Écono‑

  métrie

9782100865529_FM.indd 1 3/21/24 9:31 PM

9782100865529_FM.indd 2 3/21/24 9:31 PM
 RÉGIS BOURBONNAIS

Écono‑
  métrie
12E ÉDITION

9782100865529_FM.indd 3 3/21/24 9:31 PM

 NOUS NOUS ENGAGEONS EN FAVEUR DE L’ENVIRONNEMENT :

Nos livres sont imprimés sur des papiers certifiés

pour réduire notre impact sur l’environnement.

Le format de nos ouvrages est pensé

afin d’optimiser l’utilisation du papier.

Depuis plus de 30 ans, nous imprimons 70 %

de nos livres en France et 25 % en Europe
et nous mettons tout en œuvre pour augmenter
cet engagement auprès des imprimeurs français.

Nous limitons l’utilisation du plastique sur nos

ouvrages (film sur les couvertures et les livres).

© Dunod, 2024
11, rue Paul Bert, 92240 Malakoff
[Link]
ISBN 978-2-10-086552-9

9782100822089_FM.indd 4 08/03/24 4:38 PM

 Table des matières

Avant-propos XIII

Chapitre 1 Qu’est-ce que l’économétrie ? 1

1. La notion de modèle 1
1.1 Définition 1
1.2 La construction des modèles en économétrie 2

2. Le rôle de l’économétrie 4
2.1 L’économétrie comme validation de la théorie 4
2.2 L’économétrie comme outil d’investigation 5

3. La théorie de la corrélation 5
3.1 Présentation générale 5
3.2 Mesure et limite du coefficient de corrélation 7
L’essentiel 12

Chapitre 2 Le modèle de régression simple 13

1. Présentation du modèle 13
1.1 Exemple introductif 13
1.2 Rôle du terme aléatoire 14
1.3 Conséquences du terme aléatoire 16

2. Estimation des paramètres 17

2.1 Modèle et hypothèses 17
2.2 Formulation des estimateurs 18
2.3 Les différentes écritures du modèle : erreur et résidu 21
2.4 Propriétés des estimateurs 21

3. Conséquences des hypothèses :

construction des tests 23
3.1 Hypothèse de normalité des erreurs 23
3.2 Conséquences de l’hypothèse de normalité des erreurs 24
3.3 Test bilatéral, test unilatéral
et probabilité critique d’un test 27

9782100822089_FM.indd 5 08/03/24 4:38 PM

 Économétrie

4. Équation et tableau d’analyse de la variance 33

4.1 Équation d’analyse de la variance 33
4.2 Tableau d’analyse de la variance 34

5. La prévision dans le modèle

de régression simple 39

L’essentiel 48

Chapitre 3 Le modèle de régression multiple 49

1. Le modèle linéaire général 50

1.1 Présentation 50
1.2 Forme matricielle 50

2. Estimation et propriétés des estimateurs 51

2.1 Estimation des coefficients de régression 51
2.2 Hypothèses et propriétés des estimateurs 53
2.3 Équation d’analyse de la variance
et qualité d’un ajustement 55

3. Les tests statistiques 60

3.1 Le rôle des hypothèses 60
3.2 Construction des tests 61
3.3 Tests sur les résidus : valeur anormale,
effet de levier et point d’influence 63

4. L’analyse de la variance 69
4.1 Construction du tableau d’analyse de la variance
et test de signification globale d’une régression 69
4.2 Autres tests à partir du tableau d’analyse de la variance 70
4.3 Généralisation des tests par analyse de la variance 76

5. L’utilisation de variables indicatrices 78

5.1 Constitution et finalités des variables indicatrices 78
5.2 Exemples d’utilisation 78

6. La prévision à l’aide du modèle linéaire général

et la régression récursive 87
6.1 Prédiction conditionnelle 87
6.2 Fiabilité de la prévision et intervalle de prévision 87
6.3 Les tests de stabilité par la régression récursive 90
6.4 Le test de spécification de Ramsey 91

VI

9782100865529_FM.indd 6 3/23/24 2:25 PM

 Table des matières

7. Exercices récapitulatifs 95

Annexes 113
Interprétation géométrique de la méthode
des moindres carrés 113
Résolution de l’exercice 3.1 par des logiciels informatiques
de régression multiple 114
Estimation de la variance de l’erreur 116
L’essentiel 117

Chapitre 4 Multicolinéarité
et sélection ­du modèle optimal 119

1. Corrélation partielle 120

1.1 Exemple introductif 120
1.2 Généralisation de la notion de corrélation partielle 120

2. Relation entre coefficients de corrélation simple,

partielle et multiple 125

3. Multicolinéarité: conséquences et détection 127

3.1 Conséquences de la multicolinéarité 127
3.2 Tests de détection d’une multicolinéarité 128
3.3 Comment remédier à la multicolinéarité ? 131

4. Sélection du modèle optimal 132

L’essentiel 139

Chapitre 5 Problèmes particuliers :

la violation des hypothèses 141

1. L’autocorrélation des erreurs 142

1.1 Présentation du problème 142
1.2 L’estimateur des moindres carrés généralisés (MCG) 142
1.3 Les causes et la détection de l’autocorrélation des erreurs 143
1.4 Les procédures d’estimation en cas d’autocorrélation
des erreurs 150

2. L’hétéroscédasticité 158
2.1 Présentation du problème 158
2.2 Correction de l’hétéroscédasticité 160
2.3 Tests de détection de l’hétéroscédasticité 163
2.4 Autre test d’hétéroscédasticité : le test ARCH 170
VII

9782100822089_FM.indd 7 08/03/24 4:38 PM

 Économétrie

3. Modèles à erreurs sur les variables 171

3.1 Conséquences lorsque les variables
sont entachées d’erreurs 171
3.2 La méthode des variables instrumentales 172
3.3 Le test d’exogénéité d’Hausman 173
3.4 La méthode des moments généralisée 173
L’essentiel 182

Chapitre 6 Les modèles non linéaires 183

1. Les différents types de modèles non linéaires 183

1.1 Les fonctions de type exponentiel 183
1.2 Les modèles de diffusion 186

2. Méthodes d’estimation des modèles

non linéaires 188
2.1 Initiation aux méthodes d’estimation non linéaires 188
2.2 Exemples d’application 190
L’essentiel 195

Chapitre 7 Les modèles à décalages temporels 197

1. Les modèles linéaires autorégressifs 197

1.1 Formulation générale 197
1.2 Test d’autocorrélation et méthodes d’estimation 198

2. Les modèles à retards échelonnés 203

2.1 Formulation générale 203
2.2 Détermination du nombre de retards 204
2.3 Distribution finie des retards 208
2.4 Distribution infinie des retards 213

3. Deux exemples de modèles dynamiques 218

3.1 Le modèle d’ajustement partiel 218
3.2 Le modèle d’anticipations adaptatives 219
L’essentiel 239

VIII

9782100822089_FM.indd 8 08/03/24 4:38 PM

 Table des matières

Chapitre 8 Introduction aux modèles à équations

simultanées 241

1. Équations structurelles et équations réduites 242

1.1 Exemple introductif 242
1.2 Le modèle général 243

2. Le problème de l’identification 244

2.1 Restrictions sur les coefficients 244
2.2 Conditions d’identification 245

3. Les méthodes d’estimation 246

3.1 Les moindres carrés indirects 246
3.2 Les doubles moindres carrés 247
3.3 Autres méthodes d’estimation 248

Annexes 260
Identification : les conditions de rang 260
L’essentiel 263

Chapitre 9 Éléments d’analyse des séries temporelles 265

1. Stationnarité 266
1.1 Définition et propriétés 266
1.2 Fonctions d’autocorrélation simple et partielle 266
1.3 Tests de « bruit blanc » et de stationnarité 268

2. La non-stationnarité et les tests de racine unitaire 271

2.1 La non-stationnarité : les processus TS et DS 271
2.2 Les tests de racine unitaire
et la stratégie séquentielle de test 275

3. Les modèles ARIMA 283

3.1 Typologie des modèles AR, MA et ARMA 283
3.2 L’extension aux processus ARIMA et SARIMA 286

4. La méthode de Box et Jenkins 287

4.1 Recherche de la représentation adéquate :
l’identification 287
4.2 Estimation des paramètres 288
4.3 Tests d’adéquation du modèle et prévision 289
L’essentiel 305

IX

9782100822089_FM.indd 9 08/03/24 4:38 PM

 Économétrie

Chapitre 10 La modélisation VAR 307

1. Représentation d’un modèle VAR 308

1.1 Exemple introductif 308
1.2 La représentation générale 309
1.3 La représentation ARMAX 310

2. Estimation des paramètres 310

2.1 Méthode d’estimation 311
2.2 Détermination du nombre de retards 311
2.3 Prévision 312

3. Dynamique d’un modèle VAR 317

3.1 Représentation VMA d’un processus VAR 317
3.2 Analyse et orthogonalisation des « chocs » 318
3.3 Décomposition de la variance 321
3.4 Choix de l’ordre de décomposition 321

4. La causalité 325
4.1 Causalité au sens de Granger 325
4.2 Causalité au sens de Sims 326
L’essentiel 330

Chapitre 11 La cointégration

et le modèle à correction d’erreur 331

1. Exemples introductifs 331

1.1 Premier exemple 331
1.2 Deuxième exemple 332

2. Le concept de cointégration 333

2.1 Propriétés de l’ordre d’intégration d’une série 333
2.2 Conditions de cointégration 335
2.3 Le modèle à correction d’erreur (ECM) 336

3. Cointégration entre deux variables 337

3.1 Test de cointégration entre deux variables 337
3.2 Estimation du modèle à correction d’erreur 337

4. Généralisation à k variables 340

4.1 La cointégration entre k variables 341
4.2 Estimation du modèle à correction d’erreur 342

9782100822089_FM.indd 10 08/03/24 4:38 PM

 Table des matières

4.3 Le modèle à correction d’erreur vectoriel 342

4.4 Tests de relation de cointégration 344
4.5 Test d’exogénéité faible 347
4.6 Synthèse de la procédure d’estimation 348
L’essentiel 354

Chapitre 12 Introduction à l’économétrie

des variables qualitatives 355

1. Les problèmes et les conséquences

de la spécification binaire 356

2. Les modèles de choix binaires 358

2.1 Le modèle linéaire sur variable latente 358
2.2 Les modèles Probit et Logit 359
2.3 Interprétation des résultats et tests statistiques 360

3. Les modèles à choix multiples 365

3.1 Les modèles Probit et Logit ordonnés 366
3.2 Le modèle de choix multiples non ordonné :
le Logit multinomial  371

4. Les modèles à variable dépendante

limitée : le modèle Tobit  372
4.1 Le modèle Tobit simple : modèle de régression
tronqué ou censuré  373
4.2 Estimation et interprétation des résultats 375
L’essentiel 381

Chapitre 13 Introduction à l’économétrie

des données de panel 383

1. Présentation des modèles à données de panel 384

1.1 Spécificités des données de panel 384
1.2 La méthode SUR 385
1.3 Le modèle linéaire simple 386

2. Les tests d’homogénéité 387

2.1 Procédure séquentielle de tests 387
2.2 Construction des tests 387

XI

9782100822089_FM.indd 11 08/03/24 4:38 PM

 Économétrie

3. Spécifications et estimations
des modèles à effets individuels 393
3.1 Le modèle à effets fixes individuels 393
3.2 Le modèle à effets aléatoires 394
3.3 Effets fixes ou effets aléatoires ? Le test d’Hausman 395
L’essentiel 400

Testez-vous - Testez vos connaissances sur

les chapitres 1 à 7 401

Liste des exercices 411

Tables statistiques 415

Bibliographie 423

Index 427

XII

9782100822089_FM.indd 12 08/03/24 4:38 PM

 Avant-propos
Cette douzième édition marque la volonté d’une mise à jour permanente de ce manuel tant
sur le plan des concepts de l’économétrie moderne que des applications, tout en lui conser-
vant son aspect très pédagogique. La mise en page en facilite la lecture et met l’accent sur
les parties importantes du cours. À la fin de chaque chapitre une synthèse est proposée.
Un QCM permet aux étudiants de vérifier la connaissance des fondamentaux du cours.
Ce livre couvre tous les champs de l’économétrie : régression simple et multiple,
violation des hypothèses (hétéroscédasticité, autocorrélation des erreurs, variables expli-
catives aléatoires), modèle à décalage, analyse des séries temporelles, tests de racine
unitaire, équations multiples, VAR, cointégration, VECM, économétrie des variables
qualitatives et des données de panel…
Sur l’ensemble de ces thèmes, ce livre vous propose un cours, des exercices corrigés,
et une présentation des logiciels d’économétrie les plus répandus. Souhaitons qu’il cor-
responde à votre attente.
En effet, nous avons voulu, par une alternance systématique de cours et d’exercices,
répondre à un besoin pédagogique qui est de mettre rapidement en pratique les connais-
sances théoriques et ainsi, d’utiliser de manière opérationnelle les acquis du cours.
De surcroît, le recours à des logiciels1, lors de la résolution des exercices, permet une
découverte de ces outils et donne une dimension pratique que recherchent l’étudiant et
le praticien.
Afin que le lecteur puisse lui-même refaire les exercices, les données utilisées (sous
format Excel, Eviews, Gretl et Stata) ainsi que les programmes de traitement de Eviews
(extension .prg) ou de Gretl (extension .INP) sont disponibles par téléchargement sur le
serveur web.
Les corrigés des exercices et les données sous format Stata ont été réalisés par Dalila
Chenaf-Nicet, maître de conférences en économie à l’Université de Bordeaux, et sont
disponibles également par téléchargement sur le site web :
[Link]
Pour chaque exercice faisant appel à un fichier de données, le nom du fichier est cité

en tête de l’exercice et repéré par l’icône suivante : .

Nous avons voulu faire de ce manuel un livre d’apprentissage facilement acces-
sible ; c’est pourquoi les démonstrations les plus complexes font l’objet de renvois à une
bibliographie plus spécialisée. Cependant, il convient de préciser que l’économétrie fait
appel à des notions d’algèbre linéaire et d’induction statistique qu’il est souhaitable de
connaître.

1. Quatre logiciels sont utilisés : EXCEL (copyright Microsoft), Eviews (copyright Quantitative Micro Software),
Stata (copyright StataCorp.) et Gretl. Nous recommandons particulièrement le logiciel Gretl ([Link]
[Link]/) qui est un logiciel d’économétrie gratuit, complet et très facile d’apprentissage.

9782100822089_FM.indd 13 08/03/24 4:38 PM

 Économétrie

Dans le terme « économétrie » figure la racine du mot « économie » car son utilisa-
tion est surtout destinée à des fins de traitement de données économiques ; cependant,
d’autres domaines tels que la finance, la recherche agronomique, la médecine, etc., font
maintenant le plus souvent appel à ces techniques.
Ce livre s’adresse en premier lieu aux étudiants (sciences économiques, gestion,
écoles de commerce et d’ingénieurs, etc.) dont la formation requiert une connaissance
de l’économétrie. Gageons qu’il sera un support de cours indispensable et un allié pré-
cieux pour préparer les séances de travaux dirigés.
N’oublions pas cependant le praticien de l’économétrie (économiste d’entreprise,
chercheur, etc.) qui, confronté à des problèmes d’estimation statistique, trouvera dans
ce livre les réponses pratiques aux différentes questions qu’il peut se poser.
Enfin, j’exprime toute ma gratitude à toutes les personnes – collègues et étudiants –
qui ont eu la gentillesse de me faire des commentaires et dont les conseils et suggestions
contribuent à la qualité pédagogique de ce livre. Je reste, bien entendu, le seul respon-
sable des erreurs qui subsisteraient1.

1. Les lecteurs souhaitant faire des commentaires ou des remarques peuvent me contacter : Régis Bourbonnais,
université Paris Dauphine-PSL, place du Maréchal de Lattre de Tassigny, 75775 Paris Cedex 16.
E-mail : [Link]@[Link]

XIV

9782100865529_FM.indd 14 3/19/24 10:27 AM

 Chapitre 1 Qu’est-ce que
l’économétrie ?
Introduction
Ce premier chapitre est consacré à la présentation de l’économétrie et à sa liaison avec la
théorie économique. Nous abordons tout d’abord en 1 la notion de modèle ainsi que les
différentes étapes de la modélisation. L’apport de l’économétrie en tant qu’outil de vali-
dation est étudié en 2. Enfin, la théorie de la corrélation – fondement de l’économétrie –
fait l’objet du 3.

Objectifs Concepts clés

Présenter la notion de modèle Construction des modèles
en économétrie
en économétrie.
Différents types de variables : série
Définir le rôle de l’économétrie.
temporelle, coupe instantanée,
Savoir calculer et interpréter un coefficient panel, cohorte
de corrélation. Théorie de la corrélation

1 La notion de modèle

1.1 Définition
Il est délicat de fournir une définition unique de la notion de modèle1. Dans le cadre de
l’économétrie, nous pouvons considérer qu’un modèle consiste en une présentation for-
malisée d’un phénomène sous forme d’équations dont les variables sont des grandeurs
économiques. L’objectif du modèle est de représenter les traits les plus marquants d’une
réalité qu’il cherche à styliser. Le modèle est donc l’outil que le modélisateur utilise
lorsqu’il cherche à comprendre et à expliquer des phénomènes. Pour ce faire, il émet des
hypothèses et explicite des relations.

ŸŸ Pourquoi des modèles ?

ŸŸ Nombreux sont ceux – sociologues, économistes ou physiciens – qui fondent
leurs analyses ou leurs jugements sur des raisonnements construits et élaborés.
Ces constructions refèrent implicitement à des modèles ; alors pourquoi ne pas
expliciter clairement les hypothèses et les relations au sein d’un modèle ?

1. La notion de modèle est relative au point de vue auquel nous nous plaçons : la physique, l’épistémologie...

[Link] 1 3/6/24 3:41 PM

 Économétrie

Le modèle est donc une présentation schématique et partielle d’une réalité naturel-
lement plus complexe. Toute la difficulté de la modélisation consiste à ne retenir que
la ou les représentations intéressantes pour le problème que le modélisateur cherche à
expliciter. Ce choix dépend de la nature du problème, du type de décision ou de l’étude
à effectuer. La même réalité peut ainsi être formalisée de diverses manières en fonction
des objectifs.

1.2 La construction des modèles en économétrie

Dans les sciences sociales, et particulièrement en économie, les phénomènes étudiés
concernent le plus souvent des comportements afin de mieux comprendre la nature et
le fonctionnement des systèmes économiques. L’objectif du modélisateur est, dans le
cadre de l’économétrie et au travers d’une mesure statistique, de permettre aux agents
économiques (ménages, entreprises, État...) d’intervenir de manière plus efficace. La
construction d’un modèle comporte un certain nombre d’étapes qui sont toutes impor-
tantes. En effet, en cas de faiblesse d’un des « maillons », le modèle peut se trouver
invalidé pour cause d’hypothèses manquantes, de données non représentatives ou
observées avec des erreurs, etc. Examinons les différentes étapes à suivre lors de la
construction d’un modèle, ceci à partir de l’exemple du modèle keynésien simplifié.

a) Référence à une théorie

Une théorie s’exprime au travers d’hypothèses auxquelles le modèle fait référence. Dans
la théorie keynésienne, quatre propositions sont fondamentales :
1. la consommation et le revenu sont liés ;
2. le niveau d’investissement privé et le taux d’intérêt sont également liés ;
3. il existe un investissement autonome public ;
4. enfin, le produit national est égal à la consommation plus l’investissement privé et
public.

b) Formalisation des relations et choix de la forme des fonctions

À partir des propositions précédentes, nous pouvons construire des relations :
1. la consommation est fonction du revenu : C = f (Y ) avec f ′ > 0 ;
2. l’investissement privé dépend du taux d’intérêt : I = g(r ) avec g ′ < 0 ;
3. il existe un investissement autonome public : I ;
4. enfin, le produit national (ou le revenu national) est égal à la consommation plus
l’investissement : Y ≡ C + I + I .
À ce stade, nous n’avons postulé aucune forme particulière en ce qui concerne les
fonctions f et g. Ainsi, bien que des considérations d’ordre théorique nous renseignent
sur le signe des dérivées, il existe une multitude de fonctions de formes très différentes
et ayant des signes de dérivées identiques, par exemple C = a0 + a1 Y et C = a0 Y a1.
Cependant, ces deux relations ne reflètent pas le même comportement ; une augmenta-
tion du revenu provoque un accroissement proportionnel pour la première relation, alors

[Link] 2 3/6/24 3:41 PM

 Chapitre 1 • Qu’est-ce que l’économétrie ?

que, dans la seconde, l’effet s’estompe avec l’augmentation du revenu (si 0 < a1 < 1).
Nous appelons « forme fonctionnelle » ce choix (arbitraire ou fondé) de spécification
précise du modèle. Dans notre exemple, le modèle explicité s’écrit :
C = a0 + a1 Y avec a0 > 0 et 0 < a1 < 1
a1 = propension marginale à consommer
et a0 = consommation incompressible ;
I = b 0 + b1 r avec b 0 > 0 et b1 < 0 ;
Y ≡C+I+I
Les deux premières équations reflètent des relations de comportements alors que la
troisième est une identité (aucun paramètre n’est à estimer).

c) Sélection et mesure des variables

Le modèle étant spécifié, il convient de collecter les variables représentatives des phéno-
mènes économiques. Ce choix n’est pas neutre et peut conduire à des résultats différents,
les questions qu’il convient de se poser sont par exemple :
–– Faut-il raisonner en euros constants ou en euros courants ?
–– Les données sont-elles brutes ou CVS1 ?
–– Quel taux d’intérêt faut-il retenir (taux au jour le jour, taux directeur de la Banque
centrale européenne...) ? etc.
Nous distinguons plusieurs types de données selon que le modèle est spécifié en :
–– série temporelle : c’est le cas le plus fréquent en économétrie, il s’agit de variables
observées à intervalles de temps réguliers (la consommation annuelle, totale France,
exprimée en euros courants sur 20 ans) ;
–– coupe instantanée : les données sont observées au même instant et concernent les
valeurs prises par la variable pour un groupe d’individus2 spécifiques (consommation
observée des agriculteurs pour une année donnée) ;
–– panel : la variable représente les valeurs prises par un échantillon d’individus à inter-
valles réguliers (la consommation d’un échantillon de ménages de la région pari-
sienne sur 20 ans) ;
–– cohorte : très proches des données de panel, les données de cohorte se distinguent de
la précédente par la constance de l’échantillon, les individus sondés sont les mêmes
d’une période sur l’autre.

d) Décalages temporels
Dans le cadre de modèle spécifié en séries temporelles, les relations entre les variables
ne sont pas toujours synchrones mais peuvent être décalées dans le temps. Nous pouvons

1. Corrigées des Variations Saisonnières.

2. Le terme d’individu est employé au sens statistique, c’est-à-dire comme un élément d’une population : une
personne, une parcelle de terre...

[Link] 3 3/6/24 3:41 PM

 Économétrie

concevoir que la consommation de l’année t est expliquée par le revenu de l’année t − 1

et non celui de l’année t. Pour lever cette ambiguïté, il est d’usage d’écrire le modèle en
le spécifiant à l’aide d’un indice de temps : Ct = a0 + a1 Yt−1. La variable Yt−1 est appelée
« variable exogène retardée ».

DÉFINITIONS
On appelle « variable exogène » une variable dont les valeurs sont prédéter-
minées, et « variable endogène » une variable dont les valeurs dépendent des
variables exogènes.

e) Validation du modèle
La dernière étape est celle de la validation1 du modèle :
–– Les relations spécifiées sont-elles valides ?
–– Peut-on estimer avec suffisamment de précision les coefficients ?
–– Le modèle est-il vérifié sur la totalité de la période ?
–– Les coefficients sont-ils stables ? Etc.
À toutes ces questions, les techniques économétriques s’efforcent d’apporter des
réponses.

2 Le rôle de l’économétrie

2.1 L’économétrie comme validation de la théorie

L’économétrie est un outil à la disposition de l’économiste qui lui permet d’infirmer ou
de confirmer les théories qu’il construit. Le théoricien postule des relations ; l’applica-
tion de méthodes économétriques fournit des estimations sur la valeur des coefficients
ainsi que la précision attendue.
Une question se pose alors : pourquoi estimer ces relations, et les tester statistique-
ment ? Plusieurs raisons incitent à cette démarche : tout d’abord cela force l’individu
à établir clairement et à estimer les interrelations sous-jacentes. Ensuite, la confiance
aveugle dans l’intuition peut mener à l’ignorance de liaisons importantes ou à leur mau-
vaise utilisation. De plus, des relations marginales mais néanmoins explicatives, qui ne
sont qu’un élément d’un modèle global, doivent être testées et validées afin de les mettre
à leur véritable place. Enfin, il est nécessaire de fournir, en même temps que l’estima-
tion des relations, une mesure de la confiance que l’économiste peut avoir en celles-ci,
c’est-à-dire la précision que l’on peut en attendre. Là encore, l’utilisation de méthodes
purement qualitatives exclut toute mesure quantitative de la fiabilité d’une relation.

1. Validation, c’est-à-dire en conformité avec les données disponibles.

[Link] 4 3/6/24 3:41 PM

 Chapitre 1 • Qu’est-ce que l’économétrie ?

2.2 L’économétrie comme outil d’investigation

L’économétrie n’est pas seulement un système de validation, mais également un outil
d’analyse. Nous pouvons citer quelques domaines où l’économétrie apporte une aide à
la modélisation, à la réflexion théorique ou à l’action économique par :
–– la mise en évidence de relations entre des variables économiques qui n’étaient pas
a priori évidentes ou pressenties ;
–– l’induction statistique ou l’inférence statistique, qui consiste à inférer, à partir des
caractéristiques d’un échantillon, les caractéristiques d’une population. Elle permet
de déterminer des intervalles de confiance pour des paramètres du modèle ou de
tester si un paramètre est significativement1 inférieur, supérieur ou simplement dif-
férent d’une valeur fixée ;
–– la simulation qui mesure l’impact de la modification de la valeur d’une variable sur
une autre (DCt = a1DYt) ;
–– la prévision2, par l’utilisation de modèles économétriques, qui est utilisée par les
pouvoirs publics ou l’entreprise afin d’anticiper et éventuellement de réagir à l’envi-
ronnement économique.
Dans cet ouvrage, nous nous efforcerons de montrer, à l’aide d’exemples, les diffé-
rentes facettes de l’utilisation des techniques économétriques dans des contextes et pour
des objectifs différents.

3 La théorie de la corrélation
3.1 Présentation générale
Lorsque deux phénomènes ont une évolution commune, nous disons qu’ils sont
« corrélés ». La corrélation simple mesure le degré de liaison existant entre ces deux
phénomènes représentés par des variables. Si nous cherchons une relation entre trois
variables ou plus, nous ferons appel alors à la notion de corrélation multiple.
Nous pouvons distinguer la corrélation linéaire, lorsque tous les points du couple de
valeurs (x,y) des deux variables semblent alignés sur une droite, de la corrélation non
linéaire lorsque le couple de valeurs se trouve sur une même courbe d’allure quelconque.
Deux variables peuvent être :
–– en corrélation positive ; on constate alors une augmentation (ou diminution, ou
constance) simultanée des valeurs des deux variables ;
–– en corrélation négative, lorsque les valeurs de l’une augmentent, les valeurs de l’autre
diminuent ;

1. Au sens statistique, c’est-à-dire avec un seuil (risque d’erreur à ne pas dépasser, souvent 5 %).
2. Pour découvrir l’utilisation de l’économétrie à des fins de prévision de ventes, voir Bourbonnais R. et Usunier
J.-C. (2017).

[Link] 5 3/6/24 3:41 PM

 Économétrie

–– non corrélées, il n’y a aucune relation entre les variations des valeurs de l’une des
variables et les valeurs de l’autre.
Le tableau 1.1, en croisant les critères de linéarité et de corrélation, renvoie à une
représentation graphique.

Tableau 1.1 – Linéarité et corrélation

Corrélation Corrélation Absence de

positive négative corrélation
Relation linéaire Graphe 1.1 Graphe 1.2 Graphe 1.5
Relation non linéaire Graphe 1.3 Graphe 1.4 Graphe 1.5

y y

x      x

Graphe 1.1 Graphe 1.2

y
y

x        x

Graphe 1.3 Graphe 1.4

Graphe 1.5

[Link] 6 3/6/24 3:41 PM

 Chapitre 1 • Qu’est-ce que l’économétrie ?

3.2 Mesure et limite du coefficient de corrélation

a) Le coefficient de corrélation linéaire

La représentation graphique ne donne qu’une « impression » de la corrélation entre
deux variables sans donner une idée précise de l’intensité de la liaison, c’est pourquoi
nous calculons une statistique appelée coefficient de corrélation linéaire simple, noté
rx,y. Il est égal à :

n
∑ ( xi − x ) ( yi − y )
Cov ( x, y) i =1
rx, y = = [1]
σ xσ y n n
∑ ( xi − x) ∑ ( yi − y)
2 2

i =1 i =1

avec :
Cov ( x, y) = covariance entre x et y ;
σ x et σ y = écart type de x et écart type de y ;
n = nombre d’observations.
En développant la formule [1], il vient :

n n n
n ∑ xi yi − ∑ xi ∑ yi
i =1 i =1 i =1
rx, y = [2]
2
n n  n  n 2
n ∑ xi2 −  ∑ xi  n ∑ yi −  ∑ yi 
2

i =1 i = 1  i =1 i = 1 

On peut démontrer que, par construction, ce coefficient reste compris entre – 1 et 1 :

–– proche de 1, les variables sont corrélées positivement ;
–– proche de –1, les variables sont corrélées négativement ;
–– proche de 0, les variables ne sont pas corrélées.
Dans la pratique, ce coefficient est rarement très proche de l’une de ces trois bornes
et il est donc difficile de proposer une interprétation fiable à la simple lecture de ce
coefficient. Ceci est surtout vrai en économie où les variables sont toutes plus au moins
liées entre elles. De plus, il n’est calculé qu’à partir d’un échantillon d’observations et
non pas sur l’ensemble des valeurs. On appelle r x,y ce coefficient empirique qui est une
estimation du coefficient vrai rx,y. La théorie des tests statistiques nous permet de lever
cette indétermination.
Soit à tester l’hypothèse H0 : rx,y = 0, contre l’hypothèse H1 : rx,y ≠ 0.

[Link] 7 3/6/24 3:41 PM

 Économétrie

ρ x, y
Sous l’hypothèse H0, nous pouvons démontrer que suit une loi de Student
(1 − ρ x2, y )
n−2
à n – 2 degrés de liberté1. Nous calculons alors une statistique, appelé le t de Student
empirique :

ρ x, y
t∗ = 
(1 − ρ x2, y ) [3]

n−2

Si t ∗ > tnα−/ 22 valeur lue dans une table de Student2 au seuil a = 0,05 (5 %) à n – 2
degrés de liberté3, nous rejetons l’hypothèse H0, le coefficient de corrélation est donc
significativement différent de 0 ; dans le cas contraire, l’hypothèse d’un coefficient de
corrélation nul est acceptée. La loi de Student étant symétrique, nous calculons la valeur
absolue du t empirique et nous procédons au test par comparaison avec la valeur lue
directement dans la table.

EXERCICE D’APPLICATION 1.1

Fichier C1EX1
Calcul d’un coefficient de corrélation
Un agronome s’intéresse à la liaison pouvant exister entre le rendement de maïs
x (en quintal) d’une parcelle de terre et la quantité d’engrais y (en kilo). Il relève
10 couples de données consignés dans le tableau 1.2.

Tableau 1.2 – Rendement de maïs et quantité d’engrais

Rendement x 16 18 23 24 28 29 26 31 32 34
Engrais y 20 24 28 22 32 28 32 36 41 41

1 Tracez le nuage de points et commentez-le.

■

2 ■ Calculez le coefficient de corrélation simple et testez sa significativité par

rapport à 0 pour un seuil a = 0,05.

1. La notion de degrés de liberté est explicitée au chapitre 2.

2. Les lois de probabilité sont en fin d’ouvrage.
3. Si le nombre d’observations n est supérieur à 30, on peut approximer la loi de Student par une loi normale, soit
ta/2 ≈ 1,96.

[Link] 8 3/6/24 3:41 PM

 Chapitre 1 • Qu’est-ce que l’économétrie ?

Solution
1 Le nuage de points (graphique 1.6) indique que les couples de valeurs sont
■
approximativement alignés : les deux variables semblent corrélées positivement.
41
40
39
38
37
36
35
Quantité d’engrais

34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
16 18 23 24 28 29 26 31 32 34
Rendement

Graphique 1.6 – Nuage du couple de valeurs : rendement-quantité d’engrais

2 ■ Afin d’appliquer la formule [2], nous dressons le tableau de calcul 1.3.

Tableau 1.3 – Calcul d’un coefficient de corrélation

x y x2 y2 xy
16 20 256 400 320
18 24 324 576 432
23 28 529 784 644
24 22 576 484 528
28 32 784 1 024 896
29 28 841 784 812
26 32 676 1 024 832
31 36 961 1 296 1 116
32 41 1 024 1 681 1 312
34 41 1 156 1 681 1 394
Somme 261 304 7 127 9 734 8 286

[Link] 9 3/6/24 3:41 PM

 Économétrie

(10) (8 286) − (261)(304) 3 516

ρ x, y = =
(10) (7 127) − 2612 (10) (9 734) − 304 2 (56, 11)(70, 17)

soit ρ x, y = 0, 89 et ρ x2, y = 0, 79
Le t de Student empirique (d’après [3]) est égal à :

ρ x, y 0, 89
t∗ = = = 5, 49 > t80,025 = 2, 306
(1 − ρ x2, y ) 0,1620
n−2
Le coefficient de corrélation entre x et y est significativement différent de 0.

b) Limites de la notion de corrélation

La relation testée est linéaire

L’application de la formule [1] ou [2] ne permet de déterminer que des corrélations
linéaires entre variables. Un coefficient de corrélation nul indique que la covariance
entre la variable x et la variable y est égale à 0. C’est ainsi que deux variables en totale
dépendance peuvent avoir un coefficient de corrélation nul, comme l’illustre l’exemple
suivant : l’équation d’un cercle nous est donnée par (x − x1)2 + (y − y1)2 = R2, les variables
x et y sont bien liées entre elles fonctionnellement (graphique 1.7) et pourtant leur cova-
riance est nulle et donc leur coefficient de corrélation égal à 0.
Pour pallier cette limite, il convient éventuellement de transformer les variables,
préalablement au calcul du coefficient de corrélation, afin de linéariser leur relation, par
exemple au moyen d’une transformation de type logarithmique.

y1

r=O

x1 x

Graphique 1.7 – La relation fonctionnelle n’est pas corrélation linéaire

10

[Link] 10 3/6/24 3:42 PM

 Chapitre 1 • Qu’est-ce que l’économétrie ?

Corrélation n’est pas causalité

Le fait d’avoir un coefficient de corrélation élevé entre deux variables ne signifie pas qu’il
existe un autre lien que statistique. En d’autres termes, une covariance significativement
différente de 0 n’implique pas une liaison d’ordre économique, physique ou autre. Nous
appelons corrélation fortuite ce type de corrélation que rien ne peut expliquer.
L’exemple le plus fameux concerne la forte corrélation existante entre le nombre
de taches solaires observées et le taux de criminalité aux États-Unis. Cela ne signifie
pas qu’il existe une relation entre les deux variables, mais qu’une troisième variable,
l’évolution de long terme (la tendance) ici, explique conjointement les deux phénomènes.
La théorie de la cointégration traite de ce problème (cf. chapitre 11).

11

[Link] 11 3/6/24 3:42 PM

 L’essentiel

1 La spécification d’un modèle en économétrie est fonction des hypothèses

postulées par l’économiste.

2 L’économétrie est un outil au service de l’économiste.

3 Le coefficient de corrélation mesure une liaison linéaire entre deux variables.

4 Un test statistique permet de vérifier si un coefficient de corrélation est signifi-

cativement différent de 0.

5 Pour savoir si le coefficient de corrélation est significativement différent de 0,

ρx, y
il convient de calculer la t statistique : t ∗ = Si t ∗ > t nα−1 lu dans
(1 − ρ x2,y )
n−2
une table de Student pour un seuil à a % et à n – 2 degrés de liberté. Alors le
coefficient de corrélation est significativement différent de 0.

6 Si le nombre de degrés de liberté est supérieur à 30, on peut approximer la loi

de Student par une loi normale.

12

[Link] 12 3/6/24 3:42 PM