Tarjetas de memoria: Économétrie et régression linéaire — 48 tarjetas

Économétrie — définition ?

Méthodes statistiques appliquées à l’économie.

Étapes de l’étude économétrique

Modèle, données, estimation, tests, interprétation.

Données en panel — caractéristiques ?

Combinaison séries temporelles et transversales.

Objectifs de l’économétrie

Estimer, confronter, tester, prévoir.

Modèle linéaire simple — formule ?

Y_t = α + βX_t + u_t

MCO — objectif principal ?

Minimiser la somme des carrés des résidus

Propriétés estimateurs — sans biais ?

E(α̂)=α, E(β̂)=β

Test de Student — utilisation principale ?

Tester la significativité d’un coefficient

Propriétés des estimateurs — définition ?

Caractéristiques comme biais, variance, cohérence.

Biais d’un estimateur — quand ?

Lorsque son espérance n’égale pas le vrai paramètre.

Homoscédasticité — rôle ?

Variance constante des erreurs conditionnelles.

Multicolinéarité — différence exacte ?

Variables explicatives liées par une relation linéaire parfaite.

Tests, échelles, intervalles — définition ?

Méthodes pour évaluer la significativité et la précision des estimations.

Intervalle de confiance — rôle ?

Estimé la plage plausible pour un paramètre avec un certain niveau de confiance.

Test t — utilisation ?

Vérifier la significativité d’un coefficient individuel.

Test F — différence entre modèles ?

Comparer la qualité d’ajustement de modèles imbriqués ou multiples.

Prévision — rôle ?

Estimer la valeur future d'une variable.

Causalité — distinction ?

Corrélation ne prouve pas causalité.

Modèles multiples — avantage ?

Capturent l'effet de plusieurs variables.

Prévision vs prédiction — différence ?

Prévision pour une valeur spécifique, prédiction pour la moyenne.

Modèle de régression multiple — définition ?

Modèle avec plusieurs variables explicatives.

Coefficient de régression multiple — rôle ?

Mesure l'effet moyen d'une variable en tenant les autres constantes.

Interaction — signification en régression ?

Effet combiné de deux variables sur Y.

Multicolinéarité — conséquence ?

Difficulte à estimer séparément les coefficients.

Ajustement des modèles — étape clé ?

Évaluer la qualité de l'ajustement et choisir le meilleur modèle.

Critère R² — but ?

Mesurer la proportion de variance expliquée par le modèle.

Sélection de modèles — critère ?

Prendre en compte R² ajusté pour éviter la suradaptation.

Erreur de spécification — conséquence ?

Biais dans les coefficients et prévisions invalides.

Tests d’hypothèses — rôle ?

Vérifier la validité des paramètres estimés.

Statistique t — utilisation ?

Tester la significativité d’un coefficient.

Test F — objectif ?

Évaluer la significativité globale du modèle.

Intervalle de confiance — but ?

Estimuler une plage plausible pour un paramètre.

Spécification — définition ?

Choix correct des variables et forme du modèle

Multicolinéarité — effet ?

Variables explicatives fortement corrélées, difficulté d'estimation

Multicolinéarité exacte — conséquence ?

Impossible d'estimer séparément certains coefficients

Variables indicatrices — rôle ?

Représenter des catégories qualitatives dans le modèle

Variables qualitatives — définition ?

Variables catégoriques prenant des valeurs discrètes.

Indicateurs — rôle ?

Représentent une catégorie par une variable binaire.

Variables qualitatives — nombre de catégories ?

J, représentées par J−1 indicatrices.

Effet d’interaction — but ?

Modéliser des différences de pente ou d’intercept entre groupes.

Interactions — définition ?

Effets combinés de variables qualitatives.

Interaction — rôle ?

Moduler l'effet d'une variable selon une autre.

Interaction — mécanisme ?

Ajout d’un terme produit dans le modèle.

Interaction — différence ?

Effet variable selon groupes définis par qualitatives.

Hétéroscédasticité — définition ?

Variance des erreurs variable selon observations.

Conséquences de l'hétéroscédasticité ?

Tests de signification invalides, inefficacité des estimateurs.

Effet sur les estimateurs MCO ?

Non biaisés, mais inefficients et non BLUE.

Solution face à hétéroscédasticité ?

Utiliser des estimateurs robustes ou transformer les données.