Aller au contenu principal
📐 L2 • Économétrie 1

QCM Économétrie L2 - Multicolinearite : 13 questions corrigées

QCM de 13 questions avec corrections détaillées sur Multicolinearite (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
📝 13 questions 📊 Niveau Intermediaire ⏱️ ~20 min ✨ Jusqu'à 26 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

La Multicolinéarité

La multicolinéarité désigne une corrélation élevée entre les variables explicatives d'un modèle de régression. Bien qu'elle ne biaise pas les estimateurs MCO, elle augmente leur variance, rendant les tests de significativité peu fiables. Détecter et traiter la multicolinéarité est essentiel pour obtenir des estimations précises et interprétables.

🎯 Objectifs pédagogiques

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

  • Définir la multicolinéarité parfaite et imparfaite
  • Comprendre ses conséquences sur les estimateurs
  • Maîtriser les outils de détection (VIF, matrice de corrélation)
  • Appliquer les remèdes appropriés
  • Distinguer multicolinéarité problématique et acceptable

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Multicolinéarité parfaite
Relation linéaire exacte entre régresseurs : estimateurs indéterminés
Multicolinéarité imparfaite
Forte corrélation : variances élevées mais estimateurs définis
VIF
Variance Inflation Factor : mesure de la multicolinéarité
Tolérance
1/VIF : valeur faible indique multicolinéarité élevée
Condition index
Diagnostic basé sur les valeurs propres de X'X

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Définition et sources de multicolinéarité
  2. Conséquences sur les estimateurs MCO
  3. Méthodes de détection
  4. Règles de décision (VIF > 10)
  5. Remèdes : suppression, régression ridge, ACP
  6. Multicolinéarité et interprétation

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Belsley, Kuh & Welsch — Regression Diagnostics (1980)
Arthur Goldberger — Analyse de la quasi-multicolinéarité

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Croire que la multicolinéarité biaise les estimateurs
  • Supprimer systématiquement une variable corrélée
  • Ignorer la multicolinéarité quand le R² global est bon

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Régression avec variables de tendance et saisonnières
  • Modèles avec interactions

Niveau de ce chapitre : 🟡 Niveau intermédiaire

À propos de ce QCM de Économétrie 1

QCM Économétrie L2 - Multicolinearite — 13 questions. Économétrie 1 · Licence 2 · Économie.

Quelques raisonnements travaillés dans ce QCM

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

Une régression MCO exogène homoscédastique avec constante, sur données i.i.d. et de rang plein, donne R² = 0,92. Pour Xⱼ, le R² auxiliaire vaut 0,96 et la pente estimée 1 avec erreur-type 2. Quel diagnostic articule ces résultats ?
  1. L’ajustement global élevé garantit une pente précise ; le VIF de cette pente vaut 25.
  2. L’ajustement global élevé coexiste avec une pente imprécise ; le VIF de celle-ci vaut 25.
  3. L’ajustement global élevé révèle une pente biaisée par colinéarité ; son VIF vaut 25.
  4. L’ajustement global élevé révèle un rang déficient du modèle ; le VIF de la pente vaut 25.

Réponse : L’ajustement global élevé coexiste avec une pente imprécise ; le VIF de celle-ci vaut 25.

Le R² global décrit l’ajustement, tandis que le R² auxiliaire donne VIF = 1/(1 − 0,96) = 25. L’erreur-type de 2, supérieure à la pente estimée de 1, indique une forte incertitude sur ce coefficient malgré l’ajustement élevé. A déduit la précision individuelle du R² global. C attribue un biais à la colinéarité imparfaite alors que l’exogénéité est posée. D confond une dépendance forte avec une dépendance exacte ; le rang plein et le VIF fini excluent ce diagnostic.

Une régression avec constante, deux régresseurs de rang plein, n=30 et u|X~N(0,σ²I) donne R²≈0,712, t₁=t₂=1,00 pour H0 : βⱼ=0, et F global≈33,33 pour H0 : β₁=β₂=0. Corr(X₁,X₂)=0,97. À 5 %, les critiques sont 2,052 pour |t| et 3,354 pour F. Quel diagnostic est compatible ?
  1. L’ajustement élevé établit la causalité ; les deux pentes ont une interprétation identifiée.
  2. La colinéarité limite la précision individuelle ; une utilité conjointe reste compatible.
  3. Les tests individuels établissent des pentes égales à zéro ; le modèle explique peu de Y.
  4. Le test global établit la normalité des erreurs ; les pentes sont individuellement précises.

Réponse : La colinéarité limite la précision individuelle ; une utilité conjointe reste compatible.

Les t valent 13,354 : les tests individuels ne rejettent pas mais le test global rejette. Avec des pentes de même signe et corrélation 0,97, ces t donnent F=1/(1−0,97)≈33,33 et R²≈0,712 : les résultats sont cohérents. A transforme le R² en preuve causale. C assimile absence de rejet et égalité à zéro, puis contredit l’ajustement observé. D attribue au test F une hypothèse de normalité et une conclusion individuelle qu’il ne teste pas. La colinéarité gêne la séparation des contributions.

Sous E(u|X)=0 et Var(u|X)=σ²I, un modèle avec constante de rang plein a R²ⱼ=0,84 dans la régression auxiliaire de Xⱼ. À σ² et dispersion de Xⱼ fixées, quels facteurs d’inflation obtient-on par rapport à l’orthogonalité des régresseurs ?
  1. Un facteur de 6,25 sur la variance et un facteur de 6,25 sur l’erreur-type.
  2. Un facteur de 6,25 sur la variance et un facteur de 2,5 sur l’erreur-type.
  3. Un facteur de 2,5 sur la variance et un facteur de 6,25 sur l’erreur-type.
  4. Un facteur de 0,16 sur la variance et un facteur de 0,4 sur l’erreur-type.

Réponse : Un facteur de 6,25 sur la variance et un facteur de 2,5 sur l’erreur-type.

Avec constante et variables centrées, le VIF vaut 1/(1 − R²ⱼ) = 1/0,16 = 6,25. Il multiplie la variance conditionnelle de la pente à σ² et dispersion de Xⱼ fixées ; l’erreur-type est multipliée par √6,25 = 2,5. A applique le facteur de variance à l’écart-type sans prendre la racine. C échange les facteurs de variance et d’erreur-type. D utilise 1 − R²ⱼ au lieu de son inverse et transforme ainsi une inflation en réduction. Ce calcul ne mesure pas un biais.

Un modèle exogène sans constante, de rang plein, a Var(β̂₁|X)=Var(β̂₂|X)=100 et Cov(β̂₁,β̂₂|X)=−99, reflet d’une forte colinéarité. Pour les profils nouveaux (1,1) et (1,−1), quelles variances des moyennes ajustées, hors bruit d’une observation nouvelle, obtient-on ?
  1. Profil (1,1) : variance 398 ; profil (1,−1) : variance 2.
  2. Profil (1,1) : variance 2 ; profil (1,−1) : variance 398.
  3. Profil (1,1) : variance 200 ; profil (1,−1) : variance 200.
  4. Profil (1,1) : variance 1 ; profil (1,−1) : variance 199.

Réponse : Profil (1,1) : variance 2 ; profil (1,−1) : variance 398.

La variance d’une moyenne ajustée x₁β̂₁+x₂β̂₂ vaut 100x₁²+100x₂²−198x₁x₂. Elle est 2 pour (1,1) et 398 pour (1,−1). La somme des coefficients peut donc être précise malgré l’imprécision de chacun ; une autre direction est très incertaine. A échange les signes du terme de covariance. C l’omet. D ne compte qu’une fois la covariance et une seule variance marginale. Ces résultats concernent la moyenne ajustée ; une observation future ajouterait sa propre variance d’erreur.