QCM : Fondements de l'économétrie — 21 questions

Questions et réponses du QCM

1. Quelle combinaison décrit le mieux le rôle de l’économétrie ?

Elle remplace les modèles économiques par des statistiques descriptives dépourvues d’hypothèses.
Elle décrit les préférences individuelles sans utiliser de données économiques observées.
Elle sert principalement à classer les entreprises selon leur taille et leur secteur d’activité.
Elle mobilise la théorie, les données et des outils de recherche pour quantifier, tester et prévoir.

Elle mobilise la théorie, les données et des outils de recherche pour quantifier, tester et prévoir.

Explication

L’économétrie combine la théorie économique, les données et des méthodes de recherche afin de mesurer des relations, de tester des hypothèses et de prévoir des résultats. Les statistiques descriptives peuvent être utiles, mais elles ne résument pas à elles seules la démarche économétrique.

2. Quelle compétence fait partie des objectifs d’un cours d’économétrie appliquée à des problèmes réels ?

Modéliser, estimer, réaliser des inférences, prévoir et évaluer critiquement les résultats.
Mémoriser les théories économiques sans examiner leur confrontation avec les données.
Décrire les marchés observés sans apprécier la qualité des résultats obtenus.
Construire des prévisions sans estimer de modèle ni vérifier les hypothèses utilisées.

Modéliser, estimer, réaliser des inférences, prévoir et évaluer critiquement les résultats.

Explication

Le cours vise notamment la modélisation, l’estimation, l’inférence, la prévision et l’évaluation critique des résultats économétriques. Une prévision crédible exige au contraire un modèle estimé et une appréciation de ses résultats.

3. Après avoir formulé une relation économique et construit les modèles correspondants, quelle étape vient avant l’estimation dans la démarche empirique ?

Rassembler les données nécessaires à l’analyse.
Appliquer directement les résultats au contrôle des politiques publiques.
Produire une prévision finale à partir de la relation théorique.
Construire immédiatement un intervalle de confiance.

Rassembler les données nécessaires à l’analyse.

Explication

La démarche passe du modèle mathématique et du modèle économétrique à la collecte ou à l’utilisation des données, puis à l’estimation. L’intervalle de confiance, les politiques publiques et la prévision interviennent à des étapes ultérieures.

4. Dans le modèle de consommation Y=β0+β1XY = \beta_0 + \beta_1 X avec 0<β1<10 < \beta_1 < 1, que représentent respectivement le modèle mathématique et le modèle économétrique ?

Le premier résume les données observées, tandis que le second exprime une relation théorique sans terme aléatoire.
Le premier décrit les politiques publiques, tandis que le second mesure uniquement la consommation moyenne des ménages.
Le premier fournit une estimation numérique, tandis que le second fixe les valeurs théoriques des paramètres économiques.
Le premier exprime une relation théorique, tandis que le second intègre les données et les facteurs non inclus explicitement.

Le premier exprime une relation théorique, tandis que le second intègre les données et les facteurs non inclus explicitement.

Explication

Le modèle mathématique formalise la relation théorique entre la consommation et le revenu, alors que le modèle économétrique tient compte des données et des facteurs non explicitement modélisés. Confondre ces deux niveaux revient à attribuer au modèle mathématique le rôle empirique de l’estimation.

5. Quelle relation entre le revenu et la consommation correspond à l’idée formulée par Keynes ?

Une hausse d’une unité du revenu accroît la consommation d’exactement une unité.
Une hausse d’une unité du revenu accroît la consommation de moins d’une unité.
Une hausse d’une unité du revenu laisse la consommation inchangée dans tous les ménages.
Une hausse d’une unité du revenu réduit la consommation d’une fraction du revenu.

Une hausse d’une unité du revenu accroît la consommation de moins d’une unité.

Explication

Selon Keynes, la consommation augmente lorsque le revenu augmente, mais l’augmentation de la consommation reste inférieure à celle du revenu. L’égalité entre les deux variations ne correspond donc pas à cette relation.

6. Une étude souhaite conclure sur tous les salariés d’une entreprise et interroge 300 d’entre eux sélectionnés pour l’analyse. Quelle distinction est correcte ?

Les salariés de l’entreprise forment la population, et les 300 salariés interrogés forment l’échantillon.
Les 300 salariés interrogés forment la population, et tous les salariés de l’entreprise forment l’échantillon.
Les salariés de l’entreprise forment l’échantillon, et les 300 salariés interrogés forment la population.
La population et l’échantillon désignent ici deux groupes équivalents de salariés interrogés.

Les salariés de l’entreprise forment la population, et les 300 salariés interrogés forment l’échantillon.

Explication

La population regroupe tous les individus sur lesquels porte la conclusion, tandis que l’échantillon est la partie sélectionnée pour l’analyse. Ici, les 300 personnes interrogées constituent donc l’échantillon.

7. Quelle situation produit des données expérimentales plutôt que des données observationnelles ?

Une administration analyse les déclarations fiscales enregistrées au cours d’une année.
Un institut exploite les réponses d’une enquête sur les revenus et les heures travaillées.
Des chercheurs assignent un programme de formation à certains participants pour mesurer son effet sur l’emploi.
Un chercheur compare les entreprises à partir de leurs bilans disponibles dans une base publique.

Des chercheurs assignent un programme de formation à certains participants pour mesurer son effet sur l’emploi.

Explication

Les données expérimentales proviennent d’un traitement conçu pour évaluer un effet, comme l’assignation d’un programme de formation. Les enquêtes, les fichiers administratifs et les bases de bilans fournissent des données observationnelles lorsqu’aucune expérience contrôlée n’est organisée.

8. Quel type de données observe plusieurs entités à plusieurs périodes ?

Les séries temporelles.
Les données expérimentales.
Les données de panel.
Les données transversales.

Les données de panel.

Explication

Les données de panel suivent plusieurs entités pendant au moins deux périodes. Les données transversales portent sur plusieurs entités à une période, tandis que les séries temporelles suivent une seule entité au fil du temps.

9. Quelle notion décrit le regroupement des valeurs autour d’une valeur typique ou centrale ?

La covariance, qui indique la direction d’une relation entre variables
La tendance centrale, mesurée par la moyenne, la médiane ou le mode
L’intervalle de confiance, qui décrit l’incertitude d’une estimation
La variation, mesurée par l’étendue, la variance ou l’écart-type

La tendance centrale, mesurée par la moyenne, la médiane ou le mode

Explication

La tendance centrale décrit le centre des données au moyen de la moyenne, de la médiane ou du mode. La variation concerne plutôt la dispersion des valeurs, et non leur position centrale.

10. Pourquoi la médiane est-elle particulièrement utile dans une série contenant une valeur extrêmement élevée ?

Elle augmente fortement sous l’effet de la valeur extrême
Elle reste peu influencée par la valeur extrême
Elle mesure l’écart entre les valeurs maximale et minimale
Elle devient nécessairement la valeur la plus fréquente

Elle reste peu influencée par la valeur extrême

Explication

La médiane dépend de la position centrale des valeurs ordonnées et reste donc peu sensible aux observations extrêmes. La moyenne, en revanche, peut être fortement modifiée par une valeur très élevée.

11. Une série numérique a pour valeur minimale 8 et pour valeur maximale 23. Quelle est son étendue ?

8
31
15
23

15

Explication

L’étendue se calcule en soustrayant la plus petite valeur de la plus grande, soit 23−8=1523 - 8 = 15. Les valeurs 8 et 23 sont les bornes de la série, pas son étendue.

12. Quelle différence distingue l’écart-type de la variance ?

L’écart-type indique la direction d’une relation entre deux variables
L’écart-type est exprimé dans les mêmes unités que les données
L’écart-type est exprimé dans les unités au carré des données
L’écart-type correspond à la différence entre les valeurs extrêmes

L’écart-type est exprimé dans les mêmes unités que les données

Explication

L’écart-type est la racine carrée de la variance et conserve les unités des données initiales. La variance s’exprime dans les unités au carré, tandis que l’étendue compare les deux valeurs extrêmes.

13. Que mesure la covariance entre deux variables numériques ?

La direction de leur relation linéaire, sans établir de causalité
La dispersion d’une seule variable autour de sa moyenne
La force relative de leur relation linéaire sur une échelle bornée
La position centrale de leurs observations dans une série ordonnée

La direction de leur relation linéaire, sans établir de causalité

Explication

La covariance indique si deux variables évoluent globalement dans le même sens ou dans des sens opposés, sans démontrer qu’une variable cause l’autre. La force relative d’une relation linéaire est plutôt mesurée par la corrélation.

14. Quelle propriété caractérise le coefficient de corrélation linéaire ?

Il mesure la probabilité d’un rejet erroné d’une hypothèse nulle
Il mesure la différence entre la plus grande et la plus petite observation
Il mesure la force relative d’une relation linéaire entre deux variables
Il mesure la dispersion d’une variable dans ses unités initiales

Il mesure la force relative d’une relation linéaire entre deux variables

Explication

Le coefficient de corrélation évalue la force relative d’une relation linéaire et sa valeur est comprise entre −1 et 1. L’étendue et l’écart-type décrivent la dispersion, tandis que le niveau de signification concerne les tests statistiques.

15. Après avoir formulé les hypothèses et choisi α, quelle démarche permet de décider du sort de l’hypothèse nulle ?

Choisir la valeur-p après observation, puis fixer α pour obtenir le résultat souhaité
Comparer les moyennes descriptives, puis conclure sans calculer de statistique de test
Calculer directement l’intervalle de confiance, puis remplacer les hypothèses par son centre
Déterminer les valeurs critiques, calculer t, puis comparer la statistique à la région de rejet

Déterminer les valeurs critiques, calculer t, puis comparer la statistique à la région de rejet

Explication

Un test d’hypothèse conduit à déterminer les valeurs critiques, à calculer la statistique t et à vérifier si elle atteint la région de rejet. Ne pas calculer de statistique ou modifier α après observation ne constitue pas cette procédure.

16. Que représente le niveau de signification α dans un test d’hypothèse ?

La probabilité de rejeter H0 alors qu’elle est vraie
La probabilité que H0 soit vraie après l’observation des données
La probabilité que la statistique t soit exactement égale à zéro
La proportion d’observations situées dans un intervalle de confiance

La probabilité de rejeter H0 alors qu’elle est vraie

Explication

Le niveau α est le risque de rejeter l’hypothèse nulle alors qu’elle est vraie, avec des valeurs usuelles de 1 %, 5 % ou 10 %. Il ne donne pas directement la probabilité que H0 soit vraie.

17. Dans quelle situation l’hypothèse nulle est-elle rejetée ?

Lorsque la valeur-p dépasse α tout en restant positive
Lorsque la valeur absolue de t atteint au moins la valeur critique
Lorsque l’estimation ponctuelle est proche de la moyenne observée
Lorsque la valeur absolue de t reste inférieure à la valeur critique

Lorsque la valeur absolue de t atteint au moins la valeur critique

Explication

H0 est rejetée lorsque ∣t∣|t| est au moins égal à la valeur critique, ce qui revient à avoir une valeur-p inférieure ou égale à α. Une statistique située sous le seuil de rejet ne fournit pas cette décision.

18. Dans les données californiennes, quelle comparaison des scores moyens est correcte entre les districts à petites classes et ceux à grandes classes ?

Les petites classes obtiennent 657,4 points contre 650,0 pour les grandes classes.
Les petites classes obtiennent 650,0 points contre 657,4 pour les grandes classes.
Les petites classes obtiennent 7,4 points contre 650,0 pour les grandes classes.
Les deux types de districts obtiennent un score moyen de 653,7 points.

Les petites classes obtiennent 657,4 points contre 650,0 pour les grandes classes.

Explication

Le score moyen est de 657,4 dans les districts à petites classes et de 650,0 dans ceux à grandes classes, soit un écart de 7,4 points. Cette différence descriptive ne suffit pas à établir automatiquement que la taille des classes en est la cause.

19. Pour tester si deux populations ont des moyennes différentes, quelle formulation des hypothèses et quelle méthode sont appropriées ?

H0:Δ=1H_0: \Delta=1, H1:Δ=0H_1: \Delta=0, avec une statistique tt fondée sur l’écart-type d’un seul groupe.
H0:Δ=0H_0: \Delta=0, H1:Δ=1H_1: \Delta=1, avec une statistique tt fondée sur la somme des deux moyennes.
H0:Δ=0H_0: \Delta=0, H1:Δ≠0H_1: \Delta\ne0, avec une statistique tt fondée sur l’erreur standard de la différence.
H0:Δ≠0H_0: \Delta\ne0, H1:Δ=0H_1: \Delta=0, avec une statistique tt fondée sur la moyenne combinée.

$$H_0: \Delta=0$$, $$H_1: \Delta\ne0$$, avec une statistique $$t$$ fondée sur l’erreur standard de la différence.

Explication

L’égalité des moyennes se traduit par Δ=0\Delta=0 sous l’hypothèse nulle, tandis qu’une différence quelconque correspond à Δ≠0\Delta\ne0 sous l’hypothèse alternative. La statistique tt utilise l’erreur standard de la différence entre les moyennes, et non une moyenne ou un écart-type isolé.

20. Dans l’exemple californien, que conclut-on puisque la statistique tt vaut 4,05 et que la valeur critique au seuil de 5 % est 1,96 ?

On conserve l’hypothèse d’égalité des deux moyennes.
On conclut que les deux moyennes sont exactement nulles.
On réduit la différence observée à une variation sans intérêt statistique.
On rejette l’hypothèse d’égalité des deux moyennes.

On rejette l’hypothèse d’égalité des deux moyennes.

Explication

Comme 4,05 dépasse la valeur critique de 1,96, la statistique tombe dans la région de rejet au seuil de 5 %. La décision statistique est donc de rejeter l’hypothèse selon laquelle les deux moyennes sont égales.

21. Que permet d’affirmer l’intervalle de confiance à 95 % de la différence entre les moyennes, égal à (3,8 ; 11,0)(3,8\ ;\ 11,0) ?

La différence plausible est positive, car l’intervalle n’inclut pas zéro.
Les moyennes sont nécessairement identiques, car l’intervalle est borné.
La différence plausible est nulle, car l’intervalle contient plusieurs valeurs possibles.
La différence plausible est négative, car ses deux bornes sont éloignées de zéro.

La différence plausible est positive, car l’intervalle n’inclut pas zéro.

Explication

L’intervalle [3,8 ; 11,0][3,8\ ;\ 11,0] contient uniquement des valeurs positives et exclut donc zéro, ce qui indique une différence statistiquement compatible avec un écart positif. Le fait qu’il contienne plusieurs valeurs exprime l’incertitude d’estimation, et non l’égalité des moyennes.

Révisez avec les flashcards

Mémorisez les réponses avec 50 flashcards sur Fondements de l'économétrie.

Qu'utilise l'économétrie pour quantifier des relations économiques?

Des outils de recherche, des données économiques et la théorie économique.

Quels sont les objectifs de l'économétrie?

Quantifier des relations, tester des hypothèses et prédire des résultats économiques.

Quel est l'objectif principal du cours d'économétrie?

Fournir une base pour modéliser, estimer, inférer et prévoir en économie.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Fondements de l'économétrie.

Voir la fiche →

Cours similaires

Fondements de l’économie

Fondements de l’économie

Analyse financière et indicateurs commerciaux

Gestion

Croissance économique et progrès technique

Sources et défis de la croissance

Mondialisation et commerce international

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM