Aller au contenu principal
📏 L1 • Data / Économétrie avancée Disponible

Passer d’une relation économique à une régression interprétable

Régression simple, méthode des MCO, interprétation des coefficients, R², corrélation et causalité.

1 QCM disponible 20 Questions dans les QCM

Banque publiée de la matière : 20 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.

Commencer à réviser

Choisis un QCM et tes scores s'enregistreront automatiquement.

← Toutes les matières L1
🤖 Auto Disponible

QCM introduction-econometrie L1 - Régression simple et moindres carrés ordinaires

QCM de 20 questions avec corrections détaillées sur Régression simple et moindres carrés ordinaires (introduction-econometrie). Révisez efficacement avec des explications pédagogiques pour le niveau L1.

20 questions Intermédiaire Jusqu'à 40 XP
Révision Challenge Examen
Voir ce QCM

Présentation de Introduction à l'économétrie

L'Introduction à l'économétrie en Licence 1 présente la démarche économétrique : modèle de régression linéaire simple, estimation par les moindres carrés ordinaires (MCO), interprétation des coefficients et de la pente, qualité d'ajustement (R²), distinction entre corrélation et causalité et premières hypothèses du modèle linéaire. Porte d'entrée vers l'analyse empirique en économie.

Objectifs pédagogiques

Découvrir la démarche économétrique : formuler un modèle, estimer ses paramètres par les moindres carrés ordinaires (MCO), interpréter les résultats et tester des hypothèses pour confronter la théorie économique aux données.

Auteurs de référence en Introduction à l'économétrie

Les penseurs et théoriciens incontournables abordés dans nos QCM et dans les programmes universitaires.

Régis Bourbonnais Jeffrey Wooldridge Damodar Gujarati William Greene

Notions et périmètre de Introduction à l'économétrie en Licence 1

Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.

Démarche économétrique et modèle linéaire
Régression simple et estimateur des MCO
Hypothèses du modèle classique (Gauss-Markov)
Interprétation des coefficients et qualité d'ajustement (R²)
Tests de Student et de Fisher
Introduction à la régression multiple
Prévision et intervalles de confiance

Compétences visées en Introduction à l'économétrie

  • Formuler un modèle linéaire simple et ses unités.
  • Calculer pente, constante et résidus des MCO.
  • Distinguer ajustement, prévision et causalité.
  • Interpréter un coefficient avec son incertitude.

Une relation économique n’est pas une identité comptable

L’économétrie confronte des hypothèses économiques à des données en tenant compte de l’aléa et des informations incomplètes. Une relation entre revenu et consommation peut être suggérée par la théorie, mais des ménages de même revenu consomment différemment. Le modèle $y_i=\beta_0+\beta_1x_i+u_i$ rassemble dans u les déterminants non représentés. L’indice i désigne ici un ménage, non une date. La nature des observations doit être précisée, car une coupe transversale, une série temporelle et un panel ne présentent pas les mêmes dépendances.

Les paramètres de population sont inconnus ; les coefficients estimés à partir d’un échantillon leur sont associés sans se confondre avec eux. La pente exprime une variation de y pour une unité supplémentaire de x dans la relation retenue. Si y est une dépense mensuelle en euros et x un revenu mensuel en centaines d’euros, la pente s’exprime en euros de dépense par centaine d’euros de revenu. La constante décrit la valeur ajustée pour x égal à zéro, même lorsque cette situation n’est pas observée et n’a pas d’interprétation économique réaliste.

Les moindres carrés construisent une droite de référence

Les moindres carrés ordinaires choisissent la droite qui minimise la somme des résidus au carré. Le résidu est la différence entre observation et valeur ajustée ; il n’est pas l’erreur théorique, qui dépend de paramètres inconnus. Avec une constante et une variation non nulle de x, la pente estimée est $\hat\beta_1=\sum_i(x_i-\bar x)(y_i-\bar y)/\sum_i(x_i-\bar x)^2$. La constante vaut ensuite la moyenne de y moins la pente multipliée par la moyenne de x.

La droite passe donc par le point des deux moyennes. Les résidus totalisent zéro et sont orthogonaux à x dans l’échantillon. Ces propriétés découlent du critère de minimisation ; elles ne prouvent pas que les facteurs omis soient indépendants de x dans la population. Élever les écarts au carré pénalise fortement les grandes erreurs, ce qui rend la méthode sensible à certaines observations extrêmes. Il faut examiner les données plutôt que de supposer qu’une minimisation réussie suffit à valider l’analyse.

Les hypothèses donnent une portée au calcul

L’hypothèse de moyenne conditionnelle nulle, E(u sachant x) = 0, signifie que les déterminants regroupés dans l’erreur ne varient pas systématiquement avec x en moyenne. Elle est essentielle pour interpréter la pente comme le paramètre de la relation conditionnelle spécifiée. Des ménages plus patients peuvent épargner davantage et obtenir des revenus différents ; omettre cette dimension peut alors modifier la relation estimée. La causalité inverse et les erreurs de mesure sont d’autres sources possibles de difficulté.

Dans le cadre classique, on ajoute un échantillonnage approprié, une variation suffisante du régresseur et des moments finis. L’homoscédasticité suppose que la variance conditionnelle de l’erreur soit constante ; elle n’est pas nécessaire au calcul des MCO, mais intervient dans leurs propriétés d’efficacité et certaines formules d’incertitude. La normalité est une hypothèse supplémentaire utile pour des tests exacts en petit échantillon. Elle n’est pas requise pour tracer une droite ni pour les propriétés de Gauss-Markov. Distinguer ces rôles évite de traiter toutes les hypothèses comme un bloc indifférencié.

Mesurer l’ajustement et lire l’incertitude

Avec une constante, le coefficient de détermination se calcule comme un moins la somme des carrés résiduels divisée par la somme des carrés de y autour de sa moyenne. Il mesure la part de variabilité empirique expliquée par la droite. Un R² élevé n’établit pas la causalité et un R² faible n’exclut pas une relation économiquement intéressante. Sa valeur dépend de la dispersion de la réponse et du périmètre de données ; comparer des R² sur des variables transformées exige de la prudence.

Une erreur-type mesure la variabilité d’un coefficient entre échantillons comparables, pas la dispersion des observations. Pour tester une pente donnée, on rapporte l’écart entre coefficient estimé et valeur nulle à son erreur-type. La référence exacte ou asymptotique dépend des hypothèses et de la covariance utilisée. Un intervalle de confiance donne une plage d’estimation selon une procédure de couverture ; il ne représente pas la plage où se situeront les revenus individuels. L’importance économique d’un effet doit être jugée en unités réelles, pas seulement avec une p-value.

Exemple calculé : revenu et dépense de transport

Trois observations fictives associent des revenus mensuels x de 1, 2 et 3 milliers d’euros à des dépenses de transport y de 100, 140 et 150 euros. Les moyennes sont 2 et 130. Les écarts de x sont −1, 0 et 1 ; ceux de y sont −30, 10 et 20. La somme des produits centrés vaut 30 + 0 + 20 = 50, tandis que la somme des carrés centrés de x vaut 2. La pente est donc 25 et la constante 130 − 25 × 2 = 80.

La droite ajustée donne 105, 130 et 155 euros. Les résidus sont −5, 10 et −5 euros, de somme nulle. Leur somme des carrés vaut 25 + 100 + 25 = 150 euros au carré. La variabilité totale vaut 900 + 100 + 400 = 1 400 euros au carré, donc le R² est 1 − 150/1 400, soit environ 0,893. Le modèle décrit une hausse ajustée de 25 euros de dépense pour 1 000 euros de revenu supplémentaire.

Pour un revenu de 2,5 milliers d’euros, la prédiction ponctuelle est 80 + 25 × 2,5 = 142,5 euros. Elle se situe dans le domaine observé. Une prédiction pour 10 milliers d’euros serait une extrapolation bien plus incertaine, même si la formule reste calculable. Ces trois ménages fictifs ne suffisent pas à établir une relation causale ou une prévision générale. Ils servent à distinguer clairement unité du coefficient, qualité d’ajustement et portée du raisonnement.

Méthode : interpréter une régression sans lui faire tout dire

Commencer par un nuage de points et un tableau des unités, effectifs et valeurs manquantes. Définir la cible : décrire une association, prévoir une valeur ou évaluer une intervention. Calculer ou vérifier les coefficients, puis reformuler la pente en une phrase avec l’unité de x et celle de y. Examiner si la constante a un sens dans le domaine étudié. Contrôler ensuite résidus, observations influentes et transformations possibles avant d’interpréter les tests.

Pour prévoir, distinguer l’incertitude sur la moyenne conditionnelle de celle concernant une nouvelle observation, qui inclut une erreur individuelle supplémentaire. Pour expliquer, discuter les facteurs omis et les raisons de croire ou non à l’exogénéité. Une régression multiple permettra de maintenir certaines caractéristiques constantes, mais ajouter des contrôles ne garantit pas automatiquement une lecture causale. Enfin, présenter la taille de l’échantillon et les limites de généralisation. Une conclusion sobre sur une association bien définie vaut mieux qu’une affirmation causale non soutenue par le dispositif.

Questions de cours

Pourquoi la somme des résidus est-elle nulle ?

Avec une constante, cette propriété découle des équations de minimisation des MCO. Elle n’est pas une preuve que l’erreur théorique soit exogène.

Un R² proche de un établit-il une causalité ?

Non. Il mesure un ajustement empirique. Une variable omise, une tendance commune ou une causalité inverse peuvent produire un ajustement élevé.

Quelle différence entre erreur et résidu ?

L’erreur est définie par le modèle et ses paramètres inconnus. Le résidu utilise les coefficients estimés et est observable après ajustement.

Pourquoi un intervalle de prévision est-il plus large ?

Il inclut l’aléa d’une nouvelle observation en plus de l’incertitude sur la moyenne conditionnelle estimée.

Fiches pour approfondir Introduction à l'économétrie

Bibliographie recommandée en Introduction à l'économétrie

Ouvrages de référence utilisés dans les universités françaises pour Licence 1

Économétrie

• Dunod •

ISBN : 978-2100823376

Introduction à l'économétrie

• De Boeck •

ISBN : 978-2807307643

Économétrie

• De Boeck •

ISBN : 978-2807322103

Ces lectures éclairent le périmètre traité. Le contenu est à confronter au cours de votre établissement ; il ne constitue pas un programme officiel.

Comment réviser Introduction à l'économétrie efficacement ?

Relire le cours

Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.

Mode Révision

Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.

Mode Examen

Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.