Université de Bouaké Année universitaire 2021-2022

Master 1 Sciences Economiques

ECONOMETRIE DES VARIABLES QUALITATIVES

Cours de Dr. N’GUESSAN N’Da Philippe

1
SOMMAIRE

CHAPITRE 1 : LE MODELE PROBIT BINAIRE (3)

I- Présentation (3)
II- Implémentation sous STATA (4)
III- Résultats et interprétation (6)

CHAPITRE 2 : LE MODELE LOGIT DICHOTOMIQUE (8)

I- Présentation (8)
II- Implémentation sous STATA (8)
III- Résultats et interprétation (8)

CHAPITRE 3 : LE MODELE LOGIT MULTINOMIAL (11)

I- Définition et conditions d’application (11)

II- Formulation du logit polytomique (11)
III- Implémentation sous STATA (12)
IV- Résultats et interprétation (12)
V- L’hypothèse IIA (indépendance des alternatives non pertinentes) (13)

BIBLIOGRAPHIE (14)

2
CHAPITRE 1 : LE MODELE PROBIT BINAIRE
I : Présentation

Ce modèle fait partie de la classe des modèles à variables dépendantes qualitatives. Le

principe de ces modèles est le suivant : on veut comprendre ou prédire l'effet d'une ou
plusieurs variables explicatives sur une variable qualitative. Cette variable qualitative peut
avoir deux ou plus de deux modalités, et les modalités (lorsque leur nombre est supérieur à
deux) peuvent être ordonnées ou non.

Dans le modèle probit binaire en particulier, la variable dépendante comprend deux modalités.
Elle est ainsi appelée une variable binaire ou une variable dichotomique.

La variable dichotomique 𝑌 doit être expliquée par un ensemble de variables

𝑋 = (𝑋1 , … , 𝑋𝐾 ).

Les deux valeurs possibles de 𝑌 étant arbitraires, on posera toujours 𝑌 ∈ {0, 1}.

Les variables dichotomiques sont largement utilisées. On peut citer comme exemple :

- emploi vs chômage ;
- possession ou non d’un ordinateur portable, d’une clé internet, d’un véhicule ;
- consommation ou non d’un bien durable ;
- sinistre ou non, défaut de paiement ou non d’un emprunteur ;
- traitement efficace ou non, obtention ou non d’un diplôme, vote ou abstention ;
- participation ou non à un programme de formation, etc.

Dans les modèles dichotomiques, on cherche donc à spécifier la probabilité d’apparition d’un
événement.

Le modèle probit binaire permet de modéliser la probabilité qu'un événement survienne étant
donné les valeurs d'un ensemble de variables explicatives quantitatives et/ou qualitatives.

Dans le modèle linéaire, sous l’hypothèse que 𝑋 est non stochastique (𝐸(𝜀 ⁄𝑋) = 0), on a

𝐸(𝑌|𝑋) = 𝑋 ′ 𝛽.

Or si 𝑌 ∈ {0, 1}, on a 𝐸(𝑌|𝑋) = 𝑃(𝑌 = 1|𝑋) ∈ [0, 1]. P(Y=1|X) est la probabilité d’observer
yi=1 conditionnellement aux variables explicatives. Or rien n’assure que 𝑋 ′ 𝛽 ∈ [0, 1].

Pour que cette dernière condition soit satisfaite, il faut supposer que 𝐸(𝑌|𝑋) = 𝐹(𝑋 ′ 𝛽), où
𝐹(. ) est une fonction strictement croissante, bijective de ℝ dans [0, 1], donc une fonction de
répartition. Plusieurs choix sont possibles pour la fonction de répartition.

3
Le modèle probit binaire est défini lorsque la fonction de répartition de la loi normale
standard est utilisée.

Pour un modèle probit binaire, on a 𝑃(𝑌 = 1|𝑋) = 𝐹(𝑋 ′ 𝛽),

avec 𝑋 ′ 𝛽 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑛 𝑋𝑛 et

𝜔
1 −𝑧 2
𝐹(𝜔) = ∫ 𝑒𝑥𝑝 ( ) 𝑑𝑧 = Φ(𝜔).
−∞ √2𝜋 2

II : Implémentation sous STATA

Pour implémenter un modèle probit binaire sous Stata, le jeu de données doit respecter
certaines conditions.

II-1 : Codage de la variable dépendante

La variable dépendante doit avoir comme modalités 0 et 1. La modalité 1 pour la variable

dépendante désigne l’événement que l’on veut expliquer.

Exemples :

Dans un modèle où la variable dépendante est le statut d’emploi (emploi vs chômage), si l’on
veut expliquer l’emploi, la variable statut d’emploi doit avoir pour modalité 1 lorsque
l’individu considéré est employé (ou travaille), et 0 lorsque l’individu est au chômage. Par
contre si l’on veut expliquer le chômage, la variable statut d’emploi doit avoir pour modalité 1
lorsque l’individu considéré est au chômage, et 0 sinon.

Dans un modèle où la variable à expliquer est la possession d’une clé internet, la variable
dépendante doit avoir pour modalité 1 lorsque l’individu considéré possède une clé internet et
0 si l’individu n’en possède pas.

II-2 : Codage des variables indépendantes

Les variables indépendantes peuvent être quantitatives ou qualitatives. Les variables

quantitatives sont insérées directement dans le modèle, mais les variables qualitatives
nécessitent un codage.

Les variables qualitatives à deux modalités doivent être codées en 0 ou 1, 1 désignant

l’événement.

4
Exemple :

Si l’on veut utiliser d’une part la possession d’un véhicule et d’autre part l’action de fumer
comme variables explicatives dans un modèle,

- la possession d’un véhicule doit avoir comme modalité 1 lorsque l’individu considéré
possède un véhicule, et 0 s’il n’en possède pas ;
- l’action de fumer doit avoir comme modalité 1 si l’individu considéré est fumeur, et 0
s’il est non fumeur.

Les variables qualitatives à plus de deux modalités admettent deux types de codage :

- codage par une seule variable catégorielle à 𝑛 modalités ;

- codage par 𝑛 variables indicatrices (ou variables muettes).

Une variable indicatrice est une variable binaire dont les modalités sont 0 ou 1.

Exemples :

Soient les variables explicatives

- profession exercée (Ouvrier / Artisan / Cadre)

- niveau d’études le plus élevé (Primaire / Secondaire / Supérieur)

On peut avoir les codages suivants :

1) Codage par une seule variable catégorielle.

Profession exercée (variable profession)

1 : Ouvrier
2 : Artisan
3 : Cadre

Niveau d’études le plus élevé (variable études)

1 : Primaire
2 : Secondaire
3 : Supérieur

2) Codage par 𝒏 variables indicatrices

Profession exercée

Il faut créer 3 variables indicatrices : ouvrier, artisan, cadre.

5
 1 𝑠𝑖 𝑙 ′ 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢 𝑒𝑠𝑡 𝑢𝑛 𝑜𝑢𝑣𝑟𝑖𝑒𝑟
𝑜𝑢𝑣𝑟𝑖𝑒𝑟 = {
0 𝑠𝑖𝑛𝑜𝑛

1 𝑠𝑖 𝑙 ′ 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢 𝑒𝑠𝑡 𝑢𝑛 𝑎𝑟𝑡𝑖𝑠𝑎𝑛

𝑎𝑟𝑡𝑖𝑠𝑎𝑛 = {
0 𝑠𝑖𝑛𝑜𝑛

1 𝑠𝑖 𝑙 ′ 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢 𝑒𝑠𝑡 𝑢𝑛 𝑐𝑎𝑑𝑟𝑒

𝑐𝑎𝑑𝑟𝑒 = {
0 𝑠𝑖𝑛𝑜𝑛

Niveau d’études le plus élevé

Il faut créer 3 variables indicatrices : primaire, secondaire, supérieur.

1 𝑠𝑖 𝑙𝑒 𝑛𝑖𝑣𝑒𝑎𝑢 𝑑 ′ é𝑡𝑢𝑑𝑒𝑠 𝑙𝑒 𝑝𝑙𝑢𝑠 é𝑙𝑒𝑣é 𝑒𝑠𝑡 𝑝𝑟𝑖𝑚𝑎𝑖𝑟𝑒

𝑝𝑟𝑖𝑚𝑎𝑖𝑟𝑒 = {
0 𝑠𝑖𝑛𝑜𝑛

1 𝑠𝑖 𝑙𝑒 𝑛𝑖𝑣𝑒𝑎𝑢 𝑑 ′ é𝑡𝑢𝑑𝑒𝑠 𝑙𝑒 𝑝𝑙𝑢𝑠 é𝑙𝑒𝑣é 𝑒𝑠𝑡 𝑠𝑒𝑐𝑜𝑛𝑑𝑎𝑖𝑟𝑒

𝑠𝑒𝑐𝑜𝑛𝑑𝑎𝑖𝑟𝑒 = {
0 𝑠𝑖𝑛𝑜𝑛

1 𝑠𝑖 𝑙𝑒 𝑛𝑖𝑣𝑒𝑎𝑢 𝑑 ′ é𝑡𝑢𝑑𝑒𝑠 𝑙𝑒 𝑝𝑙𝑢𝑠 é𝑙𝑒𝑣é 𝑒𝑠𝑡 𝑠𝑢𝑝é𝑟𝑖𝑒𝑢𝑟

𝑠𝑢𝑝é𝑟𝑖𝑒𝑢𝑟 = {
0 𝑠𝑖𝑛𝑜𝑛

Il est préférable d’adopter le codage par 𝑛 variables indicatrices, pour une interprétation plus
claire.

Après voir bien codé les variables, l’estimation sous Stata est effectuée en utilisant la
commande « probit » suivie de la variable dépendante et des variables indépendantes.

Pour les variables indépendantes à 𝑛 modalités, il faut insérer dans le modèle (𝑛 − 1)

indicatrices. En insérant dans le modèle les 𝑛 indicatrices, il y aura multicolinéarité, car la
somme des indicatrices vaut toujours 1, or la présence d’un terme constant dans le modèle
suppose l’existence d’un vecteur unité parmi les variables indépendantes.

III : Résultats et interprétation

III-1 : Interprétation des paramètres

L’ordre de grandeur des coefficients n’a, en lui-même, que peu d’importance. Seuls
comptent :

- le signe des coefficients ;

- les valeurs relatives des coefficients.

Un coefficient n’est interprétable que s’il est significativement différent de 0. Lorsque le

coefficient est significatif, alors on peut interpréter son signe. Pour les variables qualitatives :

6
la k-ème composante de Xi aura un effet positif (relativement à la modalité de référence) sur
P(Y=1|X) ssi son paramètre est positif.

III-2 : Les effets marginaux

Pour écarter le risque d’avoir des probabilités négatives d’une part, et au-delà de l’unité
d’autre part, la relation entre X et Y est modélisée sous la forme

𝑌𝑖 = Φ(𝛼 + 𝛽𝑋𝑖 ) + 𝜀𝑖 , où Φ(. ) est la fonction de répartition de la loi normale (modèle Probit)
ou de la loi logistique (modèle Logit).

L’effet marginal d’une variation de 𝑋𝑖 sur la probabilité 𝑃𝑖 que Yi soit égal à 1 est

𝑑Φ(𝛼 + 𝛽𝑋𝑖 )
= 𝛽Φ′ (𝛼 + 𝛽𝑋𝑖 )
𝑑𝑋𝑖

Soit
𝑑Φ(𝛼 + 𝛽𝑋𝑖 ) 𝛽 −(𝛼 + 𝛽𝑋𝑖 )2
= 𝑒𝑥𝑝 ( )
𝑑𝑋𝑖 √2𝜋 2

Cet effet marginal varie en fonction du point à partir duquel il est calculé. De plus les
probabilités présentent un caractère de non- linéarité : elles ne varient pas identiquement selon
le niveau des variables indépendantes. Pour cette raison l’effet marginal est calculé le plus
souvent au point moyen de l’échantillon.

L’effet marginal désigne la variation de la probabilité d’un événement, suite à la variation

d’une variable indépendante.

7
CHAPITRE 2 : LE MODELE LOGIT DICHOTOMIQUE
I : Présentation

Dans les modèles dichotomiques, les fonctions de répartition les plus utilisées sont celle de la
loi normale standard et celle de la loi logistique.

Sous les mêmes conditions que dans le chapitre précédent, le modèle logit dichotomique est
défini lorsque la fonction de répartition de la loi logistique est utilisée.

Pour un modèle logit dichotomique, on a 𝑃(𝑌 = 1|𝑋) = 𝐹(𝑋 ′ 𝛽),

avec 𝑋 ′ 𝛽 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑛 𝑋𝑛 et

𝑒𝜔 1
𝐹(𝜔) = 𝜔
= = Λ(𝜔).
1+𝑒 1 + 𝑒 −𝜔

Les modèles probit et logit diffèrent donc par la forme de la fonction de répartition. Mais les
lois normale et logistique sont proches en pratique, puisqu’elles appartiennent à la même
famille de lois exponentielles.

Les modèles logit ont été introduits comme des approximations des modèles probit permettant
des calculs plus simples.

II : Implémentation sous STATA

Les recommandations pour le codage des variables du chapitre précédent restent valables ici.

Après voir bien codé les variables, l’estimation sous Stata est effectuée en utilisant la
commande « logit » suivie de la variable dépendante et des variables indépendantes.

III : Résultats et interprétation

III-1 : Interprétation des paramètres

Les instructions concernant le modèle probit binaire restent valables pour le logit
dichotomique.

Les valeurs estimées des paramètres des modèles logit et probit ne sont pas directement
comparables, puisque les variances des lois logistiques et normales ne sont pas identiques.

8
III-2 : Les effets marginaux

L’effet marginal d’une variation de 𝑋𝑖 sur la probabilité 𝑃𝑖 que Yi soit égal à 1 est

𝑑Φ(𝛼 + 𝛽𝑋𝑖 )
= 𝛽Φ′ (𝛼 + 𝛽𝑋𝑖 )
𝑑𝑋𝑖

Soit
𝑑Φ(𝛼 + 𝛽𝑋𝑖 ) 𝛽𝑒𝑥𝑝(𝛼 + 𝛽𝑋𝑖 )
= 2
𝑑𝑋𝑖 (1 + 𝑒𝑥𝑝(𝛼 + 𝛽𝑋 )) 𝑖

Cet effet marginal varie en fonction du point à partir duquel il est calculé. De plus les
probabilités présentent un caractère de non- linéarité : elles ne varient pas identiquement selon
le niveau des variables indépendantes. Pour cette raison l’effet marginal est calculé le plus
souvent au point moyen de l’échantillon.

III-3 : Une spécificité du modèle logit : les odds-ratios (ou ratios de risque)

Le risque est défini par

𝑃(𝑌 = 1|𝑋)
𝑃(𝑌 = 0|𝑋)

Dans le cas du logit binaire,

1
𝑃(𝑌 = 1|𝑋) =
1 + 𝑒𝑥𝑝(−𝑋 ′ 𝛽)

et

𝑒𝑥𝑝(−𝑋 ′ 𝛽)
𝑃(𝑌 = 0|𝑋) =
1 + 𝑒𝑥𝑝(−𝑋 ′ 𝛽)

Ainsi

𝑃(𝑌 = 1|𝑋) 1 1 + 𝑒𝑥𝑝(−𝑋 ′ 𝛽)

= ×
𝑃(𝑌 = 0|𝑋) 1 + 𝑒𝑥𝑝(−𝑋 ′ 𝛽) 𝑒𝑥𝑝(−𝑋 ′ 𝛽)

𝑃(𝑌 = 1|𝑋)
= 𝑒𝑥𝑝(𝑋 ′ 𝛽)
𝑃(𝑌 = 0|𝑋)

Or 𝑋 ′ 𝛽 = 𝛽𝑋

Pour une variable explicative 𝑋𝑘 ∈ {0, 1}, on peut calculer le risque pour chaque valeur prise
par cette variable.

9
 Si 𝑋 = 0, 𝑎𝑙𝑜𝑟𝑠 𝑋 ′ 𝛽 = 0

Si 𝑋 = 1, 𝑎𝑙𝑜𝑟𝑠 𝑋 ′ 𝛽 = 𝛽

Ainsi, le risque pour 𝑋 = 1 est 𝑒𝑥𝑝(𝛽) et le risque pour 𝑋 = 0 est 𝑒𝑥𝑝(0) = 1

𝑟𝑖𝑠𝑞𝑢𝑒 𝑝𝑜𝑢𝑟 𝑋=1

Ratio de risque = 𝑟𝑖𝑠𝑞𝑢𝑒 𝑝𝑜𝑢𝑟 𝑋=0 = 𝑒𝑥𝑝(𝛽).

Exemple :

Soit un modèle expliquant la probabilité d’occurrence d’une maladie. Considérons la variable

explicative dichotomique désignant l’action de fumer (1 si fumeur, 0 sinon). Si le coefficient
de cette variable est 1,1, alors toutes choses égales par ailleurs, on multiplie son risque (ou la
probabilité) de contracter cette maladie par 3 en fumant.

10
CHAPITRE 3 : LE MODELE LOGIT MULTINOMIAL

I : Définition et conditions d’application

Le modèle logit multinomial est une généralisation du modèle logit binaire (classique) pour
des variables à expliquer ayant plus de deux modalités (variable polytomique), à condition
que ces modalités ne soient pas ordonnées. Ce modèle est aussi appelé régression logistique
polytomique. Le modèle logit multinomial permet de modéliser la probabilité qu'un
événement survienne étant donné les valeurs d'un ensemble de variables explicatives
quantitatives et/ou qualitatives.

Ce type de modèle s’applique par exemple dans les cas du choix d’un type d’habitation
(studio, appartement, villa), d’un mode de transport (avion, bus, train, voiture), d’un secteur
d’activité (chimie, automobile, bureautique, construction métallique), ou dans le cas du
marketing au choix d’un produit plutôt qu’un autre.

Dans ce dernier cas, on peut chercher à prédire la probabilité pour qu'un client choisisse une
marque plutôt qu’une autre (dans un ensemble de 3 marques) en fonction de deux variables
explicatives : l’âge et le fait d’être une femme. La variable à expliquer a trois modalités, les
variables explicatives sont soit quantitatives, soit qualitatives, donc on peut utiliser un modèle
logit multinomial.

Le principe de ce modèle est le suivant : on veut comprendre ou prédire l'effet d'une ou

plusieurs variables explicatives sur une variable qualitative à réponses multiples non
ordonnées. L’ensemble des calculs se fait relativement à une modalité de référence que
l’utilisateur devra sélectionner. On pourra ainsi comprendre l’impact du choix d’une modalité
en fonction des variables explicatives relativement à une modalité fixée.

II : Formulation du logit polytomique

Les valeurs prises par la variable dépendante ne sont le reflet d’aucune hiérarchie particulière.
L’ordre dans lequel sont rangées les différentes occurrences de la variable dépendante est sans
importance, et ne doit pas affecter le calcul des probabilités de ces occurrences.

Dans ce contexte on privilégie une approche en termes de fonction d’utilité. L’idée générale
est qu’à chaque modalité est associée une valeur dépendant des préférences intrinsèques d’un
individu mais aussi de caractéristiques économiques (prix, revenu par exemple).
Le choix sélectionné par un individu est celui qui correspond à la valorisation maximale.
Ce type de modélisation est très utilisé dans la modélisation des systèmes de demande pour
des biens différentiés et intervient très souvent en économie industrielle empirique.

L’individu i choisit la modalité m si 𝑈𝑖𝑚 = 𝑀𝑎𝑥{𝑈𝑖1 , 𝑈𝑖2 , … , 𝑈𝑖𝑀 }

11
On peut supposer aussi que l’utilité que retire un individu i de la modalité m n’est pas la
même que celle que retirerait un autre individu i’ de cette même modalité. Cette utilité est
donc susceptible de varier en fonction de caractéristiques propres à chaque individu.
Quoique les utilités retirées d’une même alternative puissent être différentes d’un individu à
l’autre, l’expression de la fonction d’utilité est la même pour tous les individus. Par ailleurs,
les coefficients sont spécifiques à la modalité m mais communs à tous les individus.

La probabilité pour que la satisfaction de l’individu i soit maximum quand il choisit 𝑚0 (ou
encore la probabilité pour qu’il choisisse effectivement 𝑚0 ) est
𝑒𝑥𝑝(𝑋𝑖 𝛽𝑚0 )
𝑃𝑟𝑜𝑏(𝑌𝑖 = 𝑚0 ) = ∑𝑀 .
𝑚=0 𝑒𝑥𝑝(𝑋𝑖 𝛽𝑚 )

III : Implémentation sous STATA

La variable dépendante doit être codée par une variable catégorielle à plusieurs modalités (une
variable polytomique).
Les variables indépendantes doivent être codées comme dans le cas des modèles
dichotomiques.
Pour effectuer l’estimation, il faut d’abord choisir l’alternative de base de la variable
dépendante. Pour ce faire, si rien n’est spécifié, le logiciel choisit par défaut comme
alternative de base celle qui correspond à la modalité la plus fréquente. Pour changer
l’alternative de base, il faut ajouter l’option « baseoutcome(#) » à la commande permettant
d’estimer le logit multinomial.

Exemple
Si une variable dépendante a 4 modalités (numérotées 1, 2, 3 et 4), et si l’on veut choisir
l’alternative correspondant à la modalité 2 comme alternative de base, alors il faut ajouter
l’option « baseoutcome(2) ».

Une fois les variables bien codées, l’estimation d’un modèle logit multinomial s’effectue en
utilisant la commande « mlogit », suivie de la variable dépendante et des variables
indépendantes.

IV : Résultats et interprétations

Des indicateurs de la qualité du modèle (ou qualité de l'ajustement) sont fournis. Ces résultats
sont équivalents au R2 et au tableau d'analyse de la variance de la régression linéaire et de
l'Anova.

La valeur la plus importante est le Chi2 associé au Log ratio (L.R.). C'est l'équivalent du test F
de Fisher du modèle linéaire : on essaie d'évaluer si les variables apportent une quantité
d'information significative pour expliquer la variabilité de la variable cible. Lorsque cette
probabilité est inférieure à 0,05, on peut conclure que les variables apportent une quantité
significative d'information.

12
L’interprétation des coefficients s’effectue toujours en référence à la catégorie de base. Si 𝛽𝑗𝑚
est positif, tout accroissement de la valeur de 𝑋𝑗𝑖 augmente la probabilité de choisir la
modalité m par rapport à la modalité de base.

V : L’hypothèse IIA (indépendance des alternatives non pertinentes)

L’hypothèse IIA traduit le fait que le rapport des probabilités de 2 choix ne dépend pas autres
choix offerts à l’individu et qui n’ont pas été retenus dans l’arbitrage entre j1 et j2. Le modèle
logit multinomial repose sur l’hypothèse que pour chaque paire de modalités les réalisations
sont indépendantes des autres modalités. Autrement dit, les autres modalités sont non
pertinentes (irrelevant).

Supposons que dans une élection du délégué des étudiants de Master 1 Economie, il y ait trois
(3) candidats A, B et C. L’hypothèse IIA implique que le choix entre les candidats A et B ne
dépend pas de l’existence du candidat C. En d’autres termes la présence du candidat C
n’influence pas le rapport des probabilités de A et B. Ainsi le résultat du vote entre A et B
n’est pas affectée par l’existence du candidat C.

Une façon simple de tester la propriété IIA est alors d’estimer le modèle en retirant une
modalité (pour retreindre les choix), et de comparer les nouveaux paramètres avec ceux du
modèle complet

- si l’hypothèse IIA est valide, les paramètres ne changent pas significativement ;

- si l’hypothèse IIA n’est pas valide, les paramètres changent significativement.

13
BIBLIOGRAPHIE

BOURBONNAIS R. (2003), Econométrie, Dunod, 5e édition

GREENE W. (2000), Econometric analysis, Prentice Hall International, 4e edition

GUERRIEN B. (2002), Dictionnaire d’analyse économique, Editions La Découverte, 3ème

édition

GUYON X. (2001), Statistique et économétrie: du modèle linéaire … aux modèles non

linéaires, Ellipses

HAYASHI F. (2000), Econometrics, Princeton University Press

JOHNSTON J., DINARDO J. (1997), Econometric methods, Mcgraw-Hill International

Editions, 4e edition

LARDIC S., MIGNON V.(2002), Econométrie des séries temporelles macroéconomiques et

financières, Economica

PIROTTE A. (2004), L’économétrie : des origines aux développements récents, CNRS

éditions

SIMS C. (1980), « Macroeconomics and reality », Econometrica, Vol. 48

VOISIN M. (2000), Fluctuations économiques, Armand Colin

WONNACOTT T, WONNACOTT R. (1995), Statistique, Economica 4e édition

14