1.
Quelles sont les différents types de données sur lesquelles on peut travailler en
économétrie ?
Les données en coupe longitudinale ou série temporelles
Les données en coupe transversales ou coupe instantanées
Les données de panel
2. Rappeler la notion de corrélation. Une corrélation observée entre deux variables signifie telle
toujours quelque chose ?
La corrélation traduit le lien qui peut exister entre deux variables économiques c’est-
à-dire si la variation des observations de l’une des variables influence les autres variables.
Oui, une corrélation observée entre deux variables signifie toujours quelque chose
car :
o r
Si x,y < 0 alors la corrélation est négative
o Si rx,y > 0 alors la corrélation est positive
o Si rx,y = 0 alors il n’y a pas de corrélations
3. Rappeler la notion de modèle économétrique. Quel est l’apport d’un modèle économétrique
relativement à une analyse des corrélations ?
Un modèle économétrique est un représentation formalisée d’un
phénomène sous forme d’équation dont les variables sont des grandeurs économiques.
Il permet aux agents économiques de mieux comprendre l’impact d’une
variable sur la réalité économétrique que celle-ci décrit afin de prendre des meilleures décisions,
faires des prévisions et intervenir plus efficacement.
4. Qu’est-ce qu’une perturbation aléatoire ? quelle est son rôle dans un modèle
économétrique ?
Une perturbation aléatoire représente tout ce qui nous éloigne du vrai
modèle économétrique du phénomène qu’on essaie d’expliquer, il correspond à toutes les
informations qu’on a omis de prendre en compte ou qu’on a mal utilisé.
Il permet à ce que le modèle ne puisse s’occuper que des variables qui ont un
réelle impacte sur le phénomène car il intègre en lui celles qui ne jouent qu’un infime rôle, il permet
de prendre en compte les incertitudes du modèle.
5. Quelles sont les principales hypothèses sur lesquelles l’analyse de la régression est menée
ainsi que leur signification ?
H1 : le modèle est linéaire en 𝑥𝑡 (ou de n’importe quelles
transformations de ce
H2 : les valeurs 𝑥𝑡 sont observées sans erreur et donc sont non-
dernier)
H3 : l’espérance mathématique du terme d’erreur est 𝐸(𝑢𝑡) =
aléatoires ou non stochastiques
0, ∀𝑡 (si E (ut) ≠ 0 alors ut aurait une composante
systématique qui aurait dû être incluse dans la partie non
H4 : 𝐸(𝑢𝑡2) = 𝜎𝑢2, ∀𝑡 autrement dit, la variance de l’erreur est
aléatoire du modèle.
constante = risque de l’amplitude de l’erreur est le même
H5 : 𝐸(𝑢𝑡𝑢𝑡′) = 0, 𝑠𝑖 𝑡 ≠ 𝑡′autrement dit que les erreurs sont
quelle que soit la période.
non corrélées = l’erreur de l’instant t n’a aucune influence sur
H6 : 𝐶𝑜𝑣 (𝑥𝑡, 𝑢𝑡) = 0 autrement dit l’erreur est indépendante
les erreurs des autres périodes e vice-versa.
de la variable explicative
6. Quel est le principe des MCO ? pourquoi choisir cette méthode plutôt qu’une autre ?
Les MCO est une méthode de détermination des estimateurs du modèle
économétrique. Ces derniers sont obtenus en minimisant la distance au carré entre les observations
et la droite de régression sur le plan graphique tel que le veux son principe. Ou encore sur le plan
pratique, il s’agit de minimiser la somme des carrées des erreurs entre les observations et les
prédictions.
Il est conseillé de choisir cette méthode car elle permet de trouver les meilleurs
estimateurs sans biais, convergents, linéaire en régression linéaire et de variance minimal par rapport
aux autres méthodes comme le Lagrangien.
7. Quelles sont les principales propriétés des estimateurs ?
Un estimateur  doit être sans biais c’est-à-dire E(Â)=Â
La variance de l’estimateur doit être la variance minimale
Un estimateur doit être convergent c’est-à-dire limite V(Â) tend vers zéro lorsque n
tend vers l’infini
Linéaire en régression linéaire
8. A quoi sert le test de Durbin Watson dans un modèle de régression linéaire multiple?
Dans un modèle de régression linéaire multiple, le test de DW permet de détecter
l’autocorrélation des erreurs d’ordre 1 de la forme …………… (Voir tes notes)
9. Quand dit-on qu’il y a un problème de multi colinéarité ? quelles sont les conséquences
d’une multi colinéarité sur les résultats du modèle ?
Le problème de multi-colinéarité se pose lorsque le modèle incorpore des séries
explicatives qui sont liées entre elles. Dans la pratique, les séries explicatives sont toujours
plus ou moins liées entre elles, mais le problème se pose réellement lorsque ces liaisons sont
assez fortes.
Conséquences :
Augmentation de la variance estimée de certains coefficients lorsque la
colinéarité entre les variables explicatives augmente (pour que la variable soit bien interprétée, il
faut que la variance soit petite) ;
Instabilité des estimateurs des coefficients des moindres carrés i.e. de faibles
fluctuations concernant les données entrainent de fortes variations de valeurs estimées des
coefficients ;
En cas de multi-colinéarité parfaite, la matrice X’X est singulière (déterminant
nul : ne peut être inversé) et donc l’estimation des coefficients est alors impossible et leur variance
est infinie.
10. Qu’est-ce qu’un estimateur BLUE ? donner un exemple ?
Un estimateur BLUE (Best Linear Unbiased Estimation) est un estimateur sans biais,
convergent et de variance minimal.
-1
Exemple : l’estimateur Â=(X’X) (X’Y) en modèle de régression multiple.
11. A quoi sert le test de Fisher dans une régression linéaire ?
Permet de vérifier la significativité globale du modèle c’est-à-dire la significativité de
l’ensemble des coefficients.
12. A quoi sert le test de Student dans une régression linéaire ?
Permet de vérifier la significativité d’un coefficient. Il permet de savoir si une variable joue un
rôle explicatif dans le modèle.
