Aller au contenu principal
📐 L2 • Économétrie 1

QCM Économétrie L2 - Régression multiple : 20 questions corrigées

QCM de 20 questions avec corrections détaillées sur Régression multiple (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
📝 20 questions 📊 Niveau Intermediaire ⏱️ ~30 min ✨ Jusqu'à 40 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 Régression Linéaire Multiple

La régression multiple étend l'analyse à plusieurs variables explicatives, permettant de contrôler pour les facteurs confondants et d'isoler l'effet propre de chaque variable. Cette méthode est au cœur de la recherche empirique en économie, permettant de tester des théories et d'évaluer des politiques tout en tenant compte de la multiplicité des déterminants des phénomènes économiques.

🎯 Objectifs pédagogiques

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

  • Formuler un modèle de régression multiple
  • Interpréter les coefficients 'toutes choses égales par ailleurs'
  • Comprendre le problème de la multicolinéarité
  • Réaliser des tests de significativité globale (F) et individuelle (t)
  • Choisir les variables pertinentes
  • Détecter et traiter les violations des hypothèses

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Ceteris paribus
Interprétation 'toutes choses égales par ailleurs' des coefficients
Multicolinéarité
Corrélation élevée entre variables explicatives
Test de Fisher
Test de significativité globale du modèle
R² ajusté
R² corrigé pour le nombre de variables explicatives
Variable omise
Biais d'endogénéité dû à l'omission d'une variable pertinente
Dummy
Variable indicatrice (0/1) pour capter des effets qualitatifs

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Du modèle simple au modèle multiple
  2. Notation matricielle et estimation MCO
  3. Interprétation des coefficients partiels
  4. R² et R² ajusté
  5. Tests d'hypothèses : t et F
  6. Multicolinéarité : détection et conséquences
  7. Variables qualitatives et dummies
  8. Spécification et choix de modèle

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Ragnar Frisch — Économétrie et analyse multivariée
Jan Tinbergen — Premiers modèles macroéconométriques
Trygve Haavelmo — Fondements probabilistes de l'économétrie

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Ajouter des variables sans réflexion théorique
  • Ignorer la multicolinéarité et ses effets
  • Confondre R² élevé et bon modèle
  • Négliger le problème des variables omises

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Équation de salaire de Mincer (éducation, expérience)
  • Fonction de production estimée
  • Évaluation des politiques publiques
  • Modèles de prévision économique

Niveau de ce chapitre : 🟡 Niveau intermédiaire

À propos de ce QCM de Économétrie 1

QCM Économétrie L2 - Régression multiple — 20 questions. Économétrie 1 · Licence 2 · Économie.

Quelques raisonnements travaillés dans ce QCM

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

La fonction ajustée est Ŷ=20+3X+4D+2XD, Y en points, X en heures et D binaire. X augmente de 2 heures à D fixé. Quelles variations prédites obtient-on respectivement dans le groupe D=0 et le groupe D=1 ?
  1. D=0 : hausse de 6 points ; D=1 : hausse de 6 points.
  2. D=0 : hausse de 6 points ; D=1 : hausse de 14 points.
  3. D=0 : hausse de 6 points ; D=1 : hausse de 10 points.
  4. D=0 : hausse de 10 points ; D=1 : hausse de 6 points.

Réponse : D=0 : hausse de 6 points ; D=1 : hausse de 10 points.

La pente de X est 3+2D. Elle vaut 3 pour D=0 et 5 pour D=1 ; une hausse de deux heures donne donc 6 et 10 points. A oublie le terme d’interaction. B ajoute 4D à la variation alors que D est fixe : ce terme change le niveau, pas la pente. D attribue l’interaction au groupe dont l’indicatrice vaut zéro. L’écart entre les deux variations est 4 points, soit le coefficient d’interaction multiplié par les deux heures, et non le seul coefficient du produit.

Sur les mêmes 21 observations, deux MCO avec constante ont une SCT centrée de 100. Le modèle initial a un régresseur et une SCR de 40 ; l’ajout d’un régresseur donne une SCR de 39. En arrondissant à trois décimales, comment évoluent R² et R² ajusté ?
  1. R² : 0,600 → 0,610 ; R² ajusté : 0,579 → 0,589.
  2. R² : 0,600 → 0,610 ; R² ajusté : 0,600 → 0,610.
  3. R² : 0,600 → 0,610 ; R² ajusté : 0,579 → 0,567.
  4. R² : 0,600 → 0,590 ; R² ajusté : 0,579 → 0,567.

Réponse : R² : 0,600 → 0,610 ; R² ajusté : 0,579 → 0,567.

R²=1−SCR/SCT passe de 0,600 à 0,610. Avec k hors constante, R² ajusté=1−(20/(21−k−1))SCR/100 : il vaut 0,579 pour k=1 puis 0,567 pour k=2. La réduction de SCR ne compense pas la perte d’un degré de liberté. A reporte la hausse brute sur la mesure ajustée sans recalculer le dénominateur. B oublie toute correction de degrés de liberté. D inverse l’évolution du R² brut malgré la baisse de SCR. Ces mesures d’ajustement ne valident pas l’identification causale.

Le BIC (Critère de Bayes) diffère de l'AIC car il :
  1. Ne pénalise pas la complexité
  2. Est toujours inférieur à l'AIC
  3. Pénalise plus fortement la complexité du modèle
  4. Est identique à l'AIC

Réponse : Pénalise plus fortement la complexité du modèle

Le BIC pénalise plus les modèles complexes que l'AIC.

La fonction ajustée de dépense vaut Ŷ=5+0,8X₁+0,2X₂, avec Y, X₁ et X₂ en k€. À X₂ fixé, X₁ augmente de 3 k€. Quelle variation de dépense prédite traduit la pente partielle de X₁ ?
  1. Une hausse prédite de 2,4 k€, calculée par 0,8×3.
  2. Une hausse prédite de 3,0 k€, calculée par (0,8+0,2)×3.
  3. Une hausse prédite de 0,8 k€, calculée par 0,8×1.
  4. Une hausse prédite de 7,4 k€, calculée par 5+0,8×3.

Réponse : Une hausse prédite de 2,4 k€, calculée par 0,8×3.

La différence de prédictions annule la constante et le terme 0,2X₂ puisque X₂ est fixé. Il reste 0,8×3=2,4 k€. B fait varier le contrôle avec X₁ alors que le cas le maintient fixe. C donne la variation pour une unité, pas pour les trois k€ annoncés. D ajoute la constante, qui appartient au niveau prédit et disparaît dans la différence. Cette lecture est une association conditionnelle de la fonction ajustée ; une interprétation causale demanderait des hypothèses d’identification supplémentaires.