Contrôle continu : économétrie L3

29 novembre 2017

Année universitaire 2017-2018.

Cours : Valérie Mignon.
TD : Florian Morvillier et Benjamin Egron.
Durée : 2 heures.
Calculatrice autorisée.

Exercice 1 : régression simple (9.5 pts)

Vous venez d’être embauché comme économètre au sein d’une société immobilière opérant sur le comté de King
(état de Washington et comprenant entre autre la ville de Seattle). Tous les jours, de nouveaux biens immobiliers
sont mis en vente par des agents économiques, ces derniers font appel à votre société afin de réaliser la vente.
La première étape consiste à fournir un prix aux biens immobiliers qui ne soit pas déconnecté du prix du marché
afin que la vente ait une chance d’avoir lieu. Bien sûr une fois ce prix initial donné, ce dernier peut-être revu
à la hausse ou la baisse selon les caractéristiques spécifiques du bien immobilier.

Votre rôle en tant qu’économètre est justement de fournir ce prix initial, pour cela vous disposez de la base de
données suivante :
Id prix surface
1 0.223 109.626
2 0.588 238.760
3 0.180 71.530
... ... ...
21598 0.400 148.645
21599 0.325 94.761
La base de données est donc constituée de 21599 observations correspondant à autant de ventes de biens im-
mobiliers ayant eu lieu dans le comté de King. Pour chaque observation i nous disposons de deux variables : le
prix de vente exprimé en millions de dollars (noté Pi par la suite) et la surface du bien immobilier exprimée en
m2 (notée Si par la suite). La colonne de gauche représente simplement l’identifiant de la vente.

De plus nous vous donnons quelques informations supplémentaires :

21599
X 21599
X
Pi = 11602.91 Si = 4164734.93
i=1 i=1

21599
X 21599
X 21599
X
Pi2 = 8837.45 Si2 = 954363573.31 Pi Si = 2672744.28
i=1 i=1 i=1

1
Partie 1
Question 1 (0.5 pt) Quelle est la structure des données dont vous disposez : série temporelle, coupe trans-
versale ou bien données de panel ? Justifiez votre réponse.

Question 2 (2 pt) Calculer la variance de chacune des variables ainsi que le coefficient de corrélation entre
ces deux variables. Explicitez les formules que vous utilisez.

Question 3 (1 pt) Interpréter le coefficient de corrélation. Son signe était-il prévisible à partir des informa-
tions fournies ? Expliquez pourquoi.

Partie 2
Vous souhaitez maintenant prédire le prix de vente des biens immobiliers. Pour cela vous estimez, à partir de
la base de données, le modèle de régression linéaire suivant :

Pi = α + βSi + ui

Question 4 (1 pt) Précisez les différents termes intervenant dans cette équation, en particulier, quels sont
les paramètres à estimer ?

Question 5 (1 pt) Vous décidez d’estimer les paramètres du modèle par la méthode des moindres carrés
ordinaires, expliquez en quelques lignes le principe de cette méthode.

Partie 3
Une fois le modèle estimé, nous pouvons représenter graphiquement les valeurs prédites par le modèle sous la
forme d’une droite reportée sur le graphique suivant :

2
Question 6 (0.5 pt) Ecrivez l’équation de la droite en fonction des paramètres estimés.

Question 7 (0.5 pt) La valeur de la pente de la droite est de 0.0029 et la valeur de son ordonnée à l’origine
est de −0.0177. Reprenez l’équation de la droite (question 6) et incorporez ces deux informations.

Question 8 (1 pt) Dans le cas présent, peut-on interpréter économiquement l’ordonnée à l’origine de la
droite ? Si non pourquoi ? Si oui, interprétez.

Question 9 (1 pt) Dans le cas présent, peut-on interpréter économiquement la pente de la droite ? Si non
pourquoi ? Si oui, interprétez.

Question 10 (1 pt) On vous demande d’estimer le prix d’une maison de 200 mètres carrés, quel prix lui
accordez-vous ?

Exercice 2 : régression multiple (9 pts)

Vous disposez à présent d’une nouvelle base de données. Comme précédemment, celle-ci contient pour chaque
observation i le prix de vente exprimé en millions de dollars (Pi ) et la surface exprimée en m2 (Si ). A cela
s’ajoutent :
1. Une variable binaire prenant la valeur 1 si la maison se trouve en bord de mer et la valeur 0 sinon. Cette
variable est notée Mi par la suite.
2. L’année de construction du bien immobilier allant de 1900 à 2015. Cette variable est notée Ci par la suite.
3. La qualité de la construction, prenant des valeurs entières de 1 (construction de très mauvaise qualité)
jusqu’à 13 (construction de très bonne qualité). Cette variable est notée Qi par la suite.
La base de données prend donc à présent la forme suivante :

Id prix surface mer annee const qualité

1 0.223 109.626 0 1955 7
2 0.588 238.760 0 1951 6
3 0.180 71.530 1 1987 8
... ... ... ... ... ...
21598 0.400 148.645 1 2004 8
21599 0.325 94.761 0 2008 7

Nous vous fournissons plusieurs coefficients de corrélation : Corr(P, M ) = 0.249, Corr(P, C) = 0.054 et
Corr(P, Q) = 0.677, ainsi que quelques graphiques :

3
Question 1 (1 pt) On vous demande d’intégrer deux variables (parmi les trois proposées) supplémentaires
au modèle de régression linéaire précédemment estimé, lesquelles choisissez-vous au vu des informations que
nous vous donnons 1 ? Justifiez votre réponse en quelques lignes.

Nous avons donc maintenant un modèle de régression multiple : une variable expliquée qui est le prix, trois
variables explicatives (la surface plus les deux variables que vous avez choisies) et une constante. Ce modèle
s’écrit de la manière suivante :
P = Xβ + u
1. En fin d’énoncé un bref rappel est fait sur les boîtes à moustache

4
où P = (P1 , P2 , ..., P21599 )0 est le vecteur colonne des prix de dimension 21599, X est la matrice incluant les
variables explicatives et β est le vecteur des paramètres.

Question 2 (1 pt) Quelles sont les dimensions de la matrice X, du vecteur β et du vecteur u (n’oubliez pas
que le modèle inclut une constante) ?

Question 3 (2 pts) Le paramètre associé à la variable surface est noté β1 . Après estimation du modèle nous
obtenons β̂1 = 0.0017 et σ̂β̂1 = 0.0000287. La valeur du paramètre β1 est-elle significativement différente de zéro
(vous prendrez un risque de 5%) ? N’oubliez pas de présenter le test statistique que vous utilisez.

Question 4 (1 pt) Expliquez ce qu’est le coefficient de détermination (R2 ) et son interprétation en utilisant
l’équation d’analyse de la variance. Dans le cas présent, le coefficient de détermination s’élève à 0.568, interprétez
ce résultat.

Question 5 (2 pts) Le modèle de régression linéaire est-il globalement significatif (vous prendrez un risque
de 5%) ? N’oubliez pas de présenter le test statistique que vous utilisez.

Question 6 (2 pts) Supposons que nous ayons incorporé la variable Mi au modèle, la valeur du paramètre
associé est de 0.76 et est significativement différente de zéro. Comment interprétez-vous économiquement ce
résultat ?

Exercice 3 : questions de cours (3 pts)

Une mauvaise réponse fait perdre 0.5 points au sein de cet exercice, vous ne perdez donc pas de points sur les
exercices précédents.

Question 1 (1 pt) Que se passe-t-il si l’hypothèse de nullité de l’espérance du terme d’erreur n’est pas
vérifiée ?
1. L’estimateur MCO est biaisé.
2. Il n’est pas possible d’obtenir l’estimateur MCO.
3. Aucune des deux réponses précédentes.

Question 2 (1 pt) On suppose que l’hypothèse d’homoscédasticité du terme d’erreur n’est pas vérifiée. Quel
est l’effet de la violation de cette hypothèse ?
1. Les t-stat (statistiques de Student) ne sont plus fiables.
2. Les termes en dehors de la diagonale de la matrice de variance-covariance du terme d’erreur sont non nuls.
3. L’estimateur MCO est biaisé.

Question 3 (1 pt) On suppose que l’hypothèse d’absence d’autocorrélation du terme d’erreur n’est pas
vérifiée. Quel est l’effet de la violation de cette hypothèse ?
1. La taille de l’intervalle de prévision augmente.
2. Les termes en dehors de la diagonale de la matrice de variance-covariance du terme d’erreur sont non nuls.
3. La matrice des variables explicatives n’est plus certaine.

Rappel : boîte à moustaches

Les boîtes à moustaches permettent de résumer la distribution d’une variable en quelques valeurs : le segment
indique la médiane, la boîte indique le premier et le quatrième quartiles enfin les extrémités indiquent le premier
et le neuvième déciles.