Économétrie — TD 2

Gestion et exploration de la base de données (EViews)

Author

Pierre Beaucoral

Published

September 15, 2025

1 Introduction

Ces diapositives introduisent les statistiques descriptives : elles servent à résumer et visualiser les variables avant toute modélisation (tendance centrale, dispersion, forme, comparaisons par modalité).

1.1 Gestion de la base de données

1.1.1 Commandes de base

Ces commandes se tapent dans la fenêtre de commande d’EViews.

Commande Description Exemple
group Créer un groupe de variables group nom x y
scalar Créer un scalaire et faire des calculs scalar k = 3*6
matrix Créer une matrice et faire des calculs (matriciels) (cf. Help)
genr Générer une variable (cf. plus bas)
rename Renommer une variable rename x y (renomme x en y)
delete Effacer un ou plusieurs objets delete x y
smpl Sélectionner un sous-échantillon smpl if x<10

1.1.2 Type de variables

Vous êtes souvent amenés à créer de nouvelles variables ou à en changer l’échelle.
Il existe deux types de variables :

  1. Variable continue
    prend n’importe quelle valeur sur un intervalle donné.

  2. Variable discrète
    ne prend qu’un nombre fini de valeurs.

    Note

    Nota : les variables binaires (0/1) sont un cas particulier.

1.1.3 Création de variables continues

Commande générale :

  • genr nouveau_nom = opération
    Ex. genr lnx = log(x)
Warning

Attention : saisir la ligne de commande dans la fenêtre de commande.

1.1.4 Opérateurs utiles (EViews)

Formule mathématique EViews
\(x + a\) x+a
\(x - a\) x-a
\(x \cdot a\) x*a
\(x / a\) x/a
\(x^a\) x^a
\(\ln(x)\) log(x)
\(e^x\) exp(x)

1.1.5 Création de variables muettes (dummies)

Une variable muette est discrète 0/1 (binaire).

Exemples : - (=1) si l’individu est une femme, (0) sinon. - (=1) si le pays est OCDE, (0) sinon.

Deux méthodes :

1.1.5.1 Méthode 1 — rapide (condition)

  • genr nouveau = x > A
    Ex. jeune vaut 1 si âge \(\le\) 25, 0 sinon :
    genr jeune = age <= 25

1.1.5.2 Méthode 2 — en plusieurs étapes

Objectif : riche vaut 1 si pibtete > 10000, 0 sinon.

  1. genr riche = 0
  2. smpl if pibtete > 10000
  3. genr riche = 1
  4. smpl @all

1.1.6 Création de variables discrètes

Une variable discrète prend un nombre limité de valeurs (0, 1, …, n).
- Peut venir d’un classement (ex. classes de revenus).
- Peut coder un choix limité (pays d’immigration, parti politique, notes…).

Note

Remarque : une muette est un cas particulier de discrète.

Deux méthodes :

1.1.6.1 Discrètes — Méthode 1 (somme de dummies)

Exemple : classes d’âge (

\[ \begin{array}{l} classes= \begin{cases} 0 & si \quad age \leq 25 \\ 1 & si \quad 25 < age \leq 35 \\ 2 & si \quad 35 < age \leq 45 \\ 3 & si \quad 45 < age \\ \end{cases} \end{array} \]

)

Dans la fenêtre de commande :

genr dummy1 = age > 25
genr dummy2 = age > 35
genr dummy3 = age > 45
genr classes = dummy1 + dummy2 + dummy3

1.1.6.2 Discrètes — Méthode 2 (par étapes)

On réplique la méthode 2 des muettes :

  1. genr classes = 0
  2. smpl if condition1 → genr classes = 1 → smpl @all
  3. smpl if condition2 → genr classes = 2 → smpl @all
  4. etc.

1.2 Exploration de la base de données

1.2.1 Principe

Le but des statistiques descriptives est de décrire les variables.
Étape cruciale pour :
- connaître sa base,
- avoir une première idée des relations existantes.

Étude d’une variable Étude d’une relation entre variables
Tableaux : statistiques descriptives Coefficients de corrélation
Figures : histogramme, boîte à moustache, évolution Nuage de points, droite de régression

1.2.2 Statistiques descriptives — une variable

Ouvrir la fenêtre de la série (double-clic).

  • Tableau des principales statistiques :
    View → Descriptive statistics & Tests → Stats Table
  • Graphiques : View → Graph
    • Histogramme : distribution
    • Line : courbe temporelle
    • Boxplot : boîte à moustache

1.2.3 Comparer par modalité (une variable)

Test d’égalité de moyennes :
View → Descriptive statistics & Tests → Stats by classification
- Choisir la modalité via Series/Group for classify.

Graphiques par modalité :
- Option Categorical graph dans Graph type.
- Renseigner la modalité dans factors — series defining categories.

1.2.4 Statistiques descriptives — plusieurs variables

Ouvrir les séries ensemble : sélectionner les variables → Open → as Group.

  • Coefficients de corrélation :
    1. View → Covariance analysis
    2. Dans Statistics, choisir Correlation
  • Nuage de points :
    View → Graph → Scatter
    • Utile : Fit Line → Regression line (droite de régression)

1.2.5 Graphiques (plusieurs variables)

Explorer les différents graphiques et choisir celui qui illustre le mieux votre propos.

  • Pour modifier le graphique : bouton Options (fenêtre du graphique)
  • Pour restreindre à un sous-échantillon : onglet Sample

1.2.6 Enregistrer et extraire les objets créés

Pour enregistrer les objets : Freeze et nommer (Name).

  • Tableaux : le plus simple → Copy (Ctrl+C) et coller dans Excel.
  • Graphiques :
    Proc → Copy to Clipboard (ou Ctrl+C)
    ou Object → View Options → Copy to Clipboard
    puis coller dans un document Word (.doc).

1.2.7 Questions – Réponses (TD2)

1.2.7.1 Question : Importez la base de données TD2.xls.

Afficher la réponse

On créer le fichier workfile et on fait : file → workfile et ensuite on fait
file → Import → import from file.

1.2.7.2 Question : Générez le nombre d’accidents (mortels et non mortels) pour chaque compagnie.

Afficher la réponse

genr Accidents = fatal + non_fatal

1.2.7.3 Question : Rapportez ce nombre d’accidents au nombre de passagers transportés : Quelle est l’utilité de cette transformation ?

Afficher la réponse

Commande :

genr Acc_pass = Accidents / passagers

Utilité : Rapporter le nombre d’accidents au nombre de passagers permet d’évaluer le risque d’accident par passager, offrant un indicateur plus précis de la sécurité des compagnies, indépendamment de leur taille. Autrement dit, cela permet d’évaluer de manière précise la probabilité d’accident par rapport au nombre total de passagers.

1.2.7.4 Question : Créez une variable prenant la valeur de 1 si la compagnie a connu au moins un accident au cours des 15 dernières années.

Afficher la réponse

genr Dummy_acc = accidents >= 1

1.2.7.5 Question : Même question en distinguant entre accidents mortels et non mortels.

Afficher la réponse

genr Dummy_fatal = fatal >= 1 genr Dummy_non_fatal = non_fatal >= 1

1.2.7.6 Question : Ouvrez la variable dépendante (passagers) et étudiez sa distribution : Que pouvez-vous en conclure (concentration, points aberrants) ?

Afficher la réponse

Pour voir la distribution, on utilise un histogramme.
Dans EViews : on clique sur la variable passagers → View → Graph → Distribution → OK.
Pour copier-coller : Proc → Copy to Clipboard (ou Ctrl+C) ou Object → View Options → Copy to Clipboard, puis coller dans un document Word (.doc).

L’histogramme montre une distribution asymétrique à droite, indiquant que la plupart des valeurs sont concentrées à gauche, tandis qu’il y a quelques valeurs élevées moins fréquentes à droite. Cet histogramme montre une distribution très asymétrique avec une concentration élevée des données à gauche, ce qui indique que la majorité des valeurs observées sont faibles. À l’inverse, on observe que les valeurs plus élevées sont rares, avec quelques points dispersés à droite (points aberrants).

1.2.7.7 Regardez si la distribution de la variable passagers diffère :

  • si le pays a connu au moins un accident
  • si le pays a connu au moins un accident mortel.
Afficher la réponse

Dans EViews :

  1. Ouvrir la série passagers → View → Descriptive statistics & Tests → Stats by classification.

  2. Dans Series/Group for classify, sélectionner la variable indiquant :

    • (i) s’il y a eu au moins un accident,

    • (ii) s’il y a eu au moins un accident mortel.

  3. Valider pour obtenir les tableaux de statistiques et, si souhaité, les graphes par modalité (Graph type → Categorical graph).

Interprétation : Comparer les statistiques (moyenne, médiane, etc.) et les graphiques permet de voir si le nombre de passagers transportés est distribué différemment selon qu’il y a eu un accident ou un accident mortel.

On observe généralement une différence nette des moyennes : les compagnies ayant connu un (ou un accident mortel) présentent en moyenne un volume de passagers plus élevé, ce qui suggère qu’elles sont plus grandes et donc exposées à un risque absolu d’accident plus important.

1.2.7.8 Question : Regardez la corrélation entre le nombre de passagers transportés et l’âge de la compagnie à l’aide des coefficients de corrélation et d’un nuage de points : Ces deux variables sont-elles fortement liées ? Pourquoi ?

Afficher la réponse

Création de l’âge : genr age = 2013 - annee

Corrélation : sélectionner les deux variables en Group → View → Covariance analysis → Statistics = Correlation.
On a un coefficient de corrélation de -0,1709 qui indique une faible corrélation positive entre les deux variables étudiées (relation faible, peut ne pas être significative).

Nuage de points : sélectionner les deux variables → View → Graph → Scatter. Les points montent de gauche à droite (tendance conjointe) et des points qui s’écartent du nuage principal peuvent indiquer des valeurs aberrantes.