Cuestionario: Introduction à l’économétrie et modélisation linéaire — 7 preguntas

1. Quelle conséquence directe a la résolution du système des équations normales en β0 et β1 ?

A. Elle permet d’observer directement β0 et β1

B. Elle fournit les estimateurs MCO β̂0 et β̂1

C. Elle exprime β0 à partir de xi et yi

D. Elle remplace les équations normales par un autre système

Answer: (B)

Explicación

Le texte indique que, sous les hypothèses du modèle, la résolution du système des équations normales en β0 et β1 « fournit les estimateurs MCO β̂0 et β̂1 ». À revoir : Méthode des moindres carrés ordinaires (MCO) pour l’estimation des paramètres. Appui du cours : « « Sous les hypothèses du modèle, les équations normales constituent un système en β0 et β1 ; sa résolution fournit les estimateurs MCO β̂0 et β̂1. En centrant les données avec xi = Xi − X̄ et yi = Yi − Ȳ, on peut ensuite exprimer β̂1 à partir de ces… »

2. Quel est le rôle principal de l’économétrie dans l’analyse économique ?

A. Conduire des expériences en laboratoire économique

B. Formuler des hypothèses sur le comportement des agents

C. Concevoir des modèles économiques théoriques

D. Appliquer des méthodes statistiques à l’économie

Answer: (D)

Explicación

L’économétrie a pour rôle principal d’appliquer des méthodes statistiques à l’économie, permettant de confronter les théories aux faits observés. À revoir : Rôle et fonctions de l’économétrie dans l’analyse économique. Appui du cours : « L’économétrie est définie comme un ensemble de méthodes statistiques appliquées à l’économie. »

3. Si la quantité (β̂ − β) normalisée suit une loi de Student, quelle loi est utilisée pour construire l’intervalle de confiance ?

A. La loi de Khi-deux

B. La loi de Poisson

C. La loi de Student

D. La loi normale

Answer: (C)

Explicación

L’extrait établit directement une condition : si (β̂ − β) normalisée suit une loi de Student, alors on utilise la loi de Student pour construire l’intervalle de confiance. À revoir : Construction des intervalles de confiance pour les paramètres du modèle. Appui du cours : « Lorsque la quantité (β̂ − β) normalisée suit une loi de Student, la loi de Student est utilisée pour construire l’intervalle de confiance. »

4. Qu'est-ce que la méthode des moindres carrés ordinaires (MCO) dans le contexte de l'estimation des paramètres ?

A. Une technique d'estimation basée sur la minimisation de la somme des carrés des écarts entre valeurs observées et estimées.

B. Une procédure pour tester l'efficacité des estimateurs dans un modèle de régression.

C. Une technique pour résoudre un système d'équations simultanées afin d'obtenir des estimateurs des paramètres.

D. Une méthode pour calculer la moyenne et la variance d'une variable aléatoire.

Answer: (C)

Explicación

La méthode des moindres carrés ordinaires (MCO) consiste à résoudre un système d'équations pour obtenir les estimateurs des paramètres, en minimisant la somme des carrés des écarts. À revoir : Méthode des moindres carrés ordinaires (MCO) pour l’estimation des paramètres. Appui du cours : « La résolution du système d’équations simultanées donne les estimateurs MCO de β0 et β1, notés β̂0 et β̂1. »

5. Quelle est la définition correcte du coefficient de détermination ajusté dans le modèle de régression simple ?

A. C'est la somme des carrés expliquée par le modèle, sans tenir compte des degrés de liberté.

B. C'est une mesure de la qualité de la régression, calculée par R² ajusté = 1 − (SCR/(n−K−1))/(SCT/(n−1)).

C. C'est la proportion de la variation totale expliquée par la régression, sans ajustement pour le nombre de variables.

D. C'est une mesure de la variation résiduelle non expliquée par le modèle.

Answer: (B)

Explicación

Le coefficient de détermination ajusté mesure la qualité de la régression, calculé précisément par la formule donnée dans l'extrait. À revoir : Analyse de la variance et coefficient de détermination dans le modèle simple. Appui du cours : « Le coefficient de détermination ajusté est calculé par R² ajusté = 1 − (SCR/(n−K−1))/(SCT/(n−1)). »

6. Comment se différencient la loi normale et la loi de Student dans l'inférence en régression simple ?

A. La loi normale est appliquée pour de grands échantillons, la loi de Student pour de petits échantillons.

B. La loi normale concerne les erreurs, la loi de Student concerne les variables aléatoires.

C. La loi normale est utilisée lorsque les paramètres sont connus, la loi de Student lorsque ces paramètres sont estimés.

D. La loi normale est une loi discrète, la loi de Student une loi continue.

Answer: (C)

Explicación

La loi normale s'applique lorsque les paramètres sont connus, tandis que la loi de Student est utilisée lorsque ces paramètres sont estimés, ce qui est précisément mentionné dans le texte. À revoir : Notions statistiques de base pour l’inférence dans le modèle de régression simple. Appui du cours : « L’inférence dans le modèle de régression simple s’appuie sur des lois de probabilité : loi normale quand les paramètres sont connus, loi de Student quand ils sont estimés, et lois Khi-deux issues des erreurs pour les statistiques normalisées. »

7. Quelle loi de la statistique est utilisée pour construire l'intervalle de confiance des paramètres β dans le modèle de régression ?

A. Loi de Student

B. Loi binomiale

C. Loi de Khi-deux

D. Loi normale

Answer: (A)

Explicación

La loi de Student est utilisée pour construire l'intervalle de confiance des paramètres β, lorsque la quantité (β̂ − β) normalisée suit cette loi. À revoir : Construction des intervalles de confiance pour les paramètres du modèle. Appui du cours : « Lorsque la quantité (β̂ − β) normalisée suit une loi de Student, la loi de Student est utilisée pour construire l’intervalle de confiance. »