ECO 4272: Introduction `a l’´econom´etrie Examen intra : R´eponses
Steve Ambler
D´epartement des sciences ´economiques Ecole des sciences de la gestion ´ Universit´e du Qu´ebec Montr´eal
c 2016, Steve Ambler Hiver 2016
1 Absence de biais de la variance ´echantillonnale (20 points)
Voici la preuve.
E 1
n−1
n
X
i=1
Yi −Y¯2
!
= E 1
n−1
n
X
i=1
Yi2−YiY¯ −Y Y¯ i+ ¯Y2
!
= E 1
n−1
n
X
i=1
Yi2−Y¯
n
X
i=1
Yi−Y¯
n
X
i=1
Yi+nY¯2
!!
= E 1
n−1
n
X
i=1
Yi2−Y n¯ Y¯ −Y n¯ Y¯ +nY¯2
!!
= E 1
n−1
n
X
i=1
Yi2−nY¯2
!!
= 1 n−1
n
X
i=1
E Yi2
−nE ¯Y2
!
= 1
n−1
n
X
i=1
E Y2
−nE ¯Y2
!
= 1
n−1 nE Y2
−nE ¯Y2
= n
n−1 E Y2
− E ¯Y2 , ce qui fut `a d´emontrer.
Avec ce r´esultat, on peut facilement montrer l’absence de biais de l’estimateur (notez bien que je ne vous ai pas demand´e de d´emontrer ceci). Nous avons
σY2 = E (Y −E (Y))2 = E Y2
−(E (Y))2 et
σY2¯ = E ¯Y −E ¯Y2
= E ¯Y2
− E ¯Y2
. Donc nous avons
E Y2
− E ¯Y2
=σY2 + (E (Y))2−σY2¯ − E ¯Y2
=σ2Y +µY2− 1
nσ2Y −µY2
= n−1 n σY2
et nous avons tout de suite l’absence de biais de l’estimateur.
2 Distributions de probabilit´e jointes (20 points)
1. Les probabilit´es jointes sont comme suit.
Pr (X = 0, Y = 1) = Pr (X = 0|Y = 1)×Pr (Y = 1) = 1/4×1/6, Pr (X = 1, Y = 1) = Pr (X = 1|Y = 1)×Pr (Y = 1) = 2/4×1/6, Pr (X = 2, Y = 1) = Pr (X = 2|Y = 1)×Pr (Y = 1) = 1/4×1/6,
Pr (X = 3, Y = 1) = Pr (X = 3|Y = 1)×Pr (Y = 1) = 0×1/6, Pr (X = 0, Y = 2) = Pr (X = 0|Y = 2)×Pr (Y = 2) = 1/4×1/6, Pr (X = 1, Y = 2) = Pr (X = 1|Y = 2)×Pr (Y = 1) = 2/4×1/6, etc.
Le tableau doit ressembler `a ce qui suit, o`uX est le nombre de piles etY est le r´esultat de jeter le d´e :
Y\X X=0 X=1 X=2 X=3
Y=1 1/24 1/12 1/24 0 1/6
Y=2 1/24 1/12 1/24 0 1/6
Y=3 1/24 1/12 1/24 0 1/6
Y=4 1/48 3/48 3/48 1/48 1/6
Y=5 1/48 3/48 3/48 1/48 1/6
Y=6 1/48 3/48 3/48 1/48 1/6
9/48 21/48 15/48 3/48 1 2. Voir le tableau.
3. Utilisant la distribution marginale, nous avons E (X) = 0× 9
48 + 1× 21
48+ 2×15
48 + 3× 3 48 = 60
48 = 1.25.
Ce n’´etait pas n´ecessaire de simplifier.
4. Nous avons
E (Y|X = 2)
= 1×Pr (Y = 1, X = 2)
Pr (X = 2) +2×Pr (Y = 2, X = 2)
Pr (X = 2) +3×Pr (Y = 3, X = 2) Pr (X= 2) +4×Pr (Y = 4, X = 2)
Pr (X = 2) +5×Pr (Y = 5, X = 2)
Pr (X = 2) +6×Pr (Y = 6, X = 2) Pr (X= 2)
= 1× 1/24
15/48+2× 1/24
15/48+3× 1/24
15/48+4× 3/48
15/48+5× 3/48
15/48+6× 3/48 15/48
= 2 15+ 4
15+ 6 15+12
15 +15 15+ 18
15 = 57
15 = 3.8.
Il n’´etait pas n´ecessaire de simplifier.
5. Les probabilit´es sont identiques pour Y = 4 etY = 5, donc l’esp´erance conditionnelle deXest identique dans les deux cas. Nous pouvons calculer un des deux. Nous avons
E (X|Y = 4)
= 1×Pr (X = 1, Y = 4)
Pr (Y = 4) +2×Pr (X = 2, Y = 4)
Pr (Y = 4) +3×Pr (X = 3, Y = 4) Pr (Y = 4)
= 1×3/48
1/6 + 2×3/48
1/6 + 3×1/48 1/6
= 3 8+ 6
8+ 3
8 = 1.5.
Il n’´etait pas n´ecessaire de simplifier.
6. Les variables ne sont pas ind´ependantes. Il suffit de trouver un contre- exemple o`u la probabilit´e conditionnelle d’obtenir une des r´ealisations jointes n’est pas ´egale au produit des probabilit´es marginales. Nous avons
Pr (X = 1, Y = 1) = 1 24 6= Pr (X = 1)×Pr (Y = 1) = 21
48 ×1 6 = 7
96.
3 Estimateurs non biais´es et efficients (20 points)
1. Pour trouver la restriction, il faut d’abord calculer l’esp´erance de l’estima- teur. Nous avons
E Y˜
= E a n1
n1
X
i=1
Yi+ b n2
n2
X
j=1
Yj
!
= a n1
n1
X
i=1
E (Yi) + b n2
n2
X
j=1
E (Yj)
= n1a
n1 µY + n2b
n2 µY = (a+b)µY. Pour que l’estimateur soit non biais´e, il faut quea+b= 1.
2. Nous avons Var
Y˜
= a
n1 2 n1
X
i=1
Var (Yi) + b
n2 2 n2
X
j=1
Var (Yj)
= a2
n1 + b2 n2
σ2Y
3. Il s’agit d’un probl`eme de minimisation sous contrainte. On peut le r´esoudre utilisant un Lagrangien, ou on peut le r´esoudre en substituant b = 1−a dans le programme. La deuxi`eme approche est probablement plus facile.
Le programme est
mina
a2
n1 +(1−a)2 n2
.
Notez que puisqueσ2Y est une constante on peut l’omettre du programme.
Il y a une seule variable de choix et la seule condition du premier ordre est 2a
n1 +−2(1−a) n2 = 0
⇒(1−a)n1 =an2 ⇒a= n1
n1+n2 ⇒b= n2 n1+n2. 4. Substituant pouraetbdans l’expression pour l’estimateur nous avons
Y˜ = n1
n1+n2 1 n1
n1
X
i=1
Yi+ n2
n1+n2 1 n2
n2
X
j=1
Yj
= 1
n1+n2
n1
X
i=1
Yi+
n2
X
j=1
Yj
!
= 1 n
n
X
i=1
Yi ≡Y¯ ce qui est tout simplement l’estimateur MCO.
La morale de l’histoire est que la meilleure fac¸on de combiner des ob- servations provenant de deux sous-´echantillons est (dans la mesure o`u les variances sont constantes `a travers les deux sous-´echantillons) de donner un poids ´egal `a toutes les observations individuelles. On vient de montrer une version tr`es simple du th´eor`eme Gauss-Markov.
4 R´egression simple, tests d’hypoth`ese et intervalles de confiance (40 points)
1. Si les ´ecarts types proviennent de l’utilisation de la command summary enR, ce sont forc´ement des ´ecarts types non robustes.
2. L’hypoth`ese nulle est que la valeur du coefficient (β1) soit ´egale `a z´ero.
Nous avons
H0 :β1 = 0, H1 :β!6= 0.
La statistique `a utiliser est la suivante : tact =
βˆ1−0 ˆ σβˆ1
3. En pr´esence d’h´et´erosc´edasticit´e, l’estim´e de l’´ecart type de βˆ1 pourrait ˆetre biais´e et donc pourrait ne pas converger `a sa vraie valeur.
4. C¸ a d´epend du signe du biais. Si l’estimateur non robuste de l’´ecart type deβˆ1 sous-estime sa vraie variance, la taille de la statistiquetnormalis´ee sera trop grande et lap-value du test sera trop petite. Si l’estimateur non robuste de l’´ecart type deβˆ1 est bais´e vers le haut, la taille de la statistique tnormalis´ee sera trop petite et lap-value du test sera trop grande.
5. Le coefficient estim´e est plus de 20 fois plus grand que son ´ecart type estim´e. La statistique tnormalis´ee est donc sup´erieure `a 20 en valeur, ce qui permet de rejeter l’hypoth`ese nulle `a tous les niveaux conventionnels.
Lap-value du test doit ˆetre inf´erieure `a 0.001.
6. Pour un test avec hypoth`ese alternative bilat´erale (ce qui est le cas pour un test de significativit´e standard) nous avons
p= 2Φ (− |tact|)
o`u, comme d’habitude, Φ (·) est la distribution normale centrale r´eduite cumul´ee.
7. La statistiquetnormalis´ee s’´ecrit tact =
βˆ1−75 ˆ σβˆ
1
= 91.1955−75 4.193 .
Avec la statistiquetnormalis´ee nous avonsH0 :t= 0etH1 :t >0.
8. Avec une hypoth`ese alternative unilat´erale, lap-value du test s’´ecrit p= 1−Φ (tact)
o`u comme d’habitude Φ (·) est la fonction de distribution cumul´ee de la normale centr´ee r´eduite.
9. Nous avons
.95 = Pr −z < βˆ1−β1 ˆ σβˆ1
< z
!
= Pr
−zσˆβˆ1 <
βˆ1−β1
< zσˆβˆ1
= Pr
−zσˆβˆ1 <
β1−βˆ1
< zσˆβˆ1
= Pr
βˆ1−zσˆβˆ1 < β1 <βˆ1+zσˆβˆ1
o`uΦ (−z) = 0.025. Donc, l’intervalle de confiance est βˆ1±zˆσβˆ
1 = 91.1955±1.96×4.193.
10. Le changement pr´edit est donn´e par
∆ ˆY = ˆβ1∆X = 91.1955×2.
Nous avons
Var Yˆ
= Var
βˆ1∆X
= (∆X)2Var βˆ1
. Nous pouvons ´ecrire l’intervalle de confiance comme
βˆ1∆X±z∆Xσˆβˆ
1
avecΦ (−z) = 0.005.
5 R´egression sans constante (20 points en bonus)
1. Le programme peut s’´ecrire min
β n
X
i=1
ui2 =
n
X
i=1
Yi−Y¯
−β Xi−X¯2
2. La CPO est β :
n
X
i=1
−2 Xi−X¯
Yi−Y¯
−β Xi−X¯
= 0.
3. La solution pourβˆpeut s’´ecrire βˆ
n
X
i=1
Xi−X¯2
=
n
X
i=1
Yi −Y¯
Xi−X¯
⇒βˆ= Pn
i=1 Yi−Y¯
Xi−X¯ Pn
i=1 Xi−X¯2
=
1 n−1
Pn
i=1 Yi−Y¯
Xi−X¯
1 n−1
Pn
i=1 Xi−X¯2 .
La solution est identique `a la solution pourβˆ1dans le mod`ele de r´egression simple. C’est ´egal `a la covariance ´echantillonnale entrey etX sur la va- riance ´echantillonnale deX.
4. Nous avons
n
X
i=1
ˆ ui =
n
X
i=1
Yi−Y¯
−β Xˆ i−X¯
5. Nous avons 1 n
n
X
i=1
ˆ ui = 1
n
n
X
i=1
Yi−Y¯
−βˆ1 n
n
X
i=1
Xi−X¯
= ¯Y −Y¯ −βˆ X¯ −X¯
= 0.
6. Nous avons
βˆ= Pn
i=1 β Xi−X¯ +ui
Xi−X¯ Pn
i=1 Xi−X¯2
=β+ Pn
i=1ui Xi−X¯ Pn
i=1 Xi−X¯2 .
Calculant l’esp´erance, nous avons
E βˆ
=β+ E Pn
i=1ui Xi−X¯ Pn
i=1 Xi−X¯2
!
=β+ E Pn
i=1 Xi−X¯
E (ui|Xi) Pn
i=1 Xi−X¯2
!
=β si on fait l’hypoth`ese queE (ui|Xi) = 0, ∀i.
cr´e´e le : 06/02/2017