Aller au contenu principal
econometrie-1 · L2

Variance des estimateurs MCO, estimateur de σ² et propriété BLUE

La qualité d'une estimation par MCO ne se limite pas au biais : la variance de β̂ conditionne les intervalles de confiance et la puissance des tests. En L2, les…

6 questions Corrections détaillées Niveau L2
16 min de cours ~5 min de QCM 8 sections Intermédiaire
1 Introduction 16 min restant
1

variance

La qualité d'une estimation par MCO ne se limite pas au biais : la variance de β̂ conditionne les intervalles de confiance et la puissance des tests. En L2, les QCM sur la précision des estimateurs ciblent Var(β̂) (souvent via σ² et la variabilité…

2

Objectifs d'apprentissage

  • Reconnaître les facteurs qui augmentent ou diminuent Var(β̂₁) en régression simple
  • Définir l'estimateur de σ² et son dénominateur (n − k − 1)
  • Énoncer les hypothèses du théorème de Gauss-Markov et la conclusion BLUE
  • Distinguer efficacité (variance minimale) et non-biais dans une classe d'estimateurs
  • Relier précision, taille d'échantillon et dispersion des régresseurs
3

Concepts clés à maîtriser

Variance de β̂ en régression simple (aperçu)

Intermédiaire
Sous homoscédasticité et échantillonnage aléatoire, la variance de l'estimateur du slope dépend de σ² et de la variabilité de X autour de sa moyenne.
Plus les X sont dispersés, plus on estime précisément la pente ; plus le bruit σ² est grand, moins on est précis.
Questions types : effet d'un échantillon plus grand ou d'une plus grande dispersion des X.
Var(β̂₁) = σ² / Σ(Xᵢ − X̄)² (régression simple)

Estimateur de la variance des erreurs σ²

Intermédiaire
On estime σ² par la somme des carrés résiduels divisée par les degrés de liberté n − k − 1 pour corriger le biais de l'emploi des β̂.
Les résidus sous-estiment légèrement la variance si l'on divise par n ; le dénominateur ajusté rétablit l'espérance correcte sous les hypothèses.
Lier SCR, k et n dans les QCM de formules.
σ̂² = SCR / (n − k − 1)

Théorème de Gauss-Markov

Intermédiaire
Sous les hypothèses classiques (SLR.1–SLR.5 ou MLR.1–MLR.5 selon le manuel), les MCO sont BLUE : meilleurs estimateurs linéaires sans biais.
Parmi tous les estimateurs linéaires et non biaisés de β, les MCO ont la variance minimale.
Ne pas confondre « non biaisé » et « variance minimale » : BLUE combine les deux dans la classe linéaire.

BLUE vs efficacité globale

Intermédiaire
Gauss-Markov ne compare qu'aux estimateurs linéaires sans biais ; hors de cette classe, un estimateur biaisé peut avoir une erreur quadratique moyenne plus faible.
Ridge, shrinkage ou certains estimateurs non linéaires peuvent battre les MCO sur EQM si le biais est compensé.
Si la question porte sur BLUE, rester dans la classe linéaire et non biaisée.

Matrice de variance-covariance de β̂ (multiple)

Intermédiaire
En régression multiple, Var(β̂) est une matrice ; les erreurs types des β̂ⱼ en sont la racine carrée des termes diagonaux estimés.
Les covariances entre estimateurs expliquent pourquoi les t individuels ne suffisent pas toujours à tester des combinaisons linéaires.
Reconnaître le rôle de la multicolinéarité sur (X'X)⁻¹ (variances plus grandes).
V̂ar(β̂) = σ̂² (X'X)⁻¹

Rôle de n et du design

Intermédiaire
Augmenter n réduit en général les variances d'échantillonnage ; un mauvais design (X peu variable) gonfle Var(β̂).
Plus d'information indépendante ⇒ estimation plus stable ; peu de variation explicative ⇒ incertitude élevée.
Relier à la puissance des tests et à la largeur des intervalles de confiance.
Quick check

L'hypothèse d'homoscédasticité signifie que :

4

Auteurs et références

Carl Friedrich Gauss Moindres carrés et fondements de l'estimation
Andrey Markov Inégalités et propriétés des estimateurs linéaires
Henri Theil Économétrie mathématique et matrices des estimateurs
Arthur Goldberger Traitement de la régression et hypothèses classiques
  • Wooldridge, J. (2019) — Introductory Econometrics: A Modern Approach, Cengage
  • Greene, W. (2018) — Econometric Analysis, Pearson
  • Goldberger, A. (1991) — A Course in Econometrics, Harvard University Press
5

Pièges fréquents à éviter

Erreur Dire que les MCO sont « efficaces » sans préciser la classe d'estimateurs
Pourquoi L'efficacité de Gauss-Markov est relative aux estimateurs linéaires et sans biais ; ce n'est pas l'efficacité au sens Cramér-Rao sans hypothèses supplémentaires.
Solution Utiliser le terme BLUE et citer explicitement la classe concernée.
Erreur Utiliser SCR/n comme estimateur sans biais de σ² en régression avec constante et k régresseurs
Pourquoi Le dénominateur correct est n − k − 1 (ou n − k selon la convention du manuel pour le modèle avec constante comptée dans k).
Solution Retenir les degrés de liberté liés au nombre de paramètres estimés.
Erreur Croire que Gauss-Markov vaut si les erreurs sont hétéroscédastiques
Pourquoi L'homoscédasticité est une condition clé ; sinon les MCO restent souvent non biaisés mais ne sont plus BLUE.
Solution Lister les hypothèses avant de conclure BLUE.
Erreur Confondre variance des erreurs σ² et variance de β̂
Pourquoi σ² mesure le bruit du modèle ; Var(β̂) mesure l'incertitude d'estimation, fonction de σ² et du design.
Solution Préciser à chaque fois quel objet aléatoire est visé (u vs β̂).
Quick check

L'hypothèse d'homoscédasticité signifie que :

6

Questions types d'examen

  1. Quels facteurs réduisent Var(β̂₁) en régression simple sous hypothèses classiques ?
  2. Donnez l'estimateur habituel de σ² et justifiez le dénominateur.
  3. Énoncez le théorème de Gauss-Markov et la signification de BLUE.
  4. En quoi BLUE ne compare-t-il pas les MCO à tous les estimateurs possibles ?
  5. Comment la multicolinéarité affecte-t-elle la précision des estimateurs MCO ?
7

À retenir

La précision des MCO passe par Var(β̂), liée à σ² et à la variabilité des X (et à (X'X)⁻¹ en multiple). σ̂² = SCR/(n−k−1) estime σ² sans biais sous les hypothèses usuelles. Gauss-Markov : MCO = BLUE (linéaire, sans biais, variance minimale). Ne pas confondre σ² et Var(β̂), ni BLUE avec optimalité globale. QCM : formules, hypothèses et pièges sur les degrés de liberté.

8

Teste tes connaissances

6 questions disponibles

Choisis ton mode et entraîne-toi avec des corrections détaillées.

Cette notion est aussi traitée dans d'autres matières — choisis ta matière de pratique :
econometrie-1 6 Q Statistiques et probabilités 17 Q Statistiques Descriptives 3 Q
10

Questions fréquentes

Qu'est-ce que variance en econometrie-1 ?

La qualité d'une estimation par MCO ne se limite pas au biais : la variance de β̂ conditionne les intervalles de confiance et la puissance des tests. En L2, les QCM sur la précision des estimateurs ciblent Var(β̂) (souvent via…

Combien de questions sont disponibles ?

CampusQCM propose 6 questions corrigées sur variance avec explications pédagogiques détaillées.

Comment réviser variance efficacement ?

Commencez par le mode Révision, lisez les corrections, refaites les erreurs après quelques jours, puis passez en mode Examen.

Ce QCM est-il adapté au programme de L2 ?

Oui, nos questions correspondent au programme officiel de L2 du cursus Economie.

Les QCM fonctionnent-ils sur mobile ?

Oui, CampusQCM est entièrement optimisé pour smartphones et tablettes. Révisez variance où que vous soyez, vos scores se synchronisent entre vos appareils.

Les QCM sont-ils gratuits ?

Oui, tous nos QCM sont entièrement gratuits. Créer un compte vous permet de sauvegarder vos scores et suivre votre progression, mais ce n'est pas obligatoire.

← Notion précédente résidus Notion suivante → autocorrélation

Continuer à réviser

🧠 Toutes les notions · Économétrie 1 📖 Hub Économétrie 1 📝 QCM · Régression simple 🔗 Hub global des notions 📘 Matières L2 📊 Parcours Économie ✍️ Conseils de révision Créer un compte gratuit Se connecter