Économétrie 2 : approfondissements
Objectifs pédagogiques
Mettre en œuvre des méthodes simples pour mener à bien des études quantitatives qui nécessitent d’estimer des modèles.
Programme détaillé
Après des rappels sur le modèle linéaire classique, deux extensions fondamentales sont présentées. La première traite de l’estimation robuste en présence d’hétéroscédasticité et/ou d’autocorrélation. La seconde est consacrée au problème de l’inférence causale. Dans de nombreuses études quantitatives, l’objectif est en effet d’identifier et de mesurer des relations de cause à effet : réduire la taille des classes améliore-t-il la réussite scolaire des élèves ? Une campagne d’information modifie-t-elle les comportements de santé ? Augmenter les dépenses de campagne publicitaire permet-il d’augmenter ses parts de marché ? Les stagiaires mettent en pratique, de façon progressive, sur logiciel, les méthodes présentées à travers des applications concrètes. Les applications sont menées à partir des logiciels R et STATA. Les stagiaires peuvent réaliser les exercices avec le logiciel de leur choix.
Introduction : retour sur le modèle linéaire classique 3h
Estimations robustes 3h
- Précision de l’estimateur des MCO
- Tests et estimations en présence d’hétéroscédasticité et/ou d’autocorrélation
- Analyse de la variance
- Multi-colinéarité
- Exemples et applications
Inférence causale (6h)
- Régression et causalité
- Situations où la régression ne permet pas d’identifier des relations causales
- Méthode des doubles différences
- Modèles à effets fixes et modèles à effets aléatoires
- Exemples et applications
Identification et estimation à l’aide de variables instrumentales 6h
- L’estimateur de Wald
- L’estimateur des doubles moindres carrés
- La méthode des variables instrumentales dans le cas général
- Les tests de spécification
- Exemples et applications
Public visé
Data analysts, data scientists, chargés d’études statistiques.
Prérequis
Connaissances en statistique inférentielle (formation Statistique inférentielle : estimation ponctuelle, intervalle de confiance et test statistique) et bonnes notions d’économétrie (formation Econométrie 1)
Approche pédagogique
Calculés à partir de 31 avis recueillis depuis 14/09/2016, lors de 8 sessions de cette formation.
Endogénéité et variables instrumentales : quand la régression ne mesure pas la cause
Réduire la taille des classes améliore-t-il la réussite des élèves ? Une régression sur des données d’observation répond mal à cette question : les petites classes ne sont pas réparties au hasard. Dès qu’un régresseur est corrélé au terme d’erreur, que ce soit par une variable omise, une causalité inverse ou une erreur de mesure, l’estimateur des moindres carrés ordinaires est biaisé, et ce biais ne diminue pas avec la taille de l’échantillon. C’est le problème de l’endogénéité.
1928 : un problème de beurre et d’huile de lin
La solution la plus ancienne figure dans l’annexe B d’un livre consacré aux droits de douane sur les huiles animales et végétales, publié en 1928 par l’économiste américain Philip G. Wright. Il y explique pourquoi les seuls prix et quantités observés ne permettent d’estimer ni l’offre ni la demande, puisque chaque point est l’intersection des deux courbes. Il propose d’utiliser des facteurs qui déplacent l’une sans affecter l’autre, comme la météo, qui agit sur la production mais pas sur l’envie de consommer. C’est le principe des variables instrumentales. L’annexe est parfois attribuée à son fils, le généticien Sewall Wright. Le principe sera ensuite formalisé, notamment par l’estimateur des doubles moindres carrés.
Les écarts-types aussi peuvent tromper
L’endogénéité fausse les coefficients ; l’hétéroscédasticité et l’autocorrélation des erreurs, elles, faussent leur précision. Les coefficients restent sans biais, mais les écarts-types usuels sont erronés, et avec eux les tests. Depuis Halbert White (1980) pour l’hétéroscédasticité, puis Whitney Newey et Kenneth West (1987) pour l’autocorrélation, on dispose d’estimateurs « robustes » de la variance, devenus un réflexe dans les logiciels d’économétrie.
La « révolution de la crédibilité »
En 1983, Edward Leamer publie un article au titre provocateur, « Let’s Take the Con out of Econometrics ». Il y montre qu’en changeant quelques choix de spécification, les mêmes données concluent à un effet dissuasif de la peine de mort, ou à son absence. La réponse de la profession a été de chercher des sources de variation crédibles, comme des « expériences naturelles » ou des instruments dont la validité se discute. L’exemple le plus célèbre est la loterie du service militaire américain pendant la guerre du Vietnam, utilisée par Joshua Angrist pour mesurer l’effet du service sur les revenus. Le prix Nobel 2021 a récompensé cette démarche : une moitié pour David Card, l’autre pour Joshua Angrist et Guido Imbens, « pour leurs contributions méthodologiques à l’analyse des relations causales ».
La formation Évaluation d’impact des politiques publiques prolonge ces outils avec l’appariement et les régressions sur discontinuité.
