Fiche de révision : Rappels statistiques pour l’économétrie

Plan du Cours

  1. Variables aléatoires discrètes
  2. Moments et dépendance
  3. Lois continues et loi normale
  4. Lois dérivées et tests
  5. Échantillonnage et théorème central limite
  6. TCL, LGN et convergence des estimateurs
  7. Qualités des estimateurs et Gauss-Markov
  8. Intervalles de confiance et degrés de liberté
  9. Covariance, corrélation et indépendance
  10. Distribution des salaires et loi log-normale
  11. Asymétrie, kurtosis et test JB
  12. Lois statistiques et applications économiques

1. Variables aléatoires discrètes

Notions clés & Définitions

  • Variable aléatoire : Associe un nombre réel à chaque résultat d’une expérience aléatoire.
  • Loi de Bernoulli : Une loi de Bernoulli de paramètre p décrit une variable X qui vaut 1 avec probabilité p et 0 sinon, avec E(X)=p,Var⁡(X)=p(1−p).E(X)=p,\quad \operatorname{Var}(X)=p(1-p).
  • Loi binomiale : Une loi binomiale B(n,p) décrit la somme S de n variables de Bernoulli indépendantes de paramètre p, avec P(S=k)=(nk)pk(1−p)n−k,E(S)=np,Var⁡(S)=np(1−p).P(S=k)=\binom{n}{k}p^k(1-p)^{n-k},\quad E(S)=np,\quad \operatorname{Var}(S)=np(1-p).
  • Loi de Poisson : Une loi de Poisson de paramètre λ a pour probabilités P(X=k)=e−λλkk!P(X=k)=e^{-\lambda}\frac{\lambda^k}{k!} et vérifie E(X)=Var⁡(X)=λ.E(X)=\operatorname{Var}(X)=\lambda.

★ À maîtriser

📌 Une variable aléatoire discrète prend un nombre fini ou dénombrable de valeurs, tandis qu’une variable aléatoire continue prend toutes les valeurs d’un intervalle.

Compléments

📐 Formule - Pour une variable discrète, les probabilités vérifient P(X=xi)=pi,pi≥0,∑ipi=1.P(X=x_i)=p_i,\quad p_i\geq 0,\quad \sum_i p_i=1.

📐 Formule - Pour une variable continue de densité f, f(x)≥0,∫−∞+∞f(x) dx=1,P(a≤X≤b)=∫abf(x) dx.f(x)\geq 0,\quad \int_{-\infty}^{+\infty}f(x)\,dx=1,\quad P(a\leq X\leq b)=\int_a^b f(x)\,dx.

  • La régression de Poisson est utilisée en économétrie pour les données de comptage dont la variable dépendante appartient à ℕ.

2. Moments et dépendance

★ À maîtriser

📐 Formule - La variance vérifie Var⁡(X)=E[(X−E(X))2]=E(X2)−[E(X)]2,\operatorname{Var}(X)=E[(X-E(X))^2]=E(X^2)-[E(X)]^2, et l’écart-type est σX=Var⁡(X).\sigma_X=\sqrt{\operatorname{Var}(X)}.

📐 Formule - L’espérance est additive, E(X+Y)=E(X)+E(Y),E(X+Y)=E(X)+E(Y), et si X et Y sont indépendantes, Var⁡(X+Y)=Var⁡(X)+Var⁡(Y).\operatorname{Var}(X+Y)=\operatorname{Var}(X)+\operatorname{Var}(Y).

📌 L’indépendance implique une covariance nulle, mais une covariance nulle n’implique pas l’indépendance; pour X∼N(0,1) et Y=X², la covariance est nulle alors que X et Y sont dépendantes.

📌 Dans le modèle MCO, la condition H2 exige E(ui∣Xi)=0,E(u_i\mid X_i)=0, condition plus forte que Cov⁡(Xi,ui)=0.\operatorname{Cov}(X_i,u_i)=0.

Compléments

📐 Formule - L’espérance d’une variable discrète est E(X)=∑ixipiE(X)=\sum_i x_i p_i et celle d’une variable continue de densité f est E(X)=∫−∞+∞xf(x) dx.E(X)=\int_{-\infty}^{+\infty}x f(x)\,dx.

📐 Formule - Pour des constantes a et b, E(aX+b)=aE(X)+b,Var⁡(aX+b)=a2Var⁡(X).E(aX+b)=aE(X)+b,\quad \operatorname{Var}(aX+b)=a^2\operatorname{Var}(X).

📐 Formule - La covariance et la corrélation sont définies par Cov⁡(X,Y)=E(XY)−E(X)E(Y),rXY=Cov⁡(X,Y)σXσY∈[−1,1].\operatorname{Cov}(X,Y)=E(XY)-E(X)E(Y),\quad r_{XY}=\frac{\operatorname{Cov}(X,Y)}{\sigma_X\sigma_Y}\in[-1{,}1].

📐 Formule - L’asymétrie et le kurtosis sont γ1=E[(X−μσ)3],γ2=E[(X−μσ)4].\gamma_1=E\left[\left(\frac{X-\mu}{\sigma}\right)^3\right],\quad \gamma_2=E\left[\left(\frac{X-\mu}{\sigma}\right)^4\right].

📌 La loi normale a une asymétrie nulle et un kurtosis égal à 3, une distribution leptokurtique a un kurtosis supérieur à 3 et une distribution platykurtique un kurtosis inférieur à 3.

📐 Formule - Sous l’hypothèse de normalité des résidus, la statistique de Jarque-Bera vérifie JB=n6(γ12+(γ2−3)24)∼χ2(2).JB=\frac{n}{6}\left(\gamma_1^2+\frac{(\gamma_2-3)^2}{4}\right)\sim\chi^2(2).

  • La corrélation de Pearson mesure une relation linéaire, de sorte qu’une relation non linéaire peut exister même lorsque la corrélation vaut zéro.

3. Lois continues et loi normale

Notions clés & Définitions

  • Loi normale : Une loi normale N(μ,σ²) a pour densité f(x)=1σ2πexp⁡(−(x−μ)22σ2),x∈R,f(x)=\frac{1}{\sigma\sqrt{2\pi}}\exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right),\quad x\in\mathbb{R}, et vérifie E(X)=μ et Var(X)=σ².

★ À maîtriser

  • Pour une variable normale, environ 68,3 % des valeurs se situent à moins d’un écart-type de la moyenne, 95,4 % à moins de deux et 99,7 % à moins de trois.

📐 Formule - Pour X∼N(μ,σ²), la variable standardisée Z=X−μσZ=\frac{X-\mu}{\sigma} suit N(0,1).

Compléments

  • Les lois continues usuelles présentées sont :

    • l’uniforme U(a,b)
    • l’exponentielle E(λ)
    • la log-normale ln N(μ,σ²)
    • la normale N(μ,σ²)
    • la loi de Pareto
  • Pour une loi log-normale ln N(μ,σ²), l’espérance est eμ+σ2/2e^{\mu+\sigma^2/2}; elle est utilisée pour représenter les salaires et les revenus.

  • Si ln(W_i)=μ+u_i avec u_i∼N(0,σ²), alors W_i suit une loi log-normale, asymétrique à droite et à valeurs strictement positives.

  • La loi normale est symétrique autour de μ, possède des asymptotes horizontales en ±∞ et des points d’inflexion en μ±σ.

📐 Formule - Si X∼N(μ,σ²), alors aX+b∼N(aμ+b,a2σ2),aX+b\sim N(a\mu+b,a^2\sigma^2), et la somme de variables normales indépendantes suit une loi normale.

  • Si X∼N(2400,400²), alors P(X>2800)=P(Z>1)=1−Φ(1)=15,9 %.

  • Les quantiles positifs de la loi normale standard sont 1,645 pour Φ(z)=0,950, 1,960 pour 0,975, 2,326 pour 0,990 et 2,576 pour 0,995.

  • Un Q-Q plot compare les quantiles empiriques des résidus aux quantiles théoriques de N(0,1) : un alignement sur la diagonale soutient la normalité, une forme en S indique une asymétrie, des queues déviantes un kurtosis excessif et un point isolé un outlier.

4. Lois dérivées et tests

Notions clés & Définitions

  • Loi du khi-deux : Si Z₁,…,Zₖ sont des variables indépendantes identiquement distribuées selon N(0,1), alors leur somme des carrés V=∑i=1kZi2V=\sum_{i=1}^k Z_i^2 suit une loi χ²(k).
  • Loi de Student : Si Z∼N(0,1) et V∼χ²(k) sont indépendantes, alors T=ZV/kT=\frac{Z}{\sqrt{V/k}} suit une loi de Student t(k).
  • Loi de Fisher : Si V₁∼χ²(k₁) et V₂∼χ²(k₂) sont indépendantes, alors F=V1/k1V2/k2F=\frac{V_1/k_1}{V_2/k_2} suit une loi de Fisher F(k₁,k₂).

★ À maîtriser

📌 La règle de décision consiste à rejeter H₀ si |Tobs| dépasse la valeur critique tcrit ou si la p-value est inférieure au seuil α.

Compléments

  • Une loi χ²(k) a pour espérance k et variance 2k, prend des valeurs strictement positives et est asymétrique à droite.

  • La somme de variables indépendantes de lois χ²(k) et χ²(m) suit une loi χ²(k+m).

  • En MCO, SCR/σ² suit une loi χ²(n−K), et les tests LM cités sont les tests BP, White, BG et JB.

  • Si T suit une loi t(k), alors T² suit une loi F(1,k).

📐 Formule - La statistique du test global MCO est F=R2/(K−1)(1−R2)/(n−K).F=\frac{R^2/(K-1)}{(1-R^2)/(n-K)}.

  • Pour tester un coefficient nul, la loi de référence est t(n−K), avec une valeur critique approximative de 2; pour le test global MCO, elle est F(K−1,n−K), avec une valeur critique approximative de 3.

  • La loi de Student t(k) converge vers N(0,1) lorsque k tend vers l’infini; pour k>30, l’approximation normale a une erreur inférieure à 1 %.

5. Échantillonnage et théorème central limite

★ À maîtriser

📌 La population est l’ensemble complet étudié, l’échantillon comprend n observations tirées de cette population, une statistique est une fonction des données et un estimateur est une statistique qui approche un paramètre inconnu.

  • Un estimateur est une variable aléatoire qui varie d’un échantillon à l’autre et possède une distribution d’échantillonnage utilisée pour construire des tests et des intervalles de confiance.

📐 Formule - Pour X₁,…,Xₙ indépendantes identiquement distribuées de moyenne μ et de variance σ², la moyenne empirique Xˉn=1n∑i=1nXi\bar X_n=\frac{1}{n}\sum_{i=1}^n X_i vérifie E(Xˉn)=μ,Var⁡(Xˉn)=σ2n.E(\bar X_n)=\mu,\quad \operatorname{Var}(\bar X_n)=\frac{\sigma^2}{n}.

📌 Le théorème central limite de Lindeberg-Lévy affirme que pour des observations indépendantes identiquement distribuées de moyenne μ et de variance finie σ², Xˉn−μσ/n→dN(0,1)\frac{\bar X_n-\mu}{\sigma/\sqrt n}\xrightarrow{d}N(0{,}1) lorsque n tend vers l’infini.

Compléments

  • Si les observations sont normales, alors la moyenne empirique suit exactement Xˉn∼N(μ,σ2/n).\bar X_n\sim N(\mu,\sigma^2/n).

  • L’écart-type de la moyenne empirique diminue proportionnellement à 1/√n; multiplier la taille de l’échantillon par 4 le divise seulement par 2.

6. TCL, LGN et convergence des estimateurs

Notions clés & Définitions

  • Loi des Grands Nombres : La Loi des Grands Nombres affirme que la moyenne empirique converge en probabilité vers la moyenne de la population, soit Xˉn→Pμ\bar X_n \xrightarrow{P} \mu.

★ À maîtriser

  • Pour n ≥ 30, la moyenne empirique est approximativement normale quelle que soit la distribution initiale.

📐 Formule - Pour les MCO, β^=β+(X′X/n)−1(X′u/n)\hat\beta=\beta+(X'X/n)^{-1}(X'u/n); si X′X/n→QXXX'X/n\to Q_{XX} et X′u/n→0X'u/n\to 0, alors β^→Pβ\hat\beta\xrightarrow{P}\beta, ce qui établit la cohérence.

Compléments

📌 La LGN décrit la convergence de Xˉn\bar X_n vers le nombre μ, tandis que le TCL décrit la distribution des fluctuations de Xˉn\bar X_n autour de μ après normalisation.

📐 Formule - Par le TCL, n(β^−β)→dN(0,σ2QXX−1)\sqrt n(\hat\beta-\beta)\xrightarrow{d}N(0,\sigma^2Q_{XX}^{-1}), ce qui exprime la normalité asymptotique des estimateurs MCO.

📌 La convergence en probabilité signifie que P(∣θ^n−θ∣>ε)→0P(|\hat\theta_n-\theta|>\varepsilon)\to0 pour tout ε>0\varepsilon>0, tandis que la convergence en loi signifie que les fonctions de répartition convergent en tout point de continuité de la fonction de répartition limite.

Astuce mémo

La LGN fixe la moyenne ; le TCL décrit les fluctuations autour d’elle.

7. Qualités des estimateurs et Gauss-Markov

Notions clés & Définitions

  • Estimateur BLUE : Un estimateur BLUE est le meilleur estimateur linéaire sans biais, c’est-à-dire qu’il possède la variance minimale parmi les estimateurs linéaires sans biais.

★ À maîtriser

📌 Sous les hypothèses H1 à H5, le théorème de Gauss-Markov établit que les MCO sont BLUE : aucun autre estimateur linéaire sans biais n’a une variance inférieure.

Compléments

  • Un estimateur sans biais vérifie E(θ^)=θE(\hat\theta)=\theta.

  • Un estimateur convergent vérifie θ^→Pθ\hat\theta\xrightarrow{P}\theta lorsque la taille de l’échantillon tend vers l’infini.

📐 Formule - L’erreur quadratique moyenne vérifie MSE(θ^)=Var(θ^)+[B(θ^)]2MSE(\hat\theta)=Var(\hat\theta)+[B(\hat\theta)]^2.

  • Un estimateur légèrement biaisé peut avoir une MSE plus faible si sa variance est beaucoup plus petite.

8. Intervalles de confiance et degrés de liberté

★ À maîtriser

📐 Formule - Lorsque σ est inconnu, l’intervalle de confiance de μ au niveau 1−α1-\alpha est Xˉn±t1−α/2(n−1)sn\bar X_n\pm t_{1-\alpha/2}(n-1)\frac{s}{\sqrt n}.

📌 Sur 100 répétitions de la procédure, environ 95 intervalles de confiance à 95 % contiennent μ ; μ est fixe et inconnu, tandis que l’intervalle est aléatoire.

Compléments

  • Pour n = 25, une moyenne empirique de 2400 et un écart-type empirique de 300, avec t0.975(24)=2.064t_{0.975}(24)=2.064, l’intervalle de confiance à 95 % est [2276, 2524].

📐 Formule - En régression, l’intervalle de confiance de βk\beta_k s’écrit β^k±t1−α/2(n−K) σ^β^k\hat\beta_k\pm t_{1-\alpha/2}(n-K)\,\hat\sigma_{\hat\beta_k}.

📐 Formule - La variance empirique sans biais est s2=1n−1∑i=1n(Xi−Xˉ)2s^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2.

  • L’estimation de la moyenne consomme un degré de liberté, car les résidus Xi−XˉX_i-\bar X satisfont ∑i(Xi−Xˉ)=0\sum_i(X_i-\bar X)=0 ; seuls n − 1 résidus sont libres.

📐 Formule - En MCO, σ^MCO2=∑iu^i2n−K=SCRn−K\hat\sigma^2_{MCO}=\frac{\sum_i\hat u_i^2}{n-K}=\frac{SCR}{n-K}, car l’estimation de K paramètres laisse n − K degrés de liberté.

9. Covariance, corrélation et indépendance

★ À maîtriser

📐 Formule - La corrélation empirique de Pearson est r^=c^XYsXsY\hat r=\frac{\hat c_{XY}}{s_Xs_Y}.

📌 Une corrélation nulle entre deux variables ne signifie pas qu’elles sont indépendantes.

Compléments

📐 Formule - La covariance empirique est c^XY=1n−1∑i(Xi−Xˉ)(Yi−Yˉ)\hat c_{XY}=\frac{1}{n-1}\sum_i(X_i-\bar X)(Y_i-\bar Y).

  • La corrélation de Spearman est fondée sur les rangs et est robuste aux valeurs aberrantes.

📌 L’hypothèse H2 des MCO, E(ui∣Xi)=0E(u_i\mid X_i)=0, est plus forte que la seule condition Cov(Xi,ui)=0Cov(X_i,u_i)=0.

10. Distribution des salaires et loi log-normale

★ À maîtriser

  • Dans le modèle présenté, les salaires suivent approximativement ln⁡(W)∼N(7.8,0.52)\ln(W)\sim N(7.8{,}0.5^2).

Compléments

  • Pour cette distribution des salaires, la médiane est approximativement 2440 € et la moyenne est approximativement 2753 €.

  • Dans l’exemple de distribution des salaires, P(W>4000)≈16%P(W>4000)\approx16\% et le troisième quartile est approximativement 3419 €.

  • La distribution des salaires est asymétrique à droite et possède une longue queue droite.

11. Asymétrie, kurtosis et test JB

★ À maîtriser

📐 Formule - Le coefficient d’asymétrie est γ1=E[(X−μ)3]σ3\gamma_1=\frac{E[(X-\mu)^3]}{\sigma^3} et le kurtosis est γ2=E[(X−μ)4]σ4\gamma_2=\frac{E[(X-\mu)^4]}{\sigma^4}.

Compléments

  • Pour une loi normale, le coefficient d’asymétrie vaut 0 et le kurtosis vaut 3.

  • Une asymétrie positive correspond à une queue à droite, tandis qu’une asymétrie négative correspond à une queue à gauche.

📐 Formule - Le test de Jarque-Bera utilise JB=n6[γ12+(γ2−3)24]JB=\frac{n}{6}\left[\gamma_1^2+\frac{(\gamma_2-3)^2}{4}\right], qui suit une loi χ2(2)\chi^2(2) sous l’hypothèse de normalité.

12. Lois statistiques et applications économiques

Points essentiels

  • La loi normale est utilisée pour modéliser :

    • les erreurs de mesure
    • les rendements journaliers approximatifs
    • la distribution des estimateurs MCO
    • les résidus de régression sous H6
  • La loi log-normale est utilisée pour représenter :

    • les salaires et revenus asymétriques à droite
    • les prix des actifs dans Black-Scholes
    • les tailles des entreprises
  • La loi du khi-deux intervient dans : les tests d’indépendance sur tableaux croisés, les tests LM (BP, BG, JB), la somme des carrés résiduels en régression

  • La loi de Poisson sert à modéliser :

    • le nombre d’accidents ou de brevets
    • les données de comptage
    • les phénomènes de file d’attente

📐 Formule - La statistique du test de Student est T=Xˉ−μ0s/nT=\frac{\bar X-\mu_0}{s/\sqrt n} pour tester H0:μ=μ0H_0:\mu=\mu_0.

  • Dans le tableau récapitulatif des usages, la loi normale sert à décrire la distribution de β^\hat\beta, la loi du khi-deux les SCR et les tests LM, la loi t les tests individuels des coefficients MCO, et la loi F les tests globaux et les restrictions.

Teste tes connaissances

Teste tes connaissances sur Rappels statistiques pour l’économétrie avec 21 questions à choix multiples et corrections détaillées.

1. Concernant la notion de variable aléatoire :

2. Un indicateur de succès suit une loi de Bernoulli de paramètre p=0,3p=0{,}3. Parmi les propositions suivantes concernant cet indicateur, laquelle (lesquelles) est (sont) exacte(s) ?

Faire le QCM →

Révisez avec les flashcards

Mémorisez les concepts clés de Rappels statistiques pour l’économétrie avec 90 flashcards interactives.

Que fait une variable aléatoire à chaque résultat d’une expérience aléatoire ?

Elle associe un nombre réel à chaque résultat.

Quelles valeurs une variable aléatoire discrète peut-elle prendre ?

Un nombre fini ou dénombrable de valeurs.

Quelle est l’espérance d’une variable suivant une loi de Bernoulli de paramètre pp ?

p.p.

Voir les flashcards →

Cours similaires

Crée tes propres fiches de révision

Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.

Générateur de fiches