Welcome to Scribd. Sign in or start your free trial to enjoy unlimited e-books, audiobooks & documents.Find out more
Download
Standard view
Full view
of .
Look up keyword
Like this
1Activity
0 of .
Results for:
No results containing your search query
P. 1
Ch15 Variables dépendantes Limitées Et ives

Ch15 Variables dépendantes Limitées Et ives

Ratings: (0)|Views: 41|Likes:
Published by api-3737025

More info:

Published by: api-3737025 on Oct 15, 2008
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

03/18/2014

pdf

text

original

Chapitre 15
Variables D\u00b4ependantes
Limit\u00b4ees et Qualitatives
15.1 Introduction

Les mod`eles de r\u00b4egression supposent de mani`ere implicite que la variable d\u00b4ependante, peut-\u02c6etre apr`es une transformation logarithmique ou autre, peut prendre n\u2019importe quelle valeur sur la droite des r\u00b4eels. Bien que cette sup- position ne soit pas strictement correcte pour les donn\u00b4ees \u00b4economiques, elle est assez souvent raisonnable. Cependant, il s\u2019agit d\u2019une hypoth`ese accept- able lorsque la variable d\u00b4ependante peut prendre n\u2019importe quelle valeur sp\u00b4eci\ufb01que de probabilit\u00b4e signifacativement sup\u00b4erieure `a z\u00b4ero. Les \u00b4economistes ont fr\u00b4equemment `a faire `a de tels cas. Les plus commun\u00b4ement rencontr\u00b4es sont les cas pour lesquels la variable d\u00b4ependante peut prendre seulement deux valeurs. Par exemple, une personne peut faire partie de la population active ou non, un m\u00b4enage peut \u02c6etre propri\u00b4etaire ou locataire du logis o`

u il vit, un d\u00b4ebiteur peut faire d\u00b4efaut ou non `a un pr\u02c6et, un conducteur peut se d\u00b4eplacer pour son travail ou pour son loisir, et ainsi de suite. Ces cas constituent des exemples devariables binaires d\u00b4ependantes.

Si nous d\u00b4esirons expliquer des variables \u00b4economiques comme celles-ci dans un mod`ele \u00b4econom\u00b4etrique, nous devons tenir compte de leur nature discr`ete. Les mod`eles de la sorte sont appel\u00b4esmod`eles `a r\u00b4eponses qualitatives, et sont habituellement estim\u00b4es par la m\u00b4ethode du maximum de vraisemblance. Dans le cas le plus simple et le plus fr\u00b4equent, la variable d\u00b4ependante repr\u00b4esente une ou deux alternatives. Elles sont cod\u00b4ees de fa\u00b8con conventinnelle par 0 et 1, une convention qui se r\u00b4ev`ele \u02c6etre tr`es pratique. Les mod`eles qui tentent d\u2019expliquer les variables 0-1 sont souvent appel\u00b4esmod`eles `a r\u00b4eponse binaire ou, moins souvent,mod`eles `a choix binaire. Ils sont tr`es fr\u00b4equemment employ\u00b4es en \u00b4economie appliqu\u00b4ee et dans de nombreux autres domaines o`

u s\u2019applique
l\u2019\u00b4econom\u00b4etrie, comme les exemples pr\u00b4ec\u00b4edents servent `a l\u2019illustrer.

Les mod`eles de r\u00b4egression sont aussi inappropri\u00b4es pour traiter les mod`eles comprenant desvariables d\u00b4ependantes limit\u00b4ees, pour lesquels il existe une grande quantit\u00b4e de vari\u00b4et\u00b4es. Parfois une variable d\u00b4ependante peut \u02c6etre con- tinue sur un ou plusieurs intervalles de la droite des r\u00b4eels mais peut pren- dre une ou plusieurs valeurs avec une probabilit\u00b4e \ufb01nie. Par exemple, les

511
512
Variables D\u00b4
ependantes Limit\u00b4
ees et Qualitatives

d\u00b4epenses de consommation portant sur certaines cat\u00b4egories de biens et services sont g\u00b4en\u00b4eralement contraintes `a \u02c6etre non n\u00b4egatives. Ainsi, si nous observons les d\u00b4epenses portant sur une certaine cat\u00b4egorie pour un \u00b4echantillon de biens m\u00b4enagers, il est tr`es probable que ces d\u00b4epenses seront nulles pour certains bi- ens m\u00b4enagers et positives pour d\u2019autres. Comme il existe une probabilit\u00b4e pos- itive qu\u2019une valeur particuli`ere, z\u00b4ero, se pr\u00b4esente dans les donn\u00b4ees les mod`eles de r\u00b4egression ne sont pas appropri\u00b4es pour ce type de donn\u00b4ees. Un autre type de mod`ele `a variables d\u00b4ependantes limit\u00b4ees survient quand seulement certains r\u00b4esultats (tels que les r\u00b4esultats positifs dans cet exemple) sont observ\u00b4es. Ceci signi\ufb01e que l\u2019\u00b4echantillon ne sera pas al\u00b4eatoire.

Dans ce chapitre, nous traitons `a la fois les mod`eles `a r\u00b4eponse qualita- tive et les mod`eles `a variables d\u00b4ependantes limit\u00b4ees. Il s\u2019agit d\u2019un domaine dans lequel il y a eu une \u00b4enorme quantit\u00b4e de recherche durant les 20 derni`eres ann\u00b4ees, et c\u2019est pourquoi notre traitement couvre seulement quelques uns des mod`eles les plus basiques. Nous nous concentrerons tout d\u2019abord sur les mod`eles `a r\u00b4eponse binaire, parce qu\u2019ils sont `a la fois les mod`eles les plus simples et les plus fr\u00b4equents. Ils seront discut\u00b4es dans les trois prochaines sections. Ensuite, dans la Section 15.5, nous discuterons bri`evement des mod`eles `a r\u00b4eponses qualitatives pour les cas comprenant plus de deux r\u00b4eponses di\ufb00\u00b4erentes. Finalement, dans les trois derni`eres sections, nous portons notre attention sur certains des mod`eles les plus simples qui concernent les variables d\u00b4ependantes limit\u00b4ees.

15.2 Les Mod`
eles`
a R\u00b4
eponse Binaire

Dans un mod`ele `a r\u00b4eponse binaire, la valeur de la variable d\u00b4ependanteyt peut prendre seulement deux valeurs, 1 et 0, qui indiquent si un certain \u00b4ev\u00b4enement se produit ou pas. Nous pouvons proposer queyt = 1 indique que l\u2019\u00b4ev\u00b4enement s\u2019est produit pour l\u2019observationt et queyt = 0 indique que l\u2019\u00b4ev\u00b4enement ne s\u2019est pas produit. SoitPt la probabilit\u00b4e (conditionnelle) que l\u2019\u00b4ev\u00b4enement se soit pro- duit. Ainsi un mod`ele `a r\u00b4eponse binaire essaie vraiment de mod\u00b4eliser la prob- abilit\u00b4ePt conditionnelle `a un certain ensemble d\u2019informations, disons \u2126t, qui se compose de variables pr\u00b4ed\u00b4etermin\u00b4ees et exog`enes. Ainsi la sp\u00b4eci\ufb01cation de

ytqui est soit 0 soit 1 est tr`es commode, parce que la probabilit\u00b4e Ptconstitue
alors simplement l\u2019esp\u00b4erance deyt conditionnelle `a l\u2019ensemble d\u2019information
\u2126t:
Pt\u2261Pr(yt= 1| \u2126t) = E(yt|\u2126t).
L\u2019objectif d\u2019un mod`ele `a r\u00b4eponse binaire est de mod\u00b4eliser cette esp\u00b4erance
conditionnelle.
Partant de cette perspective, il est clair qu\u2019un mod`ele de r\u00b4egression
lin\u00b4eaire est moins bien adapt\u00b4e qu\u2019un mod`ele `a r\u00b4eponse binaire. Supposons que
Xtd\u00b4esigne un vecteur ligne de dimensionk des variables qui appartiennent
`a l\u2019ensemble d\u2019information \u2126t, qui inclut un terme constant ou l\u2019\u00b4equivalent.
h(Xt,\u03b2)
\ue004
15.2 Les Mod`
eles`
a R\u00b4
eponse Binaire
513
Alors un mod`ele de r\u00b4egression lin\u00b4eaire sp\u00b4eci\ufb01raitE(yt| \u2126t) pourXt\u03b2. Mais
E(yt|\u2126t) est une probabilit\u00b4e, et les probabilit\u00b4es doivent \u02c6etre comprises entre 0

et 1. La quantit\u00b4eXt\u03b2 n\u2019est pas contrainte de la sorte et par cons\u00b4equent, elle ne peut pas \u02c6etre interpr\u00b4et\u00b4ee comme une probabilit\u00b4e. N\u00b4eanmoins, beaucoup de travaux empiriques (pour la plupart plus anciens) utilisent simplement les OLS pour estimer ce qui est appel\u00b4e (plut\u02c6ot de mani`ere maladroite) lemod`ele

de probabilit\u00b4e lin\u00b4eaire,1 qui est le mod`ele
yt=Xt\u03b2+ ut.

Etant donn\u00b4e que des mod`eles bien meilleurs sont disponibles et qu\u2019il est facile de les estimer en utilisant la technologie informatique moderne, ce type de mod`ele n\u2019est presque pas recommandable. M\u02c6eme s\u2019il arrive queXt\u03b2 soit compris entre 0 et 1 pour un\u03b2 quelconque et toutes les observations dans un \u00b4echantillon particulier, il est impossible de contraindreXt\u03b2 `a rester dans cet intervalle pour toutes les valeurs possibles deXt, `a moins que les valeurs prises par les variables ind\u00b4ependantes soient limit\u00b4ees d\u2019une certaine mani`ere (par exemple, elles peuvent toutes \u02c6etre des variables muettes). Ainsi le mod`ele de probabilit\u00b4e lin\u00b4eaire ne constitue pas un moyen judicieux pour mod\u00b4eliser les probabilit\u00b4es conditionnelles.

Plusieurs mod`eles `a r\u00b4eponse binaire pertinents sont disponibles et sont
tr`es faciles `a traiter. La subtilit\u00b4e consiste `a utiliser unefonction de transfor-
mationF(x) qui comporte les propri\u00b4et\u00b4es
F(\u2212\u221e ) = 0, F(\u221e ) = 1,et
(15.01)
f(x)\u2261\u2202F(x)
\u2202x>0.
(15.02)

AinsiF (x) est une fonction monotone croissante qui s\u2019applique de la droite des r\u00b4eels vers l\u2019intervalle 0-1. Certaines fonctions de distribution cumul\u00b4ees comportent ces propri\u00b4et\u00b4es, et nous discuterons bri`evement de certains exem- ples sp\u00b4eci\ufb01ques. En utilisant des sp\u00b4eci\ufb01cations vari\u00b4ees pour la fonction de transformation, nous pouvons mod\u00b4eliser l\u2019esp\u00b4erance conditionnelle deyt de plusieurs mani`eres.

Les mod`eles `a r\u00b4eponse binaire dont nous discuterons se composent d\u2019une fonction de transformationF (x) appliqu\u00b4ee `a unefonction indice qui d\u00b4epend des variables ind\u00b4ependantes et des param`etres du mod`ele. Une fonction indice est simplement une fonction qui comporte les propri\u00b4et\u00b4es d\u2019une fonction de r\u00b4egression, soit lin\u00b4eaire soit non lin\u00b4eaire. Ainsi une sp\u00b4eci\ufb01cation tr`es g\u00b4en\u00b4erale d\u2019un mod`ele `a r\u00b4eponse binaire est

E(yt|\u2126t) = F
\ue005
,
1Consulter, par exemple, Bowen et Finegan (1969).

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->