Introduction à l’Économétrie du Modèle Linéaire
Applications pratiques et diagnostics
Cheikna Amala YATABARE
Élève ingénieur statisticien économiste
École Nationale de la Statistique et de l’Analyse Économique (ENSAE-Dakar)
12 mars 2025
Année académique : 2024-2025
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 1 / 14
Plan de la Présentation
1 Introduction à l’Économétrie du modèle linéaire
2 Présentation du modèle
3 Méthodes d’Estimation
4 Diagnostics et Tests
5 Limites et Extensions
6 Conclusion
7 Mise en œuvre d’un modèle linéaire sur R
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 2 / 14
Qu’est-ce que l’Économétrie ?
L’économétrie est une branche de la science économique qui utilise des
outils statistiques et mathématiques pour analyser des données
économiques. Elle vise à quantifier les relations entre différentes variables
économiques, tester des hypothèses théoriques et prévoir des tendances
futures. Elle consite à faire de la :
Modélisation mathématique des comportements économiques
Validation statistique des hypothèses théoriques
Simulations numériques pour les prévisions
Applications concrètes en économie
Mesurer l’impact du chômage sur la consommation
Évaluer l’efficacité des politiques publiques
Prévoir les indicateurs macroéconomiques
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 3 / 14
Ecriture du Modèle
Pk
Yi = β0 + j=1 βj Xji + εi
Yi : Variable dependante ou à expliquer
Xij : Variable explicative
βj : Paramètres à estimer
ϵi : Erreur de spécification
Interprétation des coefficients
Chaque coefficient βj mesure l’effet marginal d’une variable Xj sur Y : une
augmentation d’une unité de Xj entraîne une variation de βj unités de Y ,
toutes choses égales par ailleurs. Le signe de βj indique le sens de la
relation (positif ou négatif), et sa valeur reflète l’intensité de cet effet.
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 4 / 14
Hypothèses Fondamentales
Pk
1 Linéarité : Y = β0 + j=1 βj Xj + ε (relation affine)
2 Exogénéité : E (ε|X ) = 0 (pas de biais de sélection)
3 Homoscédasticité : Var (ε|X ) = σ 2 (variance constante)
4 Indépendance : Cov (εi , εj ) = 0 (pas d’autocorrélation)
5 Rang : rg (X ) = k (pas de colinéarité parfaite)
Conséquences pratiques
Violation des hypothèses :
Biais : Si E (ε|X ) ̸= 0, les estimateurs β̂j sont biaisés.
Inefficacité : Hétéroscédasticité ou autocorrélation ⇒ estimateurs non
BLUE.
Instabilité : Multicolinéarité ⇒ variance élevée des estimateurs.
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 5 / 14
Moindres Carrés Ordinaires (MCO)
Theorem (Principe d’optimisation)
Minimiser la somme des carrés des résidus :
n
X
min (Yi − Xi β)2
β
i=1
Solution du problème d’optimisation
Les estimateurs des moindres carrés β̂ sont donnés par :
β̂ = (X ⊤ X )−1 X ⊤ Y
où :
X est la matrice des variables explicatives,
Y est le vecteur des observations,
(X ⊤ X )−1 est l’inverse de la matrice de Gram.
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 6 / 14
Maximum de Vraisemblance
Fonction de vraisemblance
Pour un modèle linéaire gaussien, la vraisemblance s’écrit :
n (Yi −Xi β)2
1
e−
Y
L(β, σ 2 ) = √ 2σ 2
i=1 2πσ 2
Cette fonction mesure la probabilité d’observer les données Y étant donné
les paramètres β et σ 2 .
Estimateurs du maximum de vraisemblance
En maximisant la vraisemblance, on obtient :
Pour β : β̂ = (X ⊤ X )−1 X ⊤ Y (identique aux moindres carrés).
Pour σ 2 : σ̂ 2 = n1 ni=1 (Yi − Xi β̂)2 .
P
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 7 / 14
ˆ et βMV
Comparaison βMCO ˆ
Similitudes
Les deux estimateurs coïncident dans le cas du modèle linéaire
gaussien.
Ils sont tous deux non biaisés sous les hypothèses classiques.
Ils partagent la même formule matricielle.
Différences
Approche : MCO minimise une fonction objectif, tandis que MV
maximise une vraisemblance.
Hypothèses : MV nécessite une distribution spécifique des erreurs
(e.g., normale), alors que MCO est plus général.
Extensions : MV est plus flexible pour des modèles complexes (e.g.,
non-linéaires, mixtes).
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 8 / 14
Principaux Tests
Test Objectif Décision
Student (t-test) Significativité individuelle des |t| > 1.96 (5%)
coefficients
Fisher (F-test) Validité globale du modèle p-value < 0.05
Breusch-Pagan Détection hétéroscédasticité χ2 significatif
Durbin-Watson Autocorrélation des erreurs d ∈ [1.5; 2.5]
Logique générale
Ces tests permettent de vérifier les hypothèses du modèle linéaire (linéarité,
homoscédasticité, indépendance des erreurs) et la significativité des
coefficients. Ils reposent sur des statistiques calculées à partir des résidus
ou des estimateurs.
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 9 / 14
Bonnes pratiques
Vérifier les hypothèses :
Linéarité, homoscédasticité, autocorrélation, normalité des résidus.
Utiliser des tests et graphiques appropriés (e.g., Breusch-Pagan,
Durbin-Watson, QQ-plot).
Corrections robustes :
Erreurs standards robustes (White, Newey-West) pour
hétéroscédasticité ou autocorrélation.
Transformations ou méthodes non paramétriques pour la non-normalité.
Validation du modèle :
Validation croisée, comparaison avec modèles alternatifs (e.g., ridge,
LASSO).
Vérification de la robustesse avec sous-échantillons ou données
externes.
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 10 / 14
Problèmes Courants
Endogénéité :
Cause : Corrélation entre une variable explicative X et l’erreur ε (e.g.,
omission de variables, erreur de mesure, boucle de causalité).
Conséquence : Biais persistant des estimateurs, même sur de grands
échantillons.
Solution : Utiliser des variables instrumentales (VI) ou des méthodes
comme les moindres carrés en deux étapes (2SLS).
Multicolinéarité :
Cause : Forte corrélation entre variables explicatives.
Conséquence : Instabilité des estimations, variance élevée des
estimateurs.
Solution : Supprimer ou combiner des variables, utiliser des méthodes
de régularisation (e.g., ridge, LASSO).
Non-linéarité :
Cause : Relation entre X et Y mal spécifiée (e.g., forme fonctionnelle
incorrecte).
Conséquence : Biais de spécification, mauvaise qualité prédictive.
Solution : Transformer les variables ou utiliser des modèles non
linéaires (e.g., régression polynomiale).
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 11 / 14
Pourquoi Maîtriser le Modèle Linéaire ?
Fondement :
Base de 90% des modèles appliqués en économétrie et en sciences
sociales.
Comprendre le modèle linéaire permet de maîtriser des méthodes plus
avancées (e.g., modèles non linéaires, panel, IV).
Interprétabilité :
Relation directe et intuitive entre les variables explicatives et la variable
dépendante.
Les coefficients ont une interprétation économique claire (effets
marginaux).
Flexibilité :
Extensible aux cas complexes (e.g., interactions, effets fixes, variables
instrumentales).
Adaptable à des données variées (séries temporelles, coupes
transversales, panels).
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 12 / 14
Mise en œuvre d’un modèle linéaire sur R
Exemple de code R
# 1. Charger les données
data <- mtcars
# 2. Explorer les données
summary(data)
plot(data$wt, data$mpg, main = "Poids vs Consommation")
# 3. Spécifier et estimer le modèle
modele <- lm(mpg ˜ wt + hp, data = data)
# 4. Analyser les résultats
summary(modele)
plot(modele)
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 13 / 14
Un outil indispensable pour tout le monde !
Cheikna Amala YATABARE (ENSAE) Économétrie du Modèle Linéaire 12 mars 2025 14 / 14