Beruflich Dokumente
Kultur Dokumente
ECONOMETRIE I
2.1 Terminologie
On appelle distribution d'échantillonnage d’un estimateur ou d’un test
statistique la distribution de probabilité de cet estimateur ou de ce test
statistique.
ˆ
xt yt
xt2
2
est un estimateur.
Y 1 Y
T t
Cet estimateur serait parfait si toutes les familles avaient le même revenu.
Malheureusement on n'a jamais d'estimateur parfait.
3
Var(ˆ) E[ˆ E (ˆ)]2 E (ˆ)2 [E (ˆ)]2
E (ˆ) = Biais de ̂
4
2.2 Propriétés des Petits Echantillons
E (ˆ) (1.1)
E (ˆ)
5
Un estimateur efficient est aussi appelé Meilleur Estimateur sans biais.
E (ˆ)
*
Var (ˆ) Var ( * ) ou est un autre estimateur linéaire et sans-biais de
.
Avant d'aller plus loin, essayons de poser et récapituler sur ces notions des
sans biais. Pour ce faire nous allons introduire le concept d'expérimentation
de Monte-Carlo. Une expérience de Monte-Carlo consiste à se donner la
population (une population superficielle), donc par là même on se donne
la valeur du paramètre d'intérêt. De cette population on tire autant
d'échantillons que l'on veut, à chaque fois on calcule la valeur de notre
estimateur et ensuite on forme sa distribution de probabilité.
1
BLUE = Best Linear Unbiased Estimator.
6
Exemple
Prenons une population fictive qui consiste en les nombres {2, 3, 6, 8, 11}.
Considérons les échantillons de taille deux tirés avec remplacement de cette
population. Il y a aurait donc 52 = 25 échantillons de taille deux.
m6
et
7
Les moyennes estimés X de chaque échantillon sont
X f( X )
2 1/25
2.5 2/25
3 1/25
4 2/25
4.5 2/25
5 2/25
5.5 2/25
6 1/25
6.5 2/25
7 4/25
8 1/25
8.5 2/25
9.5 2/25
11 1/25
8
E (X ) Xi f (Xi ) 6.0
Var (X )
Var (X )
2
E (X ) m
Exemple
x f(x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
m xf (x ) 3.5
9
Var(X ) 2 2.92
X
Considérons donc tous les échantillons possibles de taille N = 2 que l'on peut
tirer de cette population, soit
Echantillon X Echantillon X
(1,1) 1 (4,1) 2.5
(1,2) 1.5 (4,2) 3
(1,3) 2 (4,3) 3.5
(1,4) 2.5 (4,4) 4
(1,5) 3 (4,5) 4.5
(1,6) 3.5 (4,6) 5
(2,1) 1.5 (5,1) 3
(2,2) 2 (5,2) 3.5
(2,3) 2.5 (5,3) 4
(2,4) 3 (5,4) 4.5
(2,5) 3.5 (5,5) 5
(2,6) 4 (5,6) 5.5
(3,1) 2 (6,1) 3.5
(3,2) 2.5 (6,2) 4
(3,3) 3 (6,3) 4.5
(3,4) 3.5 (6,4) 5
(3,5) 4 (6,5) 5.5
(3,6) 4.5 (6,6) 6
10
X f( X )
1 1/36
1.5 2/36
2 3/36
2.5 4/36
3 5/36
3.5 6/36
4 5/36
4.5 4/36
5 3/36
5.5 2/36
6 1/36
m E (X ) Xf (X ) 3.5
X
Donc
m E (X ) m
X
Var(X ) 1.46
11
Var(X ) 2.92
donc
2
2 Var(X ) X
Var(X )
X 2 2
Var(X )
X N (m, 2) X N (m, )
n
2.3.1 Linéarité
x y t t
(X X )(Y Y ) x Y Y x x
ˆ Yt (1.2)
t t t t t t
t
x t
2
t (X X )
t
2
(X X ) t
2
x
2
t
xt
Définissons wt , donc Equation (1.2) peut être réécrite comme
xt2
ˆ wtYt (1.3)
Il est alors clair d’après équation (1.3) que ̂ est un estimateur linéaire par
rapport aux Yt .
12
2.3.1.2 Linéarité de L’estimateur OLS de
donc
1 xY 1 xt
ˆ Y X
t t
( X )Yt (1.5)
x xt2
t 2
N t T
Définissons
1 xt
qt ( X )
T xt2
alors il vient que
ˆ qtYt (1.6)
2.3.2 Le Biais
On sait que
ˆ wtYt
13
1. wt 0
2. wt Xt 1
Partant de
ˆ wtYt
mais
Yt Xt ut
donc
E (ˆ) E () E ( w u ) (w E (u ))
t t t t
E (ˆ) (1.7)
On sait que
14
ˆ qY
t t
avec
1 x
qt ( X t )
T xt2
d’autre part
Yt Xt ut
donc
ˆ qt ( Xt ut )
en développant, on obtient
ˆ qt qt Xt qtut
mais
qt 1
et
qt X t 0
ˆ qtut
E (ˆ) E qtut
donc
E (ˆ) qt E (ut )
15
donc
E (ˆ)
2.3.3.1 Variance de β̂
Par définition
ˆ w u
t t
donc
ˆ E (ˆ) ˆ w u
t t
d’où
E (u )2 2
t
16
et
E (u us ) 0
t
donc
T
Var(ˆ) 2 w 2
t 1 t
2
( x 2)
x
T t 2
ˆ 2
Var() t
2
t 1 xt2 ( x 2)2 x 2
t t
Donc
2
Var(ˆ) (1.8)
xt2
ˆ wY
t t
17
soit un estimateur alternatif tel que
kY
t t
donc
kt 0
et
kt Xt 1
donc
Var() 2 (kt x t x t )2
x t2 x t2
x2
Var() 2 (kt x t )2 2 t 22 (kt x t )( x t )
x t2 ( x t2)2 x t2 x t2
d’où
x2
Var() 2 (kt x t )2 2 t
x t2 ( x t2)2
soit donc
18
2
Var() 2 (kt x t )2 (1.9)
x t2 x t2
soit
kt x t
x t2
2.3.3.2 Variance de ̂
Par définition
on sait que
ˆ q u
t t
donc
19
2
Var(ˆ) E q u
t t
d’où
Var(ˆ) E (q u q u ... q u )2
11 2 2 T T
Var(ˆ) 2 1 2 X w X 2w 2
T 2 T t t
ou encore
2
Var(ˆ) 2 1 X (1.10)
T
xt2
2
x t2 TX 2
1 X
2
Var(ˆ)
2
T 2
xt
2
T (x t )
d’où
(X 2 X 2 2XX ) TX 2
2
Var(ˆ) i i
2
T (x )
i
20
donc
2 Xi2
Var(ˆ) (1.11)
T x2
i
donc nous avons les deux formules suivantes pour la variance de ̂ , soit
2 Xi2 2
1 X2
Var(ˆ)
T x2 T x i2
i
ˆ qY
t t
soit
* zY
t t
E (*) zt zt Xt
zt 1
et
21
zt Xt 0
où on a retranché et ajouté qt .
mais
donc
avec
z t qt
on a
2
Var(ˆ) 2 qt2 2 (1 Xx t )2 2[ 1 X ]
T
x t2 T
x t2
22
2.4 Un estimateur sans-Biais pour 2
d’où
or
ˆ q u
t t
et
ˆ w u
t t
uˆt u q u X w u
t t t t t t
ou encore
u 1 Xw u X w u
uˆt (1.13)
t T t t t t t
uˆt (u u ) X w u X w u
t t t t t t
23
d’où
uˆt (u u ) (X X ) w u
t t t t
Remarque
(u u )2 u2 2u u u 2
t t t
1
(ut u )2 ut2 2ut 1 (u u .... u ) (u u .... u )(u u .... u )
T 1 2 T T2 1 2 T 1 2 T
2 2
E (u u )2 2 2 2 2
t T T T
d’où
24
E (ut u )2 T 2 2
Remarque
t t
t t t T 1 2 T t
(u u )(X X ) w u u 1 u u ... u X X w u ... w u
11 T T
(X X )2 2
E (u u )(X X ) w u t (X X )( w )2
t t t t 2 t t
(Xt X )
d’où
Remarque
donc
25
E ( 2) T 2 2 22 2 (T 2)2
t
2 t2
définissons ˆ avec ici K = 2
T K
2
uˆt2
2
E (ˆ ) E
T K
donc
2 uˆt2
ˆ (1.14)
T K
uˆt2
ce qui veut dire que ˆ2 est un estimateur sans biais de 2 .
T K
26