Économétrie II. Économétrie II. L3 Économétrie L3 MASS Ch. 5. 9i : E (e i x i ) 6= 0 : Endogénéité. Prof. Philippe Polomé, U. Lyon 2.
|
|
- Marianne Dubois
- il y a 8 ans
- Total affichages :
Transcription
1 Économétrie Économétrie L3 Économétrie L3 MASS Prof. Philippe Polomé, U. Lyon 2 Année
2 Économétrie Rappel 1. E (e i )=0 8i : Espérance nulle 2. X var (e i )=s 2 8i : Homoscédasticité 3. X cov (e t,e s )=0 8t 6= s : Pas d autocorrélation 4. E (e i x i )=0 8i : Exogénéité 5. X La matrice X est de plein rang : Pas de multicolinéarité 6. Le modèle est correctement spécifié 7. La variable dépendante Y est continue
3 Économétrie Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
4 Économétrie Définition & conséquences Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
5 Économétrie Définition & conséquences Définition Exogénéité : Coupe transv. E (e i X i )=0 Pas de corrélation entre l erreur et chaque régresseur pour un même i On écrit aussi E (e i X i )=0 : espérance conditionnelle nulle Série temp : E (et x t )=0 8t 8x pas de corrélation contemporaine Lorsque E (e t x s )=0s = 1,...,T, x est strictement exogène Rupture de cette hypothèse = endogénéité nterprétation : Un choc aléatoire e induit un choc sur Y et sur X pour un même i Donc difficile de séparer les effets confondants
6 Économétrie Définition & conséquences Conséquence : nconsistance de l estimateur MCO Corrélation positive : à des valeurs élevées (basses) de e correspondent des valeurs élevées (basses) de X e grand : Y > X b et e petit : Y < X b Donc : droite estimée par MCO pente plus forte que la réalité Monte Carlo : fichier tableur en ligne Endogeneite.ods
7 Économétrie Définition & conséquences Pourquoi l endogénéité est-elle un problème? Ne vaut-il pas mieux prédire Y le mieux possible? Trois cas Prédiction : on veut prédire Y conditionnellement à X Si on connait X e inclus, x (e), ce qui n est pas évident, Dans ce cas, l effet de l erreur sur X est inclus, donc prédiction MCO Ŷ correcte Contrôle : on choisit X, quel sera Y? [p.e. effet d une politique] Si on choisit X, l erreur n y est pas, donc prédiction MCO incorrecte Si l on souhaite comprendre la relation entre Y et X il faut traiter l endogénéité Dans les 2 derniers cas : ce n est pas une bonne idée d ajuster une droite au mieux dans le nuage de points
8 Économétrie Définition & conséquences 5 sources de l endogénéité 1. Hétérogénéité inobservée 2. Erreur de mesure 3. Simultanéité 4. Échantillonnage endogène 5. Autocorrélation en séries temporelles
9 Économétrie Source 1. Hétérogénéité inobservée Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
10 Économétrie Source 1. Hétérogénéité inobservée 2 cas d hétérogénéité inobservée Variable omise Coefficients aléatoires
11 Économétrie Source 1. Hétérogénéité inobservée Variable omise Le modèle correctement spécifié est Y = b 0 + b 1 x 1 + b 2 x 2 + e Mais le modèle estimé est Y = b 0 + b 1 x 1 + n L effet du régresseur manquant se retrouve dans l erreur du modèle estimée : n = b 2 x 2 + e = hétérogénéité inoberservée : Des facteurs inobservés affectent à la fois la variable expliquée et un régresseur Si le régresseur manquant est corrélé à un régresseur présent Alors le terme d erreur du modèle estimé est corrélé avec au moins un régresseur présent De plus vraisemblablement : Hétéroscédasticité si var (x 2t ) 6= var (x 2s ),t 6= s Autocorrélation si corr (x 2t,x 2s ) 6= 0,t 6= s E (n) 6= 0 l intercept du modèle est biaisé
12 Économétrie Source 1. Hétérogénéité inobservée Que faire en cas de variable omise? 1. gnorer le problème : inconsistance des estimateurs 2. Essayer de trouver un proxy acceptable pour la variable inobservée Proxy = mesure approximative de la variable inoberservée (ci-dessous) 3. Si données de panel et si la variable inobservée ne change pas dans le temps (mais seulement entre les agents) Modèle à effets fixes (programme de M2) 4. Laisser la variable inobservée dans le terme d erreur mais utiliser un estimateur qui reconnait sa présence Estimateur Variable nstrumentale ci-dessous
13 Économétrie Source 1. Hétérogénéité inobservée Proxy Variable inobservée : on sait que le modèle devrait inclure un régresseur, mais on n a pas de donnée Modèle Y = b 0 + b 1 x 1 + b 2 x 2 + e x2 pas observée Proxy z pour x 2 : z observée mais pas explicative dans le modèle z corrélée à x2 : x 2 = d 0 + d 1 z + µ On ne peut tester cette corrélation puisque x 2 pas observée P.e. éducation x2 et nombre d années d étude z La proxy n est pas une erreur de mesure Ni un instrument (plus loin)
14 Économétrie Source 1. Hétérogénéité inobservée Utilisation d une proxy La variable proxy est substituée à la variable inobservée dans Y = b 0 + b 1 x 1 + b 2 x 2 + e On peut estimer Y = p0 + p 1 x 1 + p 2 z + x Que dit ce modèle sur le précédent? Y = b 0 + b 1 x 1 + b 2 (d 0 + d 1 z + µ)+e = b 0 + b 2 d 0 + b 1 x 1 + b 2 d 1 z + b 2 µ + e = p 0 + p 1 x 1 + p 2 z + x Donc si µ n est pas corrélé avec x 1, estimer Y = p 0 + p 1 x 1 + p 2 z + x par MCO Sans bias et consistant pour b1 = p 1 Les autres coef. p0 et p 2 n ont pas d interprétation directe
15 Économétrie Source 1. Hétérogénéité inobservée Coefficients aléatoires Autre forme d hétérogénéité inobservée Modèle vrai Y i = b 0 + x 1i x 1i + h i avec x 1i aléatoire t.q. x1i = g 1 + µ 1i g1 pas aléatoire (pourrait dépendre de régresseurs) µ 1i est un bruit blanc On estime Y i = b 0 + b 1 x 1i + e i donc e i = µ 1i x 1i + h i b 1 = g 1 Solution Variable instrumentale (ci-dessous) Modélisation explicite par Maximum de Vraisemblance (on ne voit pas)
16 Économétrie Source 2. Erreurs de mesure Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
17 Économétrie Source 2. Erreurs de mesure Définition & traitement Modèle y = b 0 + b 1 x 1 + e On n observe pas x 1 mais bien x 1 = x 1 + n n est une erreur de mesure Classical Error-in-Variables (CEV) Équation estimée : avec x 1 y = b 0 + b 1 (x 1 + n)+(e b 1n)=b 0 + b 1 x 1 + µ Donc, cov (x1, µ)=cov (x 1 + n,e b 1n)= b 1 s 2 n 6= 0 Pour autant que erreur de mesure n pas corrélée avec x 1 Les erreurs de mesure sont la norme Endogénéité pas toujours préoccupante Solution : variable instrumentale ci-dessous Une erreur de mesure sur y accroît la variance des erreurs mais ne cause pas d endogénéité
18 Économétrie Source 3. Simultanéité Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
19 Économétrie Source 3. Simultanéité Définition & exemples 2 variables sont causales l une de l autre y = b 0 + b 1 x + e (x cause y) et x = g 0 + g 1 y + µ (y cause x) Donc : x (y) mais y (e) donc x (e) Exemples d où corrélation entre x et l erreur dans y = b 0 + b 1 x + e Publicité et vente : La publicité accroît/soutient les ventes Le budget publicité est calculé en proportion aux ventes Fonction de coût C(Q,W ), Q = production, W vecteur des prix d intrants Lemme de Sheppard C/ W = d (Q, W ) : demande d intrants est fonction de la production mais production est fonction des intrants utilisés
20 Économétrie Source 3. Simultanéité Exemple de simultanéité : modèle keynésien Deux équations : forme structurelle = forme économique Consommation C t = b 0 + b 1 Y t + e t avec Y le PB dentité comptable Y t = C t + t avec l investissement, ici exogène Économie fermée sans état La consommation et le revenu sont donc déterminés simultanément C et Y sont deux endogènes
21 Économétrie Source 3. Simultanéité Forme réduite Forme réduite = toutes les endogènes à gauche Ct = 1 1 b 1 [b 0 + b 1 t + e t ]=d 0 + d 1 t + µ t Yt = 1 1 b 1 [b 0 + t + e t ]=g 0 + g 1 t + n t Clairement, Y est corrélé à e DONC : Endogénéité dans le modèle structurel en estimant l équation de consommation, même seule
22 Économétrie Source 3. Simultanéité Moindres Carrés ndirects MCO toujours consistant pour forme réduite dentification : coef. forme structurelle peuvent-ils être récupérés de la forme réduite? ci, en estimant chaque équation de la FR : ˆd 0, ˆd 1,ĝ 0,ĝ 1 On calcule les coef. structurels par b1 = d d 1 ect Si une seule manière de récupérer tous les coef. structurels : système exactement identifié Moindres Carrés ndirects MC = appliquer MCO à la forme réduite & résoudre pour obtenir les coef. structurels Si certains coef. ne peuvent être ainsi retrouvés : sous-identifié Si certains coef. retrouvés de plus d une manière : sur-identifié Bonne manière? Variable nstrumentale
23 Économétrie Estimation en présence d endogénéité Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
24 Économétrie Estimation en présence d endogénéité Méthode des Moments MM nterprétation d inversion de MCO dite méthode des moments Soit A un estimateur de b, alors on peut écrire Y Hypothèse exogénéité E (X e)=0 Stratégie méthode des moments XA = ê Cette condition sur les moments de la population est imposée aux moments de l échantillon 0ê C est-à-dire on veut A tel que X = 0 Donc : X 0 (Y XA)=0 : ce sont les CPO de moindres carrés A =(X 0 X ) 1 X 0 Y = ˆb
25 Économétrie Estimation en présence d endogénéité Variables instrumentales Hypothèse exogénéité E (X e)=0 ne tient plus Supposons qu on puisse trouver un ensemble de variables Z ou instruments telles que Z et X soient de mêmes dimensions E (e Z)=0 Corr (Z,X ) soit élevée Donc Z permet d inverser la relation Y = X b + e via Z 0 Y = Z 0 XA + Z 0 e Si on a Plim Z 0 e = 0 (à la limite Z et e ne sont pas corrélés) Alors : Estimateur Méthodes des Moments ( Variables nstrumentales V) : A t.q. Z 0 (Y XA)=0 A =(Z 0 X ) 1 Z 0 Y = ˆb V
26 Économétrie Estimation en présence d endogénéité Propriétés de ˆb V l s agit d un estimateur alternatif à MCO En général biaisé consistant (si les instruments sont valides, voir ci-dessous) 1 1 On peut démontrer que = s ˆbV e 2 Z 0 X Z 0 Z Z 0 X Cette variance est d autant plus faible que la corrélation entre Z et X est forte À la limite si Z et X non-corrélés, alors Z 0 X! 0 et ˆbV! MCO peut être vu comme V avec Z = X Corr (Z,X )=1 Donc : si pas endogénéité, MCO plus efficient que V 6= remplacer X par Z dans Y = X b + e [cfr. proxy] Si on le faisait, le modèle serait Y = Zg + µ Et l estimateur MCO serait ĝ MCO = Z Z Z Y
27 Économétrie Estimation en présence d endogénéité nstruments & Tests La difficulté fondamentale est de trouver des instruments On verra quelques cas En séries temporelles & panels : valeurs passées (retards) En systèmes d équations : régresseurs dans d autres équations l faut exactement un instrument par variable de X (identification exacte) Les variables non-endogènes sont leurs propres instruments Lorsqu on dispose de plus d un instrument pour une variable, il faut généraliser la méthode Les tests d inférence n ont plus de valeur qu asymptotiquement Le bootstrap reste valide Le R 2 n a plus de sens
28 Économétrie Estimation en présence d endogénéité Validité des instruments Difficile de tester l exogénéité des instruments cov (Z,e)=0 Si Z n est pas exogène, V sera inconsistant (par construction) ) V ne s applique pas en cas d échantillonnage endogène On peut mesurer la corrélation entre Z et X Soit Y = b 0 + b 1 x + e x est endogène, on a un instrument z cov (z,e) Si cov (z,e) 6= 0 on peut montrer que Plim ˆb1V = b 1 + cov (z,x) Donc que si cov (z,e) 6= 0 alors ˆb V est inconsistant De plus Plim ˆb 1V = b 1 + s ecorr (z,e) s x corr (z,x) Donc, si corr (z,e) 6= 0 même faible, alors si corr (z,x) est faible (mauvais instrument), Plim ˆb 1V ne sera pas proche de b 1
29 Économétrie Estimation en présence d endogénéité Devoir #6 : V Reprenez de ma feuille Tableur l exemple avec un régresseur endogène Générez un instrument Valide (= non-corrélé avec le terme d erreur) Bon (= corrélation élevée avec le régresseur endogène) Basez-vous directement sur la façon dont le régresseur a été généré Estimez les coefficients du modèle par V Examinez comment les coefficients estimés varient en fonction de la corrélation de l instrument avec le régresseur llustrez qu un instrument non-valide amène à l inconsistance Examinez le degré d inconsistance en fonction de la corrélation de l instrument avec le régresseur
30 Économétrie Estimation en présence d endogénéité Doubles moindres carrés MC2E (2SLS) Application particulière de V Soit l équation structurelle Y = X b + e Supposons que dans X, x k soit endogène et qu on dispose d un instrument z pour x k La matrice d instruments serait Z, identique à X sauf pour la dernière colonne dans laquelle on a remplacé x k par z Équation d instrumentation x k = d 0 + d 1 x d k 1 x k 1 + d k z + µ = Zd + µ Estimation MCO, valeurs ajustées de xk sont ˆx k = ˆd 0 + ˆd 1 x ˆd k 1 x k 1 + ˆd k z = Z ˆd On voit que ˆxk est un instrument valide pour x k si z est un instrument valide pour x k ˆX la matrice X dans laquelle on a remplacé xk par ˆx k
31 Économétrie Estimation en présence d endogénéité MC2E (2) Estimateur V est ˆb V = ˆX 0 X 1 ˆX 0 Y Meilleur que (Z 0 X ) 1 Z 0 Y car la corrélation entre ˆx k et x k devrait être plus élevée que entre z et x k L estimateur V est équivalent à une estimation MCO en deux étapes (MC2E) : 1. Estimation de l équation d instrumentation x k = Zd + µ 2. Remplace X par ˆX dans l équation structurelle : Y = p ˆX + n (régression de 2nde étape) et on estime par MCO ˆp MC2E = ˆX 0 ˆX 1 ˆX 0 Y : c est ˆX 0 ˆX 1 et pas ˆX 0 X comme dans ˆb V On peut montrer que ˆp MC2E = ˆb V = ˆX X ˆX Y 1
32 Économétrie Estimation en présence d endogénéité Preuve On note qu on peut écrire ˆX = Z 1 Z 0 0 Z Z X Pour la dernière colonne de ˆX, c est Z ˆd Pour les autres, ce sont les colonnes de X (exogènes) 1 ˆp MC2E = ˆX 0 ˆX ˆX 0 Y 1 = X 0 Z Z 0 0 Z Z Z 1 = X 0 Z Z 0 0 Z Z X = ˆX 0 X 1 ˆX 0 Y = ˆb V 1 1 Z 0 0 Z Z X ˆX 0 Y 1 ˆX 0 Y
33 Économétrie Estimation en présence d endogénéité Plusieurs instruments l faut au moins un instrument par variable explicative Les exogènes sont leurs propres instruments Dans certains cas, on dispose de plus d un instrument pour certains régresseurs MC2E : on voit tout de suite comment intégrer ces instruments supplémentaires via la (ou les) équations d instrumentation On peut démontrer que parmi toutes les manières d utiliser/combiner ces différents instruments, MC2E est la plus efficiente
34 Économétrie Estimation en présence d endogénéité Notes MC2E Ne pas faire la régression en 2 étapes explicitement utiliser la commande MC2E (2SLS) sinon à la 2ème étape le logiciel va calculer une matrice de var cov selon la formule MCO et pas V Des estimations robustes à l hétéroscédasticité sont généralement disponibles pour MC2E et V
35 Économétrie Estimation en présence d endogénéité Résumé dentification Exacte : 1! instrument par régresseur endogène Utiliser Variable nstrumentale MM MC2E = + efficient des estimateurs V Sous-identification : manque au moins un instrument Estimation consistante impossible Sur-identificaiton : plus d un instrument pour au moins un régresseur endogène MC2E avec eq d instrumentation à pls instruments = un cas de MM Généralisée : GMM
36 Économétrie Tests Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
37 Économétrie Tests Test 1. Hausman : Endogénéité MCO MC2E consistant consistant Aucun régresseur endogène efficient inefficient Au moins 1 régresseur endogène inconsistant consistant Donc : si endogénéité : MC2E mais sinon : MCO dée du test de Hausman : tester l égalité des deux estimateurs Si égaux, alors pas endogénéité : on préfère MCO Sinon, on prend MC2E Test disponible sur tous les logiciels économétriques Valable entre n importe quelle paire d estimateurs avec un consistant V contre MCGF par exemple Aussi une bonne idée de comparer directement ˆb MCO et ˆb MC2E
38 Économétrie Tests 2 autres tests : Définitions Equation structurelle : y 1 = b 0 + b 1 y 2 + b 2 x 1 + b 3 x 2 + µ 1 x 1 et x 2 sont exogènes On a aussi 2 autres exogènes x 3 et x 4 Qui ne sont pas dans l équation structurelle Qui sont corrélés à y2 On veut tester l endogénéité de y 2 Forme réduite pour y 2 : y 2 = p 0 + p 1 x 1 + p 2 x 2 + p 3 x 3 + p 4 x 4 + n 2
39 Économétrie Tests Test 2. Test de régression / de corrélation des erreurs / Durbin Wu Hausman On veut tester l endogénéité de y 2 Chaque x j est non-corrélé avec µ 1 y2 non-corrélé avec µ 1 ssi n 2 non-corrélé avec µ 1 Estimer y 2 = p 0 + p 1 x 1 + p 2 x 2 + p 3 x 3 + p 4 x 4 + n 2 par MCO (consistant) On obtient ˆn 2 : une approximation à n 2 Estimer y 1 = b 0 + b 1 y 2 + b 2 x 1 + b 3 x 2 + d 1ˆn 2 + erreur par MCO ˆn 2 significatif (t-stat) =) n 2 et µ 1 corrélés, donc y 2 endogène ˆn 2 non-significatif n implique rien
40 Économétrie Tests Test de régression : remarque On peut montrer que ˆbMCO de y 1 = b 0 + b 1 y 2 + b 2 x 1 + b 3 x 2 + d 1ˆn 2 + erreur est identique à ˆbMC2E de y 1 = b 0 + b 1 y 2 + b 2 x 1 + b 3 x 2 + µ 1 C est une 2ème interprétation de MC2E inclure ˆn 2 dans la régression MCO nettoie l endogénéité de y 2 Test sur plusieurs variables endogènes tester conjointement (test F) la significativité des résidus de chaque équation d instrumentation
41 Économétrie Tests Test 3. OverD Restrictions sur-identifiées : Exogénéité de l instrument Si l on a un seul instrument pour un régresseur endogène mpossible de tester l absence de corrélation entre l instrument et le terme d erreur : corr (z,e)=0 Modèle juste / exactement identifié Si l on dispose de plusieurs instruments, Possible de tester l exogénéité d un instrument Le modèle est sur-identifié Dans notre exemple : x 3 et x 4 peuvent servir d instruments pour y 2 dans l équation structurelle y 1 = b 0 + b 1 y 2 + b 2 x 1 + b 3 x 2 + µ 1
42 Économétrie Tests Étapes du test OverD 1. Estimer l équation structurelle par V en utilisant seulement x 3 comme instrument 1.1 Construire résidu empirique ˆµ 1MC2E = y 1 ˆb0 + ˆb 1 y 2 + ˆb 2 x 1 + ˆb 3 x 2 2. Régresser résidu ˆµ 1MC2E sur toutes les variables exogènes du modèle (explicatives + instruments) 2.1 ˆµ 1MC2E = g 0 + g 1 x 1 + g 2 x 2 + g 3 x 3 + g 4 x 4 + x 2.2 Calculer le R 2 de cette régression 3. Sous l hypothèse nulle (exogénéité de x 4 ):nr 2 a c 2 q q : nombre d instruments en excès (nombre d instruments total dans le modèle moins nombre de régresseurs endogènes) Over-identification, ici q = 1 car 2 instruments x 3 et x 4 et un régresseur endogène y 2
43 Économétrie Tests OverD : remarques l faut faire l hypothèse que x 3 est exogène : on ne peut la tester Si nr 2 > cq; on rejette que x 4 est exogène OU que x 3 est exogène Hypothèse de un instrument valide par régresseur endogène Test implémenté directement dans beaucoup de logiciels
44 Économétrie Applications Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
45 Économétrie Applications Equation de salaire 1 Fonction mincérienne de salaire : lnw = b 0 + b 1 educ + b 2 exper + b 3 exper 2 + e w le salaire ; educ nbr années d études ; exper nbr années expérience Les Capacités ntellectuelles ntrinsèques (C) de l individu ( ability ) sont nobservées / inobservables Positivement corrélées avec le niveau d éducation atteint : educ = a 0 + a 1 C + n Positivement corrélées avec le niveau de salaire : ln(w)=d 0 + d 1 C + µ
46 Économétrie Applications Equation de salaire 2 Le rendement de l éducation estimé par lnw = b 0 + b 1 educ + b 2 exper + e Est-il sur- ou sous-estimé? Données card.gdt de Wooldridge nstruments : Education de la mère et du père Equation d instrumentation educ = cst,exper,exper 2,Meduc,Feduc 2SLS : automatisé et à la main en mettant [educ comme régresseur dans l équation de salaire Mêmes coefficients, pas les mêmes t-tests Test d endogénéité : résidu de l équation de d instrumentation dans MCO sur équation de salaire Autre instrument possible proximité à un college4
47 Économétrie Applications Poids à la naissance llustration d un mauvais instrument Données bwght.gdt Wooldridge Poids de l enfant à la naissance (bwght) en log en fonction de consommation de tabac (packs) revenu familial (faminc) prix comme mesure d autres facteurs (accès aux soins,...) On peut rajouter d autres régresseurs La consommation de tabac pourrait être endogène P.e. stress (pas observé) nstrument : cigprice prix des cigarettes Équation d instrumentation : on voit que c est un mauvais instrument
48 Économétrie Source 4. Échantillonnage Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
49 Économétrie Source 4. Échantillonnage 4º source d endogénéité : Échantillonnage Si on n observe pas un échantillon purement aléatoire ( simple ) 3 cas mais plutôt un échantillon sélectionné dans lequel seuls certains individus sont admis ou bien avec des données manquantes Sélection ou attrition purement aléatoire, ou basée sur des variables aléatoires exogènes Pas de problème Sélection basée sur un régresseur x j corrélé à la dépendante y Généralement pas de problème Sélection basée sur dépendante y Un problème d échantillon sélectionné ou troncature se pose
50 Économétrie Source 4. Échantillonnage Sélection basée sur un régresseur x j corrélé à y Exemple : On estime des fonctions de salaires, mais on observe plus d attrition pour les niveaux d éducation faibles Sans que cette attrition soit corrélée au revenu (salaire) par classe d éducation Les statistiques descriptives sont biaisées par exemple, le salaire moyen sera plus élevé que dans la réalité Les MCO restent sans biais et consistants Les estimations contrôlent les dimensions des variables explicatives Pas de problème tant qu il y a assez de variabilité dans les variables explicatives pour identifier les effets mesurés
51 Économétrie Source 4. Échantillonnage Sélection sur y cas 1. Troncature (Truncation) nclusion dans l échantillon est y i apple c i (sélection de troncature) Alors e i apple c i X i b : la sélection de troncature introduit une corrélation contemporaine entre l erreur et les régresseur(s) Notes On n observe aucun yi > c i ni aucun X i correspondant La sélection peut aussi être y i c i
52 Économétrie Source 4. Échantillonnage Sélection sur y cas 2. Troncature accidentelle Modèle bivarié de sélection de l échantillon (MBSE) ( 1 si Y 1 Équation de participation Y 1 = > 0 0 sinon ( Y 2 si Y1 Équation de résultat Y 2 = > 0 sinon Donc : On n observe Y 2 que si Y1 > 0, c est-à-dire que si on observe Y 1 = 1 On suppose que la réalité est Y 1 = X 1b 1 + e 1 Y 2 = X 2b 2 + e 2
53 Économétrie Source 4. Échantillonnage Troncature accidentelle : origine du biais l semble raisonnable de supposer que le terme d erreur e 1 de l équation de participation peut être corrélé au terme d erreur e 2 de l équation de résultat : e 1 (e 2 ) que certains régresseurs au moins soient communs entre X1 et X 2 X 1 \ X 2 = X 21 Le reste X 22 et X 11 On peut écrire l équation de participation comme X 11 b 11 + X 21 b 12 > e 1 (e 2 ) Donc, la troncature accidentelle provoque une corrélation entre X 2 et e 2 : endogénéité dans l équation de résultat
54 Économétrie Source 4. Échantillonnage Autre interprétation : moyenne conditionnelle de Y 2 La moyenne de Y 2 conditionnellement à X 2 dépend de Y1 car si Y1 apple 0, on n observe pas Y 2 Donc On suppose pour simplifier que X2 est non-endogène E (X 2 e 1 )=E (X 2 e 2 )=X 2 E (Y 2 X 2,Y1 > 0) =E (X 2b + e 2 X 1 b 1 + e 1 > 0) = X 2 b 2 + E (e 2 e 1 > X 1 b 1 ) Si e 2 et e 1 sont indépendants, le dernier terme est nul Sinon, il faut corriger la moyenne conditionnelle pour le biais de sélection (ou troncature accidentelle) Et en particulier MCO de Y2 sur X 2 sera biaisé et inconsistant
55 Économétrie Source 4. Échantillonnage Exemple : Equation de salaire Le salaire dépend de caractéristiques comme le niveau d étude, l age, le sexe, le nombre d enfants... On n observe un salaire que pout ceux/celles qui participent au marché du travail La décision de participer au marché du travail dépend certainement de facteurs similaires à ceux expliquant le salaire Donc équation de sélection : participation Équation de résultat : salaire Corrélation entre les deux MCO équation de salaire : biaisé et inconsistant
56 Économétrie Source 4. Échantillonnage Estimation Rappel : Sources 1 (hétérogénéité inobservée), 2 (erreurs de mesure) et 3 (simultanéité) peuvent être adressées par Variable nstrumentale / MC2E Source 4 Sélection d échantillonnage V inutile car V a le même problème d échantillonnage La solution passe par une modélisation du processus de sélection : En résumé Plusieurs estimateurs alternatifs on regardera en M1 Toujours se poser la question de l échantillonnage Pourquoi certaines données sont manquantes
57 Économétrie Source 5 : Autocorrélation en séries temporelles Table des matières Définition & conséquences Source 1. Hétérogénéité inobservée Source 2. Erreurs de mesure Source 3. Simultanéité Estimation en présence d endogénéité Tests Applications Source 4. Échantillonnage Source 5 : Autocorrélation en séries temporelles
58 Économétrie Source 5 : Autocorrélation en séries temporelles 5º source : Autocorrélation en séries temporelles Exogénéité en série temp : E (e t x t )=0 8t 8x pas de corrélation contemporaine On écrit aussi E (et x t )=08t 8x : espérance conditionnelle nulle Ce qui est la même chose Lorsque E (et x s )=0s = 1,...,T on dit que x est strictement exogène e t n est corrélé à aucun régresseur à aucune période En série temp., on ne fait pas l hypothèse d absence d autocorrélation L absence de corrélation contemporaine suffit à ce que MCO soit consistant Pour que MCO soit non-biaisé il faut l exogénéité stricte
59 Économétrie Source 5 : Autocorrélation en séries temporelles mplication de l exogénéité stricte Soit le modèle statique du taux de meurtre en fonction du nombre de policiers / habitant TxMeurtre t = b 0 + b 1 Pol/h t + e t 1. Pol/h ne peut avoir aucun effet retardé sur TxMeurtre 1.1 Sinon, Pol/h t 1 serait dans e t ce qui romperait l exogénéité stricte 2. e t ne peut causer aucun changement futur de Pol/h 2.1 Supposons que la ville ajuste Pol/h sur base des valeurs passées de TxMeurtre, alors Pol/h t+1 est corrélée avec e t Facile que l exogénéité sricte ne tienne pas
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 détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailIntroduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales
Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales Pierre Thomas Léger IEA, HEC Montréal 2013 Table des matières 1 Introduction 2 2 Spécifications
Plus en détailLe 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 détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailMaster 2: Econométrie 2
Master 2: Econométrie 2 Partie 1 Michel BEINE michel.beine@uni.lu Université du Luxembourg Master 2: Econométrie 2 p. 1/22 Manuel La partie économétrique du cours est basé sur le livre Introductory Econometrics,
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailNON-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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailLA 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 détailEvaluer l ampleur des économies d agglomération
Pierre-Philippe Combes GREQAM - Université d Aix-Marseille Ecole d Economie de Paris CEPR Janvier 2008 Supports de la présentation Combes, P.-P., T. Mayer et J.-T. Thisse, 2006, chap. 11. Economie Géographique,
Plus en détailAnalyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 46 1997 Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international Hubert de LA BRUSLERIE, Jean MATHIS * RÉSUMÉ. Cet
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailLA BAISSE DES TAUX D ÉPARGNE PRIVÉE DURANT LES ANNÉES 90 DANS LES PAYS DE L OCDE : LA CONTRIBUTION DES DÉTERMINANTS AUTRES QUE LA RICHESSE
Revue économique de l OCDE n 36, 2003/I LA BAISSE DES TAUX D ÉPARGNE PRIVÉE DURANT LES ANNÉES 90 DANS LES PAYS DE L OCDE : LA CONTRIBUTION DES DÉTERMINANTS AUTRES QUE LA RICHESSE Alain Serres et Florian
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailChapitre 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 détailLes 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 détailAnalyses 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 détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailModélisation des carrières salariales. dans Destinie
INSTITUT NATIONAL DE LA STATISTIQUE ET DES ÉTUDES ÉCONOMIQUES Série des documents de travail de la Direction des Etudes et Synthèses Économiques G 990 Modélisation des carrières salariales dans Destinie
Plus en détailTABLE 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 détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailTrafic aérien de passagers au Canada : une analyse exploratoire du modèle origine-destination de Transports Canada pour le marché intérieur
Trafic aérien de passagers au Canada : une analyse exploratoire du modèle origine-destination de Transports Canada pour le marché intérieur Ismaëlh Cissé Directeur : Carlos Ordás Criado Problématique Transports
Plus en détailDurées d utilisation des facteurs et fonction de production : une estimation par la méthode des moments généralisés en système
Banque du Canada Bank of Canada Document de travail 2004-12 / Working Paper 2004-12 Durées d utilisation des facteurs et fonction de production : une estimation par la méthode des moments généralisés en
Plus en détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
Plus en détailTABLE 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 détailPourquoi les ménages à bas revenus paient-ils des loyers de plus en plus élevés?
LOGEMENT Pourquoi les ménages à bas revenus paient-ils des loyers de plus en plus élevés? L incidence des aides au logement en France (1973-2002) Gabrielle Fack* Depuis la fin des années 1970, les aides
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL MARCHÉ DES CDS ET STABILITÉ FINANCIÈRE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIQUE PAR
UNIVERSITÉ DU QUÉBEC À MONTRÉAL MARCHÉ DES CDS ET STABILITÉ FINANCIÈRE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIQUE PAR GENNADII BONDARENKO JANVIER 2013 REMERCIEMENTS La réalisation
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailCONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel
CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER Epargne et emprunt Calcul actuariel Plan du cours Préambule : la contrainte budgétaire intertemporelle et le calcul actuariel I II III Demandes d épargne
Plus en détailCorefris RAPPORT ANNUEL 2011. Annexe 3 : La hausse des prix de l immobilier est-elle associée à une «bulle» de crédit en France?
Annexe 3 : La hausse des prix de l immobilier est-elle associée à une «bulle» de crédit en France? (DGTrésor) 1. Indépendamment de facteurs d offre et de demande, qui jouent indéniablement sur les prix,
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailLE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE.
LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE. Synthèse des travaux réalisés 1. Problématique La question D7 du plan d exécution du Programme National de Recherches
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailLa théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise?
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 62 2001 La théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise? Éric JONDEAU * RÉSUMÉ.
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailTests 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 détailImpact du mobile banking sur les comportements d épargne et de transferts à Madagascar. Florence Arestoff Baptiste Venet
Impact du mobile banking sur les comportements d épargne et de transferts à Madagascar Florence Arestoff Baptiste Venet 1 Introduction : contexte du contrat de recherche Ce contrat de recherche fait suite
Plus en détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détailLe retard scolaire en fonction du milieu parental : l influence des compétences des parents
ENSEIGNEMENT - ÉDUCATION Le retard scolaire en fonction du milieu parental : l influence des compétences des parents Fabrice Murat* La sociologie de l éducation met souvent en avant les inégalités de réussite
Plus en détailProbabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1
Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailPolitiques monétaire et fiscale Cours de M2R Printemps 2006
Politiques monétaire et fiscale Cours de M2R Printemps 2006 Ekkehard Ernst OCDE Ekkehard Ernst 1 Introduction et résumé du cours Objectifs Connaître et apprendre les concepts modernes d analyse monétaire
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailUne analyse économétrique multivariée du comportement des ménages
Revue de l OFCE n 66 / juillet 1998 Une analyse économétrique multivariée du comportement des ménages Françoise Charpin Professeur à l Université de Paris II, Conseiller scientifique à l OFCE Cette étude
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailL Equilibre Macroéconomique en Economie Ouverte
L Equilibre Macroéconomique en Economie Ouverte Partie 3: L Equilibre Macroéconomique en Economie Ouverte On abandonne l hypothèse d économie fermée Les échanges économiques entre pays: importants, en
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détail1. Une petite économie ouverte dans un monde de capitaux parfaitement mobiles
Le modèle Mundell-Flemming avec parfaite mobilité des capitaux Le modèle Mundell-Flemming (Robert Mundell, Marcus Flemming, début années 1960) est l extension du modèle IS-LM en économie ouverte. Il partage
Plus en détailExercices 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 détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détailCours Marché du travail et politiques d emploi
Cours Marché du travail et politiques d emploi L offre de travail Pierre Cahuc/Sébastien Roux ENSAE-Cours MTPE Pierre Cahuc/Sébastien Roux (ENSAE) L offre de travail 1 / 48 Introduction Introduction Examen
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailChapitre 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 détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
Plus en détailLe montant des garanties constituées aux fins du STPGV est-il excessif?
Le montant des garanties constituées aux fins du STPGV est-il excessif? Kim McPhail et Anastasia Vakos* L e système canadien de transfert des paiements de grande valeur (STPGV) sert à effectuer les paiements
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailLes incitations fiscales aux dons sont-elles efficaces?
ÉCONOMIE Les incitations fiscales aux dons sont-elles efficaces? Gabrielle Fack* et Camille Landais** Cet article est consacré à l estimation de l effet des incitations fiscales en faveur des dons aux
Plus en détailBien lire l énoncé 2 fois avant de continuer - Méthodes et/ou Explications Réponses. Antécédents d un nombre par une fonction
Antécédents d un nombre par une fonction 1) Par lecture graphique Méthode / Explications : Pour déterminer le ou les antécédents d un nombre a donné, on trace la droite (d) d équation. On lit les abscisses
Plus en détailLes Notes de l Institut d émission
Les Notes de l Institut d émission Établissement public Dotation - SIRET 78 APE 65 A Siège social : 5 rue Roland Barthes 75598 Paris cedex Tél. : + 5 Fax : + 87 99 6 Croissance de la masse monétaire et
Plus en détail