Professional Documents
Culture Documents
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.
Soyez bref.
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?
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).
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?
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
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.
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.
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
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)) .
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
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 .
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
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) .
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