Les modèles de choix binaire

Dimension: px
Commencer à balayer dès la page:

Download "Les modèles de choix binaire"

Transcription

1 Chapitre 4 Les modèles de choix binaire Les modèles de régression linéaire développés ci-dessus concernent une variable dépendante continue (comme par exemple le salaire ou le taux de chômage). Ce chapitre considère des modèles de régression pour une variable dépendante discrète, c est-à-dire prenant un nombre fini de valeurs possibles. Nous commencerons par la situation la plus simple dans laquelle la variable dépendante prend deux valeurs possibles. 4.1 Exemples et définitions De nombreux phénomènes économiques peuvent être modélisés comme un choix entre plusieurs alternatives possibles. Commençons par quelques exemples. 1. Supposons que l on s intéresse aux modes de transport utilisés par les travailleurs en Belgique. Plus spécifiquement, on s intéresse au choix des travailleurs entre le transport en commun ou le transport privé. La variable dépendante que nous souhaitons étudier prend ici deux valeurs possibles : «transport public» ou «transport privé». Si Y i représente le mode de transport choisi par l individu i, on écrit par exemple { 0 Si l individu i utilise un transport privé Y i = 1 Si l individu i utilise un transport public Dans cet exemple, il serait intéressant de pouvoir expliquer le choix du mode de transport en fonction de variables explicatives (par exemple le revenu, la composition familiale, la région d habitation, les avantages fiscaux à utiliser le transport en commun, etc.). Une telle variable Y i prenant deux valeurs possibles est une variable de choix binaire. 2. Les universités peuvent s intéresser au choix des étudiants pour leur établissement d enseignement supérieur. Ce choix est en effet déterminant pour son

2 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 166 financement. Si Y i représente l université choisie par l étudiant i, on écrit par exemple 1 Si l étudiant i choisit l UCL 2 Si l étudiant i choisit l ULB 3 Si l étudiant i choisit l ULg Y i = 4 Si l étudiant i choisit une autre université de la Communauté française 5 Si l étudiant i choisit une autre université que les précitées Il serait intéressant d étudier le choix de l université en fonction de variables explicatives telles que la distance entre le domicile et l université, le réseau de l établissement d enseignement secondaire de l étudiant, les caractéristiques socio-économiques de la famille, etc. Une telle variable Y i prenant plus de deux valeurs possibles est une variable de choix multiple. 3. Lorsqu on s intéresse aux salaires dans une population donnée, il n est pas toujours nécessaire d expliquer cette variable dépendante à l euro près. On est parfois amené à considérer des catégories de salaire, comme par exemple : 1 Si le revenu annuel du ménage i est en dessous 20k Y i = 2 Si le revenu annuel du ménage i est entre 20k et 25k.. Dans cet exemple, une variables discrète multiple a été construire à partir de la variable continue de salaire. La variable Y i ainsi définie s appelle une variable catégorielle. 4. On peut également faire une distinction dans les variables de choix multiple. Dans l exemple précédent, la variable dépendante présente un ordre logique pour présenter les catégories : Y = 1 représente les plus bas revenus, Y = 2 représente la catégorie de revenu juste supérieure etc. Dans certaines situations, il n y a pas d ordre logique dans l encodage de la variable Y. À titre d exemple, considérons à nouveau le choix du mode de transport et affinons notre analyse en précisant si un individu qui choisit le transport en commun utilise le bus ou le train. Dans ce cas, on peut encoder la variable dépendante comme suit : 1 Si l individu i utilise la voiture Y i = 2 Si l individu i utilise le bus 3 Si l individu i utilise le train

3 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 167 Remarquons que cet encodage est arbitraire puisqu on aurait pu encoder par "1" les individus prenant le train. Lorsque, comme dans cet exemple, la variable dépendante n indique aucun ordre naturel dans la variable discrète, on parle de variable discrète non ordonnée. Les différentes situations énumérées ci-dessus sont importantes car elles vont dicter la stratégie de modélisation du choix des individus. Comme nous l avons fait dans les chapitres précédents, nous développons ci-dessous des modèles pour l espérance conditionnelle E(Y X 1,X 2,...,X K ) (4.1) c est-à-dire pour la valeur attendue du choix Y conditionnellement à un vecteur de variables explicatives. Ce que nous souhaitons surtout analyser, c est l impact de chacune des variables explicatives sur le choix Y. A titre d exemple, on peut se poser la question : Quel est l impact d un accroissement des avantages fiscaux sur le choix du mode de transport d un individu? Le présent chapitre se concentre sur les variables dépendantes binaires. 4.2 Le modèle de probabilité linéaire (LPM) Soit Y une variable binaire prenant les valeurs 0 et 1, et X = (X 1,...,X K ) un ensemble de variables explicatives. Pour se fixer les idées, nous allons travailler sur l exemple concret suivant. Exemple La Grande-Bretagne tient à jour une base de données sur les ménages britanniques 1 que nous souhaitons utiliser pour expliquer l emploi. Nous nous concentrons sur un échantillon de familles monoparentales étudié notamment par Duncan (2005). Nous nous intéressons à la variable dépendante binaire Y = 1 si le parent travaille, Y = 0 s il ne travaille pas. Nous avons à disposition une series de variables explicatives : X 1 = AGE = âge du parent X 2 = TEA = nombre d années d éducation du parent X 3 = MARITAL = statut civil (prenant quatre valeurs : célibataire, veuf, divorcé ou séparé) X 4 = TOTKIDS= nombre d enfants dans le ménage X 5 = YOUNGCH= âge du plus jeune enfant X 6 = WHITE = indique si l individu est blanc (=1) ou non En élaborant un modèle pour (4.1), on s intéresse à l influence de chacune de ces variables explicatives sur l emploi, c est-à-dire sur la valeur attendue de la variable binaire Y. 1. Disponible à la page

4 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 168 Comme la variable Y est binaire, nous calculons directement : E(Y X) = P(Y = 1 X). En d autres termes, l espérance conditionnelle s interprète simplement comme une probabilité conditionnelle. En analogie avec le modèle de régression linéaire, nous modéliserons cette probabilité comme une fonction linéaire des variables explicatives : E(Y X) = β 1 X 1 +β 2 X β K X K = X β. (4.2) Comme l espérance conditionnelle coïncide ici avec une probabilité conditionnelle, ce modèle s appelle le modèle de probabilité linéaire (LPM 2 ). Comme dans le cas de la régression linéaire, on introduit la variable aléatoire d erreur ǫ := Y E(Y X) et le modèle LPM se définit de façon équivalente Y = X β +ǫ. (4.3) En dépit de sa ressemblance formelle avec le modèle de régression linéaire, le modèle LPM comporte de sérieux inconvénients. Tout d abord, observons que la variable d erreur ǫ est hétéroscédastique et dépend du paramètre inconnu β. Puisque X β+ǫ doit être égal à 0 ou 1 avec la probabilité P(Y = 0 X) ou P(Y = 1 X) respectivement, l erreur ǫ doit valoir ( X β) ou (1 X β) avec les probabilités correspondantes. La variance conditionnelle de l erreur ǫ est donc égale à Var(ǫ X) = ( X β) 2 P(Y = 0 X)+(1 X β) 2 P(Y = 1 X) en utilisant P(Y = 0 X) = 1 P(Y = 1 X) pour la variable binaire Y, on obtient immédiatement Var(ǫ X) = X β(1 X β). Cette dernière expression montre que la variable d erreur dans le modèle (4.3) est hétéroscédastique. De plus, cette hétéroscédasticité n est pas connue en pratique car elle dépend des paramètres β à estimer. Pour remédier au problème d hétéroscédasticité, nous pouvons éventuellement utiliser l estimateur OLS robuste (Section 3.3.4). Cependant, même si nous utilisons cet estimateur, un problème plus sérieux subsiste en ce qui concerne la prédiction. En effet, à supposer que nous obtenions un estimateur ˆβ, le prédicteur dans le modèle linéaire (4.3) s écrira Ŷ 0 = X 0ˆβ 2. Linear Probability Model.

5 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 169 et rien n assure que Ŷ0 soit bien une probabilité comprise entre 0 et 1. Pour voir ce phénomène autrement, rien n assure dans le modèle (4.2) que la droite de régression X β soit bien comprise entre 0 et 1, donc modélise valablement la probabilité conditionnelle P(Y = 1 X). Pour ces raisons, le modèle linéaire LPM n est pas souvent utilisé dans les modèles de choix discrets Les modèles probit et logit L approche par transformation L idée des modèles probit et logit est de modifier le modèle linéaire (4.2) en imposant que l espérance E(Y X) soit comprise entre 0 et 1. Pour ce faire, on remplace le modèle (4.2) par le modèle E(Y X) = G(β 1 X 1 +β 2 X β K X K ) = G ( X β ) (4.4) où G est une fonction choisie par l économètre et comprise entre 0 et 1 (donc telle que 0 G(z) 1 pour tout z). Le rôle de la fonction G est de transformer le modèle linéaire X β pouvant prendre des valeurs sur (, ), en un modèle G(X β) satisfaisant la contrainte de rester sur l intervalle [0,1]. Quelle fonction G choisir? Il y a traditionnellement deux choix possibles pour cette fonction. Ces choix, que nous allons à présent définir, portent le nom de modèle probit et modèle logit Le modèle probit Dans le cas du modèle probit, on choisit comme fonction G la fonction de distribution de la variable aléatoire Normale standardisée. Rappelons que la fonction de densité de la loi Normale standardisée est φ(u) = 1 2π e u2 /2, u R. Cette fonction est représentée à la Figure 4.1(a). La fonction de distribution correspondante est Φ(z) = z φ(u)du, z R et est représentée à la Figure 4.1(b). 3. Des auteurs ont proposé certaines corrections afin de solutionner les problèmes du modèle LPM. Voir Judge, Griffiths, Hill, and Lee (1985) pour une discussion plus détaillée.

6 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) (a) Fonction de densité φ (b) Fonction de distribution Φ. Figure 4.1: Fonctions de distribution et fonction de densité de la loi Normale standardisée N(0,1). Comme toute fonction de distribution, la fonction Φ(z) est comprise entre 0 et 1. Elle constitue donc une fonction possible pour jouer le rôle de la fonction G dans le modèle (4.4). Le modèle probit s écrit donc : E(Y X) = P(Y = 1 X) = Φ ( X β ). (4.5) Le modèle logit Un autre choix populaire pour la fonction G est la fonction logistique Λ(z) = ez 1+e z qui est, elle aussi, comprise entre 0 et 1. Cette fonction est représentée à la figure 4.2. Le modèle logit (ou logistique) s écrit alors E(Y X) = P(Y = 1 X) = Λ ( X β ). (4.6) Interprétation et comparaison des modèles Nous résumons les trois modèles développés ci-dessus : Le Modèle LPM : P(Y = 1 X) = X β, Le Modèle Probit : P(Y = 1 X) = Φ(X β), Le Modèle Logit : P(Y = 1 X) = Λ(X β).

7 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) Figure 4.2: Fonctions logistique Λ(z). Dans ces trois modèles, la probabilité est modélisée par une fonction monotone des variables exogènes X. Nous avons donc la première interprétation intuitive suivante : si le paramètre β j associé à la variable explicative X j est positif (resp. négatif), alors, ceteris paribus, la probabilité conditionnelle P(Y = 1 X) augmentera (resp. diminuera) si la variable X j augmente. Que pouvons-nous dire de la magnitude de cette variation, c est-à-dire de l effet marginal de la variable X k? Pour répondre à cette question, nous calculons la dérivée partielle 4 P(Y = 1 X) X j dans chacun des trois modèles. Nous trouvons : 5 Dans le modèle LPM : P(Y = 1 X) X j = β j Dans le modèle Probit : P(Y = 1 X) X j Dans le modèle Logit : P(Y = 1 X) X j = 4. Voir la section 2.3 ci-dessus 5. Exercice utile = φ(x β)β j exp(x β) {1+exp(X β)} 2β j

8 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 172 L effet marginal est modélisé très différement dans les trois modèles. On constate tout de suite que les paramètres β j des trois modèles ne sont absolument pas comparables entre eux. De plus, le coefficient β j ne représente l effet marginal de la variable X j que dans le modèle LPM. Dans les modèles probit et logit, l effet marginal varie en fonction de toutes les variables exogènes X 1,...,X K. Exemple Reprenons l exemple du mode de transport où Y = 0 si l individu utilise un transport privé, et Y = 1 si l individu utilise les transports publics. Imaginons que nous analysions ce choix par rapport à un ensemble de variables explicatives X parmi lesquelles se trouve la variable tps représentant le temps de parcours domicile-travail. 1. Si le termex β est élevé, disons égal à 3, alors, dans les modèles logit ou probit, la probabilité que l individu utilise le transport en commun est proche de 1 (car Φ(3) et Λ(3) sont proches de 1). Dans ce cas, quel est exp(3) {1+exp(3)} 2 l effet marginal de la variable tps? On observe que φ(3) et sont proches de 0, donc l effet marginal sera lui-même pratiquement nul. Cela signifie qu un changement dans la variable «temps de parcours» aura peu d impact sur le choix du transport de l individu. Cet effet est naturel car l individu possédant une combinaison linéaire X β élevée est prédisposé à utiliser les transports en commun et son comportement sera assez robuste face à un petit changement dans une variable explicative particulière, comme tps. 2. Au contraire, si le terme X β est proche de zéro, Φ(X β) et Λ(X β) sera proche de 1/2. Nous sommes ici dans la situation où l individu opte pour un mode de transport avec une probabilité 1/2. Cet individu est donc indécis. Qu en est-il de l effet marginal? Ici l effet marginal sera maximal, ce qui signifie que le choix de l individu sera très influencé par un changement dans une des variables explicatives, comme par exemple le temps de parcours domicile-travail. 4.4 Modélisation par variable latente Nous developpons une autre interprétation usuelle des modèles de choix discret. Il ne s agit pas vraiment d un nouveau modèle, mais plutôt d un autre point de vue sur les modèles introduits ci-dessus. Dans cette approche, on suppose qu il existe une variable continue Y qui n est pas observée, mais qui mesure la propension d un individu à faire son choix. Bien que nous n observions pas cette propension Y directement, nous constatons le choix qui en résulte, modélisée par la variable binaire Y que nous relions à Y par

9 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 173 l équation : { Y = 1 si Y > 0 0 si Y 0 (4.7) Exemple Dans l exemple ci-dessus du marché du travail pour les familles monoparentales, Y pourrait modéliser l intensité avec laquelle un individu souhaite travailler (il s agit d un exemple simpliste du phénomène, mais qui illustre la notion de propension). Plus élevée est cette intensité, plus il est probable d observer un individu qui travaille. Une variable comme Y qui est inobservée mais qui explique le phénomène analysé est appelée une variable latente. Dans cette stratégie de modélisation, il faut alors imposer des conditions sur la variable latente elle-même. La condition la plus simple consite à modéliser Y comme un modèle de régression linéaire des variables exogènes : Y = β 1 X β K X K +ǫ (4.8) = X β +ǫ. Avec ce modèle, on dérive immédiatement la structure de l espérance conditionnelle E(Y X) : E(Y X) = P(Y = 1 X) (car Y {0,1}) = P(Y > 0 X) (par équation (4.7)) = P(β 1 X β K X K +ǫ > 0 X) (par équation (4.8)) = P(ǫ > X β X). (manipulation de l inégalité) Si la distribution conditionnelle de l erreur ǫ est symétrique autour de zéro, on peut simplifier cette dernière expression : E(Y X) = P(ǫ < X β X) (par symétrie de la densité conditionnelle de ǫ) = F ǫ X (X β). où la fonction F ǫ X représente la distribution conditionnelle de la variable ǫ (conditionnellement à X). On retrouve bien l approche par transformation précédente, en considérant G(X β) = F ǫ X (X β). Interprétation par les modèles d utilité stochastique Une justification de l approche par variable latente peut se trouver dans la théorie économique des comportements basée sur les fonctions d utilité. Supposons que Y représente comme dans un exemple ci-dessus le statut professionnel (Y = 1 si l individu travaille, Y = 0 si l individu ne travaille pas) et supposons que les deux

10 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 174 issues possibles (travailler ou ne pas travailler) soient décrites par les fonctions d utilité UY=0 et U Y=1 supposées linéaires : U Y=1 = X β 1 +ǫ 1 U Y=0 = X β 0 +ǫ 0. Avec cette caractérisation, un individu choisira de travailler si l utilité dont il bénéficie en travaillant (notée UY=1 ) excède l utilité obtenue en demeurant sans emploi (notée UY=0 ). Le choix de travailler est donc réalisé si U Y=1 > U Y=0. En d autres termes, la variable binaire Y représentant la participation au marché du travail est telle que { 1 si UY=1 Y = > U Y=0 0 sinon et donc, en utilisant la linéarité des fonctions d utilité, E(Y X) = P(U Y=1 > U Y=0 X) = P(X (β 1 β 0 )+ǫ 1 ǫ 0 > 0 X). Dans ce modèle, les paramètres β 0 et β 1 ne sont clairement pas identifiables, mais on peut identifier leur différence. En notant β = β 1 β 0 et ǫ = ǫ 1 ǫ 0, on obtient comme ci-dessus E(Y X) = P(X β +ǫ > 0 X). 4.5 Estimation À l exception du modèle LPM, la relation entre entre l espérance conditionnelle E(Y X) et les paramètres β n est pas linéaire car elle fait intervenir la fonction de tranformation G. L estimation dans un tel modèle non linéaire est plus souvent fondée sur le principe du maximum de vraisemblance que sur le principe des moindres carrés. Nous allons tout d abord rappeler quelques résultats importants du principe du maximum de vraisemblance Rappel : le principe du maximum de vraisemblance Dans le cadre de ce rappel sur le principe du maximum de vraisemblance, nous allons travailler dans un modèle simple. Considérons les 10 observations indépen- 6. Cette technique d estimation a déjà été étudiée au cours de statistique de 2ème année.

11 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 175 dantes suivantes provenant d une distribution Bernoulli : 7 Z 1 = 1,Z 2 = 0,Z 3 = 0,Z 4 = 0,Z 5 = 0, Z 6 = 0,Z 7 = 1,Z 8 = 0,Z 9 = 1,Z 10 = 0. (4.9) Nous souhaitons estimer le paramètre π de la variable Bernoulli ayant généré ces données. La distribution de probabilité de chaque observation Z i est déterminée par { π si z i = 1 P(Z i = z i ) = 1 π si z i = 0 = π z i (1 π) 1 z i Puisque les observations Z i sont indépendantes, la probabilité jointe est égale au produit des probabilités : P(Z 1 = 1,Z 2 = 0,,Z 10 = 0) = P(Z 1 = 1) P(Z 2 = 0) P(Z 10 = 0) = π 1 (1 π) 0 π 0 (1 π) 1 π 0 (1 π) 1 = π 3 (1 π) 7. Cette dernière probabilité s interprète comme suit : en supposant que les données ont été générées par une loi de Bernoulli de paramètre π, la probabilité d observer l échantillon (4.9) est égale à π 3 (1 π) 7. Le principe du maximum de vraisemblance consiste à choisir la valeur de π qui rende l observation de cet échantillon la plus probable. La figure 4.3 représente la probabilité π 3 (1 π) 7 en fonction des différentes valeurs possibles de π. Cette fonction possède un mode, et son maximum est atteint en 3/10. L idée est que la valeur π = 3/10 correspond au paramètre le plus vraisemblable étant donné l échantillon observé. La fonction de la figure 4.3 est la fonction de vraisemblance. Cette fonction est définie dans notre exemple par L(π Z 1,Z 2,...,Z 10 ) := P(Z 1 = 1,Z 2 = 0,,Z 10 = 0) = π 3 (1 π) 7. Notez qu il s agit d une fonction du paramètre π conditionnellement à l échantillon observé. En pratique, on remplace souvent cette fonction par la fonction de logvraisemblance l(π Z 1,Z 2,...,Z 10 ) := lnl(π Z 1,Z 2,...,Z 10 ). 7. Rappelons qu une variable aléatoire discrète Z suit une loi de Bernoulli de paramètre π si Z prend les deux valeurs 0 et 1 avec les probabilités repectives 1 π et π (0 π 1). Sa fonction de distribution est donc P(Z = z) = π z (1 π) z où le nombre z ne prend que les valeurs 0 ou 1. Il s agit d un cas particulier de la variable Binomiale (Voir cours de probabilité de 1ère année).

12 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) Figure 4.3: La fonction π π 3 (1 π) 7 atteint son maximum en π = 3/10. qui est simplement le logarithme de la fonction de vraisemblance. La valeur du paramètre qui minimise l est bien entendu la même valeur du paramètre qui minimise L. On peut donc baser l inférence sur la maximisation de l, qui est souvent plus facile à traiter en pratique. Dans notre exemple, la fonction de log-vraisemblance est l(π Z 1,Z 2,...,Z 10 ) = 3lnπ +7ln(1 π). Ce principe d estimation se généralise à toutes les situations où un ou plusieurs paramètres doivent être estimés. Dans bien des situations, l expression de la fonction de vraisemblance est compliquée, et son maximum est impossible à trouver analytiquement. On a alors recours à des méthodes numériques comme par exemple la méthode de Newton. Terminons ce rappel en énonçant quelques propriétés importantes de l estimateur de maximum de vraisemblance. Tout d abord, ce principe se généralise naturellement à l estimation d un vecteur de plusieurs paramètres θ = (θ 1,...,θ K ). De plus, sous des conditions de régularité assez générales 8 1. L estimateur par maximum de vraisemblance est consistant. En d autres termes, si θ représente l estimateur par maximum de vraisemblance du vecteur de paramètres θ, alors θ P θ. 2. L estimateur par maximum de vraisemblance est asymptotiquement normal, c est-à-dire : n( θ θ) L N (0,S). (4.10) 8. Pour un exposé rigoureux de ces conditions, on pourra consulter par exemple Monfort (1997).

13 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 177 La matrice de variance asymptotique S est déterminée par la forme de la fonction de vraisemblance. On montre que cette matrice est limite pour n tendant vers l infini de la matrice {I n (θ)} 1 où I n (θ) = E [ 1 n 2 lnl(θ) θ θ ] c est-à-dire l opposé de l espérance (calculée en utilisant le modèle θ) de la matrice Hessienne de lnl(θ). 3. On montre également que l estimateur de maximum de vraisemblance est efficace dans la classe des estimateurs consistants et asymptotiquement normaux (Théorème de Cramér-Rao) Estimation par maximum de vraisemblance dans le modèle de choix discret et La variable aléatoire Y est une variable binaire telle que P(Y = 1 X) = G(X β) P(Y = 0 X) = 1 P(Y = 1 X) = 1 G(X β) où, rappelons-le, G est la fonction Φ dans le cas du modèle probit, ou Λ dans le cas du modèle logit. La variable aléatoire Y X peut donc être modélisée comme une variable Bernoulli de paramètre π = G(X β). En particulier, la distribution de probabilité de Y X s écrit P(Y = y X) = π y {1 π} 1 y pour y = 0 ou 1, = G(X β) y{ 1 G(X β) } 1 y pour y = 0 ou 1. Supposons à présent que l on observe un échantillon iid des variables (Y, X) de taille n. Notons cet échantillon X n = {(Y 1,X 1 ),(Y 2,X 2 ),...,(Y n,x n )}. En utilisant que chaque variable Y i X i possède la distribution Bernoulli rappelée ci-dessus, et en notant que ces variables sont indépendantes, la fonction de vraisemblance de l échantillon X n est alors donnée par L(β X n ) = G(X 1β) Y { 1 1 G(X 1β) } 1 Y 1 G(X 2β) Y { 2 1 G(X 2β) } 1 Y 2 G(X nβ) { Yn 1 G(X nβ) } 1 Y n n = G(X iβ) Y { i 1 G(X iβ) } 1 Y i. i=1

14 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 178 Par le principe du maximum de vraisemblance, nous cherchons à calculer la valeur du paramètre β qui maximise la fonction L(β X n ). Il est équivalent de chercher le paramètre qui maximise la log-vraisemblance l(β X n ) := lnl(β X n ) n [ = Yi lng(x i β)+(1 Y i)ln { 1 G(X i β)}]. i=1 Pour trouver le maximum de cette fonction, il faut résoudre les équations de log-vraisemblance β l(β X n ) = 0 dont il n existe pas de solution analytique en général. La résolution de ce système d équations est réalisée par les logiciels en utilisant des procédures itératives pour trouver des maxima de fonctions réelles.

15 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 179 Exemple Reprenons l exemple de la participation d un parent isolé au marché du travail. Un logiciel utilise une procédure itérative pour trouver les paramètres maximisant la vraisemblance. Dans notre exemple, le logiciel R précise le nombre d itérations nécessaires afin de trouver une solution : Number of Fisher Scoring iterations: 4 Le logiciel a calculé les valeurs suivantes des paramètres : Estimate Std. Error z value Pr(> z ) (Intercept) ** AGE ** TEA TOTKIDS e-10 *** YOUNGCH e-13 *** WHITETRUE * MARITALSeparated MARITALSingle ** MARITALWidowed * Comment interprétez-vous les coefficients estimés? Comme dans le cas de la régression linéaire avec variables dépendantes continues, le logiciel fournit également une estimation de l écart-type pour l estimation des coefficients, et donne le résultat d un test de significativité de ces coefficients estimés. Nous allons voir dans la suite comment ces valeurs sont calculées Estimation de la variance des estimateurs Estimer la matrice de covariance de l estimateur par maximum de vraisemblance est une tâche plus délicate que pour l estimateur OLS dans le modèle linéaire. Si on considère la matrice donnée par le théorème central limite (4.10), la matrice de covariance asymptotique est donnée par { I(β) } 1 = { E [ ]} 2 1 l(β) β β. Cette variance dépend du paramètre inconnu β. On pourrait imaginer remplacer le paramètre par son estimateur β, mais il résultera à calculer l espérance d une expression nonlinéaire très difficile à manipuler. Pour cette raison, deux autres solutions sont en général considérées en pratique.

16 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 180 Méthode itérative Le premier estimateur consiste à calculer 1 {I(β)} 1 = 2 l(β) β β. β= β Cet estimateur calcule la matrice Hessienne en l estimateur θ (et non plus l espérance de la matrice). Cet estimateur nécessite de calculer des dérives secondes. C est pourquoi dans la pratique, on a à nouveau recourt à des méthodes itératives pour calculer cette matrice. L estimateur BHHH Cet estimateur tient son nom des travaux de Berndt, Hall, Hall, and Hausman (1974). Ces auteurs se basent sur le fait que l espérance des dérivées secondes de la matrice est égale à la covariance du vecteur des premières dérivées 9. L estimateur proposé est donné par { n 1 {I(β)} 1 = ĝ i ĝ i}. i=1 où ĝ i est le vecteur des premières dérivées ĝ i := lng(x i β) β. Cet estimateur a l avantage d être très simple à calculer, car il n utilise que les premières dérivées déjà calculées dans le travail de maximisation de la logvraisemblance. De plus, la matrice ainsi estimée a l avantage d être automatiquement non-définie négative, comme doit l être une matrice de covariance. En utilisant la forme particulière des modèles probit et logit, ces deux estimateurs se simplifient en des formules pouvant être consultées, par exemple, dans Amemiya (1985). 4.6 Tests Tests de restriction linéaire Le test de restriction linéaire, dont le test de significativité est un cas particulier, peut être construit à partir des estimateurs de maximum de vraisemblance des 9. Ce résultat n est pas trivial. Pour un approfondissement sur la méthode du maximum de vraisemblance, voir Monfort (1997) ou le cours ECON2651 (Advanced Econometrics)

17 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 181 paramètres du modèle non linéaire. L ingrédient de base de cette construction est le théorème central limite (4.10). Cette propriété permet de trouver la distribution asymptotique des estimateurs β et de toute combinaison linéaire R β, où la R est la matrice exprimant la restriction à tester, cf section 2.6 ci-dessus. À titre d exemple, supposons que nous souhaitions éprouver l hypothèse H 0 : β 1 = 0 contre H 1 : β 1 0 Le théorème central limite (4.10) permet de conclure que l estimateur du maximum de vraisemblance de β 1 est tel que n(ˆβ1 β 1 ) suit approximativement une loi normale N(0,S 11 ) où S 1 1 est l élément (1,1) de la matrice d information I(β). Cette matrice étant inconnue en pratique, elle est estimée comme expliqué à la section Notons Ŝ11 l estimateur de la variance ainsi obtenu. La statistique de test est donc nˆβ 1 / Ŝ1 1 qui, sous H 0, suit approximativement une loi de student t n K. Exemple Dans la sortie de l exemple de la page 179, la statistique de test t est automatiquement fournie pour le test de significativité (c est-à-dire H 0 : β j = 0). La p-valeur est également donnée Test du rapport de vraisemblances Le calcul de la vraisemblance permet de construire d autres tests de restriction souvent utiles. Supposons que nous souhaitions tester une série de contraintes sur les paramètres β du modèle. A titre d exemple, considérons le test suivant : H 0 : tous les coefficients sauf celui de l éventuelle constante sont nuls. (Le résultat de ce test est en réalité fourni par défaut dans la sortie de nombreux logiciels.) L idée du test basé sur la vraisemblance est la suivante : Si la restriction proposée par l hypothèse H 0 est vraie, alors en recalculant la vraisemblance sous la contrainte que les coefficients considérés sont nuls, nous ne devrions pas observer une grande différence avec la vraisemblance calculée sans cette restriction. La construction du test se base donc sur une comparaison entre la vraisemblance maximisée dans le modèle complet L U = L ((ˆβ 1, ˆβ 2,..., ˆβ ) K ) X n = max β 1,...,β K L ( (β 1,...,β K ) X n )

18 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 182 et la vraisemblance maximisée sous H 0, c est-à-dire en ignorant tous les paramètres sauf β 1 (nous supposons ici que la première variable explicative modélise la constante, donc X 1 = 1) : L R = max β 1 L ( (β 1,0,...,0) X n ). Afin de comparer ces deux valeurs, nous constuisons le rapport de vraisemblances 10 LR = L R L U. Si ce rapport est proche de 1, alors les deux vraisemblances sont similaires, et cette situation est donc compatible avec l hypothèse H 0. Au contraire, lorsque le rapport de vraisemblance n est pas proche de 1, les deux vraisemblances diffèrent et l hypothèse H 0 sera remise en question. Le test du rapport de vraisemblances se base sur la distribution suivante : 2lnLR = 2(ln L U ln L R ) χ 2 r sous H 0 où r est le nombre de restrictions (dans notre exemple, r = K 1). Exemple 1. Dans l exemple de la page 179 : LR (zero slopes) = [.000] Quelle est votre conclusion? 2. Dans le même exemple, on teste la significativité jointe des paramètres de EDU et LOC (test de restriction, avec 2 restrictions). Les résultats du test sont CHISQ(2) = ; P-value = Quelle est votre conclusion? Il existe d autres tests basés sur la vraisemblance que nous ne voyons pas dans le cadre de ce cours. Une étude plus approfondie des tests basés sur la vraisemblance est en général comprise dans un second cours d économétrie 11. Un bon point de départ dans la littérature sur le sujet est l ouvrage de Godfrey (1988). 10. LR est l abbréviation de l anglais Likelihood Ratio signifiant «Rapport de vraisemblances». 11. Par exemple l actuel ECON3503 (Advanced Econometrics).

19 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) Mesures d ajustement Dans le but de juger de la précision d un modèle calibré aux données, un certain nombre de mesures ont été proposées suivant le principe du coefficient de détermination R 2 étudié au chapitre Pseudos R 2 Une possibilité pour construire un indice d ajustement est de comparer la valeur de la vraisemblance avec la valeur de la vraisemblance si le modèle est seulement estimé avec un coefficient constant β 1 sans aucune variable explicative. En utilisant les notations de la section 4.6.2, il s agit de comparer L U et L R, où L U représente le maximum de la fonction de vraisemblance sans contrainte, et L R est le maximum de la fonction de vraisemblance calculée avec un seul paramètre β 1. Une mesure d ajustement proposée par McFadden (1974) est définie par Pseudo-R 2 de McFadden = 1 ln L U ln L R. La justification mathématique de cette mesure d ajustement n est pas identique à la définition du R 2, c est pourquoi on parle de pseudo-r 2. L idée de cette mesure est la suivante. Par construction de la vraisemblance dans le modèle binaire, la vraisemblance est toujours plus petite ou égale à 1. Pour un modèle bien ajusté, la vraisemblance non restreinte L U doit être proche de 1, donc ln L U est proche de 0, et le pseudo-r 2 est proche de 1. Au contraire, pour un modèle mal ajusté, L U sera proche de L R et le pseudo-r 2 est proche de zéro. D autres mesures ont été proposées dans la littérature. Une mesure récente régulièrement utilisée a été proposée par Estrella (1998) et est définie comme suit : [ Pseudo-R 2 ln d Estrella = 1 L ] 2 n ln ˆL R U ln L. R Mesure de prévision Une autre façon de mesurer la qualité de l ajustement est d examiner la capacité prédictive du modèle estimé. L idée ici est de calculer la proportion de prédictions correctes du modèle. Afin de construire cette mesure, il faut tout d abord construire une règle à partir de laquelle la prévision des probabilités P(Y = 1 X) peut conduire à un prédicteur discret de l état Y = 0 ou Y = 1. L approche la plus simple est la suivante : définissons le prédicteur P i = G(X i β) pour tout i

20 ULB 2014 STATS308 Économétrie (Dehon-Van Bellegem) 184 où G est la transformation probit ou logit, et β est l estimateur par maximum de vraisemblance. Le prédicteur P i représente notre estimateur de la probabilité que l individu i choisisse Y i = 1. Comme règle de prévision du choix Y i, on considère { 1 si Ŷ i := P i > si P i 0.5 On peut à présent comparer notre prédiction du choix de chaque individu (Ŷi) avec le choix réellement observé (Y i ). Cette comparaison peut prendre la forme d une table de contingence : Valeurs prédites 0 1 Valeurs 0 n 00 n 01 Observées 1 n 10 n 11 Dans cette table n 00 représente le nombre d individus choisissant Y = 0 pour lequel notre modèle a bien prédit Y = 0. De même n 11 représente le nombre d individus choisissant Y = 1 pour lequel nous avons prédit Y = 1. Au contraire, les nombres n 01 et n 10 mesurent les erreurs de classification. Un modèle bien ajusté aura donc des valeurs n 00 et n 11 maximales. Dans les sorties de logiciels, cette mesure d ajustement est donnée par la proportion de prédictions correctes : n 00 +n 11 n où n est la taille de l échantillon. Un rapport proche de 1 signifie que le modèle a une capacité de prévision presque parfaite. Si ce rapport est proche de 0, alors le modèle a une mauvaise qualité prédictive. Exemple Dans l exemple de la page 179, : Scaled R-squared = Fraction of Correct Predictions = Dans l échantillon, le modèle a donc prédit correctement le choix de 67,7 % individus. 4.8 Exercices sur le chapitre 4 Modèles de choix binaire Exercice 47. On cherche à expliquer par un modèle à réponse binaire la probabilité de vote pour le candidat démocrate Jimmy Carter aux éléctions présidentielles

Econométrie. février 2008. Boutin, Rathelot

Econométrie. février 2008. Boutin, Rathelot 5ème séance Xavier Boutin Roland Rathelot Supélec février 2008 Plan Variables binaires La question y = β 0 + β 1 x 1 +...β k x k + u Que se passe-t-il lorsque y est une variable {0, 1} et non plus une

Plus en détail

Régression de Poisson

Régression de Poisson ZHANG Mudong & LI Siheng & HU Chenyang 21 Mars, 2013 Plan Composantes des modèles Estimation Qualité d ajustement et Tests Exemples Conclusion 2/25 Introduction de modèle linéaire généralisé La relation

Plus en détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

Données qualitatives, modèles probit et logit

Données qualitatives, modèles probit et logit Données qualitatives, modèles probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours de Christophe Hurlin. On est confronté à des données qualitatives en micro-économie

Plus en détail

Économétrie 2 : données qualitatives, probit et logit

Économétrie 2 : données qualitatives, probit et logit URCA Hugo Harari-Kermadec 2008-2009 harari@ecogest.ens-cachan.fr Économétrie 2 : données qualitatives, probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Examen Décembre 00. C. Hurlin Exercice 1 (15 points) : Politique de Dividendes On considère un problème de politique de

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

Économétrie 6-806-85, Automne 2002. Professeur: D. Vencatachellum, Bureau: 4.155

Économétrie 6-806-85, Automne 2002. Professeur: D. Vencatachellum, Bureau: 4.155 Économétrie 6-806-85, Automne 2002 Professeur: D. Vencatachellum, Bureau: 4.155 www.hec.ca/pages/dv dv@hec.ca Consultation: mercredi de 14:00 à 15:00 et sur rendez-vous pris par courrier électronique.

Plus en détail

La régression logistique PLS

La régression logistique PLS La régression logistique PLS Michel Tenenhaus Groupe HEC, 78351 Jouy-en-Josas 1 Introduction La régression PLS permet de relier une ou plusieurs variables de réponse y àun ensemble de variables prédictives

Plus en détail

Méthodes d analyse empirique

Méthodes d analyse empirique Méthodes d analyse empirique Partie Quantitative Michel Beine (suppl. S. Laurent) michel.beine@uni.lu Université du Luxembourg http://www.michelbeine.be Méthodes d analyse empirique p. 1/? Méthodes d analyse

Plus en détail

Le modèle linéaire généralisé avec R : fonction glm()

Le modèle linéaire généralisé avec R : fonction glm() SEMIN- Le modèle linéaire généralisé avec R : fonction glm() Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Ecole Normale Supérieure 46 rue d'ulm F-75230 Paris Cedex 05 sebastien.ballesteros@biologie.ens.fr

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7.

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7. UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre Fiche N 7 (avec corrigé) L objet de ce TD est de vous initier à la démarche et à quelques

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015

Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015 Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

La régression logistique

La régression logistique La régression logistique Présentation pour le cours SOL6210, Analyse quantitative avancée Claire Durand, 2015 1 Utilisation PQuand la variable dépendante est nominale ou ordinale < Deux types selon la

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Conditions d application des méthodes statistiques paramétriques :

Conditions d application des méthodes statistiques paramétriques : Conditions d application des méthodes statistiques paramétriques : applications sur ordinateur GLELE KAKAÏ R., SODJINOU E., FONTON N. Cotonou, Décembre 006 Conditions d application des méthodes statistiques

Plus en détail

Données longitudinales et modèles de survie

Données longitudinales et modèles de survie ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan

Plus en détail

Le modèle de régression linéaire

Le modèle de régression linéaire Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le

Plus en détail

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés M1 MLG Année 2012 2013 Feuille de TP N 3 : Modèle log-linéaire - Travail guidé 1 Cancers : modèle log-linéaire à deux facteurs croisés Ce premier exercice reprend l exercice 1 de la feuille de TD n 3.

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

Probabilités III Introduction à l évaluation d options

Probabilités III Introduction à l évaluation d options Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un

Plus en détail

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de première ES ii Table des matières 1 Les pourcentages 1 1.1 Variation en pourcentage............................... 1 1.1.1 Calcul d une variation............................

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

CHAPITRE 1 HICKS ET LA NAISSANCE DE LA SYNTHÈSE

CHAPITRE 1 HICKS ET LA NAISSANCE DE LA SYNTHÈSE CHAPITRE 1 HICKS ET LA NAISSANCE DE LA SYNTHÈSE L idée centrale de Hicks 1 est que l apport théorique essentiel de Keynes réside dans sa théorie de la préférence pour la liquidité donc dans l idée que

Plus en détail

Économétrie - Une Étude de la Création d Entreprise entre 1994 et 2007

Économétrie - Une Étude de la Création d Entreprise entre 1994 et 2007 LESAUX Loïc MAROT Gildas TANGUY Brewal Économétrie - Une Étude de la Création d Entreprise entre 1994 et 007 Charpentier Arthur Semestre 008 Master 1 Cadoret Isabelle 1 Plan Introduction... 3 Présentation

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : Rappels collège/seconde Partie STAV 1/3 Partie STAV 2/3 Partie STAV

Plus en détail

Projetde SériesTemporelles

Projetde SériesTemporelles COMMUNAUTE ECONOMIQU E ET MONETAIRE DE L AFRIQUE CENTRALE (CEMAC) INSTITUT SOUS REGIONAL DE STATISTIQUES ET D ECONOMIE APPLIQUEE (ISSEA) Projetde SériesTemporelles MODELISATION DE LA RENTABILITE DE L INDICE

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

Séance 8 : Régression Logistique

Séance 8 : Régression Logistique Séance 8 : Régression Logistique Sommaire Proc LOGISTIC : Régression logistique... 2 Exemple commenté : Achat en (t+1) à partir du sexe et du chiffre d affaires de la période précédente. 4 La régression

Plus en détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

1. La fonction de consommation keynésienne

1. La fonction de consommation keynésienne Rappels de cours Aix- Marseille Université - Faculté des Sciences Economiques Licence EM 1ère année - 2ème semestre Travaux dirigés de Macroéconomie Karine CONSTANT Gilles DE TRUCHIS 1. La fonction de

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Espaces vectoriels et applications linéaires

Espaces vectoriels et applications linéaires Espaces vectoriels et applications linéaires Exercice 1 On considère l'ensemble E des matrices carrées d'ordre 3 défini par,,, 1) Montrer que est un sous-espace vectoriel de l'espace vectoriel des matrices

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Exercices corrigés de probabilités et statistique

Exercices corrigés de probabilités et statistique Exercices corrigés de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi Cette œuvre est mise à disposition selon

Plus en détail

La régression logistique généralisée avec la procédure LOGISTIC

La régression logistique généralisée avec la procédure LOGISTIC La régression logistique généralisée avec la procédure LOGISTIC 1 Sommaire I / Régression logistique généralisée 3 a. Introduction 3 b. Présentation de l exemple à étudier 3 II / Modélisation avec la proc

Plus en détail

Analyse de données catégorielles

Analyse de données catégorielles 1 Analyse de données catégorielles Ce cours est librement inspiré du livre de Agresti ([1]), ainsi que du livre [2]. Il reprend par ailleurs des parties et des graphiques issues du cours de Patrick Taffé

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

Les indices à surplus constant

Les indices à surplus constant Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Chapitre 15 Variables Dépendantes Limitées et Qualitatives

Chapitre 15 Variables Dépendantes Limitées et Qualitatives Chapitre 15 Variables Dépendantes Limitées et Qualitatives 15.1 Introduction Les modèles de régression supposent de manière implicite que la variable dépendante, peut-être après une transformation logarithmique

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

SUJET INÉDIT 1. Dossier 1. Charges et choix d une unité d œuvre 4 points 45 minutes CHAPITRES 1 et 4

SUJET INÉDIT 1. Dossier 1. Charges et choix d une unité d œuvre 4 points 45 minutes CHAPITRES 1 et 4 SUJET INÉDIT 1 La société Coupe & Shampoing Coupe & Shampoing est un salon de coiffure indépendant. Afin de faire face à la concurrence de salons de coiffure franchisés, son dirigeant, Kamel, aimerait

Plus en détail

Sélection- validation de modèles

Sélection- validation de modèles Sélection- validation de modèles L. Rouvière laurent.rouviere@univ-rennes2.fr JANVIER 2015 L. Rouvière (Rennes 2) 1 / 77 1 Quelques jeux de données 2 Sélection-choix de modèles Critères de choix de modèles

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

EÉ tude sur le tourisme et le commerce

EÉ tude sur le tourisme et le commerce EÉ tude sur le tourisme et le comce Annexe technique Services analytiques de Deloitte Yunfan Li, Aditya Sane et Tom Peters Contexte On reconnaît l influence présumée du voyage sur le comce et les affaires

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

Économétrie, causalité et analyse des politiques

Économétrie, causalité et analyse des politiques Économétrie, causalité et analyse des politiques Jean-Marie Dufour Université de Montréal October 2006 This work was supported by the Canada Research Chair Program (Chair in Econometrics, Université de

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Complément d information concernant la fiche de concordance

Complément d information concernant la fiche de concordance Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours

Plus en détail

Jean-Louis CAYATTE jlcayatte@free.fr http://jlcayatte.free.fr/

Jean-Louis CAYATTE jlcayatte@free.fr http://jlcayatte.free.fr/ Chapitre 14 Marché du travail avec salaire négocié Supposer que le salaire est négocié entre l employeur et le salarié, c est remplacer l équation w( t) = w par une équation de détermination de ce salaire

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Cahier de textes Page 1 sur 9. Cahier de textes

Cahier de textes Page 1 sur 9. Cahier de textes Cahier de textes Page 1 sur 9 Cahier de textes Jeudi 04/09/2014 9h-12h et 13h30-16h30 : Cours sur la logique : - Conjonction, disjonction, implication, équivalence - Quelques formules. - Quantificateurs

Plus en détail

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : Applied Multivariate Statistical Analysis»,

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Session B2: Assurance

Session B2: Assurance 33 èmes Journées des Économistes de la Santé Français 1 er et 2 décembre 2011 Session B2: Assurance Auteurs: Sophie Guthmuller et Jérôme Wittwer, Université Paris-Dauphine Référé: Aurore Pélissier, CERDI,

Plus en détail

Séminaire de Statistique

Séminaire de Statistique Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Fonction polynôme du second degré : Forme canonique

Fonction polynôme du second degré : Forme canonique Fonction polynôme du second degré : Forme canonique I) Introduction. Soit g(x) = a(x - s)²+h. Toute fonction polynôme du second degré peut s écrire sous cette forme. Le passage de la forme développée à

Plus en détail

Bases mathématiques pour l économie et la gestion

Bases mathématiques pour l économie et la gestion Bases mathématiques pour l économie et la gestion Bases mathématiques Pour l économie et la gestion - Table des matières PREMIERE PARTIE : QUELQUES OUTILS Chapitre : Traitement de systèmes d'équations..

Plus en détail

Exercice I. Commenter brièvement les résultats obtenus, et indiquer quelle serait selon ce modèle l influence d une année d étude supplémentaire.

Exercice I. Commenter brièvement les résultats obtenus, et indiquer quelle serait selon ce modèle l influence d une année d étude supplémentaire. 1 Exercice I I. Désirant étudier quelques déterminants du salaire dans le cadre de la théorie du capital humain, on dispose de données (fichier «travail85.sas», en mode ASCII, section Exemples pour SAS)

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Emmanuel PAUL Chapitre 1 : Statistique descriptive 1 Objectifs des statistiques. Il s agit d étudier un ou plusieurs

Plus en détail

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple 4.3.1 Equation et Estimation 4.3.2 Inférence 4.3.3 Coefficients de détermination 4.3.4 Spécifications Régression linéaire multiple 1 / 50 Chapitre

Plus en détail

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES 1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES Si vous lisez ce livre c est que, probablement, vous faites des expériences et que vous cherchez à mieux les organiser. Vous cherchez surtout

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Chapitre 6 TESTS STATISTIQUES

Chapitre 6 TESTS STATISTIQUES Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 6 TESTS STATISTIQUES Les tests statistiques sont des méthodes de la statistique inférentielle qui, comme

Plus en détail