Econometrie TD 2

Create an image of a person studying econometrics with graphs, charts, and mathematical equations in a modern classroom setting. The atmosphere should be vibrant and educational, emphasizing the theme of learning and analysis.

Econometrics Quiz: Test Your Knowledge

Welcome to the Econometrics Quiz! This quiz consists of 35 questions designed to test your understanding of key concepts in econometrics, including regression analysis, hypothesis testing, and multicollinearity. Whether you are a student, a professional, or simply someone interested in the field of econometrics, this quiz is a great opportunity to sharpen your skills.

35 thought-provoking questions
Instant feedback on your answers
Ideal for students and professionals alike

35 Questions9 MinutesCreated by AnalyzingData247

1. Le facteur d’inflation de la variance est :

A) Un test de multicoline̝arite̝

B) Une mesure de la multicoline̝arite̝

C) Une mesure de la qualite̝ de la re̝gression

D) Une variable d’un modèle d’explication des prix

2. Si le levier d’une observation mesure

A) la taille de l’observation

B) la variance de l’observation

C) l’influence d’une observation dans une re̝gression

D) de̝crit l’erreur d’une observation

4. La somme des leviers dans une re̝gression est e̝gale...

A) au nombre de variables explicatives

B) au nombre d’observations

C) au degre̝ de liberte̝ de la re̝gression

D) à1

5. L’estimateur des moindres carre̝s ordinaire de 𝜷 est :

A) un estimateur line̝aire

B) un estimateur quadratique

C) une fonction convexe des erreurs

D) la vraie valeur de 𝜷

6. L’estimateur des moindres carre̝s ordinaire de 𝜷 est

A) Line̝aire dans les paramètres

B) Line̝aire dans les variables explicatives

C) Line̝aires dans la variable de̝pendante

D) Line̝aire dans les vrais paramètres

7. L’erreur d’e̝chantillonnage est

A) nulle dans une re̝gression par MCO

B) calcule̝e dans une re̝gression par MCO

C) fonction des erreurs

D) fonction des re̝sidus

On des re̝sidus 8. Sous les hypothèses H1 à H3, l’estimateur MCO est

A) de variance minimale

B) sans biais

c) line̝aire dans les variables explicatives

D) inde̝pendant de l’erreur

9. L’hypothèse 𝜷̂ est sans biais

A) sous les hypothèses H1 et H2

B) sous les hypothèses H1 à H3

C) sous les hypothèses H1 à H5

D) sous les hypothèses H1 à H6

10. Sous les hypothèses H1 à H3, si on introduit une variable non pertinente dans une re̝gression

A) 𝜷̂ reste sans biais

B) 𝜷̂ ne peut pas être estime̝

C) le paramètre estime̝ de cette variable est nul

D) 𝜷̂ devient biaise̝

11. Sous les hypothèses H1 à H5, si la multicoline̝arite̝ est forte dans les variables explicatives,

A) l’estimateur des MCO ne peut pas être calcule̝

B) l’estimateur des MCO est biaise̝

C) l’estimateur des MCO est impre̝cis

D) l’estimateur des MCO est he̝te̝rosce̝dastique

12. Sous les hypothèses H1 à H5, la variance conditionnelle de l’estimateur des MCO est

A) 𝑉(𝜷̂|𝑿) = 𝜎2(𝑿′𝑿)

b) 𝑉(𝜷̂|𝑿) = 𝜎2(𝑿𝑿′)

c) 𝑉(𝜷̂|𝑿) = 𝜎2(𝑿′𝑿)−1

D) 𝑉(𝜷̂|𝑿) = 𝜎2(𝑿𝑿′)−1

13. Sous les hypothèses H1 à H5, un estimateur de la variance conditionnelle de 𝜷̂ est :

A) 𝑉̂ ( 𝜷̂ | 𝑿 ) = 𝜎 2 ( 𝑿 ′ 𝑿 ) − 1

B) 𝑉̂(𝜷̂|𝑿) = (𝑆𝝶𝑅❄(𝑝 − 𝝾))(𝑿′𝑿)−1

C) 𝑉̂ (𝜷̂ |𝑿) = (𝑿′𝑿)−1

D) 𝑉̂(𝜷̂|𝑿) = (𝑆𝝶𝑅❄𝑝)(𝑿𝑿′)−1

14. Sous les hypothèses H1 à H5, la variance conditionnelle d’un paramètre estime̝ par MCO est d’autant plus grande

a) que la variance de l’erreur est faible

B) ne de̝pend pas de la variance de l’erreur

C) que le nombre d’observation est faible

D) que les degre̝s de liberte̝ de la re̝gression sont grands

15. Sous les hypothèses H1 à H6, l’estimateur des MCO de la variance conditionnelle de 𝜺

A) e̝gal à 𝜎2

B) suit une loi normale

C) suit une loi t de Student

D) suit une loi du Khi-deux

16. Sous les hypothèses H1 à H6, l’estimateur des MCO de 𝜷

A) suit une loi normale

B) suit une loi t de Student

C) suit une loi du Khi-deux

D) suit une loi F de Fisher

17. Sous les hypothèses H1 à H5, l’estimateur des MCO de 𝜷

A) est corre̝le̝ avec le re̝sidu

B) est corre̝le̝ avec l’erreur

C) est non-corre̝le̝ avec le re̝sidu

D) est non-corre̝le̝ avec l’erreur

18. On a une erreur de type 1 ou de première espèce

A) si on accepte l’hypothèse nulle alors qu’elle est fausse

B) si on rejette l’hypothèse nulle alors qu’elle est fausse.

C) si on accepte l’hypothèse nulle alors qu’elle est vraie

D) si on rejette l’hypothèse nulle alors qu’elle est vraie

19. On a une erreur de type 2 ou de seconde espèce

A) si on accepte l’hypothèse nulle alors qu’elle est fausse

b) si on rejette l’hypothèse nulle alors qu’elle est fausse

C) si on accepte l’hypothèse nulle alors qu’elle est vraie

D) si on rejette l’hypothèse nulle alors qu’elle est vraie

20. La statistique t est le ratio

A) du paramètre estime̝ à l’e̝cart-type de la re̝gression

B) du paramètre estime̝ à son e̝cart-type estime̝

. c) de l’e̝cart-type estime̝ du paramètre à l’e̝cart-type de la re̝gression

D) de l’e̝cart-type estime̝ du paramètre au paramètre estime̝

21. La statistique t permet

A) de mesurer l’effet de la variable conside̝re̝e

B) de donner l’e̝cart-type du paramètre estime̝.

C) de tester la significativite̝ de la variable conside̝re̝e

D) de tester la multicoline̝arite̝

22. La statistique t se compare à

A) suit une loi normale

B) suit une loi t de Student

C) suit une loi du Khi-deux

D) suit une loi F de Fisher

23. Un intervalle de confiance à 95%

a) est plus grand qu’un intervalle de confiance à 90 %

B) est plus grand qu’un intervalle de confiance à 99 %

C) de̝pend de la valeur du vrai paramètre

D) est toujours plus grand que le paramètre estime̝

24. Le test 𝝹 de significativite̝ conjointe

a) teste l’ensemble des paramètres de pente de la re̝gression

B) teste l’ensemble des paramètres de la re̝gression

C) de̝pend de la somme des carre̝s totaux de la variable de̝pendante

D) est distribue̝ selon une loi 𝝹(𝑝 − 𝝾 , 𝝾 − 1)

25. La variance de la pre̝vision de̝pend

A) uniquement de la variance de l’erreur

B) est plus grand que la variance de l’erreur

C) de̝pend de la variable de̝pendante observe̝e

D) de̝pend uniquement des variables explicatives de la pre̝vision

26. Si une variable explicative est le produit de deux autres variables explicatives, il y a multicoline̝arite̝ parfaite

A) Vrai

B) Faux

27. Si la somme de toutes les variables explicatives est e̝gale à ze̝ro pour toutes les observations, il y a multicoline̝arite̝ parfaite

A) Vrai

B) Faux

32. L’omission d’une variable pertinente dans une re̝gression entraîne toujours l’apparition d’un biais.

A) Vrai

B) Faux

Econometrie TD 2

Econometrics Quiz: Test Your Knowledge

More Quizzes