières 1199

CHAPITRE 8
L’hétéroscédasticité................................................................................ 391
8.1 Conséquences de l’hétéroscédasticité pour les MCO ............... 392
8.2 Inférence robuste à l’hétéroscédasticité après estimation
par les MCO .................................................................................. 394
Calcul du test LM robuste à l’hétéroscédasticité ............................................ 400
Étapes de la construction d’une statistique LM robuste à l’hétéroscédasticité ............ 401
8.3 Tester la présence d’hétéroscédasticité ........................................ 402
Étapes du test d’hétéroscédasticité de Breusch-Pagan : ................................... 405
Le test de White pour l’hétéroscédasticité .................................................. 407
Étapes du cas particulier du test d’hétéroscédasticité de White : .......................... 409
8.4 Estimation par les moindres carrés pondérés ............................. 410
Hétéroscédasticité connue à une constante multiplicative près ............................ 410
Estimation de la fonction d’hétéroscédasticité : les moindres carrés quasi généralisés (MCQG) .. 417
Procédure de correction des estimateurs par les MCGF en présence d’hétéroscédasticité ... 419
Que faire si la fonction d’hétéroscédasticité présumée est fausse ? ...................... 423
Prévisions et intervalles de prévision en présence d’hétéroscédasticité ................... 426
8.5 Le modèle de probabilité linéaire revisité ................................... 428
L’estimation du MPL par les MCP ........................................................... 430
Résumé ...................................................................................................... 431

CHAPITRE 9
Compléments sur la spécification et la question des données .... 443
9.1 Erreur de spécification de la forme fonctionnelle ....................... 444
RESET : un test général pour les erreurs de spécification de la forme fonctionnelle ..... 448
Tests de modèles non emboîtés ............................................................. 449
9.2 Utilisation de variables de substitution ........................................ 451
Une variable dépendante retardée comme variable de substitution ...................... 457
Un point de vue différent sur la régression multiple ...................................... 459
9.3 Modèles à pentes aléatoires ......................................................... 460
9.4 Propriétés des estimateurs des MCO en présence d’erreurs
de mesure........................................................................................ 463
Erreur de mesure dans la variable dépendante ............................................ 464
Erreur de mesure dans la variable explicative ............................................. 467
9.5 Données manquantes, échantillons non aléatoires
et observations extrêmes ............................................................... 472
Données manquantes ....................................................................... 472
Échantillons non aléatoires .................................................................. 473
Observations aberrantes .................................................................... 476
1200 Introduction à l’économétrie

9.6 Estimation par moindres déviations absolues ............................. 482

Résumé ...................................................................................................... 486

Partie 2 Analyse économétrique des séries temporelles

CHAPITRE 10
Analyse économétrique simple des séries temporelles ............... 501
10.1 La nature des séries temporelles ................................................... 502
10.2 Exemples de régression de séries temporelles ............................ 504
Les modèles statiques ....................................................................... 504
Modèle à retards échelonnés finis .......................................................... 505
Convention concernant les indices temporels............................................... 508
10.3 Propriétés en échantillon fini des MCO sous les hypothèses
classiques ........................................................................................ 508
Absence de biais des estimateurs des MCO ................................................. 509
Variance des estimateurs des MCO et théorème de Gauss-Markov ....................... 513
Inférence sous les hypothèses classiques d’un modèle linéaire ........................... 517
10.4 Forme fonctionnelle, variables binaires et nombre indice......... 519
10.5 Tendance et saisonnalité ............................................................... 526
Caractérisation des tendances des séries temporelles...................................... 526
Utiliser les variables de tendance dans les régressions .................................... 530
Supprimer la tendance d’une série temporelle avec une variable de tendance .......... 532
Calcul du R-Carré lorsque la variable dépendante contient une tendance ................ 534
Saisonnalité .................................................................................. 536
Résumé ...................................................................................................... 539

CHAPITRE 11
Utilisation des MCO pour l’analyse des séries temporelles ...... 549
11.1 Stationnarité et séries temporelles faiblement dépendante ....... 550
Stationnarité et non-stationnarité des séries temporelles ................................. 551
Série temporelle faiblement dépendante................................................... 552
11.2 Propriétés asymptotiques des MCO............................................. 555
11.3 Utilisation de séries temporelles hautement persistantes
dans l’analyse de régression ........................................................ 563
Séries temporelles hautement persistantes................................................. 564
Transformation des séries temporelles fortement persistantes ............................ 569
Déterminer si une série temporelle est I(1) ................................................ 570
11.4 Modèles dynamique complet et absence de corrélation sérielle.... 573
Table des matières 1201

11.5 L’hypothèse d’homoscédasticité pour les séries temporelles ..... 576

Résumé ...................................................................................................... 577

CHAPITRE 12
Corrélation sérielle et hétéroscédasticité dans l’analyse
des séries temporelles .......................................................................... 591
12.1 Propriétés des MCO en présence d’erreurs autocorrélées........ 592
Absence de biais et convergence............................................................ 592
Efficacité et inférence ....................................................................... 593
Qualité d’ajustement ........................................................................ 595
Corrélation sérielle en présence d’une variable dépendante retardée .................... 595
12.2 La détection de l’autocorrélation .................................................. 597
Test t de détection de l’autocorrélation d’ordre 1 en présence de régresseurs
strictement exogènes........................................................................ 598
Le test de Durbin-Watson ................................................................... 601
Test t de détection de l’autocorrélation d’ordre 1 en l’absence de régresseurs strictement
exogènes ..................................................................................... 602
Test de détection de l’autocorrélation d’ordre supérieur à 1 .............................. 604
12.3 La correction de l’autocorrélation en présence de régresseurs
strictement exogènes...................................................................... 607
Calcul de l’estimateur BLUE en présence d’erreurs suivant un processus AR(1) connu .. 607
Estimation par les MCQG en présence d’erreurs suivant un processus AR(1) inconnu ... 609
Comparaison des MCO et des MCQG ........................................................ 612
Correction par les MCQG d’une corrélation sérielle d’ordre supérieur à 1 ................ 614
12.4 Corrélation sérielle et variables en différence première............ 615
12.5 Correction des écarts-types estimés après estimation
par les MCO .................................................................................. 617
12.6 Hétéroscédasticité dans les régressions sur séries temporelles ... 622
La construction de statistiques robustes à la présence d’hétéroscédasticité ............... 623
Tester la présence d’hétéroscédasticité dans les erreurs ................................... 623
Hétéroscédasticité conditionnelle autorégressive .......................................... 625
Hétéroscédasticité et corrélation sérielle dans les modèles de régression
sur séries temporelles ....................................................................... 627
Résumé ...................................................................................................... 629
1202 Introduction à l’économétrie

Partie 3 Thèmes avancés

CHAPITRE 13
Empiler des données en coupes transversales de périodes
différentes : méthodes de données de panel simple .................. 641
13.1 Empiler des coupes transversales indépendantes de périodes
différentes........................................................................................ 643
Le test de Chow : une étude du changement structurel dans le temps .................... 648
13.2 Analyser des politiques publiques à partir de coupes
transversales empilées ................................................................... 649
13.3 Analyser des données de panel sur deux périodes ................... 655
Organisation des données de panel ........................................................ 663
13.4 Évaluer des politiques publiques à partir de données de panel
sur deux périodes ........................................................................... 664
13.5 Différencier les variables sur plus de deux périodes ................. 668
Les écueils potentiels des différences premières sur des données de panel .............. 675
Résumé ...................................................................................................... 675

CHAPITRE 14
Méthodes avancées en économétrie des données de panel ..... 689
14.1 Estimation du modèle à effets fixes .............................................. 690
La régression sur variables indicatrices..................................................... 695
Effets fixes ou différences premières ?..................................................... 697
Effets fixes sur des panels non cylindrés ................................................... 699
14.2 Modèles à effets aléatoires ........................................................... 701
Effets aléatoires ou effets fixes ?........................................................... 706
14.3 Le modèle à effets aléatoires corrélés .......................................... 708
14.4 Appliquer les techniques de données de panel
à d’autres structures de données .................................................. 711
Résumé ...................................................................................................... 714

CHAPITRE 15
Estimation par variables instrumentales
et doubles moindres carrés ................................................................ 729
15.1 Motivation : les variables omises dans un modèle
de régression simple ...................................................................... 731
Inférence statistique avec l’estimateur des VI .............................................. 737
Propriétés des VI avec une variable instrumentale faible ................................. 742
Calcul du R-carré après l’estimation VI ..................................................... 744
Table des matières 1203

15.2 Estimation du modèle de régression multiple par VI .................. 745

15.3 Les doubles moindres carrés ......................................................... 750
Une seule variable explicative endogène .................................................. 750
Multicolinéarité et DMC ..................................................................... 753
Plusieurs variables explicatives endogènes ................................................ 754
Test d’hypothèses multiples après une estimation par DMC ............................... 755
15.4 Solution des VI aux problèmes d’erreur de mesure
sur les régresseurs .......................................................................... 756
15.5 Test d’endogénéité et test de suridentification ............................ 759
Test d’endogénéité .......................................................................... 759
Test de suridentification ..................................................................... 761
15.6 Doubles moindres carrés et hétéroscédasticité ........................... 764
15.7 Application des DMC sur des équations de séries temporelles .... 765
15.8 L’application des DMC aux données de coupes agrégées
et aux données de panel............................................................... 768
Résumé ...................................................................................................... 770

CHAPITRE 16
Modèles à équations simultanées ..................................................... 787
16.1 Description des modèles à équations simultanées ..................... 788
16.2 Biais de simultanéité des MCO .................................................... 793
16.3 Identifier et estimer une équation structurelle .............................. 795
Identification d’un système à deux équations ............................................. 795
Estimation par les DMC ...................................................................... 800
16.4 Systèmes avec plus de deux équations ....................................... 802
Identification dans les systèmes avec trois équations ou plus ............................. 803
Estimation.................................................................................... 804
16.5 Modèles à équations simultanées et séries temporelles............. 804
16.6 Modèles à équations simultanées sur données de panel .......... 809
Résumé ...................................................................................................... 812

CHAPITRE 17
Modèles à variable dépendante limitée et correction
pour la sélection de l’échantillon ...................................................... 823
17.1 Les modèles logit et probit pour les réponses binaires .............. 825
Spécification des modèles logit et probit ................................................... 825
Estimation des modèles logit et probit par maximum de vraisemblance ................. 829
Test d’hypothèses multiples ................................................................. 830
Interpréter des estimations de logit et probit .............................................. 832
1204 Introduction à l’économétrie

17.2 Le modèle Tobit pour des réponses avec solution en coin ........ 840
Interpréter les estimations du modèle Tobit ................................................ 842
Problèmes de spécification dans les modèles Tobit ........................................ 848
17.3 Le Modèle de régression de Poisson ........................................... 850
17.4 Les Modèles de régression tronquées ou censurées................... 855
Modèles de régression censurée ............................................................ 856
Modèle de régression tronquée ............................................................. 860
17.5 Correction pour la sélection de l’échantillon .............................. 863
Quand les MCO sur l’échantillon sélectionné sont-ils convergents ?....................... 863
Troncature auxiliaire ........................................................................ 866
Correction pour la sélection de l’échantillon................................................ 867
Résumé ...................................................................................................... 870

CHAPITRE 18
Matières avancées dans l’analyse des séries temporelles......... 885
18.1 Modèles à retards distribués infinis ............................................. 887
Les retards distribués géométriquement (ou à la Koyck).................................. 889
Modèles à retards distribués rationnels .................................................... 892
18.2 Tester la présence de racines unitaires ........................................ 895
18.3 Régression fallacieuse ................................................................... 901
18.4 Cointégration et modèles à correction d’erreur.......................... 903
Cointégration ................................................................................ 904
Modèles à correction d’erreur............................................................... 910
18.5 Prévision .......................................................................................... 912
Types de modèles de régression utilisés pour la prévision ................................. 914
Prévision une étape à l’avance ............................................................. 916
Comparaison des prévisions une étape à l’avance ......................................... 920
Prévisions plusieurs étapes en avant ....................................................... 921
Prévoir les Processus avec tendance, saisonnalité et processus intégrés .................. 925
Résumé ...................................................................................................... 931

CHAPITRE 19
Mener à bien un projet empirique ................................................... 943
19.1 Poser une question ......................................................................... 944
19.2 Revue de la littérature .................................................................... 947
19.3 Collecte des données..................................................................... 948
La décision concernant la base de données appropriée.................................... 948
Saisir et conserver des données............................................................. 950
Examiner, nettoyer et décrire vos données................................................. 952
Table des matières 1205

19.4 Analyse économétrique ................................................................. 954

19.5 Rédiger un article empirique ........................................................ 959
Introduction .................................................................................. 960
Structure conceptuelle (ou théorique) ...................................................... 960
Modèles économétriques et méthodes d’estimation ....................................... 961
Les données.................................................................................. 964
Résultats ..................................................................................... 965
Conclusions .................................................................................. 966
Conseils de styles ............................................................................ 966
Résumé ...................................................................................................... 970
Liste des Journaux ..................................................................................... 978
Sources de données ................................................................................. 979

ANNEXE A
Outils mathématiques de base .......................................................... 981
A.1 Opérateur de sommation et statistiques descriptives ................. 982
A.2 Propriété des fonctions linéaires ................................................... 985
A.3 Proportions et Pourcentages.......................................................... 987
A.4 Présentation de quelques fonctions spéciales
et de leurs propriétés ..................................................................... 990
Fonction quadratique ........................................................................ 990
Logarithme Naturel ......................................................................... 993
La fonction exponentielle ................................................................... 997
A.5 Le calcul différentiel ....................................................................... 998
Résumé ...................................................................................................... 1001

ANNEXE B
Éléments de probabilités ..................................................................... 1005
B.1 Variables aléatoires et leurs distributions de probabilité ........... 1006
Variables aléatoires discrètes ............................................................... 1007
Variable aléatoires continues ............................................................... 1010
B.2 Distributions jointes, distributions conditionnelles,
et indépendance ............................................................................ 1012
Distribution jointes et indépendance........................................................ 1012
Distributions conditionnelles ................................................................ 1015
B.3 Caractéristiques des distributions de probabilité ....................... 1016
Une mesure de tendance centrale : la valeur espérée ..................................... 1016
Propriété des valeurs espérées ............................................................. 1018
Une autre mesure de tendance centrale : la médiane ..................................... 1020
1206 Introduction à l’économétrie

Mesures de variabilité : variance et écart-type ............................................ 1021

Variance...................................................................................... 1021
Écart-type .................................................................................... 1023
Standardiser une variable aléatoire ........................................................ 1023
Coefficients d’asymétrie et d’aplatissement ................................................ 1024
B.4 Caractéristiques des distributions jointes et conditionnelles ...... 1025
Mesures d’association : covariance et corrélation .......................................... 1025
Covariance ................................................................................... 1025
Coefficient de corrélation ................................................................... 1026
Variance d’une somme de variables aléatoires ............................................ 1028
Espérance conditionnelle .................................................................... 1029
Propriétés de l’espérance conditionnelle ................................................... 1031
Variance conditionnelle...................................................................... 1034
B.5 Les distributions statistiques incontournables .............................. 1034
La distribution normale ..................................................................... 1034
La distribution normale standard ........................................................... 1036
Les autres propriétés de la distribution normale ........................................... 1038
La distribution du chi-deux.................................................................. 1039
La distribution t de Student ................................................................. 1040
La distribution F de Fisher-Snedecor ........................................................ 1041
Résumé ...................................................................................................... 1043

ANNEXE C
Éléments de statistique mathématique ............................................ 1047
C.1 Populations, paramètres et échantillonnage aléatoire ............... 1048
Échantillonnage.............................................................................. 1048
C.2 Estimateurs – Propriétés en échantillons finis .............................. 1050
Estimateurs et Estimations .................................................................. 1050
Biais .......................................................................................... 1052
La variance d’échantillonnage de l’estimateur ............................................. 1054
Efficacité ..................................................................................... 1057
C.3 Propriétés asymptotiques des estimateurs ................................... 1058
Convergence ................................................................................. 1058
Normalité asymptotique .................................................................... 1062
C.4 Approches générales de l’estimation de paramètres................. 1064
Méthode des moments ...................................................................... 1064
Maximum de vraisemblance ................................................................ 1065
Moindres Carrés ............................................................................. 1067
C.5 Estimation d’intervalle et intervalles de confiance...................... 1067
Table des matières 1207

Intervalles de confiance de la moyenne quand la population est distribuée

selon une loi normale ....................................................................... 1070
Une règle générale simple pour construire un intervalle de confiance à 95 % ........... 1074
Intervalles de confiance asymptotiques pour des populations non normales............. 1074
C.6 Tests d’hypothèses .......................................................................... 1076
Les notions de base.......................................................................... 1077
Tester des hypothèses sur la moyenne dans une population normale .................... 1079
Tests asymptotiques pour les populations non normales .................................. 1083
Calcul et utilisation des p-valeurs ........................................................... 1085
L’utilisation de la p-valeur en résumé ...................................................... 1089
Relation entre un intervalle de confiance et un test d’hypothèses ........................ 1089
Significativité statistique versus signification pratique..................................... 1090
C.7 Remarques sur la notation ............................................................. 1092
Résumé ...................................................................................................... 1092

ANNEXE D
Notions de Calcul Matriciel ................................................................ 1101
D.1 Définition de base .......................................................................... 1102
D.2 Opérations matricielles.................................................................. 1103
Addition de Matrices......................................................................... 1103
Multiplication Scalaire ....................................................................... 1104
Produit Matriciel ............................................................................. 1104
Matrice Transposée .......................................................................... 1105
Multiplication de matrices par blocs ........................................................ 1106
Trace ......................................................................................... 1106
Matrice Inverse .............................................................................. 1107
D.3 Indépendance linéaire et rang d’une matrice............................. 1107
D.4 Forme quadratique et matrice définie positive ........................... 1108
D.5 Matrices idempotentes................................................................... 1109
D.6 Différentiation des formes linéaires et quadratiques .................. 1109
D.7 Moment et distribution de vecteurs aléatoires ............................ 1110
Espérance .................................................................................... 1110
Variance-Covariance des Matrices .......................................................... 1110
Loi Normale Multivariée .................................................................... 1111
Loi du Khi-deux.............................................................................. 1111
Loi de Student ............................................................................... 1112
Loi de Fisher ................................................................................. 1112
Résumé ...................................................................................................... 1112
1208 Introduction à l’économétrie

ANNEXE E
Le modèle de régression linéaire sous forme matricielle ........... 1115
E.1 Présentation du modèle et de l’estimation
par les moindres carrés ordinaires .............................................. 1116
E.2 Propriétés des MCO en échantillon fini....................................... 1119
E.3 Inférence statistique........................................................................ 1123
E.4 Quelques éléments d’analyse asymptotique ............................... 1126
Statistiques de Wald pour tester des hypothèses multiples ................................ 1129
Résumé ...................................................................................................... 1130

ANNEXE F
Réponses aux questions intitulées « pour aller plus loin » ........ 1135
F.1 Chapitre 2....................................................................................... 1136
F.2 Chapitre 3....................................................................................... 1136
F.3 Chapitre 4....................................................................................... 1137
F.4 Chapitre 5....................................................................................... 1138
F.5 Chapitre 6....................................................................................... 1138
F.6 Chapitre 7....................................................................................... 1139
F.7 Chapitre 8....................................................................................... 1139
F.8 Chapitre 9....................................................................................... 1140
F.9 Chapitre 10 .................................................................................... 1141
F.10 Chapitre 11 .................................................................................... 1141
F.11 Chapitre 12 .................................................................................... 1142
F.12 Chapitre 13 .................................................................................... 1143
F.13 Chapitre 14 .................................................................................... 1143
F.14 Chapitre 15 .................................................................................... 1144
F.15 Chapitre 16 .................................................................................... 1145
F.16 Chapitre 17 .................................................................................... 1146
F.17 Chapitre 18 .................................................................................... 1147

ANNEXE G
Tables Statistiques ................................................................................. 1149

Références..................................................................................................... 1159
Glossaire ....................................................................................................... 1167
 La nouvelle référence en économétrie !

Introduction à l’économétrie
En recourant à de nombreuses applications Jeffrey M. Wooldridge
empiriques, ce manuel d’introduction réussit est professeur d’économie à l’Université d’État du
Michigan (MSU) où il enseigne depuis 1991. De
l’exploit de simplifier la présentation de 1986 à 1991, il a été professeur d’économie au
l’économétrie sans renoncer aux exigences de Massachusetts Institute of Technology (MIT). Il a
rigueur et de cohérence requises au niveau obtenu sa licence en économie et informatique à
universitaire. Les méthodes économétriques l’Université de Californie à Berkeley en 1982, et
sont présentées avec l’objectif de répondre sa thèse de doctorat en économie à l’Université
à des questions pratiques liées à l’analyse de Californie à San Diego en 1986. Le professeur
Wooldridge a publié de nombreux articles dans
du comportement des agents économiques,
des revues de renommée internationale, ainsi que
l’évaluation de politiques publiques ou la plusieurs chapitres de livres.
réalisation de prévisions.
Pierre André
Devenu une référence dans le monde anglo- est maître de conférences à l’Université de
saxon, cet ouvrage permet de comprendre Cergy-Pontoise.
et d’interpréter les hypothèses d’un modèle Michel Beine
à la lumière de nombreuses applications
est professeur à l’Université du Luxembourg.
empiriques. L’ouvrage distingue clairement
le type de données analysées. Non Sophie Béreau
seulement il couvre les données en coupe est professeur à l’Université catholique de Louvain.
transversale et les séries chronologiques, Maëlys de la Rupelle
mais il aborde également les données de est maître de conférences à l’Université de
panel dont l’utilisation est devenue très Cergy-Pontoise.
fréquente aujourd’hui. Ce livre offre également
Alain Durré
une introduction aux modèles à variable
dépendante limitée qui sont d’une grande est professeur à l’IESEG School of Management.
utilité en économie appliquée et en gestion. Jean-Yves Gnabo
est professeur à l’Université de Namur.
Chaque chapitre contient un large éventail Cédric Heuchenne
d’exercices, dont un grand nombre repose
est professeur à l’Université de Liège.
sur l’utilisation de bases de données
économiques disponibles sur le web. Le Marion Leturcq
lecteur peut ainsi reproduire les nombreux est chercheur à l’Institut National d’Études
exemples empiriques développés dans les Démographiques.
chapitres de l’ouvrage et maîtriser toutes les Mikael Petitjean
étapes de la modélisation économétrique. est professeur à l’Université catholique de Louvain.

Cet ouvrage intéressera non seulement les

étudiants et professeurs de premier cycle
universitaire, mais également les étudiants
de Master et les praticiens de l’économie.
[Link] : la version
numérique de votre ouvrage
• 24h/24, 7 jours/7
• Offline ou online, enregistrement synchronisé
• Sur PC et tablette
• Personnalisation et partage
WOOLDRIDGE
ISBN 978-2-8041-7131-5
ISSN 2 0 3 0 - 5 01 X [Link]