Chapitre 1 : Introduction générale PDF

Chapitre 1 Introduction générale 1 Wooldridge CHAPTER 1 The Nature of Econometrics and Economic Data LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 2 2 Plan Economét...

Chapitre 1 Introduction générale 1 Wooldridge CHAPTER 1 The Nature of Econometrics and Economic Data LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 2 2 Plan Econométrie, quèsaco ? Données Corrélation ≠ Causalité Objectifs du cours Options pédagogiques Compétences à acquérir Plan du cours LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 3 3  Econométrie, quèsaco ? Littéralement, la «mesure en économie» Ensemble des méthodes statistiques utilisées pour estimer, à partir de données réelles, des relations entre variables économiques (mais pas seulement) LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 4 Pas seulement: Données de nature médicale (on peut utiliser l’outil économétrique pour estimer l’effet d’un traitement médical particulier sur l’état de santé), environnementale (on peut utiliser l’outil économétrique pour estimer l’effet de la concentration de CO2 dans l’atmosphère sur la température), etc. L'économétrie se base donc sur les mathématiques et les statistiques afin d'identifier des relations entre différentes variables. Mais tout comme vous n'avez pas besoin d'être un pro en programmation pour utiliser un ordinateur, il n'est pas foncièrement nécessaire d'être un crack en math pour pouvoir se servir de l'économétrie comme outil d'analyse 4  Econométrie, pour quoi faire ? Estimer des relations entre variables économiques dans le but de 1. Prévoir des variables économiques Une grande banque se demande quelle sera l’évolution des taux d’intérêt à court terme l’année prochaine Une entreprise veut prévoir ses ventes à venir en fonction de sa politique de prix et de son budget publicitaire LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 5 L’application la plus "visible" de l’économétrie est sans doute la prévision des grands indicateurs économiques comme le taux de croissance du PIB ou des taux d’intérêt. Outil économétrique utilisé largement utilisé dans des organismes bancaires et financiers, dans des institutions internationales Mais une autorité publique pourrait aussi utiliser les prévisions économétriques pour guider l’action politique 5  (suite) 2. Tester des théories économiques (par ex., une élasticité-prix négative) Une chaîne de cinéma se demande quelle est l’élasticité prix de la demande de places de cinéma (elle a en effet décidé d’augmenter le prix du ticket de 2,5% et elle veut vérifier si c’est un bon choix en terme de chiffre d’affaires) Comment réagit la consommation d’essence à une augmentation des prix LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 6 Les domaines d’application de l’économétrie dépasse toutefois largement ce cadre macroéconomique dans de nombreux domaines de la microéconomie appliquée elle peut être utilisée par exemple pour mesurer la senseibilité de la demande adressée à un bien à son prix 6  (suite) 3. Evaluer l’effet de politiques/projets, publics ou privés Une chaîne de grande distribution se demande quel est l’effet de l’utilisation du self-scanning sur la rentabilité de ses magasins La Faculté ESPO se demande quel est l’effet du budget d’aide à la réussite sur la réussite des étudiants Le gouvernement se demande quel est l’impact de la réduction du coût du travail sur les bas salaires sur l’emploi LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 7 L’économétrie est aussi de plus en plus utilisée pour évaluer les effets de politiques/projets qu’ils soient d’initiative privée ou publique. dans des domaines de l’économie et pas seulement en économie 7  Etapes de l’analyse économétrique 1. Un modèle économique (cette étape n’est pas toujours présente) 2. Un modèle économétrique (avec une question de recherche sous- jacente; cf. exemples précédents) LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 8 Dans certains cas, particulièrement pour ceux impliquant le test d’une théorie économique, un modèle économique formel est construit. 8  Modèle économique Peut-être un modèle micro ou macro Etablissent des relations économiques entre variables Exemples : équation de demande, équation de salaire, etc. LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 9 Consiste d’équations mathématiques qui décrivent des relations entre variables économiques 9  Exemple Modèle économique de la demande de cinéma (cf. cours de microéconomie) Q = f(P, PS, R, A) Autres variables Places Revenu relatives aux vendues par goûts/préférences habitant des consommateurs Prix des biens substituts (DVD, films en ligne, etc.) Prix du ticket LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 10 Les économistes ont utilisés des outils économiques de base, comme la maximisation de l’utilité sous contrainte, pour expliquer des comportements de consommation 10  (suite) Généralement, la forme fonctionnelle f(.) de la relation n’est pas spécifiée Cette équation aurait pu être postulée sans l’utilisation de la modélisation (raisonnement économique, intuition) Mais, souvent, la modélisation reste utile pour : mettre en évidence des relations/facteurs qu’un simple raisonnement peut négliger interpréter les paramètres estimés LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 11 Cette fonction dépend d’une fonction d’utilité sous-jacente qui est rarement connue La modélisation économique formelle est parfois le point de départ d’une analyse empirique, mais il est aussi habituel d’utiliser la théorie économique de manière moins formelle ou même de se fier entièrement sur l’intuition 11  Exemple Modèle économétrique de la demande de cinéma La forme fonctionnelle entre la variable ‘à expliquer’ et les autres variables doit être spécifiée : relation linéaire ? Certaines variables doivent être approximées (les goûts) par des variables observables/mesurables (l’âge); d’autres sont difficilement observables/mesurables (piratage) Suite : Chapitre 2 et suivants LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 12 Après qu’on ait spécifié un modèle économique, on doit alors passer à la définition d’un modèle économétrique Comme on va montrer une série de modèles économétriques dans le cours, il est important de voir comment un modèle économétrique est en lien avec un modèle économique 12  Econométrie, avec quelles données ? Différents types de bases de données données transversales LECGE1316 données transversales répétées données (séries) temporelles données longitudinales (de panel) Les méthodes économétriques dépendent de la nature des données L’usage de méthodes inadaptées peut fausser les résultats LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 13 Une analyse empirique requiert par définition des données elles consistent en un échantillon de données sur des salariés, des consommateurs, une entreprise, des pays... collectées à un moment donné du temps. elles consistent en des données sur une ou plusieurs variables collectées à intervalles réguliers : les plus fréquentes sont les variables macroéconomiques, ou des données financières elles consistent en un échantillon de données sur des salariés, des consommateurs, une entreprise, des pays,... collectées à intervalles réguliers du temps. Elles fournissent donc l’histoire d’un ensemble d’individus à plusieurs dates. Certaines méthodes économétriques peuvent être appliquées sans grande modification à différentes types de données, mais souvent la spécificité des données doit être prise en compte ou exploitée 13  Données transversales Echantillon d’individus, de ménages, d’entreprises, de magasins, de villes, de régions, de pays, etc., prélevé à un moment précis On peut souvent supposer que les observations sont indépendantes l’une de l’autre, en particulier si elles ont été obtenues par échantillonnage aléatoire au sein d’une grande population LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 14 Elles consistent en un échantillon de données sur des salariés, des consommateurs, une entreprise, des pays... collectées à un moment donné du temps. Par exemple, un échantillon aléatoire de 500 travailleurs tirés de la population en emploi, avec des informations sur leur salaire, niveau d’étude, expérience, … Ces données proviennent généralement d’échantillons supposés représentatifs issus de la population totale. Supposer l’échantillonnage aléatoire à travers le cours, même si ce n’est pas toujours correct de faire cette hypothèse 14  (suite) Parfois, l’hypothèse d’échantillonnage aléatoire est violée, par exemple si certains des individus tirés au sort refusent de répondre aux questions d’enquête Ces données sont généralement utilisées en microéconomie appliquée LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 15 Par exemple, on est intéressé à étudier les facteurs qui influencent la richesse familiale. On peut faire une enquête sur des familles, mais certaines familles peuvent refuser de rapporter leur richesse. Si, par ex, les familles plus riches sont moins susceptibles de révéler leur richesse alors l’échantillon ne sera pas un échantillon aléatoire de la population de toutes les familles; illustration du problème de sélection endogène. Une autre violation de l’hypothèse d’échantillonnage aléatoire survient lorsqu’on échantillonne des unités qui sont grandes par rapport à la population, en particulier des unités géographiques. Le problème potentiel est alors que la population n’est pas assez grande que pour raisonnablement supposer que les observations sont des tirages indépendants l’un de l’autre Par exemple, si on veut expliquer le développement d’activités économiques à travers les régions en fonction du salaire, des prix de l’énergie, des taxes foncières et immobilières, de la qualité de la force de travail… il est improbable que les activités économiques des régions proches l’une de l’autre soient indépendantes. Les méthodes économétriques traditionnelles fonctionnent dans ce cas de figure, mais doivent être améliorées Les données transversales sont très largement utilisées en économie (économie du travail, économie régionale, économie publique, IO, économie de la santé, démographie) et dans d’autres sciences sociales 15  Exemple Données transversales sur les salaires et d’autres caractéristiques variables indicatrices binaires (1=oui, 0=non) numéro de l’observation salaire horaire ($) LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 16 exper=age-educ-6 Années d’expérience potentielle sur le marché du travail Le nombre de l’observation n’est pas une caractéristique de l’individu, c’est un nombre assigné à chaque individu Tous les logiciels assignent un numéro à chaque individu de l’échantillon Pour les données ici représentées, il n’est pas important de savoir quelle personne a le numéro 1, le numéro 2, etc. Le fait que les données ne doivent pas être ordonnées dans un sens particulier pour l’analyse économétrique est une caractéristique essentielle des données transversales 16  Corrélation ≠ causalité Deux événements peuvent être corrélés (reliés) sans pour autant avoir un rapport de cause à effet «Corrélation et causalité : peut-on décrocher un prix Nobel en mangeant du chocolat ?» (Le Monde, 12/9/2019) https://www.lemonde.fr/sciences/video/2019/09/12/correlation-et- causalite-peut-on-decrocher-un-prix-nobel-en-mangeant-du- chocolat_5509656_1650684.html LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 17 Dans la plupart des tests de théorie économique, et certainement pour évaluer des politiques publiques, le but de l’économiste est d’inférer qu’une variable (par exemple l’éducation) a un effet causal sur une autre (par exemple le salaire) Simplement trouver une association entre deux variables ou plus peut être suggestif, mais si une relation causale n’est pas établie, c’est rarement utile … On va le voir par des exemples La consommation de cannabis par les lycéens français est corrélée aux résultats scolaires. Peut-on conclure de cette simple corrélation que la consommation de cannabis est la cause des mauvaises notes des élèves français? On doit se demander quelle histoire causale se cache derrière la corrélation observée entre ces deux phénomènes. N’est-ce pas plutôt parce qu’ils ont de mauvais résultats scolaires que les élèves se tournent vers le cannabis? C’est ce qu’on appelle le problème 17 de causalité inverse. Ou n’y a-t-il pas un facteur commun aux deux événements qui expliquent leur corrélation sans qu’ils soient causalement reliés entre eux. C’est ce qu’on appelle une fausse causalité. Les problèmes familiaux par exemple qui expliquent à la fois la consommation de cannabis et les mauvaises notes. A quelle condition des corrélations permettent-elles de tirer des conclusions causales? Expérience. On répartit une groupe de lycéens au hasard dans deux groupes, un groupe qui se verra proposer gratuitement du cannabis pendant l’année scolaire, et l’autre non. En fin d’année, on calcule la corrélation entre la consommation de cannabis et le résultat scolaire. 17  Exemple : LECGE1316 Cote sur 16 points Cote sur 4 points à l’examen (janv. au test (nov. 2017) 2018) 196 observations … LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 18 18 (suite)  corrélation forte et positive entre le résultat à l’examen et le résultat au test LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 19 19 (suite) Cela implique-t-il nécessairement que ce sont les efforts mis en œuvre pour réussir le test qui causent un résultat à l’examen plus élevé ? LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 20 20 (suite) NON : si le résultat au test est corrélé + avec des caractéristiques de l’étudiant (compétences quantitatives, motivation, etc.) et que ces caractéristiques influencent aussi + le résultat à l’examen → fausse causalité (‘spurious correlation/causality’) LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 21 21 Autre exemple Dans un échantillon d’entreprises, corrélation positive entre le nombre moyen d’heures de formation par salarié et le salaire horaire moyen Cela implique-t-il nécessairement que c’est la formation qui cause un salaire horaire plus élevé ? LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2017-2018 22 22 (suite) NON : si les heures de formation sont corrélées + avec des caractéristiques de l’entreprise (qualité du management, taille de l’entreprise, etc.) et que ces caractéristiques influencent aussi + le salaire horaire des employés → fausse causalité (‘spurious correlation/causality’) LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2017-2018 23 23 (suite) NON : si c’est un salaire plus élevé (reflétant la qualité et la motivation plus élevée des salariés) qui cause des heures de formation plus élevée → causalité inverse (‘reverse causality’) LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 24 24 Autre exemple Prenons l’exemple d’une formation à l’entrepreneuriat pour les jeunes des quartiers défavorisés Difficile de trouver un emploi salarié stable Démarrer une activité entrepreneuriale peut constituer une alternative intéressante: création de son propre emploi Formation entrepreneuriale type Formation technique Coaching Business plan 25 25 Autre exemple Tout le monde n’est peut-être pas “fait” pour devenir entrepreneur? Différents «types » de profil : esprit entrepreneurial élevé vs esprit entrepreneurial faible? Imaginons 2 organisations qui sélectionnent les candidats différemment, après un test Une recrute seulement les profils « élevés » L’autre recrute tout type de profil 26 26 (suite) Résultat Organisation 1 (profil élevé) Echantillon de jeunes participant au programme 1 27 27 (suite) Résultat Organisation 2 (tout profil) Echantillon de jeunes participant au programme 2 28 28 (suite) Question: Laquelle des 2 organisations est la plus efficace dans l’aide à la création d’entreprise? https://app.wooclap.com/events/HRJRYP/ questions/66e9d7c7777e8af2543f13be 29 29 (suite) Impact organisation 1? 30 30 (suite) Impact organisation 2 31 31 (suite) Conclusion? 32 32 Econométrie et causalité Les relations de cause à effet ne sont pas facile à établir Mais elles sont nécessaires si on veut les utiliser comme des outils d’aide à la décision Sous certaines conditions, l’économétrie peut aider à estimer une relation causale entre variables LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 33 33 (suite) Dans le cours, on verra qu’il semble exister une relation causale 1. entre le résultat à un test et le résultat à l’examen, 2. entre la participation au cours magistral et le résultat à l’examen LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 34 34 Problèmes, exercices STATA Wooldridge Problèmes (Chap. 1; cf. livre ou Moodle) 1 (ii) et (iii) 2 3 Exercices STATA* (Chap. 1; cf. livre ou Moodle) C1 C2 * Lors du TP0 (semaines 1 & 2) LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 35 35 Objectifs du cours Démystifier l’économétrie Apprentissage et application de méthodes économétriques de base sur données transversales Sensibilisation à la question de la différence entre corrélation et causalité LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 36 36 Options pédagogiques 1. Livre de référence pédagogique et peu technique : Jeffrey Wooldridge 2016, Introductory econometrics: a Modern Approach, 6th edition, Cengage Learning LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 37 37  (suite) “My motivation for writing the first edition of [this book] was that I saw a fairly wide gap between how econometrics is taught to undergraduates and how empirical researchers think about and apply econometrics methods. I became convinced that teaching introductory econometrics from the perspective of professional users of econometrics would actually simplify the presentation, in addition to making the subject much more interesting.” (Wooldridge, 2016, p.xii) LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 38 L’accent est mis sur les applications des méthodes vues plutôt que sur des démonstrations compliquées utilisant le langage matriciel Problèmes et exercices pratiques sont conçus dans ce sens également. La plupart des exemples commencent avec un modèle économétrique sans considérer la façon dont le modèle a été pensé ou déduit (d’un modèle théorique). Cela prendrait trop de temps de dériver un modèle économique pour chaque exemple. Mais la question d’intérêt est toujours spécifiée et le raisonnement économique utilisé comme guide pour le choix des régresseurs et l’interprétation des paramètres. 38  (suite) “[…] Each econometric method is motivated by a particular issue facing researchers analyzing nonexperimental data. The focus in the main text is on understanding and interpreting the assumptions in light of actual empirical applications; the mathematics required is no more than college algebra and basic probability and statistics.” (Wooldridge, 2016, p.xii) LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 39 L’accent est mis sur les applications des méthodes vues plutôt que sur des démonstrations compliquées utilisant le langage matriciel Problèmes et exercices pratiques sont conçus dans ce sens également. La plupart des exemples commencent avec un modèle économétrique sans considérer la façon dont le modèle a été pensé ou déduit (d’un modèle théorique). Cela prendrait trop de temps de dériver un modèle économique pour chaque exemple. Mais la question d’intérêt est toujours spécifiée et le raisonnement économique utilisé comme guide pour le choix des régresseurs et l’interprétation des paramètres. 39 Options pédagogiques 2. «Learning-by-doing». In fine, l'étudiant doit être capable d'utiliser les méthodes enseignées pour la résolution de questions simples, et d'interpréter les résultats d'une analyse économétrique tout en étant conscient des limites des méthodes LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 40 40 Compétences à acquérir Comprendre en quoi les méthodes apprises peuvent aider à trouver une réponse aux questions concrètes posées dans divers domaines d’application en économie/gestion LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 41 41 (suite) Comprendre les hypothèses sous- jacentes aux méthodes apprises et pouvoir les interpréter dans le cadre d’un exemple d’application concret LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 42 42 (suite) Capacité à appliquer les méthodes d’estimation sur des données réelles (à l’aide du logiciel STATA), de bien interpréter les paramètres estimés et de pouvoir tester certaines hypothèses, notamment sur la spécification du modèle estimé LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 43 43 Plan du cours Chapitre 2. Le modèle de régression linéaire simple Chapitre 3. Le modèle de régression linéaire multiple : Estimation Chapitre 4. Le modèle de régression linéaire multiple : Test d’hypothèse Chapitre 5. Le modèle de régression linéaire multiple : Propriétés asymptotiques LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 44 44 (suite) Chapitre 6. Le modèle de régression linéaire multiple : Autres questions Chapitre 7. Le modèle de régression linéaire multiple : variables binaires (indicatrices) Chapitre 8. Le modèle de régression linéaire multiple : hétéroscédasticité + Thème transversal : La différence entre corrélation et causalité LECGE1316 – Econométrie - CHAPITRE 1 © Muriel Dejemeppe, 2020-2021 45 45  Fin de : Chapitre 1 46 Dernière chose : répondre à l’enquête pour le projet empirique https://mobilite.limesurvey.net/272851?lang=fr 47