Introduction générale

Économétrie (ECON0212)

Natalia Bermúdez

HEC Liège

October 2026

Vue d’ensemble

Se présenter : Natalia Bermúdez, chercheuse postdoctorale UCLouvain/HEC Liège, travaux sur le marché du travail et les politiques d’emploi en Belgique — l’économétrie appliquée, c’est mon quotidien.

Bienvenue dans ce cours d’économétrie appliquée !

Qu’est-ce que l’économétrie ?

• La branche de l’économie qui développe et utilise des méthodes statistiques pour estimer des relations économiques

Économétrie appliquée ?

• On applique la théorie économique pour comprendre le fonctionnement de l’économie
  • On utilise des données pour répondre à des questions posées par la théorie économique

Dans ce cours, l’objectif n’est pas seulement de vous introduire à la théorie de l’économétrie, mais aussi de vous montrer comment ces outils sont appliqués en pratique. Le cours combine deux approches :

• Théorie : comprendre les modèles, les hypothèses et le raisonnement derrière les méthodes économétriques.
• Pratique : travailler sur des exemples, des exercices et des applications pour voir comment la théorie fonctionne avec des données réelles.

Votre participation compte. N’hésitez pas à poser des questions — pour éclaircir une étape, remettre en cause une hypothèse ou partager une idée. Les meilleures discussions viennent souvent de vos questions.

Venez avec curiosité et envie d’interagir : en posant des questions pendant les cours, en partageant vos réflexions lors des activités, ou en soulevant des problématiques qui vous interpellent.

Introduction

1. Qu’est-ce que l’économétrie ?
2. Données
3. Stata
4. Objectifs, plan de cours, références

Objectifs de l’analyse économétrique

• Estimer des relations entre des variables
  • Explorer la prévalence et l’importance des phénomènes sociaux

• Tester des théories et hypothèses économiques
  • Comprendre les conséquences des politiques publiques
  • Quantifier les paramètres économiques d’intérêt

• Faire des prévisions économiques

Trois choses : estimer des relations (prévalence/importance de phénomènes sociaux), tester des théories/hypothèses (conséquences de politiques publiques, quantifier des paramètres), et prévoir.

Transition : pour faire ça, on suit toujours les mêmes grandes étapes.

Les étapes de l’analyse économétrique

1. Spécifier un modèle économique, puis un modèle économétrique

• Modèle économique : la théorie économique qui sous-tend les relations entre variables
  • Établit une relation théorique entre des variables
    • Ex : offre/demande, équilibre économique
• Modèle économétrique : la relation fonctionnelle entre les variables du modèle économique
  • L’analyse économétrique permet de quantifier et de tester ces relations

2. Collecter les données nécessaires

3. Implémenter le modèle à partir des données

• On utilise un logiciel de statistiques et d’économétrie : Stata

Modèle économique (théorie, ex : offre/demande) → modèle économétrique (relation fonctionnelle qu’on quantifie et teste) → collecte des données → implémentation avec Stata.

D’abord, on part d’un modèle économique.

Un modèle économique est une représentation simplifiée de la réalité, fondée sur la théorie économique. Il permet de formuler des hypothèses sur les relations entre différentes variables économiques.

La théorie économique nous indique que :

Lorsque le prix d’un bien augmente, la quantité demandée tend à diminuer, toutes choses égales par ailleurs.

À l’inverse, lorsque le prix augmente, la quantité offerte tend à augmenter, toutes choses égales par ailleurs.

Ces relations constituent des prédictions théoriques que nous pouvons chercher à confronter aux données.

Quels sont les domaines d’application ?

L’économétrie appliquée est davantage un cadre, une approche, qu’un sujet particulier.

Quelques domaines actifs :

L’économétrie n’est pas un domaine à part, c’est une boîte à outils utilisée partout : travail, santé, éducation, développement, finance, environnement…

L’économétrie répond à des questions importantes

L’immigration entraîne-t-elle une baisse des salaires et/ou un chômage plus élevé pour les locaux ?

L’augmentation du salaire minimum réduit-elle l’emploi des travailleurs peu qualifiés ?

Une année d’études supplémentaire cause-t-elle un salaire plus élevé ?

Pourquoi certains pays sont-ils riches et d’autres pauvres — est-ce causé par la qualité de leurs institutions ?

Le quartier dans lequel vous avez grandi a-t-il un impact sur votre vie ?

Réduire la taille des classes améliore-t-il vraiment les résultats scolaires ?

• The Impact of the Mariel Boatlift on the Miami Labor Market : les immigrants de Mariel ont augmenté la main-d’œuvre de Miami de 7 % (principalement des immigrants non qualifiés). L’afflux de Mariel semble néanmoins n’avoir eu aucun effet sur les salaires ou les taux de chômage des travailleurs moins qualifiés, même parmi les Cubains ayant immigré plus tôt.

• Cette étude cherche à évaluer l’effet d’une augmentation du salaire minimum sur l’emploi. En 1992, le New Jersey a augmenté son salaire minimum, contrairement à la Pennsylvanie voisine. Les chercheurs comparent l’évolution de l’emploi dans 410 restaurants fast-food des deux États, avant et après la réforme. Ils ne trouvent pas d’effet négatif de cette augmentation sur l’emploi.

Salaire minimum et emploi peu qualifié : théorie du marché du travail vs. augmentation du salaire minimum au New Jersey. Étude des fast-foods à la frontière New Jersey–Pennsylvanie : l’augmentation ne réduit pas l’emploi.

• Les chercheurs cherchent à déterminer si une année d’études supplémentaire permet réellement d’obtenir un salaire plus élevé. En effet, les personnes plus diplômées gagnent généralement davantage, mais cela ne signifie pas nécessairement que les études sont à l’origine de cette différence. D’autres facteurs, comme les capacités individuelles ou le milieu familial, peuvent également influencer les salaires.

Angrist & Krueger utilisent le trimestre de naissance comme instrument : les lois sur la scolarité obligatoire fixent un âge de sortie, donc les élèves nés au début de l’année finissent l’école obligatoire avec légèrement moins d’années de scolarité que ceux nés en fin d’année — une variation quasi aléatoire de la scolarité, non corrélée à la capacité.

• Acemoglu, Johnson & Robinson utilisent la mortalité des colons européens comme instrument des institutions actuelles : là où les colons mouraient beaucoup (climat, maladies), ils mettaient en place des institutions extractives plutôt que des institutions protégeant les droits de propriété — un exemple classique d’IV en macro/développement.

• Quartier: Les chercheurs cherchent à déterminer si le quartier dans lequel un enfant grandit influence ses revenus futurs. En effet, les enfants qui grandissent dans des quartiers plus favorisés ont généralement de meilleures perspectives économiques, mais cela peut aussi s’expliquer par les caractéristiques de leurs familles.

L’objectif est donc d’identifier l’effet causal du quartier sur les revenus futurs des enfants, en étudiant notamment les familles qui déménagent et l’âge auquel leurs enfants changent de quartier.

• Angrist & Lavy exploitent la règle de Maïmonide (limite légale de 40 élèves par classe en Israël) : une classe de 41 élèves est scindée en deux classes de ~20, créant des discontinuités quasi expérimentales dans la taille de classe — l’exemple canonique de regression discontinuity design (RDD).

Causalité

• De nombreux autres facteurs pourraient avoir causé chacun des résultats mentionnés

• On cherche à isoler l’impact causal d’un seul de ces facteurs (immigration, salaire minimum, éducation, etc.)

• Exemple : effet de l’éducation sur les salaires

  • \(X_1\) = genre
  • \(X_2\) = niveau d’éducation
  • \(Y\) = salaire

L’économétrie consiste à expliciter les conditions dans lesquelles on peut affirmer mesurer des relations causales.

Nous étudierons les conditions les plus fondamentales et discuterons de certains écueils potentiels.

“Révolution de la crédibilité” en économétrie au cours des 30 dernières années — le prix Nobel d’économie 2022 a été décerné à certains des principaux protagonistes de cette révolution.

Dans les médias

• Quelle est la conclusion suggérée par ce tweet ? Quel est l’argument sous-jacent ?
• Pourquoi peut-on douter du raisonnement menant à cette conclusion ?

Corrélation ≠ Causalité

• « Regardons cet exemple tiré des médias. Ce tweet affirme que plus de 70 % des Américains décédés du COVID-19 bénéficiaient de Medicare, un programme public d’assurance maladie.

• Quelle conclusion ce tweet cherche-t-il à suggérer ? Que Medicare ne protège pas contre le COVID-19, voire qu’il augmente le risque de décès.

• Effet suggéré via une causalité implicite : Medicare serait la cause du décès. L’argument repose sur une association positive (corrélation) entre l’affiliation à Medicare et le décès par COVID-19.

• Raisonnement fallacieux :

  1. Biais de sélection : Le tweet se concentre uniquement sur les personnes décédées du COVID-19, un groupe dans lequel les personnes âgées, et donc les bénéficiaires de Medicare, sont surreprésentées. Cet échantillon n’est pas représentatif de la population globale et ne permet pas d’évaluer l’effet de Medicare sur le risque de décès.

  2. Variable omise : L’âge influence à la fois la probabilité de bénéficier de Medicare et le risque de mourir du COVID-19. Ne pas tenir compte de l’âge peut donc conduire à attribuer à tort à Medicare un effet qui est en réalité lié à l’âge.

On ne peut donc pas conclure que Medicare augmente le risque de décès simplement parce qu’une grande proportion des personnes décédées bénéficiaient de ce programme.

C’est un exemple classique de ce que nous allons voir dans ce cours : corrélation ne signifie pas causalité !

• la sélection de l’échantillon modifie sa composition

Des faits à la causalité

Source : Statbel (2022). Salaires mensuels bruts moyens des travailleurs à temps plein en Belgique.

• Que peut-on conclure de cette figure ?
  • Peut-on conclure qu’obtenir un diplôme plus élevé cause la différence de salaire ?
• Qu’est-ce qui pourrait expliquer cette différence, à part le diplôme ?

Corrélation ≠ Causalité

• what do we observe?
• La conclusion descriptive est parfaitement valide : les personnes plus diplômées gagnent davantage en moyenne.
• Exemple : salaire moyen avec un master = 5 964 € contre 3 393 € avec un diplôme du secondaire supérieur.
• Demander ensuite : peut-on interpréter toute cette différence comme l’effet du diplôme ?
• Faire proposer aux étudiants des facteurs qui pourraient être liés à la fois au niveau d’éducation et au salaire : aptitudes, motivation, milieu familial, choix de profession, secteur, expérience, etc.
• Insister : cela ne signifie PAS que l’éducation n’a pas d’effet causal sur le salaire. Cela signifie simplement que cette figure ne permet pas, à elle seule, d’identifier cet effet.
• Transition : l’un des objectifs de l’économétrie sera précisément de distinguer les associations observées dans les données des effets causaux.

Introduction

1. Qu’est-ce que l’économétrie ?
2. Données
3. Stata
4. Objectifs, plan de cours, références

Types de données

• Données en coupe (cross-sectional data)
• Séries temporelles (time series data)
• Données de panel (panel data)
• Données en coupe répétées (pooled cross sections)

Caractéristiques principales

• Quelle entité (individu, ménage) représente une observation ?
• Quelle est la population considérée et l’échantillon observé ?
• Quelle est la période temporelle ? L’ordre des données est-il important ?

Transition : pour faire cette analyse, il nous faut des données — et toutes les données ne se ressemblent pas. On reverra ces distinctions tout au long du cours, parce qu’elles déterminent les méthodes qu’on peut utiliser.

Types de données — données en coupe (cross-section)

• Échantillon d’individus, de ménages, d’entreprises, de villes, de régions… observés à un moment donné

• Les observations sont relativement indépendantes les unes des autres

  • Ex : échantillon aléatoire d’une population

• L’ordre des observations n’a pas d’importance

Types de données — série temporelle (time series)

• Observation d’une variable au cours du temps
  • Ex : produit intérieur brut, prix d’actions, indice d’inflation…
• Les observations d’une série temporelle sont typiquement corrélées au cours du temps
  • Tendances, saisonnalité
• L’ordre des observations a de l’importance: les événements passés peuvent influencer les événements futurs

Types de données — données de panel

• Les mêmes unités sont suivies au cours de plusieurs périodes

• Dimensions individuelle et temporelle

• L’ordre des observations dans la dimension temporelle a de l’importance

Types de données — coupes répétées (repeated cross-section)

• Plusieurs échantillons en coupe observés à différentes périodes

• Les mêmes unités ne sont pas nécessairement suivies au cours du temps (C.-à-d., indépendantes)

  • Contrairement aux données de panel

Introduction

1. Qu’est-ce que l’économétrie ?
2. Données
3. Stata
4. Objectifs, plan de cours, références

Qu’est-ce que Stata ?

Stata est un logiciel statistique et de programmation offrant de nombreuses possibilités en termes d’analyse statistique et graphique.

Pourquoi utilisons-nous Stata ?

1. Stata est flexible et puissant : utilisable pour de nombreuses tâches (nettoyage de données, visualisation, économétrie, analyse de données spatiales, machine learning, etc.)
2. Stata est facile d’utilisation
3. Stata dispose d’une grande collection de modules spécialisés
4. C’est un bon investissement pour le mémoire de master

Pourquoi pas Excel ? Pas reproductible, pénible pour fusionner/nettoyer, limité en taille, pas conçu pour de vraies analyses économétriques (slide suivante).

Pourquoi ne pas simplement utiliser Excel ?

De nombreuses raisons, en voici quelques-unes :

• Pas reproductible
• Pas facile de fusionner des ensembles de données
• Très fastidieux pour nettoyer les données
• Limité à de petits ensembles de données
• Pas conçu pour de véritables analyses économétriques, cartes ou visualisations complexes

Introduction

1. Qu’est-ce que l’économétrie ?
2. Données
3. Stata
4. Objectifs, plan de cours, références

Pré-requis — objectifs

Précédemment

• Statistiques
  • Utilisation de R
  • Estimation ponctuelle et par intervalles de confiance
  • Tests statistiques
• Économie
  • Offre et demande
  • Élasticité

Cette année

• Modélisation de faits économiques
• Régression linéaire (simple et multiple)
• Concept de causalité

En master (économie)

• Prise en compte de la dimension temporelle
• Stratégies d’identification de la causalité
• Analyse de données avancée (Python)

Objectifs du cours

1. Vous donner les outils pour mener une analyse économétrique
   • Régression linéaire, inférence statistique et évaluation d’impact
   • Prise en main de Stata — ce n’est pas un cours de Stata
2. Développer votre regard critique sur les analyses statistiques
   • Comprendre la distinction entre corrélation et causalité
   • Apprendre à interpréter correctement les résultats économétriques
3. Vous préparer à votre formation en master
   • Mémoire de master
   • Cours d’économie appliquée, de finance empirique, de machine learning…

À la fin du cours : (1) outils pour une vraie analyse économétrique — régression, inférence, évaluation d’impact, prise en main de Stata ; (2) regard critique — distinguer corrélation et causalité ; (3) préparation au master.

Plan de cours

Date	Cours	Date TP	Travaux pratiques
23-09	0. Introduction
23-09	1. Analyse de données (AD)
30-09	1. AD et 2. Régression linéaire simple (RLS)	02-10	1. Stata (intro)
07-10	2. RLS et 3. Causalité	09-10	2. Stata (avancé)
14-10	3. Causalité	16-10	3. RLS
		23-10	4. Causalité
		06-11	5. Introduction RLM
		13-11	6. Q & R
18-11	4. Régression linéaire multiple (RLM)	20-11	7. RLM - hypothèses
25-11	5. Hypothèses du modèle de RLM	27-11	8. Régressions : inférence
02-12	6. Régression linéaire : inférence	04-12	9. Régressions : extensions
09-12	7. Régression linéaire : extensions	11-12	10. DiD
16-12	8. Différence-de-différences	18-12	11. DiD ou Q & R

Note : pas de cours le 21-10 ni le 04-11.

Insister : pas de cours le 21-10 ni le 04-11. Aujourd’hui (23-09) on couvre à la fois l’introduction ET le chapitre 1 (analyse de données).

Support de cours et ressources utiles

Ouvrages de référence

• Introduction à l’économétrie : une approche moderne — Wooldridge
  • Manuel de référence du cours — disponible en français
• Introduction to Econometrics — Stock & Watson
  • Une autre excellente introduction à l’économétrie

Support de cours et ressources utiles

Ressources complémentaires

• Mastering Metrics — Angrist & Pischke
  • Une introduction intuitive à l’identification causale
• Introduction to Econometrics with R — Oswald et al. (Sciences Po)
  • Cours, exemples et applications avec R
• Causal Inference: The Mixtape — Scott Cunningham
  • Pour approfondir les méthodes d’évaluation causale
• Ben Lambert — Econometrics
  • Vidéos et explications intuitives

Liste des références organisées par chapitre

Organisation

Où, quand, comment ?

Cours

Mercredi 9h00 - 11h00 (Salle N1a 41)

Travaux pratiques

Section	Jour	Horaire	Salle
SEG & IG (Groupe 1)	Vendredi	11h00 - 13h00	N1a 135
SEG & IG (Groupe 2)	Vendredi	14h00 - 16h00	N1d 0/86

Théorie et exercices mélangés

• Participation active aux cours
• Amenez votre ordinateur

Contact par e-mail : préciser le code (ECON0212) du cours

Groupes et horaires définitifs communiqués sur lol@ après la fin des inscriptions.

Équipe enseignante

Moniteur.rices	Assistant·es	Professeure
À CONFIRMER	Tom Gillet — tom.gillet@uliege.be	Natalia Bermúdez — natalia.bermudez@uliege.be
→ TPs	→ Communication, questions, TPs	→ Cours, examen

Supports et déroulement du cours

Cours [8 chapitres disponibles sur lol@]

• Slides du cours :
  • Concepts théoriques
  • Applications pratiques utilisant le logiciel
  • Un Wooclap sur les concepts principaux (réalisé ensemble au début du cours suivant)
    • Pour vérifier la participation et la ponctualité.
• Solutions des applications pratiques
• Bases de données utilisées dans le cours
• Pas de syllabus ? Pour chaque chapitre, voir les références

Supports et déroulement du cours

Travaux pratiques (11 séances)

• Exercices théoriques et pratiques.
  • Amenez votre ordinateur !
  • /!\ Groupes : communiqués sur lol@ après la fin des inscriptions
• Énoncés des exercices (et bases de données)
• Solutions des exercices

Supports et déroulement du cours

Examens passés

• Énoncés, solutions, QCM pour s’entraîner

Cheat sheets

• Liste des commandes Stata — pas à connaître par cœur

Participation en cours

Exercices

Pour mettre en pratique les commandes vues

Questions

Pour s’approprier les concepts

Wooclap

Pour vérifier la compréhension des concepts théoriques et pratiques clefs

Amenez votre ordinateur, mais restez concentré·es !

Évaluation

1. Projet d’économétrie appliquée (Groupes de 4 étudiants) (facultatif)

   • 1 point bonus (sur 20), valable pour les sessions de janvier et août

   • À partir d’un article de recherche (en anglais) et de ses données :

     • réplication d’un résultat empirique précis
     • interprétation des résultats
     • analyse critique de l’approche économétrique

   • Remise : rapport (2 pages max) + code

   • Courte évaluation individuelle portant sur le projet (QCM de 5 à 10 minutes sur lol@)

   • Article, données et consignes communiqués en cours de semestre

2. Examen (janvier et août)

   • Partie QCM pratique sur ordinateur
   • Partie théorique : questions ouvertes de connaissance et de compréhension du cours

À la semaine prochaine !

Contact

natalia.bermudez@uliege.be

Un grand merci à Malka Guillot pour avoir partagé les supports de ce cours, ainsi qu’à Florian Oswald et à toute l’équipe de ScPoEconometrics pour leur livre et leurs ressources.

Transition vers le chapitre 1 : on enchaîne directement aujourd’hui sur l’analyse de données — avant de pouvoir estimer quoi que ce soit, il faut savoir manipuler ses données.