Économétrie 1 (FR)

Objectif

Ce cours a pour objet d’étudier les régressions linéaires et d’introduire à la notion de causalité en sciences sociales. Il montre comment et sous quelles conditions des paramètres causaux peuvent être identifiés et estimés à partir d’échantillons aléatoires. La question, distincte, de la prédiction sera également abordée. L’accent est mis en particulier sur la méthode des moindres carrés, avec les estimateurs des moindres carrés ordinaires et des doubles moindres carrés.

Principaux acquis de la formation : à l’issue du cours, l’étudiant saura :

- Connaître les propriétés de base des MCO. 
- Faire de la prédiction à partir des MCO ; sélectionner un modèle qui assure une « bonne » prédiction.
- Connaître les propriétés asymptotiques de l’estimateur des MCO, construire des tests d’hypothèses et des intervalles de confiance à partir de cet estimateur ;
- Comprendre à quelles conditions l’estimateur des MCO identifie un effet causal.
- Reconnaître une situation d’endogénéité et utiliser, via l’estimateur des doubles moindres carrés, une variable instrumentale choisie pertinemment. Interpréter correctement l’effet causal correspondant dans le cas d’instrument et de « traitement » binaire (LATE).
- Conduire une analyse économétrique complète avec des données réelles sous R (spécification, choix de la méthode d’estimation, tests, etc.) et interpréter les résultats.

Mode d’évaluation :
Mi-Parcours (1/3), examen final (2/3).
 

Plan

1. Les fondamentaux des régressions linéaires : définition des MCO, propriétés à distance finie, qualité des régressions, convergence des MCO, interprétation des régressions théoriques.

2. La précision dans les régressions linéaires : propriétés asymptotiques des MCO, précision des MCO et des prédictions, choix de régresseurs, tests et intervalles de confiance. 
3. Prédictions non causales : arbitrage biais-variance, validation croisée, régressions pénalisées (critères d'information, régressions Lasso et ridge).

4. Lien entre régressions linéaires et causalité : modèle causal de Rubin, biais de sélection, modèles causaux et régressions linéaires.

5. Variables instrumentales : motivation dans le cas d’expériences randomisées, généralisation aux modèles linéaires, estimateur des doubles moindres carrés, inférence.

Références

Angrist, J. D., et Pischke, J. S. (2008). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton university press. 
Wooldridge, J. M. Introductory Econometrics.  Thomson South-Western (2003).
Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data. MIT press.