Économétrie 2 : approfondissements

Après des rappels sur le modèle linéaire classique dans une perspective prédictive ; on présente deux extensions fondamentales. Une première traite de l’estimation robuste en présence d’hétéroscédasticité et/ou d’autocorrélation. Bien souvent, l’objectif des études quantitatives est d’établir et de mesurer des rapports de cause à effet : augmenter les dépenses de campagne publicitaire permet-elle d’augmenter ses parts de marché ? Taxer les cigarettes réduit-il de façon significative le tabagisme ? La régression linéaire est souvent insuffisante pour répondre à ce type de questions. Une seconde partie est donc consacrée au problème de l’inférence causale. Les stagiaires mettent en pratique, de façon progressive, sur logiciel, les méthodes présentées au travers d’études concrètes. Les applications sont menées à partir des logiciels R et STATA. Les stagiaires peuvent réaliser les exercices avec le logiciel de leur choix (Stata, R, SAS).

Introduction : retour sur le modèle linéaire classique

Estimations robustes

• Situations concrètes d’hétérosédasticité et d’autocorrélation
• Effets sur la précision des estimateurs des MCO
• Tests et estimations en présence d’hétéroscédasticité
• Exemples et applications

Inférence causale

• Régression et causalité
• L’importance du choix des variables de contrôle
• Situations où la régression ne permet pas d’identifier des relations causales
• Exemples et applications

Identification et estimation à l’aide de variables instrumentales

• L’estimateur de Wald
• La méthode dans le cas général : Estimateur des doubles moindres carrés
• Tests de spécifications
• Problèmes d’inférence : les VI dans la pratique
• Exemples et applications