Econométrie - Econometrics

L'économétrie est l'application de méthodes statistiques aux données économiques afin de donner un contenu empirique aux relations économiques. Plus précisément, c'est « l'analyse quantitative des phénomènes économiques réels fondée sur le développement simultané de la théorie et de l'observation, reliées par des méthodes d'inférence appropriées ». Un manuel d'introduction à l'économie décrit l'économétrie comme permettant aux économistes « de passer au crible des montagnes de données pour extraire des relations simples ». Jan Tinbergen est l'un des deux pères fondateurs de l'économétrie. L'autre, Ragnar Frisch , a également inventé le terme dans le sens où il est utilisé aujourd'hui.

Un outil de base pour l'économétrie est le modèle de régression linéaire multiple . La théorie économétrique utilise la théorie statistique et les statistiques mathématiques pour évaluer et développer des méthodes économétriques. Les économètres essaient de trouver des estimateurs qui ont des propriétés statistiques souhaitables, notamment l' absence de biais , l' efficacité et la cohérence . L'économétrie appliquée utilise l'économétrie théorique et les données du monde réel pour évaluer les théories économiques, développer des modèles économétriques , analyser l'histoire économique et faire des prévisions .

Modèles de base : régression linéaire

Un outil de base pour l'économétrie est le modèle de régression linéaire multiple . Dans l'économétrie moderne, d'autres outils statistiques sont fréquemment utilisés, mais la régression linéaire reste le point de départ le plus fréquemment utilisé pour une analyse. L'estimation d'une régression linéaire sur deux variables peut être visualisée comme l'ajustement d'une ligne passant par des points de données représentant les valeurs appariées des variables indépendantes et dépendantes.

La loi d'Okun représentant la relation entre la croissance du PIB et le taux de chômage. La droite d'ajustement est trouvée à l'aide d'une analyse de régression.

Par exemple, considérons la loi d'Okun , qui relie la croissance du PIB au taux de chômage. Cette relation est représentée dans une régression linéaire où la variation du taux de chômage ( ) est fonction d'une intersection ( ), une valeur donnée de la croissance du PIB multipliée par un coefficient de pente et un terme d'erreur, :

Les paramètres inconnus et peuvent être estimés. Ici est estimé à 0,83 et est estimé à -1,77. Cela signifie que si la croissance du PIB augmentait d'un point de pourcentage, le taux de chômage devrait baisser de 1,77 * 1 point, les autres éléments restant constants . Le modèle pourrait alors être testé pour la signification statistique pour savoir si une augmentation de la croissance du PIB est associée à une diminution du chômage, émis l' hypothèse . Si l'estimation de n'était pas significativement différente de 0, le test ne parviendrait pas à prouver que les changements du taux de croissance et du taux de chômage étaient liés. La variance d'une prédiction de la variable dépendante (chômage) en fonction de la variable indépendante (croissance du PIB) est donnée en moindres carrés polynomiaux .

Théorie

La théorie économétrique utilise la théorie statistique et les statistiques mathématiques pour évaluer et développer des méthodes économétriques. Les économètres essaient de trouver des estimateurs qui possèdent des propriétés statistiques souhaitables, notamment l' absence de biais , l' efficacité et la cohérence . Un estimateur est sans biais si sa valeur attendue est la vraie valeur du paramètre ; il est cohérent s'il converge vers la vraie valeur à mesure que la taille de l'échantillon augmente, et il est efficace si l'estimateur a une erreur-type inférieure à celle des autres estimateurs sans biais pour une taille d'échantillon donnée. Les moindres carrés ordinaires (MCO) sont souvent utilisés pour l'estimation car ils fournissent le BLEU ou « meilleur estimateur linéaire sans biais » (où « meilleur » signifie l'estimateur le plus efficace et sans biais) compte tenu des hypothèses de Gauss-Markov . Lorsque ces hypothèses sont violées ou que d'autres propriétés statistiques sont souhaitées, d'autres techniques d'estimation telles que l' estimation du maximum de vraisemblance , la méthode des moments généralisée ou les moindres carrés généralisés sont utilisées. Les estimateurs qui intègrent des croyances a priori sont préconisés par ceux qui privilégient les statistiques bayésiennes par rapport aux approches traditionnelles, classiques ou « fréquentistes » .

Méthodes

L'économétrie appliquée utilise l'économétrie théorique et les données du monde réel pour évaluer les théories économiques, développer des modèles économétriques , analyser l'histoire économique et faire des prévisions .

L'économétrie peut utiliser des modèles statistiques standard pour étudier des questions économiques, mais le plus souvent, ils utilisent des données d' observation plutôt que des expériences contrôlées . En cela, la conception des études d'observation en économétrie est similaire à la conception d'études dans d'autres disciplines d'observation, telles que l'astronomie, l'épidémiologie, la sociologie et les sciences politiques. L'analyse des données d'une étude observationnelle est guidée par le protocole de l'étude, bien que l'analyse exploratoire des données puisse être utile pour générer de nouvelles hypothèses. L'économie analyse souvent des systèmes d'équations et d'inégalités, tels que l' offre et la demande supposées être en équilibre . Par conséquent, le domaine de l'économétrie a développé des méthodes d' identification et d' estimation de modèles à équations simultanées . Ces méthodes sont analogues aux méthodes utilisées dans d'autres domaines de la science, tels que le domaine de l' identification des systèmes dans l'analyse des systèmes et la théorie du contrôle . De telles méthodes peuvent permettre aux chercheurs d'estimer des modèles et d'étudier leurs conséquences empiriques, sans manipuler directement le système.

L'une des méthodes statistiques fondamentales utilisées par les économètres est l'analyse de régression . Les méthodes de régression sont importantes en économétrie car les économistes ne peuvent généralement pas utiliser d' expériences contrôlées . Les économètres recherchent souvent des expériences naturelles éclairantes en l'absence de preuves issues d'expériences contrôlées. Les données d'observation peuvent être sujettes à un biais de variable omis et à une liste d'autres problèmes qui doivent être traités en utilisant l'analyse causale des modèles d'équations simultanées.

En plus des expérimentations naturelles, les méthodes quasi-expérimentales sont de plus en plus utilisées par les économètres depuis les années 1980, afin d'identifier de manière crédible des effets causaux.

Exemple

Un exemple simple d'une relation en économétrie du domaine de l'économie du travail est :

Cet exemple suppose que le logarithme népérien du salaire d'une personne est une fonction linéaire du nombre d'années d'études que cette personne a acquises. Le paramètre mesure l'augmentation du logarithme naturel du salaire attribuable à une année de scolarité supplémentaire. Le terme est une variable aléatoire représentant tous les autres facteurs qui peuvent avoir une influence directe sur le salaire. L'objectif économétrique est d'estimer les paramètres, sous des hypothèses spécifiques sur la variable aléatoire . Par exemple, si n'est pas corrélé avec les années d'études, alors l'équation peut être estimée avec les moindres carrés ordinaires .

Si le chercheur pouvait affecter au hasard des personnes à différents niveaux d'éducation, l'ensemble de données ainsi généré permettrait d'estimer l'effet des changements d'années d'éducation sur les salaires. En réalité, ces expériences ne peuvent pas être menées. Au lieu de cela, l'économètre observe les années d'études et les salaires versés aux personnes qui diffèrent selon de nombreuses dimensions. Compte tenu de ce type de données, le coefficient estimé des années d'études dans l'équation ci-dessus reflète à la fois l'effet de l'éducation sur les salaires et l'effet d'autres variables sur les salaires, si ces autres variables étaient corrélées avec l'éducation. Par exemple, les personnes nées dans certains endroits peuvent avoir des salaires plus élevés et des niveaux d'éducation plus élevés. À moins que l'économètre ne contrôle le lieu de naissance dans l'équation ci-dessus, l'effet du lieu de naissance sur les salaires peut être faussement attribué à l'effet de l'éducation sur les salaires.

Le moyen le plus évident de contrôler le lieu de naissance est d'inclure une mesure de l'effet du lieu de naissance dans l'équation ci-dessus. L'exclusion du lieu de naissance, associée à l'hypothèse qui n'est pas corrélée à l'éducation, produit un modèle mal spécifié. Une autre technique consiste à inclure dans l'équation un ensemble supplémentaire de covariables mesurées qui ne sont pas des variables instrumentales, mais qui sont pourtant identifiables. Un aperçu des méthodes économétriques utilisées pour étudier ce problème a été fourni par Card (1999).

Journaux

Les principales revues qui publient des travaux en économétrie sont Econometrica , le Journal of Econometrics , The Review of Economics and Statistics , Econometric Theory , le Journal of Applied Econometrics , Econometric Reviews , The Econometrics Journal et le Journal of Business & Economic Statistics .

Limites et critiques

Comme d'autres formes d'analyse statistique, des modèles économétriques mal spécifiés peuvent montrer une fausse relation dans laquelle deux variables sont corrélées mais sans lien de causalité. Dans une étude sur l'utilisation de l'économétrie dans les principales revues économiques, McCloskey a conclu que certains économistes rapportent des valeurs p (suivant la tradition Fisherian des tests de signification des hypothèses nulles ponctuelles ) et négligent les problèmes d' erreurs de type II ; certains économistes omettent de rapporter des estimations de la taille des effets (en dehors de la signification statistique ) et de discuter de leur importance économique. Elle soutient également que certains économistes n'utilisent pas non plus le raisonnement économique pour la sélection de modèles , en particulier pour décider quelles variables inclure dans une régression.

Dans certains cas, les variables économiques ne peuvent pas être manipulées expérimentalement en tant que traitements assignés au hasard aux sujets. Dans de tels cas, les économistes s'appuient sur des études d'observation , utilisant souvent des ensembles de données avec de nombreuses covariables fortement associées , résultant en un nombre énorme de modèles avec une capacité explicative similaire mais des covariables et des estimations de régression différentes. En ce qui concerne la pluralité de modèles compatibles avec les ensembles de données d'observation, Edward Leamer a insisté pour que « les professionnels ... retiennent correctement la croyance jusqu'à ce qu'une inférence puisse être démontrée comme étant suffisamment insensible au choix des hypothèses ».

Voir également

Lectures complémentaires

  • Livre de théorie économétrique sur Wikibooks
  • Giovannini, Enrico Comprendre les statistiques économiques , Éditions OCDE, 2008, ISBN  978-92-64-03312-2

Les références

Liens externes