Chapitre 4 Spécification et problèmes de données
|
|
- Gisèle François
- il y a 7 ans
- Total affichages :
Transcription
1 Chapitre 4 Spécification et problèmes de données Licence Econométrie Econométrie II 7-8 Martin Fournier Fournier@gate.cnrs.fr L3 Econométrie - Econométrie II. Formes fonctionnelles L3 Econométrie - Econométrie II. Formes fonctionnelles On a déjà vu qu une régression linéaire peut donner de «bons» résultats même si la relation sous-jacent est non linéaire Une infinités de formes fonctionnelle est envisageable : Logarithmes sur les variables expliquées ou explicatives Formes quadratiques sur les variables expliquées Interactions entre les variables expliquées Etc Comment sait-on si l on a choisi la «bonne» forme fonctionnelle (i.e. la bonne spécification) pour le modèle? L3 Econométrie - Econométrie II 3
2 . Formes fonctionnelles () Deux approches : Que dit la théorie économique? Nature de la relation connue (exponentielle, linéaire )? Concavité / convexité attendue? Quelle interprétation peut-on dériver des résultats? y = α.x + β y = α.x + β.x + γ y = α.x + β.x + γ.x.x + δ y = α.ln(x) + β Ln(y) = α.ln(x) + β Etc y y / x y Interprétation de,, par rapport à dx x,, x,,... x y x x x L3 Econométrie - Econométrie II 4.3 Formes fonctionnelles (3) Une première forme de réponse : On a vu qu on peut facilement tester l inclusion de termes quadratiques ou de termes croisés par des tests sur la significativité des coefficients associés (T-tests, F-tests) Mais - Il peut rapidement devenir très contraignant de tester toutes les combinaisons possibles - Une forme quadratique sera significative dans le cas d un «vrai» modèle sous-jacent en logarithmes L3 Econométrie - Econométrie II 5.4 Exemple H : β = β 3 = Prix immobiliers : price = β + βlotsize + β sqrft + β3bdrms + u contre price = β + β lotsize + β sqrft + β ( sqrft) + β bdrms + β ( bdrms) 3 + u avec lotsize : superficie du terrain sqrft : superficie de la maison bdrms : nombre de chambres 3 L3 Econométrie - Econométrie II 6
3 L3 Econométrie - Econométrie II 7.6 Le tests de Ramsey : RESET Le test de spécification RESET repose sur la même idée simplificatrice que la forme spéciale du test de White Au lieu d inclure toutes les spécifications possibles des variables explicatives on test la significativité de fonctions de la variable simulée ŷ Procédure en 4 étapes : ) Estimation de la forme linéaire : y = β + β x + + β k x k + u ) Simulation de la variable prédite ŷ 3) Estimation de la forme linéaire : y = β + β x + + β k x k + δ ŷ + δ ŷ 3 +v 4) Test de H : δ =, δ = par une statistique de Fisher (F~F,n-k-3 ) L3 Econométrie - Econométrie II 8.7 Exemple H : δ = δ = Prix immobiliers : price = β + βlotsize + β sqrft + β3bdrms + u Estimation et simulation de : pr ice ˆ ˆ β + ˆ β lotsize + ˆ β sqrft + ˆ β bdrms + u = 3 Nouvelle estimation de : price = β + βlotsize + βsqrft + β3bdrms 3 + δ ( price ˆ ) + δ ( price ˆ ) + u L3 Econométrie - Econométrie II 9 3
4 L3 Econométrie - Econométrie II Spécification en logarithme L3 Econométrie - Econométrie II. Test d alternatives nonimbriquées Cas où les modèles mis en concurrence ont les mêmes variables explicatives mais des formes fonctionnelles différentes. Par exemple : y = β + β x + + β k x k + u contre y = β + β ln(x ) + + β k ln(x k ) + u L3 Econométrie - Econométrie II 4
5 . Approche de Minzon et Richard Minzon et Richard (986) : ) Estimation d un modèle complet incluant toutes les formes fonctionnelles des explicatives : y = α + β x + + β k x k + δ ln(x ) + + δ k ln(x k ) + u ) Test de H : β = = β k = et H : δ = = δ k = NB : Nombre important de paramètres à estimer Question : Si les deux hypothèses nulles sont rejetées? L3 Econométrie - Econométrie II 3. Test de Davidson- MacKinnon Davidson et MacKinnon (98) : Idée : Si l un des modèle est le «vrai» modèle, alors la variable prédite avec le modèle concurrent ne doit pas être significative T-test Dans notre exemple : Si y = β + β x + + β k x k + u est la bonne spécification, alors yˆ = ˆ δ ˆ ˆ o + δ ln( x) δ k ln( xk ) ne doit pas être significative dans l estimation de : y = β + β x + + β k x k + α.ŷ + u L3 Econométrie - Econométrie II 4.3 Remarques sur les test d alternatives non-imbriquée Il est possible qu aucune des deux spécifications n apparaisse vraiment dominer l autre : Les deux sont rejetées (ex : significativité des coefficients pour les deux alternatives dans le test de Davidson et MacKinnon) Nécessité de spécifier un modèle plus complet Les deux sont acceptées (ex : non significativité des coefficients pour les deux alternatives dans le test de Davidson et MacKinnon) les deux spécifications sont «également» acceptables. On peut comparer les valeurs des R pour choisir la spécification. L3 Econométrie - Econométrie II 5 5
6 .4 Remarques sur les test d alternatives non-imbriquée () Rejeter une spécification contre une autre ne signifie pas que la deuxième est la «bonne» (elle pourrait être elle-même rejetée contre une troisième) Le problème devient encore plus complexe lorsque l on veut tester des formes fonctionnelles différentes sur la variable expliquée (y contre ln(y) par exemple) une idée est de suivre la même logique et de transformer la valeur prédite de ln(y) pour en déduire le ŷ utilisé en deuxième étape (et réciproquement) L3 Econométrie - Econométrie II 6.5 Exemple Prix immobiliers : on teste : ln( price ) β + β lotsize + β sqrft + β bdrms + u = 3 contre : ln( price ) δ + δ ln( lotsize) + δ ln( sqrft + δ bdrms + u = ) 3 On construit : ^ ln( price) = ˆ β + ˆ βlotsize + ˆ βsqrft + ˆ β3bdrms et ^ˆ ln( price) = ˆ δ + ˆ δ ln( lotsize) + ˆ δ ln( sqrft) + ˆ δ 3bdrms L3 Econométrie - Econométrie II 7 L3 Econométrie - Econométrie II 8 6
7 .7 Exemple (suite) et : On estime : ln( price) = β + β lotsize + β sqrft + β bdrms + α ln( price) + u On teste la significativité de α et α ^ˆ ln( price) = δ + δ ln( lotsize) + δ ln( sqrft) + δ bdrms + α ln( price) + u ^ 3 3 L3 Econométrie - Econométrie II 9 L3 Econométrie - Econométrie II. Le biais de variable omise L3 Econométrie - Econométrie II 7
8 . Présentation du problème L3 Econométrie - Econométrie II. Exemple Estimer le rendement de l éducation Fonction mincérienne de salaire : ln(w) = β + β EDUC + β EXPER + u Avec W : salaire, EDUC : nombre d années d études et EXPER : nombre d années d expérience. Les capacités intellectuelles intrinsèques (CII) de l individu (ability) sont : - Inobservées - positivement corrélées avec le niveau d éducation atteint (EDUC = δ CII + v) - positivement corrélées avec le niveau de salaire (ln(w) = δ CII + w) L3 Econométrie - Econométrie II 3.3 Exemple () Le rendement de l éducation estimé par : ln(w) = β + β EDUC + β EXPER + u est-t-il sur-estimé ou sous-estimé? L3 Econométrie - Econométrie II 4 8
9 .3 Étendue du problème Ce problème est inhérent à toute analyse économétrique : Certaines variables sont par nature inobservables ou nonmesurables (dynamisme, charisme, capital social d un individu, esprit d équipe dans une entreprise, etc.) Certaines variables sont non disponibles pour l économètre (questions non posées, réponses biaisées sur des sujets sensibles, etc.) Il faut juste rester conscient que certaines variables peuvent capter des effets plus larges que ce pourquoi elles sont inclues dans le modèle L3 Econométrie - Econométrie II 5.4 Les Variables Proxy Lorsque l on est face au problème de variable omise, il est possible d utiliser des variables «Proxy» qui permettent de corriger les biais de spécification Une variable proxy est une variable corrélée à la variable observable mais non directement explicative du modèle étudié La variable proxy est substituée à la variable inobservée et le signe du coefficient estimé est interprété en fonction de la relation théorique reliant variable proxy et variable inobservée L3 Econométrie - Econométrie II 6.4 Les Variables Proxy () Reprenons le modèle général y = β + β x + β x * + u () avec x * inobservable, corrélée avec x, et x * = δ + δ x + v () avec x observable Sous quelles conditions, la variable proxy x permet une estimation sans biais et convergente de β par : y = π + β x + π x + w? L3 Econométrie - Econométrie II 7 9
10 .4 Les Variables Proxy () Les équations () et () impliquent : y = β + β x + β (δ + δ x + v) + u = [β + β δ ] + β x + β δ x + [β v + u] = π + β x + π x + w w ne doit pas être corrélé avec les variables explicatives du modèle, donc u et v doivent être non corrélés avec x et x NB : Les valeurs des coefficients estimés pour le terme constant et la proxy ne sont pas directement interprétables. L3 Econométrie - Econométrie II 8.5 Les Variables Proxy (3) Si en revanche on a, x = δ + δ x + x + v δ avec w non-corrélé à x et x, alors : y = β + β x + β (δ + δ x + δ x + v) + u = [β + β δ ] + [β + β δ ]x + β δ x + [β v + u] Le signe et la valeur du biais dépendent des valeurs des paramètres β et δ Le biais reste en général inférieur au biais initial (variable omise) L3 Econométrie - Econométrie II 9.6 Exemple Reprenons l exemple de la fonction de salaire : On peut utiliser un résultat de test de QI comme variable proxy de la variable de capacités intellectuelles intrinsèques (ability) dans le modèle : lnwage = β + β educ + β exper + β 3 tenure + β 4 married + β 5 south + β 6 urban + β 7 black + β 8 IQ + u NB : Le problème vient ici d une corrélation anticipée entre le niveau d éducation atteint et la CII, qui est une variable inobservable du modèle. L3 Econométrie - Econométrie II 3
11 L3 Econométrie - Econométrie II 3 3. Les erreurs de mesure L3 Econométrie - Econométrie II 3 3. Les erreurs de mesure Il arrive qu on ait la variable que l on désire mais que l on pense (ou sache) qu elle a été mesurée avec erreur Exemples : Combien d heures avez-vous travaillé au cours de l année passée? Quel est votre revenu mensuel? (NB : tendance à répondre un chiffre rond, à sur/sous-estimer, etc.) Les problèmes causés par les erreurs de mesures sont très différents s il s agit d une variable expliquée ou d une variable explicative L3 Econométrie - Econométrie II 33
12 3. Erreur de mesure sur une variable expliquée y = β β β * + x + L+ k xk + u Si y* est mesuré avec erreur, on n observe que y, qui en est une approximation. On définit alors l erreur de mesure par : e = y y* Le modèle effectivement estimé n est donc pas celui de l équation () mais : y = β + β x + + β k x k + u + e () L3 Econométrie - Econométrie II Erreur de mesure sur une variable expliquée () Si e est non corrélé aux variables explicatives x j, le terme d erreur (u + e ) l est aussi les MCO seront sans biais et convergents Tous les tests post-estimation (T, F, etc.) restent valides Si E(e ) alors β (terme constant) seul est biaisé et les autres coefficients sont sans biais et convergents Si u et e sont non-corrélés : var( u + e ) = σ u + σ > σ u La variance des estimateurs des MCO ( σ ( X ' X ) ) est plus grande qu en absence d erreur de mesure L3 Econométrie - Econométrie II Erreur de mesure sur une variable explicative Reprenons le modèle de base : y = β + β x + u Avec x observé, qui est une mesure imprécise de la variable explicative x*. Ici encore, on peut définir l erreur de mesure par : e x = x On suppose également que non corrélé à x et x Ε( e ) = et que u est L3 Econométrie - Econométrie II 36
13 3.5 Erreur de mesure sur une variable explicative Deux cas extrêmes : e est non-corrélée avec la mesure observée x : ( x, e ) cov = e est alors corrélée avec la variable explicative inobservée du fait que : e x = x e est non corrélée avec la variable explicative inobservée : cov( x, e ) = e est alors corrélée avec la variable explicative inobservée du fait que : e x = x L3 Econométrie - Econométrie II e est non corrélée avec la mesure observée x L erreur de mesure e est alors corrélée avec la variable inobservée x : y = β + βx + ( u βe ) u-β e est de moyenne nulle et non-corrélé avec x, les MCO sont donc sans biais et convergents. La seule conséquence de l erreur de mesure est une plus grande variance des termes d erreur (et donc des estimateurs MCO) : var u β e = σ + β σ > σ NB : u et e sont non-corrélés. ( ) u e NB : Ces résultats s étendent évidemment au cas de plusieurs variables explicatives si e est non-corrélés à toutes les variables explicatives. L3 Econométrie - Econométrie II 38 u 3.7 e est non corrélée avec la variable inobservée Hypothèse appelée dans la littérature «Classical Error-in- Variables» (CEV) On a vu que e est alors corrélée avec la mesure observée Ici encore on a : y = β ( u β ) + βx + e Mais avec x corrélé avec le terme d erreur u-β e. cov ( x, u β e ) = β cov( x, e ) = β σ e Les MCO sont biaisés et non convergents L3 Econométrie - Econométrie II 39 3
14 3.8 Erreurs de mesures CEV () Rappel Et donc i i= = β + n ˆ β plim n x ( u β e ) ( xi x ) i= i i ( ˆ cov ) ( x, u βe ) β = β + var ( x ) σ e = β σ + σ x e σ x = β σ + σ x e L3 Econométrie - Econométrie II Erreurs de mesures CEV (3) ( ) Comme plim ˆ β est toujours plus proche de que β, on parle de biais d atténuation des MCO causés par une erreur de mesure «classique» (CEV). Si β est positif alors βˆ tendra à être sous-estimé. Si la variance de x est grande par rapport à la variance de l erreur, alors le biais sera faible. Le biais d atténuation se généralise à la régression multiple L3 Econométrie - Econométrie II 4 4. Les valeurs manquantes L3 Econométrie - Econométrie II 4 4
15 4. Valeurs manquantes : Est-ce un problème? Si les valeurs manquantes sont aléatoires, le souséchantillon ayant des observations est un échantillon représentatif de l échantillon total Aucun problème (statistiques descriptives, régressions, etc.) Les problèmes apparaissent lorsque l attrition (les valeurs manquantes) est corrélée à une dimension du problème considéré (ex. : les plus riches refusent de donner une information sur leurs revenus) Le sous échantillon informé n est plus représentatif (statistiques descriptives biaisées) Les résultats d estimations peuvent être baisés L3 Econométrie - Econométrie II Sélection basée sur une variable explicative Exemple : On estime des fonctions de salaires, mais on observe plus d attrition pour les niveaux d éducation faibles, (NB : sans que cette attrition soit corrélée au revenu par classe d éducation!) Les statistiques descriptives sont biaisées Les MCO restent sans biais et convergents (NB : les estimations «contrôlent» les dimensions des variables explicatives, Ε y x ) ( ) Pas de problème tant qu il y a assez de variabilité dans les variables explicatives pour identifier les effets mesurés. L3 Econométrie - Econométrie II Sélection basée sur une variable expliquée Exemple : On estime des fonctions de salaires, mais on observe qu il y a plus d attrition sur certaines variables pour des niveaux de revenus élevés Les statistiques descriptives sont biaisées ( ) Les MCO sont également biaisés du fait que Ε y x n est pas égal à l espérance conditionnelle de y à l intérieur d un segment donné : ( y x) Ε( y x a y b) Ε, L3 Econométrie - Econométrie II 45 5
16 4.4 Processus de sélection complexes Le processus de sélection attrition peut être plus complexe et entraîner des biais dans les estimations Ε Exemple : Estimation d une équation de salaire Sélection : le salaire n est observé que pour les travailleurs salariés ( salaire travailleur salarié) Ε( salaire chômeur) Ε( salaireindépendant ) L3 Econométrie - Econométrie II Les points aberrants L3 Econométrie - Econométrie II Les points aberrants Il arrive qu une observation (ou une série d observations) soit très différente des autres et que son inclusion ou non dans l échantillon modifie sensiblement les résultats d estimations Sources potentielles : Erreurs de saisie / de compréhension des question / Fausses réponses Observation effectivement très différente des autres (milliardaire, SDF ) L3 Econométrie - Econométrie II 48 6
17 5. Les points aberrants () ère étape : détecter les points aberrants et vérifier la cohérence des réponses (statistiques descriptives) La correction peut apparaître évidente (zéro de trop ou zéro manquant) ou peut se retrouver par raisonnement logique (combinaison de réponses à d autres questions) Si la correction n est pas évidente, il peut être légitime de tout bonnement supprimer l observation (ou de présenter les régression avec et sans les points considérés aberrants) L3 Econométrie - Econométrie II Exemple : Recherche et Développement et taille des entreprises rdintens = β + βsales + β profmarg Rdintens : Intensité en R&D Sales : Chiffre d affaires Profmarg : Taux de marge L3 Econométrie - Econométrie II 5 L3 Econométrie - Econométrie II 5 7
18 L3 Econométrie - Econométrie II Points aberrants et formes fonctionelles Certaines formes fonctionnelles (choix de spécification) sont moins sensibles aux points aberrants En particulier les formes logarithmiques L3 Econométrie - Econométrie II 53 L3 Econométrie - Econométrie II 54 8
19 5.7 Méthode des Moindres Déviations Absolues (LAD) La méthode LAD (Least Absolute Deviations) est parfois utilisée pour diminuer la sensibilité des résultats aux points aberrants. Idée : Minimiser la somme des déviations n absolues : uˆ i = i Cela revient à estimer les effets des variables explicatives sur la médiane conditionnelles (et non plus la moyenne), qui est beaucoup moins sensible aux valeurs extrêmes L3 Econométrie - Econométrie II Limites de la méthode LAD Estimation par maximum de vraisemblance (pas de formule pour les estimateurs) Les statistiques t et F ont uniquement des distributions asymptotiques (taille des échantillons) Cours de M sur les estimations par maximum de vraisemblance Extension aux quantile regressions L3 Econométrie - Econométrie II 56 9
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 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 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 détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
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 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailAnalyse 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 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 détailProbabilités 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 détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
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 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 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 détailExercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible»
Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Quand la trésorerie d une entreprise est positive, le trésorier cherche le meilleur placement pour placer les excédents.
Plus en détailLa maison Ecole d ' Amortissement d un emprunt Classe de terminale ES. Ce qui est demandé. Les étapes du travail
La maison Ecole d ' Amortissement d un emprunt Classe de terminale ES Suites géométriques, fonction exponentielle Copyright c 2004 J.- M. Boucart GNU Free Documentation Licence L objectif de cet exercice
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
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 détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailTable des matières: Guidelines Fonds de Pensions
Table des matières: Guidelines Fonds de Pensions TABLE DES MATIERES... 1 INTRODUCTION... 2 1 FINANCEMENT ET FINANCEMENT MINIMUM... 3 1.1 FINANCEMENT... 3 1.2 FINANCEMENT DE PLAN... 3 1.3 FINANCEMENT MÉTHODE
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
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 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 détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
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 détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailUtiliser des fonctions complexes
Chapitre 5 Utiliser des fonctions complexes Construire une formule conditionnelle avec la fonction SI Calculer un remboursement avec la fonction VPN Utiliser des fonctions mathématiques Utiliser la fonction
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 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 détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailCONSEIL NATIONAL DE LA COMPTABILITÉ. 1.4 - Remplacement d instruments
CONSEIL NATIONAL DE LA COMPTABILITÉ Réponse aux questions pratiques liées à l application du règlement CRC n 2002-09 relatif à la comptabilisation des instruments financiers à terme par les entreprises
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
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 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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailGuide méthodologique : Enquêtes en ligne
Guide méthodologique : Enquêtes en ligne Une enquête est une «méthode systématique de collecte d'informations à partir d un échantillon possédant des caractéristiques représentatives de l'ensemble de la
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
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 détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
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 détailMegaStore Manager ... Simulation de gestion d un hypermarché. Manuel du Participant
MegaStore Manager Simulation de gestion d un hypermarché.......... Manuel du Participant 1. Introduction 1.1. La simulation de gestion Vous allez participer à une simulation de gestion. Cette activité
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 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 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 détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailChapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
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 détailNouveau Programme de Troisième Cycle Interuniversitaire (NPTCI)
Nouveau Programme de Troisième Cycle Interuniversitaire (NPTCI) Pays membres : Bénin, Burkina Faso, Burundi, Cameroun, Centrafrique, Congo, Côte d Ivoire, Gabon, Guinée, Madagascar, Mali, Mauritanie, Niger,
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
Plus en détailDonnées 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 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 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 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 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 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 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 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 détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
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 détailProjet Etienne Marceau Méthodes statistiques en assurance non vie
Trinôme : Carine Sauser, Mélanie Groisne, Xavier Milhaud Projet Etienne Marceau Méthodes statistiques en assurance non vie Méthodes statistiques pour la finance et l assurance ISFA - Décembre 2007 Table
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailChapitre 2 Introduction aux objectifs des coûts. Pr. Zoubida SAMLAL-Doctorante en Risk Management MBA, CFA
Chapitre 2 Introduction aux objectifs des coûts Pr. Zoubida SAMLAL-Doctorante en Risk Management MBA, CFA Objectif du chapitre Faire la différence entre les coûts et les charges Définir les inducteurs
Plus en détailDUT Techniques de commercialisation Mathématiques et statistiques appliquées
DUT Techniques de commercialisation Mathématiques et statistiques appliquées Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 3 novembre 2014 Francois.Kauffmann@unicaen.fr UCBN MathStat
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailCirculaire du directeur des contributions L.I.R. n 104/1 1 du 20 novembre 2014. L.I.R. n 104/1
Circulaire du directeur des contributions L.I.R. n 104/1 1 du 20 novembre 2014 L.I.R. n 104/1 Objet : Evaluation de certains avantages accordés par l employeur à ses salariés a) Mise à la disposition à
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
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 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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
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 détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
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 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 détailQuels outils pour prévoir?
modeledition SA Quels outils pour prévoir? Les modèles de prévisions sont des outils irremplaçables pour la prise de décision. Pour cela les entreprises ont le choix entre Excel et les outils classiques
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
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 détailPROJET - POUR DISCUSSIONS SEULEMENT AUCUNES RECOMMENDATIONS À CE STADE-CI. Université de Moncton
PROJET - POUR DISCUSSIONS SEULEMENT Université de Moncton Régime de pension des professeurs, professeures et bibliothécaires Actualisation du régime Étape 3 Évaluation des coûts Préparé par Conrad Ferguson
Plus en détail