You are on page 1of 7

ECONOMETRIE

Premier Volume
Modélisation Econométrique
Cours et Exercices Corrigés

FAROUK KRIAA
Professeur à l’Université El MANAR
2 décembre 2008

.

. . .2 Estimation des paramètres .4 La régression multiple . . . . .4. . . . . . .1 Le cadre général . . . . . . . . .5 Tests sur les paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Modèle linéaire général avec contraintes linéaires . . . . . . . . 1. . 1. . . . . . .6 Coefficient de corrélation partiel .5. . . . . . . .7 Régression avec contraintes linéaires . . L’approche économétrique . . . . . . . . . . . . . . . . . . . . . . . . .8 Prévision .4. . . . . .3 Régression Introduction . . . . . . . 1. . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . 1. . .6 Annexes . .2 1. . . .4.4 Tests sur les paramètres . . . . . . 1. . . 1. . . . . . . .1 1.3 Propriétés des estimateurs . 1. . . . . . . 1. . . . . . . . 1 3 3 4 5 5 7 8 15 19 21 28 28 32 37 38 43 45 48 52 56 56 57 61 63 64 66 . La régression simple . . . . . . . . . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . 1. . . . . . . . .5 Modèle général avec une matrice de variances covariances singulière 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1. . . . . .4. . . . . . . . . .5. . . . . . . . . . . . . . . 1.4 Propriétés des estimateurs . . . . . . . . .3. . . . . . . . . . . . . . . . . . . 1. . . . . . . . 1. . . . . 1. . . . . . . . . . . . . . . . . 1. .5 Coefficient de détermination . . . . . . .3. . . . .2 Les hypothèses du modèle . .2 Les moindres carrés généralisés . . 1. . . . . . . . . . . . . . . . . . . 1. . . . . . . . . . . .3 Propriétés des estimateurs MCO . .3. . . . . . . .1 Présentation générale . . . . . . . . . . .Table des matières Dédicaces 9 Avant-propos 11 Principales notations et abréviations 15 I Modélisation Econométrique 1 La 1. . . . . . 1. . . .5 Le modèle linéaire général . 1. .4. . .6 Coefficient de détermination . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5. . . . . . . . . . . . . . . . . 1. . . .4. . . . . . . . . . . . . 1. . . . . . .1 Présentation générale . . . . . . . .3 Estimation des paramètres .3. . . .5.4. . .

.1 Biais d’estimation . . . . . .6. . . . . . . . . . . . . . . . .1 La multicolinéarité parfaite . . . . .6. . . . . .1 Présentation de l’hétéroscédasticité . . . . . . .11 La méthode des moments généralisés . . . . . . . 1. . . . . . . .1 Réactions décalées . . . . . . . . . . . .2 Les retards échelonnés . . . . .1 Introduction . 2. . . . . . .9 Analyse bayesienne . . .1 La formule d’inversion d’une matrice partitionnée 1. . . . . . . . . . . . .10. . . . . . 2. . 2. . . . . . . .2 Variable superflue . . 2. . . . . . . . . . . . . . . . . . . .3. . . . . . . . .2 La méthode MINQUE . . . . . . . . . . . . . . . . . . . . . .2 Les variables muettes . . .3. . . . . . .3 Analyse de la régression selon l’optique bayesienne 2. . . . . . . . . . . . . . 2. . . . . 2. . . . . . .2 Table des matières 1. . . . . . . . . . . . . . .2. . . . 2. . . . . .1 Variable omise . . . 2. . .1 Spécification non linéaire . . . .4 Solutions à la multicolinéarité . . .2 La technique des variables muettes . . 2.3 Test de Durbin et Watson . . . . .5. . . . . . .3 Multicolinéarité . . .12 La régression robuste . . 2. . . . . . . . . . . 2. 2. . . . 2.5 Hétéroscédasticité . .8 Variables explicatives stochastiques . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . 2. . . . . . . . . . . . . . . . . 2. .3 Les modèles autorégressifs .3 La dérivée matricielle . . . . . . . .8. . . . . . . . . . . . . . . . . . . . . . . . . .2 Détermination de la distribution à posteriori . . . . . . . . . .6. . . . 2.3. . . . . . .5 Le modèle dynamique à retards échelonnés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . .7 Erreurs de spécification . . . . . . . . . . . . . . .6.6. . . . . . . . . .2 Estimation des paramètres . . . . . . . . .6 Autocorrélation des erreurs . . . .5. . . . . . . . . . .1 Induction bayesienne . . . .4 Relations dynamiques . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . .1 Présentation de l’autocorrélation . . . . . . . . . . . . 2. . . 2. . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . 2. . . .7 Exercices . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . .10 Modèles non linéaires . . . . . . . . . . . . . . . . 2. . . . . 2. . . . . . 2.9. . . . . . . . . 2. . . . . . . . . . . . . .4. . . . . . .8. . . . . . . . . . . . . . . . . . . . . . . . . .7. . . . . . . . . .6. . .4. . . . 79 79 80 80 81 86 86 88 89 90 92 92 93 96 99 101 103 103 107 111 114 114 119 123 126 128 129 130 132 132 133 135 135 136 137 140 140 141 142 144 . . . . . . .7. . 2. . . . . . 2. . .2 Estimation dans les modèles non linéaires . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . 2. . . . . . . . 2. . . . . . . .6. . .9. . . . . . 2. . . . . . 2. . . . . . .2 La multicolinéarité approchée . . 1. . . . . .3 Tests de l’hétéroscédasticité . . . . . . . .3. . . . . .2 Méthode des variables instrumentales . . 2. . . . . . . . . . . . . . . . . . . . .2 Déterminant d’une matrice partitionnée . .10. 66 67 67 70 2 Extensions de la Régression 2. . . . . . . . . . . . . . . . . . . .9. .3 Degré de multicolinéarité . . . . . . . . . .4. . . . . . . . . . .5. . . . . . . . . . . .4 Autocorrélation dans les modèles autorégressifs . . . . . . . . . . . . . . . . . . .1 Les effets qualitatifs . . .4 Les retards échelonnés et les modèles dynamiques . . .

. 146 146 147 148 149 3 Les Modèles Qualitatifs 157 3. . . . .13 Annexes . . . . . . .13. . . . . . . 245 . . .3. . . . . . . . . . . . . . 219 3. . . . . . . . . . .3. . . 4. . . .4 Estimation des covariances . . . . . . . . . . .2 Principales spécifications des données de panel : . . .1 Variables censurées . 201 3. . . . .2. . . . . . . . . . . 4. .13.6. . . . . . . . . . . . . . . . .2 Caractéristiques d’une variable N (0. . .6. .3. . . . . .4 Tests d’hypothèses . . . . . . . . . . . . . . . . . . . . .2 Généralités sur les modèles de données de panel . . . 4. . . . . . . . . . . . . 4. . . . . . . . . . . . . . . . . σ2 censurée inférieurement222 3. . . . . .2 Choix de la distribution du terme d’erreur . . . . 4. . . . . . . . . . . 4. . . . . . .5 Qualité d’ajustement . .3. . . . . 4. . . . . . . . . . . . .3. . . . . . . . . . 242 . . . . . .6. . . . 198 3. . 233 .6. . . . . . . 205 3. . 224 3. . . . . . . . . 186 3. 159 3. . . . . . . . . . . . . . . .4 Modèle à erreurs composées . . . . . . . .5. 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4.1 La distribution de Student multivariée . 254 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197 3. . . 1) censurée inférieurement . . . . . .1 Difficultés de modélisation . . . . . . . . . . . . . . . . . . . . .4 Le modèle multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221 3. . . . . . . . .1 La modélisation par les variables latentes . . . . . . . . . .2 Variables tronquées . . . . 223 3. 221 3. . 186 3.3 Caractéristiques d’une variable N m.4. . . . . 231 . . . . . . . .5. . . . . . . . . . . . . . . . . . . 2. . . . . . . . 241 . . . . . . 242 . . . . . . . . . . . . . .3 Examen de deux cas particuliers . . . 183 3. . . . 181 3. .14 Exercices . .6. . . 157 3. . . . . . .5 Le modèle Tobit généralisé . . . . 201 3. . . . . . . . . . . . . . . . . 208 3. . . .1 Le modèle et ses hypothèses .5. .5. . . . 204 3. . . . . .3 Le modèle ordonné . . . . .13. . . . . . .1 Propriétés de la fonction logistique . . . . . . . . . . . . . . .1 Introduction . . . . . 193 3. . . . 173 3. . . . . . . . . . 162 3.2 Insuffisances de la modélisation linéaire . . . . .5 Modèles à variables censurées et à variables tronquées . .4 Logit multinomial non indépendant . . . . . . . . . . . . . . . . . . . . . . . . .5 Autres extensions des modèles binaires . . . . . . . . . . . . .4. 188 3. . . . . . . . . . . . 247 . . . . . .1 Introduction . . . . . . . . . .3 Estimation des paramètres . . . . .2 Estimation dans les modèles individuels et le modèle 4. . . .3. . . . 231 . . . .3. . . . . . . . . . . . . . . . . . . . . . 227 4 Les Modèles de Données de Panel 4. . . . .3 Le modèle Tobit .2 La modélisation Logit multinomiale . . . . . . . . . 169 3. . . . . . . . . . . . .4 Les caractéristiques statistiques d’une distribution tronquée . . . . . . . . . . . . . . . . . . .7 Exercices . . . . . . .3. . . . . . . .3 La modélisation Probit et Logit . . . 222  3. . . 162 3.5 Distribution tronquée bivariée . . . . . . . . . . .1 Spécification générale . . . . . . . . . global . . . . . . . . . . . . . . .4. 4. . . . . . . . . . .4 Estimation du modèle Tobit . . . . . . . . .3 Les régressions apparemment non reliées .3 L’inverse généralisée (inverse de Moore Penrose) 2. . . . . . . . 251 .2 Distribution de Student multivariée généralisée : 2. . . . . . . . . . . .4. . . . .6 Annexes . . . . . . . . .Table des matières 2. . . . . . . . . . . . . 2. . . .2. . . . .3. . . . 233 . . . .5. .

. . . . . . . . 321 . . . . . . . . . . 5. . . . .4. . .1 Les différentes formes des équations d’un SES . . . . . . . . . . . . 5. . . . 5. . . . . 318 . . .3 La forme réduite . . . . . . .5. . . . . .2 Biais de simultanéité . . . 324 .6 4. . . . .1 Estimation dans la forme réduite . . . . .2 Estimation dans la forme structurelle . . . . . . . . . . . .4 Estimation dans les modèles individuels et dans le modèle global 261 4. . . . . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5. . . .1 Le modèle de la covariance . . .4. . . . 307 . . . . . . . . . .3 La condition de rang . . . .5. . 336 . . . 255 4. . . . . . . . . . .7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297 4. . . . . . . . . 265 4. . . . . 335 . .4 Les SES dynamiques . 287 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289 Annexes . 321 . . . . . . .7 4.1 Modèles de panel avec variables endogènes qualitatives . . . 5. . . . .5. . . 5. . . . . . . . . . .6 Le modèle Inter (Between) . . . . 328 . 260 4.3. . .7 Relation entre les estimateurs Within. . . 330 . . 5. . . . Between et ceux des MCG 271 4. . . . .6. . . .3 Propriétés des opérateurs P = I − J et Q = J . . . . . .7. . . . . 305 . . .2 La forme structurelle . . . . . . . . 5. . . . . 291 4.4 Identification . . . . 272 Le modèle à coefficients aléatoires . . . . .5 4. . . . . . . . . .7. 300 5 Les Systèmes d’Equations Simultanées 5. . . . . . . . . . . . . . . . . 5. . . . . . . . .4. . . . . . . . 285 Quelques Extensions des spécifications de base . . . . . . .7 Application de la méthode des VI .4. . . . 317 . . . . . . . . . . .1 Produit de Kronecker . . . . . . . . . . . . 5. . . . . . . . .5. . . . . . . . . . . .4. . . . . 5. . . . . . . . . . . . . . . . . . . . . . . . . . .8 Le modèle dynamique à erreurs composées . . . . . . . . 288 4. . . . 338 . .3 Modèle Logit avec effets aléatoires . . . . . . . . . . . . . 287 4. . . . .1 Introduction .2 Modèle Logit avec effets fixes . . 277 4. . . . . .1 Présentation de la méthode .2 Les conditions d’ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . 5. . . . . . . . . 320 .8 Les estimateurs de classe k .3 Forme structurelle et forme réduite . . . . . . . . 5. 296 T T 4. . . . . . . . . . . .6. . . . . . .6 Les doubles moindres carrés . . . . . . . . . . . . . .6.7. . . . . . . . . . . . . . . . . . . . . . . .4. . .6. . . . .4 Table des matières 4. . . . . .1 Le modèle et ses hypothèses . . . . . . . . . . . . 322 . . . . .2 Estimation dans le modèle individuel et le modèle global . . . . . . . . .5 Les opérateurs Intra (Within) et Inter (Between) . . .1 Le problème de l’identification dans un SES . . . . .5 Moindres carrés indirects et sur identification . .4. . . . . 292 1 1 4. . . . . .3 Modèle à coefficients aléatoires à effet double . . . . . 333 . . . . . . . . . . . . . . . . .8 4. . . . . . . . . . . . .3.4. . . . .2 Effets fixes. .5 Le modèle Intra (Within) . 316 .4. . . . . . . 331 . . . . . . . . . . . . 328 . . . . . . . . . 333 . . . . . . . .3. . . 279 4. . . . . . .2 Les opérateurs Vec et Vech . .5. . . . . 5. . . 5. . 5. effets aléatoires . 5. . . 5. .2 Equivalence de DMC et MCI en présence de juste identification 5. . .7. . . . 317 . . . 277 4.4. . 299 Exercices . 291 4. . .3. . . . .4 Décomposition de la variance totale : . 264 4. .3 Estimation en présence de sur identification . . . . 5. . 305 . 254 4.3 Les hypothèses du modèle à erreurs composées . . . . . . . .

.12. . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . 6. . 5. . . . . . . . . . . . . .3 Les modèles à coefficients variables . . . . . . .9 Les triples moindres carrés (TMC) . . . . .3 Corrigés des exercices du 7. . . . . . . . 388 . .2 Etude de la durée dans un état .3. . . . . . . . . . 5. . . 6. . . . . .13 Exercices . . . . . . . . . . . . . . . . . .3 Les modèles à coefficients aléatoires non stationnaires . . . . . . . . . . . . . .3 Maximum de Vraisemblance à Information Limitée 5. . . . . 5. . . . . . . . .3. . . . . . . . . . . . . . . . 398 7 Corrigés des Exercices 7. . . . 383 .5 Corrigés des exercices du 7. . . . . . . . . .4 Corrigés des exercices du 7. . . . . . . . . . 5. . . . . . . . . . . 6. . . . . .1 Présentation de la technique des TMC . 6. . 6. . . . . . . . . . . .10. . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Table des matières 5 5. .9. . . .2 Modèle à un seul changement . . . . . . .6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . 366 . . . . 387 .4 Le modèle du Filtre de Kalman . . . . . 6.2 L’approche SVAR . . . . 5. . . . . . . . . . . . . . . . . . . . . .2 Comparaison entre les TMC et DMC . . . . .10 Méthode du maximum de vraisemblance . . . . . . . . . . . . . . . . . . . . . .4 Les modèles de durées . . .1 Présentation du modèle . . . . . . . . . . . . . . .6 Corrigés des exercices du . . . . 6. . . . . . . .3. . .12 Les modèles structurels dynamiques . . . . . . . 5.3. . . . . . . . . . .12. 364 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. . . . . . . . . . . . .1 Etude de la durée dans un état .2 Corrigés des exercices du 7. . . 6. . . . . .9. . . . . . . . . Bibliographie chapitre chapitre chapitre chapitre chapitre chapitre 1 2 3 4 5 6 . . . . . . .2. . . . . . . .2 Les modèles à coefficients aléatoires stationnaires . . . . .2. 6. .1 Introduction . . 373 . . . . . .2 Les modèles à plusieurs régimes .2. . . . . . . . . . . . . . .10. . . . . . . . . . 361 . . . . . . . . . 6. . . . . . . . . . . . . . . . . . . . . . . . . 371 . . . . . . . . .1 Le MV complet de la forme réduite . . . . . . . . 387 . . . . . . . 396 . . . . . . . . . . . .3 Traitement simultané de plusieurs états . . . . 381 . . . . . . . . . . . . .1 Corrigés des exercices du 7. . . . . . . . . . . . . . . . . 339 339 341 342 342 344 349 349 351 351 354 355 401 401 432 463 481 511 534 543 . . . . . . . . .5 L’analyse bayesienne dans les modèles à coefficients aléatoires 6. . . 5. . 370 . .11 Test d’exogénéité . . . 6. . .3. . . . . . . 392 .5 Annexes . . . 5. . 6 Extensions des Modèles de Base 6.10. . . . . . . . 6. . . . . . . . .3 Modèle à plusieurs changements . . . .4. . 361 . . 5. . . . . 6. . . 361 . .1 Origine des modèles VAR . . . . . 377 . . . 6. . . . . . . . . . . . . . 361 . . . . . .1 Présentation générale . . .2 Le MV complet de la forme structurelle (FIML) : . . . . . . .