Introduction à l’économétrie
L’économétrie confronte les théories économiques aux faits. Une théorie, des données, une méthode statistique : retirez-en un, il n’y a plus d’économétrie. En 1936, Keynes affirme que la consommation croît moins vite que le revenu — il ne dit pas de combien. Ce cours mesure ce « de combien », et dit à quelles conditions la mesure vaut quelque chose.
C’est le cours qui referme le niveau Licence, et il n’introduit aucun outil nouveau. La covariance de la statistique descriptive devient la pente ; le théorème central limite des probabilités rend les tests possibles ; l’erreur-type de la statistique inférentielle devient celle d’un coefficient ; la décomposition de la variance devient le R². Ce qui change est la question posée : non plus décrire une grandeur, mais expliquer une variable par d’autres.
Deux fils rouges le traversent, tous deux en coupe instantanée. Les cinq cents salariés des trois cours précédents fournissent une équation de gains à la Mincer — l’un des modèles les plus estimés de l’économie appliquée — et tout ce qu’il faut pour rencontrer l’hétéroscédasticité, les variables indicatrices et le biais de variable omise, dont la formule se vérifie ici à la quatrième décimale. Une enquête de budgets de quatre cents ménages, répartis en quarante quartiers, porte la fonction keynésienne et les erreurs groupées. Trente-neuf figures accompagnent le raisonnement.
Le cours écarte délibérément les séries temporelles. Une série porte une tendance : deux grandeurs croissantes paraissent liées sans l’être, et le coefficient de détermination y dépasse couramment 0{,}99 sans qu’aucune relation économique n’existe. Traiter cela demande les tests de racine unitaire et la cointégration, qui relèvent des cours de séries temporelles et d’économétrie avancée. Le premier chapitre l’explique ; l’hypothèse d’indépendance des erreurs est traitée sous sa forme correcte sur coupe, celle du regroupement.
La dernière partie s’arrête là où commence l’économétrie de Master : au seuil de la causalité. Un coefficient significatif établit une association, jamais un effet causal — et savoir le dire est ce qui distingue un économètre d’un utilisateur de logiciel.
Cours de synthèse du niveau Licence, après le bloc statistique — approfondi au niveau Master.
Syllabus
| Niveau | Licence — après la statistique inférentielle |
| Volume horaire indicatif | 22 chapitres, soit environ 33 h de cours |
| Prérequis | Avoir suivi la statistique inférentielle. |
Chaque chapitre est un diaporama en PDF. Le tableau ci-dessous rassemble, chapitre par chapitre, les diapositives et le reste du matériel — polycopié, exercices, vidéo — au fur et à mesure de leur mise en ligne.
Chapitres et documents
| # | Chapitre | Diapositives | Polycopié | Exercices | Vidéo |
|---|---|---|---|---|---|
| 1 | Qu’est-ce que l’économétrie | — | — | — | |
| 2 | De la théorie au modèle | — | — | — | |
| 3 | Le modèle économétrique | — | — | — | |
| 4 | Les moindres carrés ordinaires | — | — | — | |
| 5 | La qualité de l’ajustement | — | — | — | |
| 6 | L’inférence sur les coefficients | — | — | — | |
| 7 | La prévision | — | — | — | |
| 8 | Le modèle multiple et le ceteris paribus | — | — | — | |
| 9 | Estimation et R carré ajusté | — | — | — | |
| 10 | Les trois niveaux de test | — | — | — | |
| 11 | Les variables qualitatives | — | — | — | |
| 12 | Les hypothèses de Gauss-Markov | — | — | — | |
| 13 | La carte des violations | — | — | — | |
| 14 | La multicolinéarité | — | — | — | |
| 15 | L’hétéroscédasticité | — | — | — | |
| 16 | Les erreurs groupées | — | — | — | |
| 17 | La variable omise | — | — | — | |
| 18 | Normalité et points influents | — | — | — | |
| 19 | Les formes fonctionnelles | — | — | — | |
| 20 | Choisir un modèle, et le seuil de la causalité | — | — | — | |
| 21 | Étude de cas | — | — | — | |
| 22 | Mise en œuvre sur R et Python | — | — | — |