Aller au contenu principal
📐 L2 • Économétrie 1

QCM Économétrie L2 - Régression simple : 21 questions corrigées

QCM de 21 questions avec corrections détaillées sur Régression simple (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
📝 21 questions 📊 Niveau Intermediaire ⏱️ ~32 min ✨ Jusqu'à 42 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 Simple

La régression linéaire simple constitue la méthode économétrique fondamentale pour quantifier la relation entre une variable explicative et une variable expliquée. Elle permet d'estimer l'effet marginal d'un facteur sur un phénomène économique, tout en testant sa significativité statistique. Maîtriser cette technique est le préalable indispensable à toute analyse empirique en économie.

🎯 Objectifs pédagogiques

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

  • Formuler et interpréter un modèle de régression simple
  • Estimer les paramètres par la méthode des MCO
  • Comprendre les propriétés des estimateurs (BLUE)
  • Calculer et interpréter le R²
  • Réaliser des tests d'hypothèses sur les coefficients
  • Construire des intervalles de confiance et prévisions

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Modèle de régression
Y = β₀ + β₁X + ε, relation linéaire avec terme d'erreur
MCO
Moindres Carrés Ordinaires : minimiser Σ(yᵢ - ŷᵢ)²
Résidu
Différence entre valeur observée et valeur prédite : eᵢ = yᵢ - ŷᵢ
Coefficient de détermination R²
Part de la variance de Y expliquée par X
Test de Student
Test de significativité individuelle des coefficients
Hypothèses de Gauss-Markov
Conditions pour que les MCO soient BLUE
BLUE
Best Linear Unbiased Estimator : meilleur estimateur linéaire sans biais

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Le modèle de régression linéaire simple
  2. Estimation par les MCO : dérivation
  3. Interprétation des coefficients
  4. Hypothèses du modèle classique
  5. Propriétés des estimateurs MCO
  6. Coefficient de détermination R²
  7. Inférence : tests et intervalles de confiance
  8. Prévision et qualité de l'ajustement

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Carl Friedrich Gauss — Méthode des moindres carrés
Francis Galton — Régression vers la moyenne (1886)
Andrei Markov — Théorème de Gauss-Markov

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Confondre corrélation et causalité
  • Oublier de vérifier les hypothèses du modèle
  • Interpréter R² comme mesure de causalité
  • Extrapoler hors de l'échantillon

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Relation salaire-éducation (rendement de l'éducation)
  • Fonction de consommation keynésienne
  • Élasticité-prix de la demande
  • Courbe de Phillips empirique

Niveau de ce chapitre : 🟡 Niveau intermédiaire

À propos de ce QCM de Économétrie 1

QCM Économétrie L2 - Régression simple — 21 questions. Économétrie 1 · Licence 2 · Économie.

Quelques raisonnements travaillés dans ce QCM

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

Dans une régression simple avec constante et n=12, u|X suit N(0,σ²I), X étant de rang plein. β̂₁=1,50 et son erreur-type estimée vaut 0,40. Les quantiles cumulés t₁₀;₀,₉₇₅ et t₁₀;₀,₉₅ valent 2,228 et 1,812. Quel IC bilatéral à 95 %, arrondi à deux décimales ?
  1. L’intervalle [0,78 ; 2,22], en retenant le quantile cumulé 0,95.
  2. L’intervalle [0,72 ; 2,28], en retenant le quantile normal 1,96.
  3. L’intervalle [0,61 ; 2,39], en retenant le quantile cumulé 0,975.
  4. L’intervalle [1,32 ; 1,68], en divisant l’erreur-type par 2,228.

Réponse : L’intervalle [0,61 ; 2,39], en retenant le quantile cumulé 0,975.

La marge bilatérale est 2,228×0,40=0,8912 : les bornes 0,6088 et 2,3912 deviennent [0,61 ; 2,39]. Deux queues de 2,5 % conduisent au quantile cumulé 0,975 de Student à 10 degrés de liberté. A emploie le quantile d’un intervalle bilatéral à 90 %. B remplace la loi exacte par une approximation normale. D divise par le quantile au lieu de multiplier. La couverture de 95 % décrit les répétitions d’échantillonnage, pas une probabilité a posteriori de β₁.

Une régression de dépense donne Ŷ = 40 + 0,6(R − 100), pour des revenus R observés entre 80 et 140. Comment interpréter la constante après retour à la variable R non centrée ?
  1. Elle vaut −20 et prédit la dépense à R = 0, hors de l’intervalle des revenus observés.
  2. Elle vaut 40 et prédit la dépense à R = 0, au lieu du revenu de référence de 100.
  3. Elle vaut 100 et mesure la dépense moyenne, au centre de l’intervalle des revenus.
  4. Elle vaut 0,6 et mesure la dépense à R = 0, dans l’unité de mesure des revenus.

Réponse : Elle vaut −20 et prédit la dépense à R = 0, hors de l’intervalle des revenus observés.

Développer la droite donne Ŷ = −20 + 0,6R : la constante non centrée vaut donc −20. Elle correspond à une prédiction pour R = 0, hors du support observé ; ce montant ne décrit pas une dépense effectivement observée. B conserve la constante du modèle centré, qui correspond à R = 100. C transforme le revenu de référence en dépense et le confond avec une moyenne. D confond la pente avec l’ordonnée à l’origine et ses unités.

Une étude observationnelle estime Ŷ = 12 − 0,4X, où Y est un coût en milliers d’euros et X une durée en heures. Pour un passage de X à X + 3, quelle variation décrit la pente, sans hypothèse causale ?
  1. Une hausse prédite de 1,2 millier d’euros, soit la pente multipliée par trois.
  2. Une baisse prédite de 0,4 millier d’euros, soit la pente appliquée au changement.
  3. Une baisse prédite de 1,2 millier d’euros, soit la pente multipliée par trois.
  4. Une baisse prédite de 1,2 % du coût initial, soit la pente en variation relative.

Réponse : Une baisse prédite de 1,2 millier d’euros, soit la pente multipliée par trois.

La variation prédite vaut −0,4 × 3 = −1,2 millier d’euros : la pente donne un changement en unités de Y par unité de X. Cette relation descriptive ne suffit pas à identifier un effet causal. A inverse le signe de la pente. B traite le changement de trois heures comme une variation d’une heure. D interprète une régression en niveaux comme un modèle en pourcentage, alors qu’aucun logarithme ni rapport au coût initial ne figure dans l’équation.

Une régression MCO simple avec constante et régresseur non constant fournit X̄ = 4, Ȳ = 11 et une pente estimée de 1,5. Quelle constante garantit le passage de la droite par le point moyen ?
  1. Une constante de 5, obtenue en retranchant la contribution de X̄ à Ȳ.
  2. Une constante de 6, obtenue en retenant la contribution de X̄ à Ȳ.
  3. Une constante de 9,5, obtenue en retranchant la pente estimée à Ȳ.
  4. Une constante de 17, obtenue en ajoutant la contribution de X̄ à Ȳ.

Réponse : Une constante de 5, obtenue en retranchant la contribution de X̄ à Ȳ.

Le passage par (X̄, Ȳ) impose 11 = β̂₀ + 1,5 × 4, soit β̂₀ = 5. Il découle des équations normales des MCO avec constante, sans hypothèse de normalité des erreurs. B retient 1,5 × 4 = 6, la contribution du régresseur au point moyen, au lieu de l’ordonnée à l’origine. C soustrait la pente sans la multiplier par X̄. D additionne cette contribution à la moyenne de Y, inversant le déplacement nécessaire pour revenir de X̄ à zéro.