U. Paris Ouest,
M1 - Cours de Modélisation Appliquée

Introduction aux modèles économétriques Laurent Ferrara
Février 2013

U. Paris Ouest

L. Ferrara, 20122012-13

Plan de la présentation
1. Concepts
2. Modèles statistiques
3 Exemples
3.
E l de d modèles dèl U. Paris Ouest

L. Ferrara, 20122012-13

1 C
1.
Concepts t Objectif
Prendre des décisions à partir de l’observation d’un ensemble de données Méthode
Construction d’un modèle économétrique pour chaque type d’étude Outils
1) Théorie de l ’information et concepts d’optimalité
→ construction dd’une une population exhaustive : pas tjs facile ….
→Ouest
Solution : échantillonnage
U. Paris
L. Ferrara, 20122012-13

2) Modèles économétriques:
Modèles probabilistes : loi de distribution de l’échantillon
Modèles paramétriques : modèles de régression linéaire et nonnon linéaire, modèles de séries chronologiques, ….
→ Chaque type de modèle fait appel à des paramètres (de la loi et / ou du modèle), a priori inconnus qu qu’il il faudra estimer.
On peut identifier de 2 types de paramètres : paramètres de loi de distribution ou pparamètres de structure.
3)) Estimation et tests :
Inférence statistique basée sur l’échantillon observé
→ Co
Contrôle
ô e de laa qualité qua é de l ’information o a o et e de laa décision déc s o prise p se associée au test
U. Paris Ouest
L. Ferrara, 20122012-13

Exemples :
- Etude d’une ppopulation p par p sondage g ((élections,, enquêtes q d’opinion auprès des ménages et des industriels…)
- Explication de phénomènes macro-économiques et microéconomiques q - Prévision év s o (variables
(va ab es macro, ac o, tau taux de cchange, a ge, actifs act s financiers, …)
- Prise de décision de politique économique par le ggouvernement et la banque q centrale
U. Paris Ouest

L. Ferrara, 20122012-13

2 Modèles
2.
M dèl économétriques é ét i
Définition formelle
On appelle modèle au sens statistique la donnée dd’un un triplet

(Ω, F , IP) où :

Ω est l’ensemble (les données)
F est une tribu sur Ω
IP est une