Econométrie 2
Patricia Renou-Maissant
[Link]@[Link]
Licence 3 – Année 2020-2021
Plan du cours :
Introduction
Chapitre 1. Hétéroscédasticité et autocorrélation des erreurs
Chapitre 2. Multicolinéarité
Chapitre 3. Changements structurels et variables indicatrices
Bibliographie :
• Bourbonnais R., Econométrie, Dunod.
• Gujarati D. N., Basic Econometrics, Mac Graw Hill International Editions.
• Mignon V., Econométrie. Théorie et applications, Economica.
• Wooldridge J. M., Introduction à l'économétrie, de boeck.
Introduction
Ecriture du modèle de régression multiple
Le modèle de régression multiple à k variables explicatives s’écrit :
𝑦𝑡 = β0 + β1 𝑥1𝑡 + β2 𝑥2𝑡 + … + β𝑘 𝑥𝑘𝑡 + 𝜀t
Où : t = 1, …, T
Y : la variable expliquée
𝑋1 , 𝑋2 , … 𝑋𝑘 : k variables explicatives
𝜀 : le terme d’erreur
⇒ k+1 coefficients à estimer.
Ecriture du modèle de régression multiple
L'estimation du modèle s'effectue à partir d'un échantillon de taille T des variables
Y et 𝑋𝑖 (i = 1, ..., k) :
𝑦1 = β0 + β1 𝑥11 + β2 𝑥21 + … + β𝑘 𝑥𝑘1 + 𝜀1
𝑦2 = β0 + β1 𝑥12 + β2 𝑥22 + … + β𝑘 𝑥𝑘2 + 𝜀2
⋮
𝑦𝑡 = β0 + β1 𝑥1𝑡 + β2 𝑥2𝑡 + … + β𝑘 𝑥𝑘𝑡 + 𝜀t
⋮
𝑦𝑇 = β0 + β1 𝑥1𝑇 + β2 𝑥2𝑇 + … + β𝑘 𝑥𝑘𝑇 + 𝜀T
Ecriture du modèle de régression multiple
Sous forme matricielle :
y1 1 x 11 x 21 x k 1 1
0
y2 1 x 12 x 22 x k 2 2
1
= 2 +
yt 1 x 1t x 2t x kt t
k
y 1
T x 1T x 2T x kT T
Y = X + (1)
(T, 1) (T, k+1) (k+1, 1) (T, 1)
Les hypothèses du modèle de régression multiple
Pour estimer le modèle (1), il est nécessaire de formuler un certain nombre
d'hypothèses.
H1 : La relation (1) est vérifiée pour toutes les observations : les paramètres inconnus
β0 , β1 , …, β𝑘 sont supposés constants.
H2 : Le nombre d’observations est supérieur au nombre de variables explicatives :
T > k + 1.
H3 : Absence de multicolinéarité : les variables explicatives 𝑋𝑖 (i = 1, ..., k) sont
linéairement indépendantes.
La matrice X doit être de plein rang : rang(X) = k + 1.
N k
Sinon la matrice X’X n’est pas inversible et l’estimateur des MCO n’est pas
identifiable.
H4 : Les variables explicatives 𝑋𝑖 (i = 1, ..., k) sont observées sans erreur.
⇒ La matrice X est non aléatoire.
Les variables explicatives sont exogènes : E(X’𝜀) = 0 ; Cov(X, 𝜀) = 0
H5 : E(𝜀) = 0
En moyenne, le modèle est correctement spécifié.
H6 : Homoscédasticité des erreurs
V(𝜀𝑡 ) = 𝜎𝜖2 , ∀ 𝑡 =1, …, T
H7 : Absence d’autocorrélation des erreurs
Cov(𝜀𝑡 , 𝜀𝑡′ ) = 0, ∀ t ≠ 𝑡 ′
N k
H6 et H7 : Sphéricité des erreurs
𝑉𝜀 = E(𝜀𝜀’) = 𝜎𝜖2 I
avec I la matrice identité (T, T).
H8 : Normalité des erreurs
L’hypothèse de normalité n’est pas nécessaire pour établir les propriétés des
estimateurs des MCO.
Elle est nécessaire pour l’inférence statistique (constructions d’intervalles de
confiance et mise en œuvre de tests).
H5 à H8 : 𝜀 ~ N(0, 𝝈𝟐𝝐 I)
H9 : X’X/T tend vers une matrice finie non singulière lorsque T tend vers l’infini.
N k
L’estimateur des MCO
= (𝑿′ 𝑿)−𝟏 𝑿′ 𝒀
𝜷 (2)
H2 : T > k + 1
H3 : X est de plein rang : rang(X) = k + 1, la matrice X’X est inversible.
N k
Les propriétés de l’estimateur des MCO
Estimateur sans biais
𝛽መ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑌
𝛽መ = 𝑋 ′ 𝑋 −1 𝑋 ′ 𝑋β + 𝜀
𝛽መ = β + (𝑋 ′ 𝑋)−1 𝑋 ′ 𝜀 (3)
መ = 𝐸(β) +𝐸[(𝑋 ′ 𝑋)−1 𝑋 ′ 𝜀)]
E(𝛽)
H4 : La matrice X est non aléatoire :
መ = β +(𝑋 ′ 𝑋)−1 𝑋 ′ E(𝜀)
E(𝛽)
H5 : E(𝜀) = 0
መ =β
E(𝛽)
donc 𝛽መ est un estimateur sans biais de 𝛽.
Les propriétés de l’estimateur des MCO
Estimateur de variance minimale
መ 𝐸(𝛽))(
𝑉𝛽 = 𝐸[(𝛽- መ 𝛽-መ 𝐸(𝛽))′]
መ
መ =β
sous H4 et H5 : E(𝛽)
መ β)(𝛽-β)′]
𝑉 = 𝐸[(𝛽- መ
𝛽
En utilisant la relation (3) : 𝛽መ − β = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝜀
𝑉𝛽 = 𝐸[ 𝑋 ′ 𝑋 −1 𝑋 ′ 𝜀)(𝑋 ′ 𝑋)−1 𝑋 ′ 𝜀)′]
𝑉𝛽 = 𝐸[ 𝑋 ′ 𝑋 −1 𝑋 ′ 𝜀𝜀 ′ X(𝑋 ′ 𝑋)−1 ]
D’après H4 , X est non aléatoire :
N k
𝑉𝛽 = 𝑋 ′ 𝑋 −1 𝑋 ′ E(𝜀𝜀 ′ )X(𝑋 ′ 𝑋)−1
Les propriétés de l’estimateur des MCO
D’après H5 : E(𝜀) = 0
𝑉𝜀 = 𝐸[(𝜀- 𝐸(𝜀))(𝜀- 𝐸(𝜀))’]
𝑉𝜀 = 𝐸[𝜀𝜀′]
D’après H6 et H7 : E(𝜀𝜀’) = 𝜎𝜖2 I
𝑉𝛽 = 𝑋 ′ 𝑋 −1 𝑋 ′ 𝜎 2
𝜖 𝐼 X(𝑋 ′ 𝑋)−1 = 𝜎𝜖2 𝑋 ′ 𝑋 −1 𝑋 ′ X(𝑋 ′ 𝑋)−1
𝑉𝛽 = 𝜎𝜖2 𝑋 ′ 𝑋 −1
Théorème de Gauss-Markov
sous les hypothèses H4 à H7 :
• L’estimateur des MCO 𝛽መ de 𝛽 est BLUE (Best Linear Unbiased Estimator).
N k
• Dans la classe des estimateurs linéaires et sans biais, l’estimateur des MCO est
l’estimateur de variance minimale.
Objectif du cours : la remise en cause des hypothèses
H1 : Les paramètres inconnus 𝜷𝟎 , 𝜷𝟏 , …, 𝜷𝒌 sont supposés constants.
H3 : Absence de multicolinéarité
H4 : Exogénéité des variables explicatives
H6 : Homoscédasticité des erreurs
H7 : Absence d’autocorrélation des erreurs
N k
Objectif du cours : la remise en cause des hypothèses
Questions :
• Quelles sont les propriétés de l’estimateur des MCO lorsque les hypothèses ne
sont pas vérifiées ?
• Comment détecter le non respect des hypothèses ?
• Comment remédier au non-respect des hypothèses ?
Comment estimer les paramètres d’un modèle lorsque les hypothèses ne sont pas
Nvérifiées ?
k