Aller au contenu principal
📉 L2 • Data / Économétrie avancée Disponible

Interpréter une régression multiple et adapter son inférence

Régression multiple, hypothèses de Gauss-Markov, tests (Student, Fisher), multicolinéarité, hétéroscédasticité.

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 L2
🤖 Auto Disponible

QCM econometrie-lineaire L2 - Régression multiple et tests des coefficients

QCM de 20 questions avec corrections détaillées sur Régression multiple et tests des coefficients (econometrie-lineaire). Révisez efficacement avec des explications pédagogiques pour le niveau L2.

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

Présentation de Économétrie linéaire

L'Économétrie linéaire en Licence 2 approfondit le modèle de régression multiple : estimation MCO en écriture matricielle, hypothèses de Gauss-Markov et théorème BLUE, tests de significativité (Student, Fisher), variables muettes, détection et correction de la multicolinéarité, de l'hétéroscédasticité (White, Breusch-Pagan) et de l'autocorrélation (Durbin-Watson). Cœur de l'analyse empirique en économie.

Objectifs pédagogiques

Maîtriser le modèle de régression linéaire multiple : estimation par les MCO, détection et traitement des violations d'hypothèses (hétéroscédasticité, autocorrélation, multicolinéarité) pour produire des estimations fiables.

Auteurs de référence en Économétrie linéaire

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

Jeffrey Wooldridge William Greene Régis Bourbonnais Christophe Hurlin

Notions et périmètre de Économétrie linéaire en Licence 2

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

Modèle linéaire multiple en notation matricielle
Estimateur des MCO : propriétés (BLUE)
Théorème de Gauss-Markov
Multicolinéarité : détection et conséquences
Hétéroscédasticité : tests (White, Breusch-Pagan) et correction
Autocorrélation : test de Durbin-Watson, estimateurs robustes
Variables muettes et changements structurels (test de Chow)

Compétences visées en Économétrie linéaire

  • Lire les coefficients conditionnels d’un modèle multiple.
  • Identifier les conditions du théorème de Gauss-Markov.
  • Distinguer tests individuels et restrictions conjointes.
  • Choisir des diagnostics et covariances adaptés aux données.

Maintenir les autres caractéristiques constantes

La régression multiple introduit plusieurs variables explicatives pour décrire une réponse. Dans un modèle de salaire, expérience, diplôme et durée de travail peuvent être inclus ensemble. Le coefficient de l’expérience mesure alors une variation ajustée à diplôme et durée de travail maintenus constants dans la spécification. Cette lecture conditionnelle diffère d’une comparaison brute entre personnes expérimentées et débutantes. Elle demande aussi suffisamment de variation indépendante : si tous les diplômés ont exactement la même expérience, les données ne permettent pas de distinguer certains effets.

La notation $y=X\beta+u$ rassemble n observations et k paramètres, constante comprise. Les MCO minimisent la norme quadratique des résidus. Si X possède un rang colonne complet, l’estimateur est $\hat\beta=(X^{\mathsf T}X)^{-1}X^{\mathsf T}y$. Cette formule décrit le résultat mathématique ; une factorisation numérique est généralement préférable à un inverse explicite. Une variable omise ne crée un biais de pente que si elle affecte la réponse et reste liée au régresseur concerné après prise en compte des contrôles pertinents.

Gauss-Markov : un résultat sous conditions précises

Dans une formulation conditionnelle, le théorème de Gauss-Markov suppose une relation linéaire en paramètres, un rang complet, une erreur de moyenne nulle sachant X et une covariance conditionnelle proportionnelle à la matrice identité. Cette dernière condition combine variance constante et absence de corrélation entre erreurs. Les MCO ont alors la plus faible variance parmi les estimateurs linéaires sans biais. Le mot meilleur concerne cette classe et ce critère, pas tous les objectifs possibles ni tous les estimateurs imaginables.

La normalité des erreurs n’est pas nécessaire à ce résultat. Elle intervient notamment pour obtenir des distributions exactes des tests classiques en petit échantillon. L’hétéroscédasticité n’empêche pas nécessairement l’absence de biais sous exogénéité, mais invalide la formule de covariance homoscédastique et peut faire perdre l’efficacité. L’endogénéité est différente : elle menace le paramètre ciblé lui-même. Il faut donc identifier la condition qui manque avant de choisir une correction, plutôt que de considérer tous les diagnostics défavorables comme équivalents.

Indicatrices, interactions et transformations

Une variable indicatrice représente une catégorie par zéro ou un. Avec une constante, une catégorie doit servir de référence pour éviter une colinéarité parfaite entre toutes les indicatrices. Le coefficient mesure une différence ajustée relativement à cette référence. Une interaction entre expérience et diplôme permet à la pente d’expérience de varier selon le diplôme ; son coefficient ne remplace pas les effets principaux. Oublier l’interaction dans l’interprétation conduit à présenter un effet unique là où le modèle en prévoit plusieurs.

La linéarité en paramètres autorise des carrés ou des logarithmes de variables. Avec un terme x², l’effet marginal dépend du niveau de x. Dans un modèle log-log, un coefficient est une élasticité conditionnelle ; dans un modèle où seul y est en logarithme, l’effet d’une unité de x sur y est approximativement 100 fois le coefficient en pourcentage pour une petite variation. Pour une indicatrice dans ce dernier modèle, la transformation exponentielle donne une différence relative sur l’échelle ajustée, sous réserve des nuances nécessaires pour revenir à une moyenne en niveau.

Tests individuels, restrictions conjointes et précision

Le test de Student compare un coefficient à une valeur de référence en divisant leur différence par une erreur-type adaptée. Un test conjoint examine plusieurs restrictions simultanément, par exemple l’absence de tous les effets d’un groupe d’indicatrices. Des tests séparés ne sont pas équivalents, car les coefficients estimés peuvent être corrélés. Dans le cadre homoscédastique classique, le test de Fisher compare l’augmentation de la somme des carrés résiduels lorsque l’on impose les restrictions à l’erreur résiduelle du modèle non restreint.

La multicolinéarité parfaite empêche l’identification unique ; une forte colinéarité non parfaite augmente souvent la variance des coefficients concernés. Le facteur d’inflation de variance d’un régresseur vaut un divisé par un moins le R² de sa régression sur les autres régresseurs. Il signale une difficulté de séparation des effets, pas une causalité ou un biais automatique. Supprimer une variable économiquement nécessaire uniquement pour réduire cet indicateur peut créer un biais d’omission. Une forte précision des prédictions peut d’ailleurs coexister avec des coefficients individuels instables.

Exemple calculé : effet conditionnel et test conjoint

Un modèle fictif de salaire horaire en euros est estimé sous la forme salaire = 9 + 0,5 expérience + 2 diplôme, où expérience est en années et diplôme vaut zéro ou un. Pour une personne diplômée ayant six années d’expérience, la valeur ajustée est 9 + 0,5 × 6 + 2 = 14 euros par heure. À expérience constante, le diplôme correspond à deux euros horaires supplémentaires ; la pente d’expérience vaut 0,5 euro horaire par année, dans les deux groupes puisque le modèle ne contient pas d’interaction.

Sur 100 observations, le modèle non restreint possède trois paramètres et une somme des carrés résiduels de 970. Le modèle avec seulement une constante a une somme de 1 164. Pour tester conjointement les deux pentes nulles sous les hypothèses classiques, on calcule F = ((1 164 − 970)/2)/(970/(100 − 3)). Le numérateur vaut 97 et le dénominateur 10, donc F = 9,7, à comparer à une loi de Fisher avec 2 et 97 degrés de liberté.

Cette valeur dépasse le seuil critique d’environ 3,09 à 5 %, donc le test classique rejette les deux restrictions conjointes. Il ne dit pas que chaque coefficient est individuellement significatif, ni que les deux effets sont causaux. Si la variance des erreurs varie avec l’expérience, cette comparaison de sommes de carrés n’est plus la procédure robuste appropriée : on utilise un test de restrictions fondé sur une covariance adaptée. Les unités des sommes de carrés s’annulent dans le rapport F, qui est sans unité.

Méthode : diagnostiquer puis adapter la covariance

Examiner les résidus selon les valeurs ajustées et les principaux régresseurs. Une dispersion croissante suggère une hétéroscédasticité ; les tests de Breusch-Pagan ou de White examinent certaines relations de variance sous leurs conditions. Une covariance robuste à l’hétéroscédasticité permet alors une inférence asymptotique sans imposer une variance constante. Elle ne corrige ni mauvaise forme fonctionnelle ni variable omise endogène. Les moindres carrés pondérés peuvent améliorer l’efficacité si une structure de variance crédible est connue ou correctement estimée.

Lorsque les observations sont temporelles, examiner l’autocorrélation ; Durbin-Watson possède un domaine d’application limité, notamment selon les régresseurs présents. Des covariances HAC ou regroupées répondent à d’autres structures de dépendance. Un changement de régime peut être étudié par interactions ou restrictions de stabilité, avec un test de Chow dans son cadre classique. Enfin, documenter échantillon, variables exclues, degrés de liberté et covariance utilisée. La robustesse doit désigner une vérification identifiable, non une garantie générale attachée au nom d’une option logicielle.

Questions de cours

BLUE signifie-t-il que les MCO sont toujours les meilleurs ?

Non. Le résultat concerne les estimateurs linéaires sans biais sous les hypothèses de Gauss-Markov et compare leurs variances.

Une forte multicolinéarité crée-t-elle nécessairement un biais ?

Non. Sous exogénéité, elle affecte surtout la précision et la stabilité. La colinéarité parfaite empêche en revanche d’identifier séparément certains coefficients.

Pourquoi tester conjointement plusieurs coefficients ?

Une hypothèse économique peut imposer plusieurs restrictions simultanées. Le test tient compte de leur covariance, contrairement à une simple collection de tests individuels.

Une covariance robuste change-t-elle les coefficients MCO ?

Pas si seuls les calculs de covariance sont modifiés. Elle change les erreurs-types, intervalles et tests, sans résoudre une éventuelle endogénéité.

Fiches pour approfondir Économétrie linéaire

Bibliographie recommandée en Économétrie linéaire

Ouvrages de référence utilisés dans les universités françaises pour Licence 2

Econometric Analysis

• Pearson •

ISBN : 978-0134461366

Introduction à l'économétrie

• De Boeck •

ISBN : 978-2807307643

Économétrie

• Dunod •

ISBN : 978-2100823376

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 Économétrie linéaire 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.