Aller au contenu principal
📐 L2 • Économétrie 1

QCM Économétrie L2 - Residus : 13 questions corrigées

QCM de 13 questions avec corrections détaillées sur Residus (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

Analyse des Résidus

L'analyse des résidus est essentielle pour valider les hypothèses du modèle de régression. Les résidus doivent être normalement distribués, homoscédastiques, non autocorrélés et centrés. Leur examen graphique (nuage, Q-Q plot, histogramme) et les tests formels permettent de détecter les violations et d'ajuster le modèle.

🎯 Objectifs pédagogiques

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

  • Comprendre le rôle des résidus dans la validation
  • Réaliser une analyse graphique des résidus
  • Tester la normalité des résidus
  • Détecter l'hétéroscédasticité et l'autocorrélation
  • Identifier les observations influentes

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Résidu
eᵢ = yᵢ - ŷᵢ, différence observé - prédit
Résidus standardisés
eᵢ / σ̂, permet les comparaisons
Q-Q plot
Graphique quantile-quantile pour tester la normalité
Observation influente
Point qui modifie fortement les estimations (leverage, Cook)
Test de Jarque-Bera
Test de normalité basé sur skewness et kurtosis

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. Définition des résidus
  2. Analyse graphique : nuages, histogrammes
  3. Tests de normalité (Jarque-Bera, Shapiro-Wilk)
  4. Détection de l'hétéroscédasticité
  5. Détection de l'autocorrélation
  6. Observations aberrantes et influentes

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

R.D. Cook — Influential Observations in Linear Regression
Jarque & Bera — Test de normalité (1980)

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Ignorer l'analyse des résidus
  • Conclure trop vite sur un petit échantillon
  • Supprimer les outliers sans justification

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Validation du modèle avant inférence
  • Détection des problèmes de spécification

Niveau de ce chapitre : 🟡 Niveau intermédiaire

À propos de ce QCM de Économétrie 1

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

Quelques raisonnements travaillés dans ce QCM

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

La somme des carrés des résidus (SCR) est définie par :
  1. Σ(Yᵢ - ȳ)²
  2. Σ(Yᵢ - Ŷᵢ)² = Σêᵢ²
  3. Σ(Ŷᵢ - ȳ)²
  4. Le R²

Réponse : Σ(Yᵢ - Ŷᵢ)² = Σêᵢ²

SCR = Σêᵢ² = Σ(Yᵢ - Ŷᵢ)² mesure la part de Y non expliquée par le modèle. SCT = Σ(Yᵢ-ȳ)², SCE = Σ(Ŷᵢ-ȳ)², et SCT = SCE + SCR.

Les résidus sont orthogonaux aux variables explicatives : Σ xᵢⱼ êᵢ = 0. Cela découle de :
  1. L'hypothèse de normalité
  2. Les conditions du premier ordre des MCO (minimisation de la SCR)
  3. L'homoscédasticité
  4. La loi des grands nombres

Réponse : Les conditions du premier ordre des MCO (minimisation de la SCR)

Les MCO minimisent SCR = Σêᵢ². Les conditions ∂SCR/∂βⱼ = 0 donnent X'ê = 0, soit Σ xᵢⱼ êᵢ = 0 pour chaque j. Les résidus sont orthogonaux à X.

La régression ajustée est Ŷ=3+2X, avec Y en k€ et X en années. Une observation a X=4 et Y=12 k€. Quel résidu MCO signé calcule-t-on, en le distinguant de l’erreur structurelle inobservable ?
  1. Un résidu de −1 k€ : valeur prédite moins valeur observée.
  2. Un résidu de +1 k€ : valeur observée moins valeur prédite.
  3. Un résidu de +4 k€ : valeur observée moins contribution de la pente.
  4. Un résidu de +12 k€ : valeur observée prise comme erreur structurelle.

Réponse : Un résidu de +1 k€ : valeur observée moins valeur prédite.

La valeur ajustée est 3+2×4=11 k€, d’où e=12−11=+1 k€. Le résidu dépend de coefficients estimés ; l’erreur structurelle dépend des paramètres vrais et n’est pas observée directement. A inverse le signe conventionnel de Y−Ŷ. C oublie la constante en calculant la prédiction. D assimile Y à l’erreur sans retrancher la partie expliquée et confond erreur vraie et résidu. Le calcul est algébrique : il ne requiert pas de normalité, d’homoscédasticité ou d’interprétation causale de la pente.

Le test de normalité des résidus (Jarque-Bera, Shapiro-Wilk) est important car :
  1. Les MCO ne convergent que si les résidus sont normaux
  2. Les tests de Student et Fisher reposent sur l'hypothèse de normalité des erreurs pour des échantillons de taille finie
  3. Le R² n'est valide que sous normalité
  4. La multicolinéarité dépend de la normalité

Réponse : Les tests de Student et Fisher reposent sur l'hypothèse de normalité des erreurs pour des échantillons de taille finie

Sous normalité de ε, β̂ suit une loi normale et les statistiques t et F ont exactement les lois de Student et Fisher. Sinon, c'est asymptotique (n grand).