Sie sind auf Seite 1von 4

a.

Dérivée partielle première du logarithme du salaire par rapport aux années


d’expérience :
∂ln sal
∂exp
= β1 + β2. exp
La dérivée partielle s’interprète comme une semi-élasticité du salaire par rapport aux
années d’expérience.

β0 correspond à la constante. Il peut être interpréter comme un niveau de salaire


minimum (par exemple salaire de subsistance).

b. L’hypothèse faite par la théorie du salaire implique que β1 soit positif et la la


dérivée seconde soit négative (= 2 β2 ).
Le taux de croissance du salaire par rapport à l’expérience est de β 1% + β 2% (pas sur)

c. « Near singular matrix » signifie qu’il y à auto-corrélation et donc qu’une variable


n’est pas significative.

d. Qualité de l’estimation à partir du test global de linéarité :

- Hypothèses : H0 : tout les coefficients sont nuls


HA : au moins un des coefficients n’est pas nul

- Statistique de test :
R² 0.386998
Q=
k − 1 =
8−1 = 89.466503
1 − R² 1 − 0.386998
n− k 1000− 8
F 7 , 992 = 2.01

Q > F 7 , 992 , on rejete H0 et donc le modèle est satisfaisant.


Compte tenu d’un R ² faible, les variables n’expliquent qu’une partie faible du niveau
de salaire. Malgré que le modèle soit satisfaisant, il semble qu’on puisse trouver une
meilleure spécification.

e. Pour SYND = 1, le coefficient de SYND correspond à une augmentation de


15.776% du niveau de salaire.

Supplément horaire auquel peut prétendre un salarié syndiqué en unité monétaire :


Sal = exp(0.157760) = 1.17
Un salarié syndiqué peut prétendre à un salaire de 1.17 euros pour un supplément
horaire.

f. Le carré de l’expérience est à la limite de la pertinence. Pour cela, on développe le


test de l’hypothèse de non pertinence de cette variable à partir de :

- la procédure de Wald :
Statistique de test :
SCR C − SCR L 194 .7129 −194 .4284
W = n. = 1000. = 1.463264
SCR L 194 .4284

X 1² = 3.841

W< X 1² , donc on accepte H0

- Test du ratio de vraisemblance :

LR = n. ( ln SCRC – ln SCRL) = 1000 ( ln 194.7129 – ln 194.4284) = 1.462194

LR< X 1² donc on accepte H0.


Ainsi les tests nous montre que le carré de l’expérience n’est pas une variable
pertinente.

g. Test de normalité des erreurs dans le modèle M2 :

- Hypothèses : H0 : SK = 0 et KU – 3 = 0
HA : (SK, KU) ≠ (0,3)

- Statistique de test :
n n
JB = .SK ² + ( KU − 3)^ 3 = 28.47810
6 24

X 2² = 5.991
JB > X 2² , donc on rejette hypothèse H0, ce qui signifie que la normalité des erreurs
n’est pas vérifié.
On en déduit que la qualité des tests qui vont suivre seront de mauvaise qualité et donc
biaisé car l’hypothèse de normalité n’est pas vérifié.

h. Le test de Durbin-Watson est assez limité, il ne teste que les autocorrélations des
résidus d'ordre 1. De plus, son utilisation est encadrée par des conditions draconiennes
-la régression doit comporter un terme constant ;
-les variables X sont certaines (non-stochastiques), en particulier elles ne doivent pas
comporter la variable endogène retardée.
-Le terme d’erreur est supposé suivre une loi normale

- Hypothèses : H0 : ρ = 0 HA : ρ ≠ 0

- Statitique de test : DW = 2.046806

On en conclut qu’il n’y a pas d’autocorrélation entre les erreurs. Cependant le test est
biaisé vers 2 en raison de la présence d’une variable retardée donc on va préférer le
test de de Breusch-Godfrey. Ce test permettra de détecter une autocorrélation à un
ordre supérieur à 1. De plus il reste valide en présence de la variable endogène
retardée. Ce test de Breusch-Godfrey réside dans la recherche d’une relation entre les
résidus et les résidus décalés.

j. Le coefficient de la variable VM1 correspond à une semi-élasticité. La valeur


estimée du coefficient VM1 est égal à -1.580389. Ainsi si VM1 = 1, alors la baisse du
niveau de salaire sera de 158%.

k. Les estimations concernant l’âge sont conforment à ce que prédit la théorie du


salaire. Au contraire l’âge a un effet positif sur le salaire mais à taux croissant.

l. Test de White appliqué à M3 :

- Hypothèses : H0 : σi ² = σ ² HA : σi ² ≠ σ ²

- Statistique de test : WH = n.R =1000*0.080851 = 80.851

On a 29 variables explicatives dans le tableau de la des résultats de la régression


auxiliaire, donc k-1 = 28.
X 28 ² =41.337

WH > X 28 ² , on rejette H0 c’est-à-dire qu’il y a présence d’hétéroscédasticité (la


meilleur estimation de bêta est la méthode MCG).

m. Dans le test de White p devrait être égal à 45 alors que dans autre cas le tableau
nous donne p = 29. Il se peut que le logiciel n’a pas tenue compte du reste des
variables car elle n’explique pas le modèle. (je s’est pas quoi mettre pour
argumenter je n’est aucune idée de la raison de l’omission de certaines variables)

n. De ces trois modèles, le modèle M3 semble le plus satisfaisant. En effet, dans le


modèle M3 lhypothèse de normalité des erreurs est vérifiée (JB = 2.220113 est
inférieur à X 2² ). De plus comparé au modèle M1 et M2, le coefficient de
détermination ajusté du modèle M3 est plus élévé même si il demeure tout de même
inférieur à 50%. D’autre part, le fait que le critère de Shwartz ainsi que celui de
Akaike soient plus petit que celui du modèle M1, M2, nous permet de juger que M3
est plus satisfaisant.

o. Il semblerait que l’origine de l’hétéroscédasticité soit due aux variables muettes


VM1 ET VM2 introduites dans le modèle M3. En effet, ces variables caractérisent des
comportements extrêmes (spécifiques) qui font que les situations individuelles sont
hétérogènes. Cela implique donc qu’il y a une instabilité des variances des erreurs
(erreurs importantes prise en compte dans les variables muettes). Ainsi la variabilité
des comportements se traduit dans les variances des erreurs.

Le coefficient de l’âge est toujours positif dans le régression auxiliaire. Cependant


lorsque l’âge est associé à une autre variable explicative du modèle ou bien lorsqu’il
est au carré alors son coefficient devient négatif et les coefficients associés
correspondent à des semi-élasticités variables. Dans le cas où la variable âge était seul
alors son coefficient correspond à une semi-élasticité dite fixe.

p. L’hétéroscédasticité ne remet pas en cause la qualité de la prévision faite à partir de


M3. En effet dans le modèle M3, on a tenu compte de la variabilité des comportements
et donc de la l’instabilité au niveau des variances à travers les variables muettesVM1
et VM2 qui captent les erreurs d’observations particulières.

q. A partir du modèle M3,

- l’augmentation de salaire qu’un individu âgé de 30 peut espérer au bout d’une année
supplémentaire est :

Sal (31ans) = exp(0.059730*31) + exp(-0.000563*31²) = 6.370194 + 0.582141 =


6.952335
Sal (30ans) = exp(0.059730*31) + exp(-0.000563*31²) = 6.603324
Variation salaire = 6.952335 – 6.603324 = 0.349011

Un individu âgé de 30 ans peut espérer une augmentation de salaire de 0.349011 euros
pour une année supplémentaire.

- Cas ou l’individu à 40 ans :


Sal (40ans) = exp(0.059730*40) + exp (-0.000563*40²) = 11.311011
Sal (41ans) = exp(0.059730*41) + exp (-0.000563*41²) = 11.964088
Variation salaire = 11.96088 – 11.311011 = 0.649869

Un individu âgé de 40 ans peu espérer une augmentation de 0.649869 euros.


Une année en plus permet d’acquérir de meilleur expérience ce qui s’accompagne
d’une augmentation de salaire.

r. Intervalle de confiance pour l’âge de 30 ans :

P (− β i ^− t * .σ β ^ < beta bar < − β i ^− t * .σ β ^ ) = 0.95


(Je ne retrouve pas mes résultats trouvé plus haut compris dans l’intervalle de
confiance avec la formule que tu m’a passé)