QCM Économétrie L2 - Autocorrelation
QCM de 11 questions avec corrections détaillées sur Autocorrelation (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
Vous voyez maintenant l'interface exactement comme vos étudiants. La navigation et les pages affichées sont celles d'un compte étudiant.
Régression linéaire simple et multiple, MCO, hypothèses et diagnostics.
Banque publiée de la matière : 154 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.
Choisis un QCM et tes scores s'enregistreront automatiquement.
QCM de 11 questions avec corrections détaillées sur Autocorrelation (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
QCM de 15 questions avec corrections détaillées sur Formes Fonctionnelles (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
QCM de 22 questions avec corrections détaillées sur Hypothèses MCO (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
QCM de 13 questions avec corrections détaillées sur Multicolinearite (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
QCM de 13 questions avec corrections détaillées sur Precision Estimateurs (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
QCM de 20 questions avec corrections détaillées sur Régression multiple (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
QCM de 21 questions avec corrections détaillées sur Régression simple (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
QCM de 13 questions avec corrections détaillées sur Residus (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
QCM de 13 questions avec corrections détaillées sur Test Fisher (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
QCM de 13 questions avec corrections détaillées sur Tests Coefficients (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2.
L’économétrie de première année apprend à résumer, par une droite, la façon dont une variable quantitative varie en moyenne avec une autre, puis à dire si ce résumé autorise une lecture causale. Le chapitre de synthèse d’OpenStax sur la régression présente l’association linéaire comme la forme la plus simple de liaison. En statistique, la droite s’écrit y égale a plus b x. Le coefficient b est la pente. La constante a est l’ordonnée à l’origine. La pente décrit de combien la variable dépendante y change, en moyenne, lorsque la variable indépendante x augmente d’une unité. L’ordonnée décrit y lorsque x vaut zéro, ce qui n’a de sens économique que si zéro appartient au domaine où la relation est pensable.
Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.
L’économétrie de première année apprend à résumer, par une droite, la façon dont une variable quantitative varie en moyenne avec une autre, puis à dire si ce résumé autorise une lecture causale. Le chapitre de synthèse d’OpenStax sur la régression présente l’association linéaire comme la forme la plus simple de liaison. En statistique, la droite s’écrit y égale a plus b x. Le coefficient b est la pente. La constante a est l’ordonnée à l’origine. La pente décrit de combien la variable dépendante y change, en moyenne, lorsque la variable indépendante x augmente d’une unité. L’ordonnée décrit y lorsque x vaut zéro, ce qui n’a de sens économique que si zéro appartient au domaine où la relation est pensable.
Le nuage de points montre d’abord le sens et la force de la liaison. La droite retenue est en général la droite des moindres carrés, parce qu’elle rend minimale la somme des carrés des erreurs. Le résidu, ou erreur, est la distance entre la valeur observée de y et la valeur estimée sur la droite. Cette droite sert à prédire à l’intérieur de l’ensemble des données. Le chapitre demande de ne pas l’utiliser pour des valeurs situées hors de cet ensemble. La pente et l’ordonnée calculées sur l’échantillon estiment la pente β et l’ordonnée α de la droite de la population. L’écart-type des résidus, racine de la somme des carrés des erreurs divisée par n moins 2, estime l’écart-type de y autour de la droite. Ces estimations supposent les conditions que le chapitre énumère, et non la seule existence de deux colonnes de chiffres.
Le coefficient de corrélation r mesure la force de l’association linéaire entre x et y. Il est compris entre moins un et plus un. Lorsqu’il est positif, x et y tendent à augmenter et à diminuer ensemble. Lorsqu’il est négatif, l’un augmente quand l’autre diminue. Le coefficient de détermination r deux est le carré de r. Exprimé en pourcentage, il représente, dans le chapitre, le pourcentage de la variation de y qui peut être associé à la variation de x au moyen de la droite. Une valeur proche de un dit que la droite suit de près le nuage. Elle ne dit pas pourquoi les deux séries vont ensemble, ni si une troisième variable commande les deux.
Le chapitre soumet la régression à cinq conditions. Dans la population, une relation linéaire modélise la valeur moyenne de y pour les différentes valeurs de x. Les résidus sont indépendants. Les valeurs de y sont distribuées normalement pour toute valeur de x. L’écart-type de y est le même pour chaque x. Les données viennent d’un échantillon aléatoire bien conçu ou d’une expérience randomisée. Sous ces conditions, on peut tester l’hypothèse nulle que le coefficient de corrélation de la population, rhô, est nul, c’est-à-dire qu’il n’y a pas de relation linéaire entre x et y dans la population. Le chapitre indique un test t de régression linéaire pour cette hypothèse. Un point dont la valeur absolue du résidu atteint ou dépasse deux écarts-types des résidus est traité comme une observation atypique. Le repérage d’un tel point fait partie de la lecture, avant toute phrase sur l’ensemble du nuage.
Le blog de l’Insee du 4 novembre 2026 pose la maxime que la corrélation n’est pas la causalité. Les statistiques publiques constatent des liens. Elles ne fournissent pas, seules, les explications. La corrélation indique dans quelle mesure les variations d’un indicateur sont associées à celles d’un autre. La page la décrit comme nulle en l’absence de relation, positive lorsque les indicateurs évoluent dans le même sens, négative lorsqu’ils évoluent en sens opposé, et égale à un lorsque les évolutions sont totalement alignées. La taille et le poids des personnes y sont corrélés positivement sans que le coefficient vaille un. La pression atmosphérique et l’altitude y sont corrélées négativement. Le chiffre ouvre une piste. Il ne dit pas pourquoi le lien existe.
L’article utilise l’exemple, devenu classique, d’une corrélation positive entre prix Nobel et consommation de chocolat par pays. Cette corrélation ne prouve pas que le chocolat rend plus intelligent. Une piste d’explication est la richesse, facteur tiers ou facteur confondant : elle finance en moyenne davantage l’éducation et la recherche, et elle permet d’acheter du chocolat au-delà du nécessaire. Le mécanisme crédible doit être cherché, et plusieurs mécanismes restent souvent possibles. La causalité inverse en est un : dans une étude sur les stupéfiants et le taux de chômage communal, une corrélation positive peut se lire comme un effet du chômage sur la consommation, ou comme un effet de la consommation sur la perte d’emploi. La modélisation citée n’identifie pas l’ordre chronologique. Les données agrégées ajoutent une autre limite, celle qu’une relation entre communes, ou entre pays, ne reflète pas nécessairement la relation entre les individus qui les composent.
Neutraliser des facteurs mesurés produit ce que l’Insee appelle une corrélation toutes choses observées égales par ailleurs. L’article l’illustre avec les salaires et la population des aires d’attraction des villes. En 2021, le salaire mensuel moyen du privé culminait à 3 222 euros dans l’aire de Paris. Il était en moyenne de 2 490 euros nets dans les aires de 700 000 habitants ou plus, et de 2 114 euros dans les aires de 50 000 habitants ou moins. Une partie de l’écart vient de la structure des emplois : les grandes villes concentrent des emplois mieux payés. Après prise en compte de la catégorie socioprofessionnelle, du sexe, de l’âge, du secteur et de la taille d’entreprise, l’écart diminue et subsiste. Un cadre ou chef d’entreprise percevait, toutes choses observées égales par ailleurs, 35,3 % de plus dans le pôle de Paris que dans le pôle d’une très grande aire hors Paris. Les auteurs ne concluent pas que tout facteur tiers a été éliminé : le prix des logements et le coût de la vie, plus élevés dans les aires peuplées, ne sont pas dans le modèle.
D’autres dispositifs du même article vont plus loin qu’un contrôle de variables observées, sans transformer chaque régression en preuve universelle. Pour la pollution de l’air et la santé, la météo peut faire monter ensemble la mortalité et certains polluants. Une modélisation qui s’appuie sur les conditions météorologiques d’altitude isole un effet des polluants sur les admissions aux urgences et la mortalité du jour même, avec des effets distincts selon les polluants. Pour la formation des demandeurs d’emploi, comparer les formés aux non-formés bruts mélange l’effet de la formation et le fait que les premiers sont plus jeunes, un peu plus souvent des hommes, plus diplômés et inscrits depuis moins longtemps. En les comparant à des non-formés de profil observable proche, l’écart de retour à l’emploi se réduit. Il reste positif à partir de six mois, et la probabilité d’avoir trouvé un emploi salarié dans les douze mois est en moyenne supérieure de 5,7 points à celle d’un non-formé semblable. L’article rappelle que la causalité est contextuelle et parfois instable dans le temps. Une expérimentation aléatoire ou un contrefactuel explicite, ce qui se serait passé sans l’intervention, rendent le protocole plus lisible lorsque l’objet est une politique.
La pente b du chapitre d’OpenStax est une variation moyenne de y pour une unité de x, le long de la droite ajustée. Elle devient une estimation de la pente de la population si les cinq conditions sont acceptées, et si l’échantillon a bien été tiré selon le plan prévu. Elle devient un effet causal seulement si le dispositif écarte les facteurs tiers, la causalité inverse et le biais de sélection, dans le sens où le blog de l’Insee emploie ces termes. Une régression qui ajoute des variables de contrôle observées reste, pour ce blog, descriptive lorsqu’elle ne prétend pas avoir traité les facteurs non mesurés. Le dire dans la phrase de conclusion fait partie du résultat, au même titre que le chiffre.
Le domaine de x borne en outre la prévision. Le chapitre d’OpenStax réserve la droite aux valeurs internes à l’ensemble observé. Prévoir loin au-delà du plus grand x, ou en deçà du plus petit, suppose que la linéarité moyenne continue là où aucune observation n’a servi à l’ajustement. Les résidus renseignent sur la qualité locale de cet ajustement. Un résidu dont la valeur absolue atteint deux écarts-types des résidus signale un point atypique au sens du chapitre. Un coefficient de détermination élevé dit qu’une grande part de la variation de y suit x dans l’échantillon. Le blog de l’Insee suffit à refuser d’en faire une cause : le chocolat et les prix Nobel peuvent s’aligner fortement parce qu’une richesse commune les pousse tous les deux. La force de l’alignement et le mécanisme sont deux comptes rendus distincts.
Trois observations fictives suffisent à montrer l’arithmétique, et à montrer sa limite. Les valeurs de x sont 1, 2 et 4. Les valeurs de y sont 2, 3 et 6. Les moyennes sont 7/3 et 11/3. La somme des produits des écarts à ces moyennes vaut 57/9. La somme des carrés des écarts de x vaut 42/9. La pente des moindres carrés est le rapport de ces deux sommes, 57/42, soit 19/14. L’ordonnée vaut 1/2. Les valeurs ajustées sont donc 1/2 plus 19/14 fois x. Les résidus, y observé moins y ajusté, valent 1/7, moins 3/14 et 1/14. Leur somme est nulle, comme on l’attend d’une droite avec constante ajustée par les moindres carrés. La somme des carrés des résidus vaut 1/14. Avec n moins 2 égal à 1, l’écart-type des résidus est la racine de 1/14, soit environ 0,267. Le double de cet écart vaut environ 0,535. Aucun résidu n’atteint ce seuil en valeur absolue. Au sens du critère du chapitre, ce nuage de trois points ne contient pas d’observation atypique.
La somme des carrés des écarts de y à sa moyenne vaut 26/3. La part de cette somme qui n’est pas laissée dans les résidus est 361/364, soit environ 99,2 %. Au vocabulaire d’OpenStax, presque toute la variation de y dans ce minuscule fichier est associée à x par la droite. Cette part n’est pas une probabilité que x cause y. Rien, dans les trois lignes, ne dit si x est une politique, un prix, ou un simple numéro. Un facteur tiers pourrait avoir fait croître x et y ensemble, exactement comme la richesse, dans le blog de l’Insee, peut aligner chocolat et prix Nobel. La droite ne doit pas non plus servir hors de l’intervalle des x observés, ici de 1 à 4. Calculer une prévision pour x égal à 10 donnerait 1/2 plus 19/14 fois 10, soit 197/14, mais le chapitre refuse cet usage. L’exemple est un ajustement exact au sens du critère. Il n’est pas une évaluation d’impact.
Formuler la question en une phrase qui contienne soit le mot association, soit le mot effet. Si le mot est association, tracer le nuage, écrire la droite a plus b x, calculer les résidus et comparer leur valeur absolue à deux écarts-types des résidus. Vérifier les cinq conditions du chapitre, ou dire laquelle manque : linéarité de la moyenne, indépendance, normalité de y à x donné, variance constante, échantillon aléatoire ou expérience randomisée. Lire b comme la variation moyenne de y pour une unité de x, et r deux comme la part de variation de y associée à x. Restreindre toute prévision à l’intervalle des x observés.
Si le mot est effet, reprendre la liste du blog de l’Insee avant d’employer ce mot dans la conclusion. Chercher un mécanisme, un facteur tiers, une causalité inverse, un changement de niveau entre le groupe et l’individu, et un biais de sélection lorsque les traités diffèrent déjà des non-traités. Un contrôle toutes choses observées égales par ailleurs enlève les facteurs mesurés. Il laisse les facteurs absents du fichier, comme le coût de la vie dans l’étude des salaires territoriaux. Une expérimentation ou une comparaison contrefactuelle change le statut de la preuve seulement si le protocole est vraiment celui-là. Jusqu’à ce point, la pente reste un résumé de co-mouvement. Le dire protège un calcul juste contre une interprétation trop forte.
La pente d’OpenStax décrit la variation moyenne de y le long de la droite lorsque x augmente d’une unité. Le blog de l’Insee rappelle qu’une corrélation, même nette, laisse ouvert le mécanisme : un facteur tiers ou une causalité inverse peuvent produire le même alignement.
Dans le chapitre, r deux est le carré de la corrélation et, en pourcentage, la part de la variation de y associée à x par la droite. Une part élevée dit que le nuage suit la droite. Elle ne mesure pas la probabilité qu’un mécanisme causal soit le bon.
Le chapitre réserve les prévisions à l’intérieur de l’ensemble des données. Hors de cet intervalle, la linéarité moyenne n’a pas été observée. Les conditions du modèle ne démontrent pas qu’elle continue au-delà du plus petit ou du plus grand x de l’échantillon.
Le blog de l’Insee présente ces résultats comme descriptifs. Dans l’étude des salaires, l’écart entre aires diminue après contrôle et subsiste, mais les auteurs signalent des facteurs non mesurés, dont le coût de la vie. La causalité demande un protocole supplémentaire, et elle peut dépendre du contexte.
Ouvrages de référence utilisés dans les universités françaises pour Licence 2
Ces lectures éclairent le périmètre traité. Le contenu est à confronter au cours de votre établissement ; il ne constitue pas un programme officiel.
Références consultées le
Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.
Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.
Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.
Nous utilisons uniquement des cookies essentiels et des analytics first-party anonymisées (aucun partage tiers). En savoir plus.