Econométrie. Romain Aeberhardt. Février R. Aeberhardt (DARES et CREST) Econométrie Février / 43
|
|
- Marie-Françoise Giroux
- il y a 6 ans
- Total affichages :
Transcription
1 Econométrie 1ère séance Romain Aeberhardt Supélec Février 2011 R. Aeberhardt (DARES et CREST) Econométrie Février / 43
2 Plan 1 Introduction 2 Le modèle linéaire simple 3 Le modèle linéaire multiple R. Aeberhardt (DARES et CREST) Econométrie Février / 43
3 Qu est-ce que l économétrie? Retour sur la définition statistique / économétrie / analyse quantitative théorie économique causalité et pas uniquement description Exemples de questions traitées Salaire minimum et emploi Discrimination (testing,...) Taille des classes et réussite scolaire Crime et chômage Éducation et santé... R. Aeberhardt (DARES et CREST) Econométrie Février / 43
4 Qu est-ce qu un modèle économétrique Variables expliquées et explicatives Relations entre les variables Un modèle : pour répondre à une question L exemple de l équation de salaire R. Aeberhardt (DARES et CREST) Econométrie Février / 43
5 Qu est-ce qu une étude économétrique Une relation causale à étudier Une expérience idéale qui permettrait de mesurer cette relation causale Une stratégie d identification Un mode d inférence (la technique statistique/économétrique) R. Aeberhardt (DARES et CREST) Econométrie Février / 43
6 Structure des données économétriques données transversales (cross-section) séries temporelles données de panel R. Aeberhardt (DARES et CREST) Econométrie Février / 43
7 La notion de toutes choses égales par ailleurs Exemple des rendements de l éducation R. Aeberhardt (DARES et CREST) Econométrie Février / 43
8 Distribution conditionnelle R. Aeberhardt (DARES et CREST) Econométrie Février / 43
9 Espérance conditionnelle 1 Espérance conditionnelle de Y i sachant X i : E(Y i X i ) Loi des espérances itérées: E(Y i ) = E X (E(Y i X i )) Propriété de décomposition: Y i = E(Y i X i ) + ε i, avec 1 E(ε i X i ) = 0 2 ε i non corrélé avec n importe quelle fonction de X i. N importe quelle variable peut être expliquée en une part qui est expliquée par X et une part qui est orthogonale à X. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
10 Espérance conditionnelle 2 Propriété de prédiction: soit m(x i ) une fonction de X i, l espérance conditionnelle est telle que: E(Y i X i ) = argmin m(x i ) E[(Y i m(x i )) 2 ] E(Y i X i ) est le prédicteur de Y i qui minimise l erreur quadratique moyenne étant donné X i Propriété d analyse de la variance (ANOVA): V(Y i ) = V(E(Y i X i )) + E(V(Y i X i )) R. Aeberhardt (DARES et CREST) Econométrie Février / 43
11 Justification de la régression linéaire 1 Si l espérance conditionnelle est une fonction linéaire des X, alors la régression permet de l obtenir. 2 La fonction X i β est la meilleure approximation linéaire de Y i sachant X i au sens de la minimisation de l erreur quadratique moyenne 3 La fonction X i β est la meilleure approximation linéaire de E(Y i X i ) au sens de la minimisation de l erreur quadratique moyenne: β = argmin b E[(E(Y i X i ) X i β) 2 ] R. Aeberhardt (DARES et CREST) Econométrie Février / 43
12 R. Aeberhardt estimates(dares should be et CREST) interpreted. Whatever a regression Econométrie coe cient may mean, it has a sampling Février distribution / 43 Régression de l espérance conditionnelle 3.1. REGRESSION FUNDAMENTALS 31 Figure A conditional expectation function and weighted regression line Log weekly earnings, $ Years of completed education Sample is limited to white men, age Data is from Census IPUMS 1980, 5% sample. Figure 3.1.2: Regression threads the CEF of average weekly wages given schooling
13 Plan 1 Introduction 2 Le modèle linéaire simple 3 Le modèle linéaire multiple R. Aeberhardt (DARES et CREST) Econométrie Février / 43
14 Première approche Modèle linéaire simple y = α + βx + u où u est le terme d erreur. Comouvement de x et y? Retour sur le lien salaire-éducation R. Aeberhardt (DARES et CREST) Econométrie Février / 43
15 Hypothèse : Nullité de l espérance de l erreur E(u) = 0 Dès que l on introduit α, aucune perte de généralité. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
16 Hypothèse : Nullité de l espérance conditionnelle E(u x) = 0 u n est corrélé avec aucune fonction de x. E(y x) = α + βx L augmentation de x d une unité augmente l espérance de y de β. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
17 Hypothèse : Nullité de l espérance conditionnelle E(u x) = 0 u n est corrélé avec aucune fonction de x. E(y x) = α + βx L augmentation de x d une unité augmente l espérance de y de β. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
18 Hypothèses sur l échantillon On suppose que dans la population, le lien entre x et y est régi par le modèle linéaire simple. On suppose que l on dispose d un échantillon de taille N, {x i, y i } i=1...n, tiré de manière aléatoire dans la population. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
19 Vers l estimateur des MCO Définition par les moments. Définition par les moindres carrés. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
20 Propriétés algébriques (1) On définit : le résidu û i = y i ˆα ˆβx i la valeur prédite ŷ i = ˆα + ˆβx i On a : 1 ûi = 0 2 xi û i = 0 3 ( x, ȳ) est sur la droite de régression R. Aeberhardt (DARES et CREST) Econométrie Février / 43
21 Propriétés algébriques (2) De plus avec : SCT = (y i ȳ) 2 SCE = (ŷ i ȳ) 2 SCR = (û i ) 2 On a : SCT = SCE + SCR R. Aeberhardt (DARES et CREST) Econométrie Février / 43
22 Apprécier la qualité du modèle R 2 = SCE/SCT = 1 SCR/SCT Part de la variance expliquée dans la variance totale R. Aeberhardt (DARES et CREST) Econométrie Février / 43
23 Propriétés statistiques de l estimateur des MCO : Hypothèses (H 1 ) Modèle linéaire simple dans la population (H 2 ) Echantillon aléatoire de la population (H 3 ) Variabilité de la variable dépendante (H 4 ) Espérance conditionnelle nulle de l erreur R. Aeberhardt (DARES et CREST) Econométrie Février / 43
24 Propriétés de l espérance de l estimateur des MCO Sous ces hypothèses, l estimateur des MCO est sans biais E( ˆβ x) = β E(ˆα x) = α R. Aeberhardt (DARES et CREST) Econométrie Février / 43
25 Une hypothèse supplémentaire (H 5 ) Homoscédasticité : V (u i x) = σ 2 La variance de l erreur est supposée égale pour tous les individus de l échantillon. Les hypothèses (H 1 )-(H 5 ) sont appelées hypothèses de Gauss-Markov. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
26 Propriétés de la variance de l estimateur des MCO Sous ces cinq hypothèses, la variance de l estimateur des MCO est: V ( ˆβ x) = σ 2 (xi x) 2 On a aussi : V (ˆα x) = σ 2 x 2 i N (x i x) 2 R. Aeberhardt (DARES et CREST) Econométrie Février / 43
27 Estimation de la variance de l estimateur des MCO On a besoin d estimer σ 2. Un estimateur est : ˆσ 2 = û2 i N 2. E(ˆσ 2 ) = σ 2 : Sans biais [On admet ça pour le moment]. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
28 La régression par l origine Il est tout à fait possible d estimer le modèle sans constante : Dans ce cas, ˆβ = xi y i x 2 i. Quand utiliser cet estimateur? y = βx + u si l on a de fortes raisons théoriques de penser que α = 0 si l on a centré les variables x i = x i x R. Aeberhardt (DARES et CREST) Econométrie Février / 43
29 Application graphique Représenter graphiquement un nuage de points et une droite de régression qui pourraient correspondre à la situation suivante: Régression du log(poids) en fonction de la taille â = 3 ˆb = 0.01 écart-type des résidus σ = 0.2 R. Aeberhardt (DARES et CREST) Econométrie Février / 43
30 Plan 1 Introduction 2 Le modèle linéaire simple 3 Le modèle linéaire multiple R. Aeberhardt (DARES et CREST) Econométrie Février / 43
31 Première approche Modèle linéaire multiple y = X β + u où u est le terme d erreur, β vecteur de dimension K. Plus intéressant : interprétation en toutes choses égales par ailleurs Retour sur le lien salaire-éducation R. Aeberhardt (DARES et CREST) Econométrie Février / 43
32 Les hypothèses de Gauss-Markov dans le cadre multiple (H 1 ) Modèle linéaire multiple dans la population (H 2 ) Echantillon aléatoire de la population (H 3 ) Pas de colinéarité entre les variables explicatives (H 4 ) Espérance conditionnelle nulle de l erreur (H 5 ) Homoscédasticité : Var(u i ) = σ 2 R. Aeberhardt (DARES et CREST) Econométrie Février / 43
33 L estimateur des moindres carrés dans le cadre multiple ˆβ = (X X ) 1 (X Y ) Sous (H 1 )-(H 4 ), cet estimateur est sans biais Sous (H 1 )-(H 5 ), sa variance est (X X ) 1 σ 2 R. Aeberhardt (DARES et CREST) Econométrie Février / 43
34 Apprécier la qualité du modèle R 2 = SCE/SCT = 1 SCR/SCT Part de la variance expliquée dans la variance totale R. Aeberhardt (DARES et CREST) Econométrie Février / 43
35 Estimer la variance de l estimateur On cherche à estimer σ 2. Un estimateur sans biais est ˆσ 2 = 1 û2 N K i R. Aeberhardt (DARES et CREST) Econométrie Février / 43
36 Notations géométriques Souvent, pour penser le formalisme matriciel des MCO, il est utile d utiliser les notations géométriques suivantes P X = X (X X ) 1 X M X = I X (X X ) 1 X P X et M X sont symétriques P X et M X sont des projecteurs On récrit ŷ i = P X y i, û i = M X y i. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
37 Le théorème de Frisch-Waugh Partition des explicatives: X = (X 1 X 2 ), β = (β 1, β 2 ). On régresse d abord y sur X 1 et X 2 sur X 1 et on récupère les résidus M 1 y et M 1 X 2. En régressant M 1 y sur M 1 X 2, on récupère l estimateur ˆβ 2 des MCO. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
38 Une interprétation des MCO après Frisch-Waugh Si on sépare la jeme colonne des autres, M ( j) X j est le résidu de l équation de X j sur toutes les autres variables. ˆβ j s obtient par la régression de y sur M ( j) X j. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
39 Variance de l estimateur des MCO après Frisch-Waugh Var( ˆβ j ) = σ 2 (1 R 2 j )SCT j SCT j est la variance empirique de la jeme variable R 2 j est le R 2 de la régression de X j sur toutes les autres variables R. Aeberhardt (DARES et CREST) Econométrie Février / 43
40 Mauvaise spécification Soit le modèle y = α + β 1 x 1 + β 2 x 2 + u. On note ˆβ 1 l estimateur relatif à x 1 de la régression de y sur x 1 et x 2 β 1 l estimateur de la régression de y sur x 1 β 1 est biaisé si : 1 β 2 0 ET 2 Cov(x 1, x 2 ) 0. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
41 Mauvaise spécification Soit le modèle y = α + β 1 x 1 + β 2 x 2 + u. On note ˆβ 1 l estimateur relatif à x 1 de la régression de y sur x 1 et x 2 β 1 l estimateur de la régression de y sur x 1 β 1 est biaisé si : 1 β 2 0 ET 2 Cov(x 1, x 2 ) 0. R. Aeberhardt (DARES et CREST) Econométrie Février / 43
42 Mauvaise spécification (2) En termes de variances, Var( ˆβ 1 ) = σ 2 (1 R 2 1 )SCT 1 Var( β 1 ) = On a toujours σ2 SCT 1 Var( ˆβ 1 ) Var( β 1 ) R. Aeberhardt (DARES et CREST) Econométrie Février / 43
43 Anatomie d une régression β k = Cov(Y i, x ki ) V( x ki ) où x ki est le résidu de la régression de x ki sur les autres covariables (partialling out). R. Aeberhardt (DARES et CREST) Econométrie Février / 43
44 Biais de variables omises Régression théorique du salaire sur le nombre d années d études et les compétences individuelles: Y i = α + ρs i + A iγ + ε i δ As S i. Cov(Y i, S i ) V(S i ) = ρ + γ δ As correspondant au résultat des régressions de chaque élément de A i sur R. Aeberhardt (DARES et CREST) Econométrie Février / 43
45 Efficacité des MCO Sous les hypothèses de Gauss-Markov, ˆβ est le meilleur estimateur linéaire non-biaisé. β = i w i y i t.q. E( β) = β, Var( β) Var( ˆβ) R. Aeberhardt (DARES et CREST) Econométrie Février / 43
STATISTIQUES. 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 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 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 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 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 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 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 détailCONCOURS 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 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 détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
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 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 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 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 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 détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 06/12/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
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 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 détailEconométrie La régression linéaire simple et multiple
Ricco Rakotomalala Econométrie La régression linéaire simple et multiple Version 1.1 Université Lumière Lyon 2 Page: 1 job: Econometrie_Regression macro: svmono.cls date/time: 26-May-2015/18:13 Page: 2
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en 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 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 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 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 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 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 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
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 détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
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 détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
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 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 détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
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 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 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 détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
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 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 détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
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 détailLe No.1 de l économie d énergie pour patinoires.
Le No.1 de l économie d énergie pour patinoires. Partner of REALice system Economie d énergie et une meilleure qualité de glace La 2ème génération améliorée du système REALice bien connu, est livré en
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
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 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 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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
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 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 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 détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
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 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailJournées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015
et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L
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 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 détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
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 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 détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
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 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 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 détailPierre Thérond pierre@therond.fr. Année universitaire 2013-2014
http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale
Plus en détailFormulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Program
Formulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Program Année universitaire / Academic Year: 2013 2014 INTITULE
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
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 détailStatistique Bayésienne
Statistique Bayésienne Éléments de Culture Générale Lionel RIOU FRANÇA INSERM U669 Mai 2009 Lionel RIOU FRANÇA (INSERM U669) Statistique Bayésienne Mai 2009 1 / 139 Sommaire Sommaire 1 Approche Bayésienne
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 détail2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................
Plus en détailNombre de crédits Nombre d'évaluation UE Majeure de spécialité 6 2. UE mineure de spécialité 3 ou 2 1. UE libre 1 1
Mode d'évaluation Pour les sessions normales, le nombre d'évaluations dépendra de la nature de l UE. Ainsi: les UE majeures comportent deux évaluations: une évaluation à mi-parcours (devoir sur table ou
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 détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en 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 détailLaboratory accredited by the French Home Office (official gazette date February 5 th, 1959, modified) Valid five years from August 27 th, 2013
CLASSIFICATION REPORT OF REACTION TO FIRE PERFORMANCE IN ACCORDANCE WITH THE EUROPEAN STANDARD EN 350-+A: 203 and in compliance with the French Home Office Regulation dated November 2 st, 2002 concerning
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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
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 détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailMises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger.
Cet ouvrage est fondé sur les notes d un cours dispensé pendant quelques années à l Institut universitaire de technologie de Grenoble 2, au sein du Département statistique et informatique décisionnelle
Plus en détailGLOSSAIRE PSYCHOLOGICAL AND BEHAVIORAL BARRIER
GLOSSAIRE THEME CREST WP1 BARRIERE PSYCHOLOGIQUE ET COMPORTEMENTALE BATIMENT INTELLIGENT CAPTEURS CHANGEMENT CLIMATIQUE CHEMINEMENT EDUCATIF COMPORTEMENT CONSEIL ECHANGES PROFESSIONNELS ECO UTILISATION
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
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 détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détail