interprétation
L\'interprétation est l\'étape la plus critique de l\'analyse économétrique : un modèle n\'a de valeur que si ses résultats sont correctement traduits en conclusions économiques. En L2, les pièges d\'interprétation sont nombreux : confondre corrélation et causalité, surinterpréter un R² élevé, ignorer l\'endogénéité, mal interpréter les coefficients dans un modèle log-linéaire ou avec des variables d\'interaction. L\'interprétation exige de comprendre précisément ce que mesure chaque coefficient (« toutes choses égales par ailleurs »), de distinguer significativité statistique et significativité économique, et de ne jamais conclure à la causalité sans stratégie d\'identification rigoureuse.
🎯 Objectifs d'apprentissage
- Interpréter les coefficients d\'une régression linéaire (niveau-niveau, log-log, semi-log)
- Distinguer corrélation et causalité
- Comprendre la clause « ceteris paribus » et ses conditions de validité
- Distinguer significativité statistique et pertinence économique
- Interpréter correctement R², p-values et intervalles de confiance
- Identifier les sources de biais d\'interprétation (endogénéité, omission, sélection)
📚 Concepts clés à maîtriser
Interprétation selon la spécification
Définition : Niveau-niveau : ΔY = β₁ΔX. Log-log : %ΔY = β₁ × %ΔX (élasticité). Log-niveau : %ΔY = β₁ × ΔX (semi-élasticité). Niveau-log : ΔY = (β₁/100) × %ΔX.
Intuition économique : En log-log, β₁ = 0,5 signifie qu\'une hausse de 10 % de X entraîne une hausse de 5 % de Y. En niveau, β₁ = 3 signifie qu\'une unité de plus de X ajoute 3 unités de Y.
Formule :
log-log : ln(Y) = β₀ + β₁ln(X) → β₁ = élasticité. Semi-log : ln(Y) = β₀ + β₁X → β₁ ≈ variation en % de Y pour 1 unité de X.
Application L2 : L\'interprétation dépend entièrement de la transformation appliquée. Ne jamais interpréter un coefficient log comme un coefficient niveau.
Ceteris paribus
Définition : « Toutes choses égales par ailleurs ». Le coefficient β₁ dans une régression multiple mesure l\'effet de X₁ sur Y en maintenant toutes les autres variables explicatives constantes.
Intuition économique : Le coefficient de l\'éducation sur le salaire mesure l\'effet d\'une année d\'études supplémentaire à expérience, genre, secteur constants. C\'est un effet partiel isolé.
Application L2 : Le ceteris paribus n\'est valide que si le modèle inclut toutes les variables confondantes pertinentes (pas de variable omise corrélée).
Corrélation vs causalité
Définition : Une corrélation entre X et Y peut résulter de : X cause Y, Y cause X, Z cause les deux (facteur confondant), ou coïncidence. La régression MCO mesure une association, pas une causalité.
Intuition économique : Le nombre de noyades est corrélé aux ventes de glaces. Ce n\'est pas la glace qui noie les gens : la chaleur cause les deux.
Application L2 : Pour établir la causalité : expérience randomisée (gold standard), variables instrumentales, diff-in-diff, régression sur discontinuité.
Significativité statistique vs économique
Définition : Un coefficient peut être statistiquement significatif (p < 0,05) mais économiquement négligeable. Inversement, un effet économiquement important peut ne pas être significatif si l\'échantillon est petit.
Intuition économique : Avec 1 million d\'observations, un effet de 0,001 % est significatif à p < 0,001. C\'est statistiquement certain mais économiquement sans intérêt.
Application L2 : McCloskey et Ziliak (2008) : « The Cult of Statistical Significance ». Toujours rapporter la taille de l\'effet, pas seulement la p-value.
Biais de variable omise
Définition : Si une variable Z affecte Y et est corrélée avec X mais n\'est pas dans le modèle, le coefficient de X est biaisé. Le biais = β₂ × δ, où β₂ = effet de Z sur Y et δ = coefficient de la régression de Z sur X.
Intuition économique : Si vous régressez salaire sur éducation sans contrôler la capacité innée, l\'éducation « vole » l\'effet de la capacité et son coefficient est surestimé.
Formule :
Biais(β̂₁) = β₂ × Cov(X,Z)/Var(X).
Application L2 : Source majeure d\'endogénéité. Solutions : ajout de contrôles, IV, effets fixes panel.
👨🏫 Auteurs et références universitaires
⚠️ Pièges fréquents à éviter
❌ Erreur : Interpréter un coefficient de régression comme un effet causal
💡 Pourquoi c'est faux : Sans stratégie d\'identification (IV, expérience, diff-in-diff), le coefficient MCO reflète une association qui peut être biaisée par l\'endogénéité.
✅ Comment éviter : Utiliser un langage prudent : « est associé à » plutôt que « cause ». Discuter les menaces à l\'interprétation causale.
❌ Erreur : Interpréter un coefficient en log comme un coefficient en niveau
💡 Pourquoi c'est faux : β₁ = 0,05 dans ln(Y) = β₀ + β₁X signifie qu\'une unité de X augmente Y d\'environ 5 %. En niveau, ce serait 0,05 unités de Y.
✅ Comment éviter : Toujours vérifier la spécification (niveau, log, semi-log) avant d\'interpréter. Tableau récapitulatif indispensable.
❌ Erreur : Conclure qu\'un R² faible signifie un mauvais modèle
💡 Pourquoi c'est faux : Un R² faible signifie que X explique peu de la variance de Y, mais le coefficient peut être précis, significatif et économiquement important.
✅ Comment éviter : Le R² est une mesure d\'ajustement global, pas de la qualité d\'un coefficient. Se concentrer sur les coefficients et leur significativité.
📝 Questions types d'examen (Licence 2)
- Interprétez β₁ dans les quatre spécifications : Y = β₁X, ln(Y) = β₁X, Y = β₁ln(X), ln(Y) = β₁ln(X).
- Pourquoi la corrélation ne suffit-elle pas à établir la causalité ? Quelles stratégies permettent une interprétation causale ?
- Qu\'est-ce que le biais de variable omise ? Montrez comment il affecte l\'estimateur MCO.
- Pourquoi distinguer significativité statistique et significativité économique ? Illustrez avec un exemple.
- Un R² de 0,15 signifie-t-il que le modèle est mauvais ? Discutez.
📌 À retenir
L\'interprétation dépend de la spécification (niveau, log : β₁ = élasticité en log-log). Le ceteris paribus suppose l\'absence de variable omise. Corrélation ≠ causalité : la causalité exige une stratégie d\'identification (IV, expérience, DiD). Significativité statistique ≠ pertinence économique (McCloskey-Ziliak). Le biais de variable omise est la menace principale. L\'examinateur attend l\'interprétation correcte selon la spécification, la prudence causale et la distinction statistique/économique.