Aller au contenu principal
📐 L2 • Économétrie 1

QCM Économétrie L2 - Test Fisher : 13 questions corrigées

QCM de 13 questions avec corrections détaillées sur Test Fisher (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

Test de Fisher

Le test de Fisher (test F) permet de tester des hypothèses jointes sur plusieurs coefficients simultanément. Il est notamment utilisé pour tester la significativité globale du modèle (tous les coefficients nuls sauf la constante) ou pour comparer des modèles emboîtés. La statistique F suit une loi de Fisher sous l'hypothèse nulle.

🎯 Objectifs pédagogiques

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

  • Formuler des hypothèses jointes
  • Calculer la statistique F
  • Tester la significativité globale du modèle
  • Comparer des modèles avec restrictions linéaires
  • Interpréter le test de Chow

📚 Concepts clés à maîtriser

Notions fondamentales avec leurs définitions académiques :

Statistique F
F = [(SCR₀ - SCR₁)/q] / [SCR₁/(n-k-1)]
Degrés de liberté
(q, n-k-1) où q = nombre de restrictions
Significativité globale
H₀ : β₁ = β₂ = ... = βₖ = 0
Modèles emboîtés
Comparaison d'un modèle contraint et non contraint
Test de Chow
Test de stabilité structurelle (rupture)

📋 Plan type du cours

Structure du cours en Licence 2 :

  1. La loi de Fisher
  2. Construction de la statistique F
  3. Test de significativité globale
  4. Test de restrictions linéaires
  5. Comparaison de modèles emboîtés
  6. Test de Chow

👨‍🏫 Auteurs de référence

Économistes fondamentaux à connaître :

Ronald Fisher — Statistical Methods for Research Workers (1925)
Gregory Chow — Tests of Equality Between Sets of Coefficients (1960)

⚠️ Pièges fréquents

Erreurs classiques à éviter aux examens :

  • Confondre test t et test F pour un seul coefficient
  • Oublier que F = t² pour une restriction
  • Appliquer le test de Chow sans vérifier l'homoscédasticité

💼 Applications concrètes

Exemples d'application dans le monde réel :

  • Test de significativité globale d'une régression
  • Test de rupture structurelle

Niveau de ce chapitre : 🟡 Niveau intermédiaire

À propos de ce QCM de Économétrie 1

QCM Économétrie L2 - Test Fisher — 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 statistique de Fisher F en régression s'écrit :
  1. F = R² / (1 - R²)
  2. F = [R²/(k)] / [(1-R²)/(n-k-1)] où k = nombre de régresseurs
  3. F = SCR / SCE
  4. F = β̂ / SE(β̂)

Réponse : F = [R²/(k)] / [(1-R²)/(n-k-1)] où k = nombre de régresseurs

F = (SCE/k) / (SCR/(n-k-1)) = [R²/k] / [(1-R²)/(n-k-1)]. Sous H₀, F suit une loi de Fisher F(k, n-k-1).

La SCE (somme des carrés expliqués) et la SCR (somme des carrés des résidus) vérifient :
  1. SCE = SCR
  2. SCT = SCE + SCR (décomposition de la variance totale)
  3. SCE > SCT toujours
  4. SCR = 0 si R² = 0

Réponse : SCT = SCE + SCR (décomposition de la variance totale)

SCT = Σ(Yᵢ-ȳ)², SCE = Σ(Ŷᵢ-ȳ)², SCR = Σêᵢ². On a SCT = SCE + SCR. R² = SCE/SCT = 1 - SCR/SCT.

Si le test F global est non significatif (p-value > 0,05) alors :
  1. Tous les coefficients sont forcément nuls
  2. On ne peut pas rejeter H₀ : le modèle n'a pas de pouvoir explicatif significatif (collectivement)
  3. Le R² est forcément négatif
  4. Il y a une erreur de calcul

Réponse : On ne peut pas rejeter H₀ : le modèle n'a pas de pouvoir explicatif significatif (collectivement)

F non significatif ⇒ on ne rejette pas H₀ : β₁ = ... = βₖ = 0. Les variables explicatives, prises ensemble, n'ont pas d'effet significatif. Un coefficient individuel peut quand même être significatif (rare).

Un F très élevé (ex : F = 50) avec une p-value très faible indique :
  1. Le modèle est inutile
  2. Le modèle a un pouvoir explicatif très significatif ; on rejette fortement H₀
  3. Il y a une multicolinéarité parfaite
  4. Les résidus sont autocorrélés

Réponse : Le modèle a un pouvoir explicatif très significatif ; on rejette fortement H₀

F élevé ⇒ SCE relativement grande par rapport à SCR ⇒ le modèle explique bien la variance de Y. P-value faible ⇒ rejet fort de H₀.