Aller au contenu principal
📐 L2 • Économétrie 1

QCM Économétrie L2 - Precision Estimateurs : 13 questions corrigées

QCM de 13 questions avec corrections détaillées sur Precision Estimateurs (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

Précision des Estimateurs

La précision des estimateurs MCO se mesure par leur variance ou leur écart-type (erreur standard). Plus la variance est faible, plus les estimations sont précises et les intervalles de confiance serrés. Plusieurs facteurs affectent la précision : taille de l'échantillon, variance des régresseurs, variance des erreurs, multicolinéarité.

🎯 Objectifs pédagogiques

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

  • Comprendre la formule de la variance des estimateurs
  • Identifier les facteurs affectant la précision
  • Distinguer efficience et précision
  • Améliorer la précision des estimations
  • Interpréter les erreurs standard

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Variance de β̂
Var(β̂) = σ² / (Σ(xᵢ - x̄)²)
Erreur standard
se(β̂) = √Var(β̂), estimée avec s²
Efficience
Parmi les estimateurs sans biais, celui de plus faible variance
Effet de n
Plus l'échantillon est grand, plus la précision est élevée
Effet de la multicolinéarité
Gonflage de la variance (VIF)

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Variance des estimateurs MCO
  2. Facteurs de précision : n, Var(X), σ²
  3. Théorème de Gauss-Markov et efficience
  4. Impact de la multicolinéarité
  5. Estimateurs robustes
  6. Comment améliorer la précision

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Gauss & Markov — Propriétés BLUE
Halbert White — Écarts-types robustes

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Confondre variance de β̂ et variance de ε
  • Croire que l'augmentation de variables améliore toujours la précision
  • Ignorer l'effet de la multicolinéarité

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Calcul de la taille d'échantillon requise
  • Choix des variables pour améliorer la précision

Niveau de ce chapitre : 🟡 Niveau intermédiaire

À propos de ce QCM de Économétrie 1

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

Quelques raisonnements travaillés dans ce QCM

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

Si l'hétéroscédasticité est présente, les estimateurs MCO restent :
  1. Biaisés et incohérents
  2. Sans biais mais les erreurs-types usuelles sont biaisées (tests et IC incorrects)
  3. Efficaces
  4. Identiques aux MCO avec homoscédasticité

Réponse : Sans biais mais les erreurs-types usuelles sont biaisées (tests et IC incorrects)

Sous hétéroscédasticité, β̂ reste sans biais mais Var(β̂) ≠ σ²(X'X)⁻¹. Les SE habituels sont faux. Il faut utiliser les erreurs-types robustes (White).

En régression simple, la formule Var(β̂₁) = σ² / Σ(xᵢ - x̄)² montre que :
  1. Plus la variance de X est grande, plus β̂₁ est imprécis
  2. Plus la variance de X est grande, plus β̂₁ est précis (écart-type plus faible)
  3. La variance de X n'a pas d'effet sur la précision
  4. Var(β̂₁) ne dépend pas de σ²

Réponse : Plus la variance de X est grande, plus β̂₁ est précis (écart-type plus faible)

Var(β̂₁) = σ²/Σ(xᵢ-x̄)². Plus Σ(xᵢ-x̄)² (variation de X) est grand, plus le dénominateur est grand, donc Var(β̂₁) est petit : l'estimateur est plus précis.

Le théorème de Gauss-Markov établit que les MCO sont BLUE. Que signifie BLUE ?
  1. Best Linear Unbiased Estimator (meilleur estimateur linéaire sans biais)
  2. Biais Linéaire Uniquement Estimé
  3. Borne Limite Uniforme des Erreurs
  4. Bootstrap Linear Unbiased Estimate

Réponse : Best Linear Unbiased Estimator (meilleur estimateur linéaire sans biais)

BLUE = Best Linear Unbiased Estimator. Sous homoscédasticité et non-corrélation des erreurs, les MCO ont la plus petite variance parmi les estimateurs linéaires sans biais.

Ajouter une variable explicative non corrélée avec Y mais corrélée avec les autres X :
  1. Améliore toujours la précision des estimateurs
  2. Peut augmenter les écarts-types des autres coefficients (multicolinéarité) et réduire les ddl
  3. Ne change rien au modèle
  4. Réduit toujours le R²

Réponse : Peut augmenter les écarts-types des autres coefficients (multicolinéarité) et réduire les ddl

Une variable « parasite » augmente la multicolinéarité et consomme un degré de liberté. Les SE des autres coefficients peuvent augmenter. R² ajusté peut baisser.