Examen dconomtrie (3h)

Matrise dconomtrie
Jean-Marc Robin
19 janvier 2004 - 13h -16h
Amphi Lefebvre Sorbonne

Lexamen est sans documents hormis une feuille de formules, dont vous naurez dailleurs pas besoin.

QUESTIONS DE COURS (6.5 points)

Soyez bref.

1) (0.5 point) Que reprsentent et expliciter les composantes (X, , y) de la formule:

bb = (XX 0 )1 X 0 y.

2) (0.5 point) Lestimateur des MCO du modle linaire htroscdastique est non convergent. Vrai ou
faux?
3) (0.5 point) Quest-ce quun instrument?
4) Soit le modle
yi = a + bxi + ui
avec xi R, Eui = 0 et E(xi ui ) 6= 0.
a) (0.5 point) Lestimateur des MCO de b est-il convergent?
b) (0.5 point) Soit zi un instrument (non constant). On rgresse xi sur zi avec constante. Soit x bi
la prdiction. Lestimateur des MCO des paramtres de la rgression de yi sur x bi (avec constante) est-il
convergent? Quel est cet estimateur?
c) (0.5 point) Que se passe-t-il si on construit xbi comme la prdiction de xi issue de la rgression
de xi sur zi SANS constante? Lestimateur des MCO des paramtres de la rgression de yi sur x bi (avec
constante) est-il convergent?
bi comme la prdiction de xi issue de la
d) (0.5 point) Que se passe-t-il votre avis si on construit x
rgression de xi sur zi AVEC constante mais que zi nest pas corrl avec xi ?
5) Jai autant dinstruments que de variables explicatives potentiellement endognes.
a) (0.5 point) Je peux tester lexognit des variables explicatives?
b) (0.5 point) Je peux tester la validit des instruments?
Rpondre par oui ou par non.
6) (1 point) Quest-ce que la condition dordre? Est-ce une condition ncessaire didentification? Est-ce
une condition susante?
7) (1 point) Je veux dcrire la relation statistique entre une variable alatoire discrte (avec plus de 3
modalits) yi et des variables explicatives xi . Quels sont les dirents modles conomtriques que je peux
employer?

PREMIER EXERCICE (3 points)

On dispose dobservations yi , i = 1, ..., n, de variables prenant les valeurs 0 ou 1. Ces observations sont
i.i.d et on suppose que Pr{yi = 1} = p.
1) (0.5 points) Calculer Eyi et Vyi .
2) (1 points) Dterminer pb, lestimateur du maximum de vraisemblance de p.

1
 3) (0.5 points) Montrer que pb converge en probabilit
vers p.
4) (1 points) Dterminer la loi asymptotique de N (b p p).

DEUXIEME EXERCICE (4 points)

A) Soit le systme dquations simultanes :

y1t = a1 + b1 y2t + c1 x1t + u1t
y2t = a2 + b2 y1t + c2 x2t + u2t
avec u1t et u2t corrls.

1) (1 points) Ecrire les formes structurelle et rduite correspondantes.

2) (0.5 points) Ces quations vrifient-elles la condition dordre?
3) (1 points) Montrer laide de la forme rduite que les paramtres sont en eet identifis.

B) Soit le modle :
y1t = a1 + b1 y2t + c1 x1t + u1t
y2t = a2 + c2 x1t + u2t
1) (0.5 points) La condition dordre reste-t-elle satisfaite pour chaque quation ?
2) (1 points) Quels paramtres et fonctions des paramtres sont identifiables?

TROISIEME EXERCICE (2 points)

Soit bb un estimateur dun paramtre scalaire b convergent et asymptotiquement normal obtenu partir
dun chantillon de taille N . Soit 2 sa variance asymptotique.

1) (0.5 points) Quelle proprit du logarithme vous permet de proposer b = ln(bb) comme estimateur
convergent de = ln(b) ?
b est asymptotiquement normal et calculer sa variance asymptotique.
2) (1.5 point) Montrer que

QUATRIEME EXERCICE (4.5 points)

Soit yi une variable observable prenant les valeurs 0 ou 1. Soit xi lunique variable explicative suppose
prendre elle-mme que les valeurs 0 ou 1. On suppose quil existe une variable latente yi telle que:
yi |xi N (a + bxi , 1)
et :
1 si y 0
yi = i
0 si yi > 0
(ATTENTION au sens des ingalits!)
On dispose de 100 observation (yi , xi ) dcrites dans le tableau de contingence suivant:
y
0 1
0 26 26
x
1 32 16
1) (1 points) Calculer Pr {yi = 1|xi = 1}, Pr {yi = 1|xi = 0}, Pr {yi = 0|xi = 1} et Pr {yi = 0|xi = 0}.
On note la fonction de rpartition de la loi normale N (0, 1) et la densit.
2) (1.5 points) En dduire la formule de la log-vraisemblance de lchantillon.
3) (1 points) Ecrire les conditions du premier ordre du programme de maximisation de la log-vraisemblance
par rapport = (a) et = (a + b) (cest plus simple). En dduire lestimateur du maximum de vraisem-
blance de a et b. (Sachez que 1 (2/3) = 0.43.)

4) (1 points) Calculer la variance de b a, bb en fonction de celle de b ? (Posez les calculs mais sachez
b,
que (2/3) = 0.75 si vous voulez les mener leur terme.)

2
 Corrig

QUESTIONS DE COURS
1) (0.5 point) Que reprsentent et expliciter les composantes ( X, , y) de la formule:

bb = (XX 0 )1 X 0 y.

Cest la formule de lestimateur des Moindres Carrs Gnraliss du modle linaire:

E (yi |X) = x0i b,

V y|X = 1 ,

pour un chantillon dobservations indpendantes dun couple de variables: (yi , xi ) R RK , i = 1, ..., N .

La matrice X = (x0i ) RNK , le vecteur y = (yi ) RN et b RK et RNN sont deux vecteurs/matrices
de paramtres inconnus de lconomtre.
Attention: dans cette formule est linverse de la matrice de variance-covariance de y sachant X.
2) (0.5 point) Lestimateur des MCO du modle linaire htroscdastique est non convergent. Vrai ou
faux?
Faux. Lestimateur des MCO du modle linaire htroscdastique est convergent mais moins ecace
que lestimateur des Moindres Carrs Pondrs qui est lestimateur linaire en y de variance minimale dans
la classe des estimateurs sans biais de b (thorme de Gauss-Markov).
3) (0.5 point) Quest-ce quun instrument?
Un instrument est une variable orthogonale ou indpendante de la perturbation (du terme derreur) dun
modle apparemment linaire.
4) Soit le modle
yi = a + bxi + ui
avec xi R, Eui = 0 et E(xi ui ) 6= 0.
a) (0.5 point) Lestimateur des MCO de b est-il convergent?
Non, car les variables explicatives ne sont pas orthogonales au terme derreur.
b) (0.5 point) Soit zi un instrument (non constant). On rgresse xi sur zi avec constante. Soit x bi
la prdiction. Lestimateur des MCO des paramtres de la rgression de yi sur x bi (avec constante) est-il
convergent? Quel est cet estimateur?
Oui. Cest lestimateur des Doubles Moindres Carrs.
d) (0.5 point) Que se passe-t-il si on construit xbi comme la prdiction de xi issue de la rgression
de xi sur zi SANS constante? Lestimateur des MCO des paramtres de la rgression de yi sur x bi (avec
constante) est-il convergent?
On sait que lestimateur des 2MC est convergent. Or celui-ci est obtenu en rgressant yi sur 1 et
bi =
x b i o
b + z b sont les estims des MCO de la rgression de xi sur 1 et zi . Notez quen gnral
b et
b P Cov(xi ,zi ) P b = (1, x
= Vzi b = Exi Ezi 6= 0. Lespace vectoriel engendr par les colonnes de X
et bi )
est le mme que celui engendr par celles de Z = (1, zi ) de sorte que:

a + bbb
b xi = b bi
c + dz
0 0
en notant b a, bb lestimateur des 2MC (lestimateur des MCO de la rgression de y sur X)
b et b
c, db
lestimateur des MCO de la rgression de y sur Z. Or

a + bbb
b xi = b a + bb b i
b + z

a + bbb
= b + bbz
b i

et donc
bb P Cov (yi , zi )
b = db P Cov (yi , zi ) Cov (xi , zi ) Cov (yi , zi )
bb / = = b.
Vzi Vzi Vzi Cov (xi , zi )
Cest lestimateur des Moindres Carrs Indirects.

3
 e i obtenu comme la projection orthogonale du vecteur (xi ) sur le
ei = z
Si on reproduit largument avec x
vecteur (zi ): P
e xi zi P Exi zi
= Pi 2 ,
i zi Ezi2
ei et rgresser yi sur 1 et zi revient projeter orthogonalement sur
on voit encore que rgresser yi sur 1 et x
le mme espace vectoriel et donc:

a + ebe
e xi a + ebz
= e e i
= b bi
c + dz
0
a, eb lestimateur des MCO de la rgression de y sur X
en notant e e = (1, x
ei ). Cependant,

eb P Cov (yi , zi )
e = db P Cov (yi , zi ) Exi zi
eb / 6= b (en gnral).
Vzi Vzi Ezi2

Donc eb nest gnralement pas convergent. Noter que si Ezi = 0 alors Cov (xi , zi ) = Exi zi et Vzi = Ezi2 et
eb est convergent. Ou encore si E (xi |zi ) = zi . Mais dans ce cas le modle devient un modle quations
simultanes puisquon a complt le modle de yi sachant xi par un modle de xi sachant zi .
c) (0.5 point) Que se passe-t-il votre avis si on construit x bi comme la prdiction de xi issue de la
rgression de xi sur zi AVEC constante mais que zi nest pas corrl avec xi ?
Dans ce cas x bi revient rgresser yi sur deux fois la mme variable.
bi est constant et rgresser yi sur 1 et x
On a donc un problme de multicolinarit et tous les paramtres du modle ne sont donc pas identifiables.
5) Jai autant dinstruments que de variables explicatives potentiellement endognes.
a) (0.5 point) Je peux tester lexognit des variables explicatives?
Oui.
b) (0.5 point) Je peux tester la validit des instruments?
Non.
Rpondre par oui ou par non.
6) (1 point) Quest-ce que la condition dordre? Est-ce une condition ncessaire didentification? Est-ce
une condition susante?
On compte le nombre de variables exognes exclues de lquation. Sil est suprieur au nombre dendognes
inclues la condition dordre est vrifie. Cest une condition ncessaire, pas susante.
7) (1 point) Je veux dcrire la relation statistique entre une variable alatoire discrte (avec plus de 3
modalits) yi et des variables explicatives xi . Quels sont les dirents modles conomtriques que je peux
employer?
Modle dichotomique, modle polytomique ordonn, modle polytomique non ordonn et modle de choix
discret.

PREMIER EXERCICE (3 points)

On dispose dobservations yi , i = 1, ..., n, de variables prenant les valeurs 0 ou 1. Ces observations sont
i.i.d et on suppose que Pr{yi = 1} = p.
1) (0.5 points) Calculer Eyi et V yi .
Eyi = Pr {yi = 1} = p et Vyi = Eyi2 (Eyi )2 = Eyi (Eyi )2 = p p2 = p(1 p).
2) (1 points) Dterminer pb, lestimateur du maximum de vraisemblance de p.
La log-vraisemblance de lchantillon scrit:
N
X
LN (p) = yi ln p + (1 yi ) ln (1 p) .
i=1

On obtient la valeur de p qui maximise LN (p) en rsolvant la CPO:

N N
p) X yi 1 yi
dLN (b 1 X
= = 0 pb = yi .
dp i=1
pb 1 pb N i=1

3) (0.5 points) Montrer que pb converge en probabilit vers p.

4
 pb tant la moyenne de variables iid, la LGN sapplique:
P
pb Eyi = p.

4) (1 points) Dterminer la loi asymptotique de N (b p p).
Par application du TCL:
L
N (bp p) N (0, Vyi ) = N (0, p (1 p)) .

DEUXIEME EXERCICE (4 points)

A) Soit le systme dquations simultanes :

y1t = a1 + b1 y2t + c1 x1t + u1t
y2t = a2 + b2 y1t + c2 x2t + u2t

avec u1t et u2t corrls.

1) (1 points) Ecrire les formes structurelle et rduite correspondantes.

Forme structurelle:

y1t b1 y2t = a1 + c1 x1t + u1t
y2t b2 y1t = a2 + c2 x2t + u2t

1
1 b1 y1t a1 c1 0 x1t + u1t .
=
b2 1 y2t a2 0 c2 u2t
| {z } | {z } x2t
=A =B

Forme rduite:

1
y1t u1t
= A1 B x1t + A1
y2t y2t
x2t

1 a1 + a2 b1 + c1 x1t + b1 c2 x2t + u1t + b1 u2t
=
1 b1 b2 a2 + a1 b2 + b2 c1 x1t + c2 x2t + b2 u1t + u2t

1 + 1 x1t + 1 x2t + v1t
= (disons).
2 + 2 x1t + 2 x2t + v2t

2) (0.5 points) Ces quations vrifient-elles la condition dordre?

Une variable exogne exclue de la premire quation (x2t ) pour une endogne inclue (y2t ). La condition
dordre est juste vrifie pour la premire quation. Idem pour la seconde.
3) (1 points) Montrer laide de la forme rduite que les paramtres sont en eet identifis.
On a:
a1 + a2 b1
1 =
1 b1 b2
c1
1 =
1 b1 b2
b1 c2
1 =
1 b1 b2
a2 + a1 b2
2 =
1 b1 b2
b2 c1
2 =
1 b1 b2
c2
2 =
1 b1 b2

5
Cest un systme de 6 quations (non linaires) 6 inconnues qui admet une solution unique ds linstant
que b1 b2 6= 1. En eet, 1 / 2 = b1 et 2 / 1 = b2 . Le dnominateur 1 b1 b2 sen dduit, puis c1 et c2 se
dduisent de 1 et 2 . Enfin a1 et a2 sobtiennent partir de 1 et 2 . Le modle est donc juste identifi
(au premier ordre). De la matrice de variance-covariance de (v1t , v2t ) et de b1 et b2 on dduit ensuite de
faon unique celle de (u1t , u2t ) .Le modle est donc aussi juste-identifi au second ordre.

B) Soit le modle :
y1t = a1 + b1 y2t + c1 x1t + u1t
y2t = a2 + c2 x1t + u2t
1) (0.5 points) La condition dordre reste-t-elle satisfaite pour chaque quation ?
La premire quation ne satisfait pas la condition dordre: aucune exogne exclue pour instrumenter y2t .
2) (1 points) Quels paramtres et fonctions des paramtres sont identifiables?
La forme rduite scrit:

y1t = a1 + b1 a2 + (b1 c2 + c1 ) x1t + u1t + b1 u2t
y2t = a2 + c2 x1t + u2t

Sont identifis a2 , c2 , a1 + b1 a2 et b1 c2 + c1 .

TROISIEME EXERCICE (2 points)

Soit bb un estimateur dun paramtre scalaire b convergent et asymptotiquement normal obtenu partir
dun chantillon de taille N . Soit 2 sa variance asymptotique.

1) (0.5 points) Quelle proprit du logarithme vous permet de proposer b = ln(bb) comme estimateur
convergent de = ln(b) ?
P P
b = ln bb
Le logarithme est continu, donc bb b implique = ln(b).
2) (1.5 point) Montrer que b est asymptotiquement normal et calculer sa variance asymptotique.
Le logarithme est continment direntiable sur R+ , on peut donc appliquer la mthode delta:

L
N bb b N 0, 2

implique

L
N b N 0, 2
avec 2
d ln(b) 2
2 = 2 = .
db b2
Pour retrouver cette formule, on se rappelle du dveloppement limit:

d ln(b) b
ln bb ' ln b + bb
db
do
d ln(b)
L
N b ' N bb b N 0, 2 .
db

QUATRIEME EXERCICE (4.5 points)

Soit yi une variable observable prenant les valeurs 0 ou 1. Soit xi lunique variable explicative suppose
prendre elle-mme que les valeurs 0 ou 1. On suppose quil existe une variable latente yi telle que:

yi |xi N (a + bxi , 1)

6
et :
1 si y 0
yi = i
0 si yi > 0
(ATTENTION au sens des ingalits!)
On dispose de 100 observation (yi , xi ) dcrites dans le tableau de contingence suivant:

y
0 1
0 26 26
x
1 32 16

1) (1 points) Calculer Pr {yi = 1|xi = 1}, Pr {yi = 1|xi = 0}, Pr {yi = 0|xi = 1} et Pr {yi = 0|xi = 0}.
On note la fonction de rpartition de la loi normale N (0, 1) et la densit.
Pr {yi = 1|xi = 1} = Pr {yi 0|xi = 1} = (a bxi ) = (a b) = 1 (a + b) .
Pr {yi = 0|xi = 1} = 1 Pr {yi = 1|xi = 1} = (a + b) .
Pr {yi = 1|xi = 0} = Pr {yi 0|xi = 0} = (a bxi ) = (a) = 1 (a) .
Pr {yi = 0|xi = 0} = 1 Pr {yi = 1|xi = 0} = (a) .
2) (1.5 points) En dduire la formule de la log-vraisemblance de lchantillon.
La log-vraisemblance scrit:
X
LN (a, b) = yi ln Pr {yi = 1|xi } + (1 yi ) ln Pr {yi = 0|xi }
i
= 16 ln [Pr {yi = 1|xi = 1}] + 32 ln [Pr {yi = 0|xi = 1}]
+26 ln [Pr {yi = 1|xi = 0}] + 26 ln [Pr {yi = 0|xi = 0}]
= 16 ln [1 (a + b)] + 32 ln (a + b) + 26 ln [1 (a)] + 26 ln (a) .

3) (1 points) Ecrire les conditions du premier ordre du programme de maximisation de la log-vraisemblance

par rapport = (a) et = (a + b) (cest plus simple). En dduire lestimateur du maximum de vraisem-
blance de a et b. (Sachez que 1 (2/3) = 0.43.)
En posant = (a) et = (a + b), les CPO du programme de maximisation de LN par rapport et
sont:
16 32 b= 32 2
+ = 0 =
1 b b
16 + 32 3
26 26 26 1
+ b=
= 0 =
1 b b
26 + 26 2
Do
a = 1 (1/2) = 0
b b
a=0
b .
a + bb = 1 (2/3) = 0.43
b b = 0.43

4) (1 points) Calculer la variance de b a, bb en fonction de celle de b ?
b,
Noter dabord que par application des rsultats du premier exercice:
(1) !
1

b
52 0 208 0
Vas b = (1) = 1
0 48
0 216

Les estimateurs b sont indpendants car construits partir dchantillons disjoints (les i tq xi = 1 pour
b et
et les i tq xi = 0 pour ).
On a de plus en gnral:

a 1 ()
= = g
b 1 () 1 ()

7
La mthode delta sapplique encore:
0
b
a g b
g
Vas b = Vas b
b (, ) (, )
! !0
1 1
1
() 0 b
() 0
= 1 1 Vas b 1 1
1 () 1 () () ()
! 1 !
1 1
(0) 0 b
(0) (0)
= 1 1 Vas b 1
(0) 1 (2/3) 0 1 (2/3)
1
1
1 1

.3989 0 208 0 .3989 .3989
'
1 1
0 1
0 1
.3989 .3636 216 .3636
3.02 3.02
' 102 .
3.02 6.52