Aller au contenu principal
📐 L2 • Économétrie 1

QCM Économétrie L2 - Hypothèses MCO : 22 questions corrigées

QCM de 22 questions avec corrections détaillées sur Hypothèses MCO (Économétrie). Révisez efficacement avec des explications pédagogiques pour le niveau L2. Entraînez-vous avec des explications pédagogiques détaillées.

Voir la matière
✍️ Méthode de rédaction et limites • 🎓 +0 réalisations
📝 22 questions 📊 Niveau Intermediaire ⏱️ ~33 min ✨ Jusqu'à 44 XP

🎯 Prêt à commencer ?

En révision, le corrigé s'affiche après chaque réponse. En challenge et en examen, il n'arrive qu'à la fin.

← Retour aux QCM de Économétrie 1

Hypothèses des Moindres Carrés Ordinaires

Les propriétés des estimateurs MCO (sans biais, efficacité, convergence) reposent sur un ensemble d'hypothèses connues sous le nom d'hypothèses de Gauss-Markov. La violation de ces hypothèses (hétéroscédasticité, autocorrélation, endogénéité) compromet la validité des inférences statistiques. Diagnostiquer et corriger ces problèmes est essentiel pour toute analyse économétrique rigoureuse.

🎯 Objectifs pédagogiques

À la fin de ce chapitre, vous devez être capable de :

  • Énoncer les hypothèses de Gauss-Markov
  • Comprendre les propriétés BLUE des estimateurs
  • Identifier les conséquences des violations
  • Maîtriser les tests de diagnostic
  • Appliquer les méthodes de correction

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

BLUE
Best Linear Unbiased Estimator : meilleur estimateur linéaire sans biais
Homoscédasticité
Variance constante des erreurs : Var(εᵢ) = σ²
Non-autocorrélation
Absence de corrélation entre les erreurs : Cov(εᵢ, εⱼ) = 0
Exogénéité
Les régresseurs ne sont pas corrélés aux erreurs : E(X'ε) = 0
Normalité des erreurs
Hypothèse nécessaire pour l'inférence en petit échantillon

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Les hypothèses classiques du modèle linéaire
  2. Théorème de Gauss-Markov
  3. Hétéroscédasticité : tests et corrections
  4. Autocorrélation : tests et corrections
  5. Endogénéité et variables instrumentales
  6. Normalité et tests de spécification

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Gauss & Markov — Théorème fondamental des MCO
Halbert White — Estimateur robuste à l'hétéroscédasticité
Durbin & Watson — Test d'autocorrélation

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Croire que la normalité est toujours nécessaire
  • Ignorer les tests de diagnostic
  • Confondre les conséquences sur les estimateurs et sur les écarts-types

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Écarts-types robustes de White
  • Correction de Newey-West

Niveau de ce chapitre : 🟡 Niveau intermédiaire

À propos de ce QCM de Économétrie 1

QCM Économétrie L2 - Hypothèses MCO — 22 questions. Économétrie 1 · Licence 2 · Économie.

Quelques raisonnements travaillés dans ce QCM

Cherchez une réponse, puis ouvrez la correction pour comparer votre raisonnement.

On pose X~N(0,1) et u=X²−1+v, avec v indépendant de X, centré et de variance finie. On a E(u)=0 et Cov(X,u)=0. Dans une régression simple avec constante, que révèle cette construction sur l’hypothèse E(u|X)=0 ?
  1. L’exogénéité tient : E(u|X)=0 découle de la covariance entre X et u.
  2. L’exogénéité tient : E(u|X)=0 découle de la moyenne globale de u.
  3. L’exogénéité échoue : E(u|X)=X²−1 malgré une covariance X,u nulle.
  4. L’exogénéité échoue : E(u|X)=X malgré la symétrie de la loi de X.

Réponse : L’exogénéité échoue : E(u|X)=X²−1 malgré une covariance X,u nulle.

Conditionner sur X fixe X²−1, tandis que E(v|X)=0 par indépendance et centrage. Ainsi E(u|X)=X²−1, fonction non identiquement nulle. Pourtant E(X²)=1 et E(X³)=E(X)=0 donnent E(u)=0 et Cov(X,u)=0. A prend l’orthogonalité comme condition suffisante de moyenne conditionnelle nulle. B confond centrage global et conditionnel. D remplace à tort le terme quadratique par X. Ce contre-exemple sépare deux conditions : l’exogénéité implique l’orthogonalité, pas sa réciproque.

Pour Breusch–Pagan studentisé (Koenker), l’auxiliaire des résidus au carré sur une constante et deux variables de variance, de rang plein, donne n=200 et R²=0,04. Moyenne bien spécifiée, observations indépendantes, régularité admise. Au seuil asymptotique 5 %, χ²₂=5,991, quelle décision ?
  1. LM=8 ; rejeter l’homoscédasticité dans la direction testée.
  2. LM=8 ; ne pas rejeter l’homoscédasticité dans la direction testée.
  3. LM=0,08 ; ne pas rejeter l’homoscédasticité dans la direction testée.
  4. LM=50 ; rejeter la nullité des pentes de la régression de Y.

Réponse : LM=8 ; rejeter l’homoscédasticité dans la direction testée.

La version studentisée utilise LM=nR²=200×0,04=8. Sous l’homoscédasticité et les conditions asymptotiques, la référence est χ² à deux degrés de liberté, hors constante : 8 dépasse 5,991. B inverse la règle de rejet. C remplace n par le nombre de variables de variance. D calcule 2/R² et confond un test de variance avec un test des pentes de Y. La variante de Koenker n’exige pas la normalité de la version originale ; le rejet vise la variance dans les directions de l’auxiliaire.

Deux régressions ont X fixé de rang plein, n > p et E(u|X)=0. Dans I, u|X est gaussien à variances positives inégales et erreurs indépendantes ; dans II, u|X est i.i.d. non normal de variance σ² > 0. Quelle comparaison fonde la démonstration gaussienne de la loi t exacte avec l’erreur-type usuelle ?
  1. Pour I, les hypothèses sont réunies ; pour II, les hypothèses sont réunies.
  2. Pour I, les hypothèses sont réunies ; pour II, il manque la normalité.
  3. Pour I, il manque l’égalité des variances ; pour II, les hypothèses sont réunies.
  4. Pour I, il manque l’égalité des variances ; pour II, il manque la normalité.

Réponse : Pour I, il manque l’égalité des variances ; pour II, il manque la normalité.

La démonstration usuelle combine normalité conditionnelle et covariance σ²I. I satisfait la normalité mais manque l’égalité des variances ; II satisfait l’égalité des variances mais manque la normalité. A valide deux modèles auxquels manque une condition. B repère le défaut de II mais oublie l’hétéroscédasticité de I. C repère le défaut de I mais confond homoscédasticité et normalité dans II. Une approximation asymptotique relève d’un autre argument, avec une variance adaptée.

L’auxiliaire MCO de Xⱼ sur les autres régresseurs et une constante donne R²ⱼ=0,84. Sous Var(u|X)=σ²I, à σ² et dispersion de Xⱼ fixées, quels multiplicateurs de variance et d’écart-type sont associés à ce VIF ?
  1. Variance multipliée par 6,25 ; écart-type multiplié par 2,50.
  2. Variance multipliée par 6,25 ; écart-type multiplié par 6,25.
  3. Variance multipliée par 2,50 ; écart-type multiplié par 1,58.
  4. Variance multipliée par 0,16 ; écart-type multiplié par 0,40.

Réponse : Variance multipliée par 6,25 ; écart-type multiplié par 2,50.

Le VIF est 1/(1−0,84)=6,25. Il multiplie la variance de la pente, tandis que l’écart-type est multiplié par √6,25=2,50. B applique à l’écart-type le facteur de variance. C prend une racine avant d’obtenir la variance, puis une seconde pour l’écart-type. D utilise le complément de R² et annonce une amélioration de précision au lieu d’une inflation. R²ⱼ vient de la projection de Xⱼ sur les autres X, pas de la régression de Y ; ces facteurs ne sont pas des preuves de biais.