Aller au contenu principal
📉 L3 • Data / Économétrie avancée Disponible

Identifier des paramètres lorsque les MCO ne suffisent plus

GMM, modèles à choix discrets (logit, probit), données de panel avancées (effets fixes, aléatoires, Hausman), endogénéité.

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 L3
🤖 Auto Disponible

QCM econometrie-avancee L3 - Données de panel, instruments et identification

QCM de 20 questions avec corrections détaillées sur Données de panel, instruments et identification (econometrie-avancee). Révisez efficacement avec des explications pédagogiques pour le niveau L3.

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

Présentation de Économétrie avancée

L'Économétrie avancée approfondit les modèles non linéaires et les données de panel : logit/probit, effets fixes et aléatoires (test de Hausman), variables instrumentales (2SLS), GMM, modèle de Heckman et correction de l'hétéroscédasticité.

Objectifs pédagogiques

Maîtriser les modèles économétriques avancés au-delà du cadre linéaire classique : variables instrumentales, modèles à équations simultanées, modèles à variable dépendante limitée et données de panel, pour traiter l'endogénéité et exploiter des structures de données complexes.

Auteurs de référence en Économétrie avancée

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

Jeffrey Wooldridge William Greene James Heckman Lars Peter Hansen

Notions et périmètre de Économétrie avancée en Licence 3

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

Endogénéité et variables instrumentales (2SLS)
Méthode des moments généralisés (GMM)
Modèles à équations simultanées
Données de panel : effets fixes et aléatoires
Test de Hausman
Modèles à variable dépendante qualitative (logit, probit)
Modèles Tobit et de sélection (Heckman)

Compétences visées en Économétrie avancée

  • Diagnostiquer une source d’endogénéité.
  • Distinguer pertinence et validité d’un instrument.
  • Interpréter la transformation within d’un panel.
  • Relier estimation, identification et inférence robuste.

Pourquoi une régression bien ajustée peut être trompeuse

L’endogénéité apparaît lorsque des variables explicatives sont liées à l’erreur du modèle structurel. Une aptitude non observée peut influencer à la fois diplôme et salaire ; prix et quantités peuvent être déterminés simultanément ; une mesure imparfaite d’un revenu peut modifier les propriétés de son coefficient. Dans ces situations, ajouter des observations ne rétablit pas automatiquement l’interprétation recherchée. Le problème n’est pas simplement une grande variance ou un mauvais ajustement : l’estimateur peut converger vers une quantité différente du paramètre économique visé.

Une stratégie d’identification explicite quelle variation des données permet d’isoler ce paramètre. Elle doit être formulée avant de choisir un estimateur. Des erreurs-types robustes corrigent certaines formules d’incertitude mais ne rendent pas exogène une variable endogène. De même, un coefficient statistiquement significatif peut rester structurellement mal interprété. La première étape est donc de décrire le mécanisme de décision, les facteurs non observés et les informations disponibles, puis de justifier les restrictions utilisées pour séparer les influences concurrentes.

Variables instrumentales et doubles moindres carrés

Un instrument Z doit apporter une variation de la variable endogène X et être orthogonal à l’erreur structurelle. Sa pertinence se traduit par une relation de première étape ; sa validité requiert une justification institutionnelle de l’exogénéité et de l’exclusion d’un effet direct sur Y. Une forte corrélation avec X ne prouve pas cette seconde condition. Avec un seul instrument et une seule variable endogène, le coefficient instrumental peut s’écrire comme le rapport de la covariance entre Z et Y à celle entre Z et X.

Les doubles moindres carrés projettent d’abord X sur les instruments et les contrôles exogènes, puis utilisent la composante prédite pour expliquer Y. Tous les contrôles pertinents doivent être traités de façon cohérente dans les étapes. Calculer ensuite des erreurs-types de MCO ordinaires sur les prédictions de première étape est incorrect : la procédure instrumentale requiert une covariance adaptée. Les instruments faibles peuvent rendre estimations et tests usuels très fragiles ; un diagnostic de première étape est indispensable, mais aucun seuil unique ne remplace une analyse adaptée au contexte.

Panels : apprendre des changements au sein des unités

Un panel observe plusieurs unités à plusieurs dates. Dans $y_{it}=\alpha_i+\beta x_{it}+u_{it}$, l’effet individuel α rassemble les caractéristiques stables non observées. La transformation within retire à chaque variable sa moyenne individuelle, ce qui élimine α. Le coefficient est alors identifié par les variations de x au sein des mêmes unités, et non par les différences permanentes entre elles. Une caractéristique constante dans le temps disparaît également : son coefficient propre ne peut pas être estimé dans cette spécification.

Les effets fixes ne suppriment pas les facteurs non observés qui changent avec le temps. Leur validité usuelle exige une exogénéité stricte conditionnelle aux effets individuels : les erreurs d’une date ne doivent pas être liées aux valeurs passées ou futures des régresseurs. Des effets temporels peuvent absorber des chocs communs. Les effets aléatoires imposent en plus une absence de corrélation appropriée entre hétérogénéité individuelle et régresseurs. Le test de Hausman compare certaines implications de ces modèles sous ses conditions, mais ne remplace pas la justification économique de leurs hypothèses.

GMM et inférence : utiliser des restrictions de moments

La méthode des moments généralisée part de restrictions telles que $E[Z_i u_i(\beta)]=0$. Elle choisit les paramètres qui rendent les moments empiriques proches de zéro selon une matrice de pondération. Les variables instrumentales constituent un cas de cette logique. Avec davantage de moments que de paramètres, on peut examiner des restrictions de suridentification, mais un test non significatif ne certifie pas la validité de tous les instruments. Sa puissance et les hypothèses sur la covariance doivent être prises en compte.

Dans un panel, les erreurs d’une même unité peuvent être corrélées sur plusieurs dates. Une covariance regroupée par unité autorise cette dépendance tout en reposant sur des conditions entre groupes et sur un nombre suffisant de groupes. Un très petit nombre de groupes rend l’approximation habituelle délicate. Introduire une variable dépendante retardée dans un panel court crée également un problème spécifique : sa transformation peut être corrélée à l’erreur transformée. Des méthodes dynamiques existent, mais multiplier les instruments sans contrôle peut affaiblir les diagnostics et surajuster les relations de première étape.

Réponses qualitatives, censure et sélection

Lorsque la réponse est binaire, les modèles logit et probit contraignent les probabilités entre zéro et un. Leurs coefficients agissent sur un indice latent ou une transformation de probabilité ; ils ne sont pas directement des variations en points de pourcentage. Les effets marginaux dépendent généralement des caractéristiques de l’observation. Le choix d’une forme non linéaire ne résout toutefois pas une endogénéité de la variable explicative : la distinction entre modèle de réponse et stratégie d’identification demeure essentielle.

La censure conserve l’unité observée mais remplace certaines valeurs par une limite ; la troncature exclut des unités de l’échantillon. Un modèle Tobit standard impose notamment une structure latente et des hypothèses distributionnelles fortes. La sélection dans l’observation du salaire, par exemple conditionnée à l’emploi, soulève encore une autre question. Une correction de sélection à la Heckman demande une modélisation du mécanisme de participation et gagne en crédibilité avec une restriction d’exclusion défendable. Employer ces méthodes comme corrections automatiques sans examiner la collecte risque de traiter le mauvais problème.

Exemple calculé : offre aléatoire et participation effective

Dans une expérience fictive, une offre de formation augmente la participation de 20 % à 60 %. Le salaire mensuel moyen atteint 2 100 euros dans le groupe auquel l’offre est assignée, contre 2 020 euros dans l’autre. L’effet de l’offre sur le salaire vaut donc 80 euros, tandis que son effet sur la participation vaut 0,40. Le rapport de Wald est 80/0,40 = 200 euros mensuels par participation induite.

L’interprétation causale de ce rapport exige davantage que le calcul : assignation exogène, effet de l’offre sur le salaire passant uniquement par la participation, absence d’interférences pertinentes et monotonie de la participation face à l’offre. Sous ces conditions, le résultat représente un effet moyen local pour les personnes dont la participation change grâce à l’offre. Il ne mesure pas nécessairement l’effet pour les personnes toujours participantes ou jamais participantes. Une offre comprenant aussi une aide financière directe violerait ici l’exclusion.

Si la participation ne passait que de 20 % à 22 %, un même écart salarial donnerait 4 000 euros, mais ce grand rapport serait très sensible à de petites erreurs d’estimation au dénominateur. Cette fragilité illustre le problème des instruments faibles. La présentation doit donc conserver les deux effets réduits, leurs incertitudes et les hypothèses, plutôt que de publier seulement le coefficient instrumental final.

Méthode : rédiger une stratégie d’identification

Définir la population et le paramètre recherché, puis dessiner la chaîne reliant traitement, résultat et facteurs omis. Justifier séparément chaque instrument et chaque effet fixe : quelle variation conserve-t-on, quelle influence élimine-t-on et laquelle demeure ? Examiner les distributions, la variation within et les premières étapes avant l’estimation finale. Décrire ensuite le niveau de regroupement des erreurs et le nombre de groupes disponibles.

Présenter des analyses de sensibilité qui interrogent réellement la stratégie : autres fenêtres temporelles, exclusions plausibles, contrôles prétraitement ou spécifications de covariance. Ne pas choisir uniquement la version qui produit une significativité. Enfin, distinguer les diagnostics réfutables des hypothèses non testables avec les seules données. Une conclusion convaincante peut reconnaître une identification locale ou conditionnelle ; elle ne doit pas transformer l’échec d’un test à rejeter une hypothèse en preuve générale de validité.

Questions de cours

Les erreurs-types robustes corrigent-elles l’endogénéité ?

Non. Elles adaptent l’inférence à certaines structures de variance ou de dépendance, sans changer la source de variation utilisée pour identifier le coefficient.

Un instrument très corrélé au traitement est-il valide ?

Il peut être pertinent mais invalide s’il influence directement le résultat ou s’il est lié à des facteurs omis. Ces conditions se justifient séparément.

Que retire un modèle à effets fixes individuels ?

L’hétérogénéité individuelle constante dans le temps. Les facteurs omis qui évoluent et les réactions endogènes aux chocs peuvent subsister.

Un effet instrumental concerne-t-il toute la population ?

Pas nécessairement. Dans un cadre binaire avec monotonie, l’effet identifié est souvent local aux individus dont le traitement change avec l’instrument.

Fiches pour approfondir Économétrie avancée

Bibliographie recommandée en Économétrie avancée

Ouvrages de référence utilisés dans les universités françaises pour Licence 3

Econometric Analysis of Cross Section and Panel Data

• MIT Press •

ISBN : 978-0262232586

Econometric Analysis

• Pearson •

ISBN : 978-0134461366

Statistique et probabilités en économie-gestion

• Dunod •

ISBN : 978-2100722689

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 avancée 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.