Introduction à l’économétrie appliquée
Benoit Dostie
Économie appliquée
HEC Montréal
Thème #4 - Inférence (2025-01-27)
Objectifs du thème
Objectifs d’apprentissage
1. Savoir calculer et interpréter le résultat d’un test t.
2. Savoir calculer et interpréter le résultat d’un test F.
3. Savoir calculer et interpréter un intervalle de confiance.
4. Savoir interpréter une valeur-p.
1
Théorème 4.1: distribution des
estimateurs MCO
Hypothèse 6
ε i ∼ N (0, σ2 )
1 1 ε i 2
f (ε i ) = √ exp{− }
σ 2π 2 σ
2
Fonction de densité normale
Source: Wikipedia
3
Implications de H6: ε i ∼ N (0, σ2 )
• E [ε i ] = 0
• Var (ϵi ) = σ2
• yi | Xi ∼ N (Xi β, σ2 )
4
Théorème 4.1
Si les hypothèses H1 à H6 tiennent, on a
β̂ j ∼ N ( β j , Var ( β̂ j ))
β̂ j − β j
q ∼ N (0, 1)
Var ( β̂ j )
5
T-test
Statistique t
β̂ j − β j
q ∼ t (N − k )
Var\ ( β̂ j )
6
Fonction de densité t (Student)
Source: Wikipedia
7
Ingrédients d’un test
Réaliser un test d’hypothèse nécessite trois ingrédients:
1. Une hypothèse à tester sur des coefficients, appelée
hypothèse nulle et notée H0
2. Une hypothèse alternative, notée H1
3. Une règle de décision qui dit si on rejette ou non H0 basée
sur la comparaison d’une statistique du test à une valeur
critique.
8
Exemple: statistique t
La statistique du test dépend de la distribution de β̂ j et de
l’hypothèse nulle à tester.
Si on veut tester l’hypothèse nulle H0 : β j = 0, la statistique du
test sera alors
β̂ j − 0
q ∼ t (N − k )
\
Var ( β̂ j )
9
Valeur critique
La valeur critique du test t dépend de trois facteurs:
1. L’hypothèse alternative H1 .
2. Le seuil de confiance choisi α qui représente la probabilité
de rejeter H0 si H0 est vraie (typiquement 1%, 5% ou 10%)
3. N − k
10
Tests d’hypothèses
• H0 : β j = 0 versus H1 : β j > 0.
• H0 : β j = 0 versus H1 : β j < 0.
• H0 : β j = 0 versus H1 : β j ̸= 0.
Valeurs critiques
11
Règle de décision
Dans le cadre d’un test t, la règle de décision est de rejeter H0
si la statistique du test est plus élevée (en valeur absolue)
que la valeur critique.
| t |> tc
12
Des chiffres à “retenir” quand N → ∞
• | Statistique-t |> 1.645 ⇒ statistiquement différent de zéro
au seuil de 10%
• | Statistique-t |> 1.960 ⇒ statistiquement différent de zéro
au seuil de 5%
• | Statistique-t |> 2.576 ⇒ statistiquement différent de zéro
au seuil de 1%.
Valeurs critiques
13
Autres types d’hypothèses
Si on veut tester l’hypothèse nulle H0 : β j = a, la statistique du
test sera alors
β̂ j − a
q ∼ t (N − k )
\
Var ( β̂ j )
14
Discussion: analyse des résultats d’une régression
1. Vérifier si les coefficients sont statistiquement différents de
zéro.
2. Discuter de l’ampleur des coefficients statistiquement
différents de zéro (significatifs)
15
Intervalles de confiance
Définition: calcul des intervalles de confiance
r r !
P β̂ j − s1% · \
Var ( β̂ j )· ≤ β j ≤ β̂ j + s1% · \
Var ( β̂ j ) = 0.99
r r !
P β̂ j − s5% · \
Var ( β̂ j )· ≤ β j ≤ β̂ j + s5% · \
Var ( β̂ j ) = 0.95
r r !
P β̂ j − s10% · \
Var ( β̂ j )· ≤ β j ≤ β̂ j + s10% · \
Var ( β̂ j ) = 0.90
16
Intervalle de confiance en pratique
On peut utiliser (si N → ∞)
• s01% = 2.576
• s05% = 1.960
• s10% = 1.645
17
Interprétation
Interprétation des intervalles de confiance
Si on prenait d’autres échantillons de notre population au
hasard, dans 95% des cas, la vraie valeur du paramètre serait
dans l’intervalle de confiance.
18
Lien avec les tests d’hypothèse
Si aj ∈
/ {intervalle de confiance de seuil s} alors on rejette:
H0 : β j = aj
versus:
H1 : β j ̸= aj ,
au seuil de s.
19
F-test
F-test
Soit le modèle (non-contraint, nc):
yi = β 1 + β 2 xi2 + β 3 xi3 + β 4 xi4 + ε i
Comment tester H0 : β 2 = 0 et β 3 = 0 versus H1 : β 2 ̸= 0 ou
β 3 ̸= 0
Noter que le modèle contraint (c) est alors yi = β 1 + β 4 xi4 + ε i
20
F-test
(SCRC − SCRNC )/q
F = ∼ F(q,N −k )
SCRNC /(N − k )
Valeurs critiques
21
F-test (formule alternative)
2
(RNC − RC2 )/q
F = 2 ) / (N − k )
(1 − RNC
22
Test F
Soit le modèle (non-contraint, nc):
yi = β 1 + β 2 xi2 + β 3 xi3 + ... + β k xik + ε i
Comment tester H0 : β 2 = 0, β 3 = 0, ..., β k = 0?
23
F-test
(SCRC − SCRNC )/q
F =
SCRNC /(N − k )
2
(RNC − RC2 )/q
⇒F = 2 ) / (N − k )
(1 − RNC
R 2 / (k − 1)
⇒F =
(1 − R 2 ) / (N − k )
24
Valeur p
Valeur p (p-value)
Définition: valeur p
La valeur p est le seuil statistique
à partir duquel on est indifférent
entre rejeter et ne pas rejeter
l’hypothèse nulle.
25
Valeur p (p-value)
Exemple: valeur p
Dans le cas de H0 : β j = 0 versus H1 : β j ̸= 0, la valeur p est la
probabilité qu’une statistique t prenne une valeur plus grand
que la valeur réalisée (en valeur absolue).
26
Conclusion
Bonne semaine!
1. Lire Chapitre 4 (W).
2. Lire les notes et faire les problèmes du Thème 4 (ZC).
3. Problèmes Chapitre 4: tous les problèmes (W)
27
