Professeur Jean-Paul K.

Tsasa
UPC, Année académique 2023–2024

ÉCONOMÉTRIE

Nombre de crédits: 6
Horaire du cours: Mardi, 8h – 12h.

Description et objectif du cours:

• Ce cours est conçu pour servir d’introduction à l’économétrie.
• L’économétrie peut être vue comme une discipline qui utilise des méthodes
mathématiques et statistiques pour analyser et quantifier les relations écono-
miques.

• L’approche adoptée consiste à couvrir analytiquement une gamme de tech-

niques économétriques de base, incluant les moindres carrés ordinaires
(OLS), la méthode de vraisemblance (ML), les régressions apparemment
non liées (SUR), les moindres carrés en trois étapes (3SLS), la méthode
des effets aléatoires, ou encore la méthode des moindres carrés fixes, avec
comme principe organisateur la méthode d’estimation appelée méthode des
moments généralisée (GMM).
– Autrement dit, il sera question de montrer que ces différentes procédures
d’estimation, i.e., OLS, ML, SUR, 3SLS, et IV, ne sont qu’en réalité
des cas particuliers de la GMM.

• Je pense que l’approche unifiée, telle que considérée dans ce cours, est l’un
des moyens parmi les plus efficaces pour couvrir de manière, à la fois, ac-
cessible et rigoureuse les principales procédures d’estimation économétrique
pour un cours d’introduction.

Déclaration 1: Le contenu du présent cours s’inspire en partie de la version 2023 du

Guide du Département d’économie de l’université Harvard1, et s’appuie sur l’idée

1Url: http://economics.harvard.edu/concentrator-guide.
1
2

qu’un économiste (du moins au sens “moderne”) doit être apte à écrire soigneuse-
ment et rigoureusement des preuves mathématiques et posséder une connaissance
profonde des êtres mathématiques, et non simplement se limiter à la compétence
de faire mécaniquement les calculs.
Déclaration 2: En parallèle, il sied de préciser qu’en économétrie, il est crucial de
distinguer un modèle d’une procédure d’estimation. En effet, le principe de base de
l’économétrie est que les données économiques (telles que le PIB, l’indice des prix
à la consommation ou le taux de change) sont des variables aléatoires2. De ce fait,
un modèle est une famille de distributions de probabilité qui auraient pu générer les
données économiques, alors qu’une procédure d’estimation est un protocole basé
sur des données permettant de choisir dans le modèle une distribution particulière
susceptible d’avoir généré les données sous-jacentes.
Déclaration 3: Nous mettrons l’accent sur l’utilisation du logiciel R pour compléter
notre compréhension et notre maı̂trise des concepts économétriques. R est un lan-
gage de programmation statistique largement utilisé dans le domaine de l’économie
et de l’économétrie. L’utilisation de R dans notre cours d’économétrie présente
plusieurs avantages considérables.
• Tout d’abord, R est un logiciel statistique gratuit et open source, accessible
pour les étudiants de tous horizons.
• De plus, sa communauté en ligne active offre une abondance de ressources
et de support.
• Ensuite, sa flexibilité et sa puissance lui permettent de réaliser une variété
d’analyses statistiques et économétriques, tout en créant des graphiques
personnalisés et des simulations.
• R s’intègre également parfaitement avec LATEX, simplifiant la création de
documents académiques.
• Enfin, il encourage la reproductibilité des analyses, un aspect crucial de la
recherche académique et professionnelle, en permettant la documentation
et la reproduction transparente des résultats.

Formules pédagogiques

• Le cours est composé d’exposés magistraux, ainsi que de séances des travaux
pratiques (TPs). Les TPs seront assurés par un assistant désigné.
• L’assistant passera en revue, notamment, les solutions des exercices relatifs
au matériel couvert dans le cours afin d’aider l’étudiante ou l’étudiant à se
préparer aux épreuves (devoirs, interrogation et examen) de ce cours.

2Voir, par exemple, Stock et Watson (2010) pour une discussion.

 3

Évaluations
Ceteris paribus, la note du cours sera basée sur une série des travaux pratiques
(30%), une série d’interrogations à chaque séance du cours (30%), et un examen
final (40%).

Plan sommaire
Chapitre 1: Le modèle de régression linéaire classique
Chapitre 2: Propriétés sur échantillons finis

Chapitre 3: Distribution sur grands échantillons

Chapitre 4: Économétrie des anticipations rationnelles

Chapitre 5: Méthode des moments généralisés.

Bibliographie3

(1) Hansen, Lars Peter, 1982, “Large Sample Properties of Generalized Method
of Moments Estimators”, Econometrica, vol. 50, no. 4, pp. 1029-1054. Url:
http://www.jstor.org/stable/1912775.
(2) Hayashi, Fumio, 2000, Econometrics, Princeton University Press, 712 pages.
Url: http://press.princeton.edu/titles/6946.html.
(3) Newey, Whitney K. and Daniel McFadden, 1994, “Large Sample Esti-
mation and Hypothesis Testing”, In Robert F. Engle and Daniel L. Mc-
Fadden (eds), Handbook of Econometrics, vol. 4, pp. 2111-2245. Url:
http://doi.org/10.1016/S1573-4412(05)80005-4.
(4) Stock, James H. et Mark W. Watson, 2010, Principes d’économétrie, Pear-
son, 525 pages. Url: http://www.eyrolles.com/Entreprise/Livre/pr
incipes-d-econometrie-9782326000766.
(5) Stock, James H. et Mark W. Watson, 2010, Introduction to Econometrics,
Pearson, 840 pages. Url: http://www.pearson.com/us/higher-educat
ion/product/Stock-Introduction-to-Econometrics-3rd-Edition/97
80138009007.html.

(6) Ressources pour R: http://cran.r-project.org/manuals.html.

3La bibliographie présente les principaux ouvrages et documents utilisés pour constituer le
cours. Leur acquisition ou consultation par l’étudiant est encouragée, mais pas obligatoire.
4

(7) Note: le chapitre 4 est une application basée sur l’article de Fama (1975).
Fama, Eugene F., 1975, “Short-Term Interest Rates as Predictors of
Inflation”, The American Economic Review, vol. 65, no. 3, pp. 269-
282. Url: http://www.jstor.org/stable/1804833.

De l’enseignant
• Professeur Jean-Paul K. Tsasa est docteur en sciences économiques de
l’université du Québec (Montréal, Canada). Spécialisation: Économétrie
et modélisation macroéconomique suivant l’approche DSGE, avec un fo-
cus sur la dynamique du marché du travail. Sa thèse s’intitule “Essays on
Macroeconomic Dynamics in the Medium Term” (99 pages + annexes).
• Il détient, par ailleurs, un master en sciences économiques (UNIKIN) et
une licence en Économie mathématique (UPC).
• Il est auteur de plusieurs articles scientifiques publiés dans les revues locales
et internationales. Son plus récent article intitulé “Labor Market Volatility
in a Fully Specified RBC Search Model: An Analytical Investigation” a
été publié dans le Journal of Mathematical Economics en décembre 2022.
Lien: http://doi.org/10.1016/j.jmateco.2022.102776.
• Il est également auteur du livre Macroéconomie: Fondements, Microfonde-
ments et Politiques, co-rédigé avec le Professeur François Kabuya Kalala,
publié aux Éditions Hermann (Paris, France; 652 pages), en mars 2018.
Lien: http://www.editions-hermann.fr/livre/9782705695484.

Des assistants
• Dans le cadre des travaux pratiques, je vais travailler en collaboration avec
l’Assistant Ishara Musimwa.
– Ishara Musimwa est diplômé de Master Paris School of Economics et
Paris Sorbonne. Il est prévu entamer son cursus doctoral (PhD) en
automne 2024.
• Cette année Davina Kapinga et Olive Lukau vont rejoindre notre équipe.
– Davina et Olive venaient de décrocher tout récemment leurs diplômes
en Économie mathématique, UPC.
 5

Engagements et autres modalités

• D’une part, le professeur et le personnel responsable des travaux pratiques
s’engagent à respecter, dans leurs relations avec les étudiants et les mem-
bres de la communauté universitaire, toutes les exigences fixées dans les
règlements de l’université.
• D’autre part, l’étudiante ou l’étudiant doit respecter, dans ses relations avec
le personnel enseignant et les membres de la communauté universitaire,
toutes les exigences fixées dans les règlements de l’université.
• En outre:
– L’étudiante ou l’étudiant est le premier responsable de ses apprentis-
sages. Elle ou il doit fournir les efforts nécessaires à l’atteinte des
objectifs d’apprentissage.
– L’étudiante ou l’étudiant doit faire preuve d’ouverture d’esprit et de
curiosité intellectuelle. Elle ou il doit adopter des attitudes et des
comportements appropriés aux différentes activités d’apprentissage.
• Le cas échéant, des ajustements mineurs peuvent être effectués à la struc-
ture du cours dans le but d’améliorer l’expérience d’apprentissage. Dans
de tels cas, les étudiants seront informés de la nature des modifications
apportées.

PLAN DÉTAILLÉ DU COURS

Chapitre 1: Le modèle de régression linéaire de base

1.1. Éléments de jargon

1.2. Hypothèses

1.3. Notation matricielle

1.4. L’algèbre des moindres carrés

Chapitre 2: Propriétés sur échantillons finis

2.1. Propriétés des MCO en échantillons finis

6

2.2. Principe du maximum de vraisemblance

2.3. Moindres carrés généralisés

2.4. Moindres carrés pondérés

Chapitre 3: Distribution sur grands échantillons

3.1. Distribution asymptotique de l’estimateur MCO

3.2. Implications de l’homoscédasticité conditionnelle

3.3. Projection des moindres carrés

3.4. Corrélation sérielle

Chapitre 4: Économétrie des anticipations rationnelles

4.1. Hypothèses de marché efficient

4.2. Anticipations rationnelles: notation

4.3. Anticipations rationnelles: implications testables

Chapitre 5: Méthode des moments généralisés

5.1. Biais d’endogénéité

5.2. Formulation générale

5.3. Propriétés sur grands échantillons

5.4. Propriétés sur petits échantillons.