2 PB

Finance & Finance Internationale N°10 janvier 2018
ANALYSE DU COMPORTEMENT DE L’INVESTISSEMENT DES

ETABLISSEMENTS PUBLICS AVEC MODELE DE PANEL :
PASSAGE DU MODELE STATIQUE AU MODELE DYNAMIQUE
CAS DU MAROC
Par
Ibtissam BENERRAMI
Chercheur en Economie et Logistique, Inspecteur à la Direction Régionale Des
impôts de Casablanca- Maroc.
&
Ahmed HEFNAOUI
Professeur Universitaire à la FSJES Mohammédia, Université Hassan II,
Casablanca, Maroc.
Résumé :
Dans le cadre de ce travail, nous voudrons traiter l’optimisation et la rationalisation des choix de
l’investissement public (IP) auprès des établissements publics (EP) au Maroc. En effet, cet article va
exposer d’une manière empirique une modélisation sectorielle avec un modèle de Panel en évaluant
le comportement des EP en matière de l’efficacité de l’investissement public par secteur d’activité.
L’étude empirique a été effectuée auprès de sept établissements publics représentatifs des secteurs
d’activité à savoir : CDG, CNSS, CMR, OFPPT, ONCF, ONDA et ONEE durant la période allant
du 2008 à 2015.
Nous souhaitons se focaliser sur la question de : Est-ce que les établissements publics se comportent
de la même façon dans leurs choix d’investissement ? Autrement dit, quels sont les indicateurs
impactant la prise de décision d’investir par chaque établissement public ?
Pour répondre à ces questions, nous avons tout d’abord évaluer les indicateurs économiques et
financiers dont dispose chaque EP afin de modéliser l’investissement public sur la base d’un modèle
http://revues.imist.ma/?journal=FFI ISSN: 2489-1290
1
avec données de Panel à travers une analyse sectorielle auprès de sept EP répartis sur sept groupes
sectoriels, précités, et d’un autre côté, nous avons dégagé les facteurs significatifs à la prise de
décision .
Mots clés :
Investissement, établissement, public, modèle, panel, Maroc.
Abstract:
Within the framework of my thesis project, we will want to treat the optimization and the
rationalization of public investment choices by public corporations (PC) in Morocco. Indeed, this
article will set out in sectoral way a empirical modeling using a model of Panel by evaluating the
behavior of the PC as interms of public investment effectiveness by activity. The empirical study
was carried out near seven public corporations representative of business activity namely: CDG,
CNSS, CMR, OFPPT, ONCF, ONDA and ONEE during the period 2008 to 2015. We will focus on
the question of: Do the public corporations behave the same way in their investment choices? In
other words, which are the indicators that impact making decision to invest by each public
corporation? To answer these questions, we have first of all to evaluate the economic indicators and
financial available to each PC to model the public investment on the basis of model with Panel data
through a sectoral analysis in seven PC distributed out of seven sectoral groups, above mentioned,
and in another side, we released the significant factors with decision making.
Key word: investment, establishment, public, model, panel, Morocco.

2
1. Présentation du modèle de travail

On va présenter un modèle avec données de panel comme étant un modèle dans lequel les variables
représentent les valeurs prises par un échantillon d’individus à intervalle de temps régulier .En
économétrie on peut intéresser à des données temporelles ou à des données en coupe instantanée,
les données de panel mélangent les deux dimensions : séries temporelles et données en coupe. Ceci
dit que le modèle qu’on va l’introduire pour le traitement de la question de recherche de cette thèse
est un modèle avec données de panel.
Etant donné que ma thèse porte sur l’optimisation et la rationalisation des choix de l’investissement
public dans le cadre du partenariat public privé au Maroc, le modèle adéquat ,supposé évaluer le
comportement des établissements publics en matière des choix de l’investissement public afin de
prendre une décision d’investir dans le cadre d’un partenariat public privé .
Pour ceci, le modèle économétrique va porter sur l’évolution de l’investissement public de 7
établissements publics (les individus) sur 8 ans (le temps) .L’intérêt de cette spécification réside
dans la prise en compte d’un effet temporel et d’un effet individuel .Les individus sont l’unité
statistique observée (établissements publics) à l’intervalle de temps régulier.
Dans cet article, qui constitue une simple introduction du modèle objet de l’étude, on va présenter le
modèle avec données de panel et la méthode d’estimation SUR, puis les tests d’homogénéité
permettant de déterminer la structure du panel. En fin traite des panels à effets fixes et aléatoires,
des méthodes d’estimation et du test d’Hausman de spécification des effets individuels.
1.1 Présentation du modèle à données de panel
111.Spécificités des données de panel
 Définitions préliminaires
Les données de panel (ou données longitudinales) sont représentatives d’une double dimension :
individuelle et temporelle .Un panel équilibré (balanced panel) a le même nombre d’observations
pour tous les individus .Un panel déséquilibré (unbalanced panel) est un panel où il manque des
observations pour certains individus.
 Modèle introductif
Le modèle introductif est un panel composé de 7 individus (N=7) et connu sur 8 ans (T=8),soit un
total de N*T= 56 observations à k= 6 variables explicatives.
Le modèle général s’écrit :Yit =a0i+aiXit+eit
Avec :
Yit = variable endogène observée pour l’individu i à la période t,
Xit= variables explicatives observées pour l’individu i à l’instant t,
a0i= terme constant pour l’individu,
ai=coefficients des variables exogènes pour l’individu i,

3
eit= terme d’erreur pour l’individu i à la période t .

Si les hypothèses classiques sur les erreurs sont respectées (homoscédasticité et indépendance
temporelle) et quelles sont indépendantes d’un individu à l’autre ,on peut appliquer la méthode des
moindres carrés pour chacune des N équations relatives aux individus .Dans le cas où l’hypothèse
d’indépendance entre les individus n’est plus vérifiée, l’estimateur des MCO n’est plus BLUE, on
doit appliquer la méthode SUR (seemingly unrelated regressions) de Zellner .
112.la méthode SUR

La méthode SUR, seemingly unrelate dregressions, dezellner (1962) est utilisée lorsque les erreurs
des équations individuelles sont corrélées : la covariance individuelle cov (eit, ejt)=δij2 est différent
de zéro pour i différent de j .Les individus sont alors interdépendants .Cette méthode consiste à
appliquer les MCG.
La méthode d’estimation SUR présente l’avantage de prendre en compte l’hétérogénéité
individuelle par l’intégration de la dépendance entre les individus mais présente l’inconvénient
surtout si le nombre d’observations temporelles T est faible d’un grand nombre de paramètres à
estimer .Par conséquent, les modèles à effets individuels fixes ou aléatoires permettent de trouver
un compromis entre le nombre de paramètres à estimer et l’intégration de l’hétérogénéité
individuelle.(régis bourbonnais,2009,p 329).
113. Le modèle linéaire simple

Le modèle en données de panel peut s’écrire pour N individus (i=1,……..N) et T observations
temporelles (t=1,……..T), soit n=N*T observations totales de la manière suivante :
Yit =a0i+aiXit+eit
Avec :
A partir de cette spécification générale, on peut envisager quatre possibilités à savoir :
 Scénario N°1 : Homogénéité totale

Les constantes a0i et les coefficients ai sont tous identiques pour tous les individus. Le modèle ne
comporte qu’une seule équation estimée sur n=N*T observations empilées par les MCO (ou MCG
selon la structure de la matrice des variances et covariances des erreurs).
 Scénario N°2 : Hétérogénéité totale

Les constantes a0i et les coefficients ai sont tous différents pour toutes les valeurs de i, la structure
en panel est rejetée. Le modèle doit être estimé équation par équation pour les N équations (une
4
équation par individu) par les MCO (ou les MCG selon la structure de la matrice des variances et
covariances des erreurs).
 Scénario N°3 : Hétérogénéité des coefficients des variables explicatives et homogénéité

des termes constants
Les constantes a0i sont toutes identiques (a0i=a0) pour les individus, mais les coefficients ai des
variables explicatives sont différents pour chaque individu .Comme le scénario N°2,le modèle
doit être estimé sur les N équations (une équation par individu) par les MCO (ou les MCG selon
la structure de la matrice des variances et covariances des erreurs).
 Scénario N°4 : Hétérogénéité des termes constants et homogénéité des coefficients des
variables explicatives : Modèle à effets individuels
Les constantes a0i sont différentes pour les individus, mais les coefficients ai des variables
explicatives sont constants pour les individus .Ce modèle est appelé « modèle à effets individuels » .
1.2 Les tests d’homogénéité

122. Procédure séquentielle de test
Le choix de la spécification (homogénéité, hétérogeinté) est donc très important .Afin de déterminer
la structure de panel, Hsiao (1986) propose une procédure séquentielle de tests permettant de définir
le cas dans lequel on se situe :
Schéma N°1 : Procédure séquentielle de test
Source : régie bourbonnais, Econométrie,7ème édition, page :331
 Spécification et estimations des modèles à effets individuels

5
Les modèles à effets individuels supposent que les modèles estimés ne diffèrent par individu que
par la valeur de la constante a0i=a0+ai. Nous allons distinguer deux cas : les modèles à effets fixes
(l’effet individuel est constant au cours du temps) et les modèles à effets aléatoires (le terme
constant est une variable aléatoire).
Les modèles à effets individuels peuvent être transposés au modèle à effets temporels, la constante
s’écrit alors : a0t=a0+at (cf. sevestreP.,2002).
A- Le modèle à effets fixes individuels

Le modèle en données de panel à effets fixes individuels peut s’écrire de la manière suivante :
Yit=a0i+aXit+eit
La méthode d’estimation des paramètres va dépendre de la structure des termes d’erreurs :
 Si les erreurs sont homoscédastiques, non autocorrélées dans la dimension temporelle et

dans la dimension individuelle : méthode des moindres carrés ordinaires (MCO) sur les
variables indicatrices (en anglais LSDV=Least square dummy variable) ou sur les
estimateurs Within.
 Si les erreurs sont hétéroscédastiques et/ou autocorrélées dans la dimension temporelle mais
indépendantes dans la dimension individuelle : méthode des moindres carrés généralisés
(MCG) sur les variables indicatrices (LSDV) ou sur les estimateurs Within. (régis
bourbonnais, 7èmeédition, 2009,p 337).
B- Estimateur LSDV
L’estimateur LSDV consiste à appliquer la méthode des MCO sur le modèle avec variables
indicatrices spécifiques pour chacun des N individus. On construit donc N variables indicatrices tel
que : Di=1 pour l’individu i et 0 pour les autres.
Le modèle s’écrit :
Yit= aiD+eit par les MCO ou les MCG si les erreurs sont hétéroscédastiques ou/et autocorrélées.
C- Estimateur Within
L’estimateur within (estimateur intra-individu) consiste à centrer préalablement toutes les variables
à expliquer et explicatives sur leurs moyennes individuelles et à appliquer la méthode des MCO (ou
MCG si les erreurs sont hétéroscédastiques ou autocorrélées).

6
 Le modèle à effets aléatoires
 Présentation du modèle à effets aléatoires

Le modèle à effets aléatoires suppose que la relation entre la variable à expliquer et les variables
explicatives ne soit plus fixe mais aléatoire, l’effet individuel n’est plus un paramètre fixe a0i mais
une variable aléatoire.
Le terme d’erreur se décompose de la manière suivante : eit=a0i+αt+vit
D’où le nom donné aussi à ce type de modèle : modèle à erreur composée (error components
model).
Les a0i représentent les effets individuels aléatoires, la variable aléatoire αt représente les effets
temporels identiques pour tous les individus et enfin vit est un terme d’erreur qui est orthogonal aux
effets individuels et temporels.
En outre, on fait les hypothèses suivantes concernant les variables aléatoires a0i, αt et vit :
espérances nulles, homoscédasticité, indépendance temporelle et orthogonalité entre les trois
composantes.
Dans le cas simple où l’effet temporel n’existe pas (αt=0),le modèle à effets aléatoires individuels
s’écrit alors : Yit=a0+aXit+eit avec eit=a0i+vit .
Ou encore yit=a0+a0i+aXit+vit. Le coefficient a0 est un coefficient fixe identique pour tous les
individus.
A- Estimation du modèle à effets aléatoires

La méthode d’estimation adéquate est celle des MCG car la composante aléatoire a0i est présente
dans eit et eit’. On a donc une autocorrélation des erreurs. (cf.Sevestre 2002).
On démontre que l’estimateur des MCG se ramène à une moyenne pondérée des estimateurs within
(présenté précédemment) et between. L’estimateur between (estimateur inter-individuel) est
l’estimateur des MCO appliqué sur le modèle dont les données sont les N individuelles des
variables à expliquer et explicatives :
Yi=a0+a0i+aX+vi pouri= 1,…………..N
L’introduction d’effets individuels aléatoires permet donc de combiner une spécification
intermédiaire entre le modèle sans effet individuel et le modèle avec effets fixes .La structure du
panel n’est ni totalement homogène, ni totalement hétérogène.
B- Effets fixes ou effets aléatoires ?le test d’Hausman

Le test d’Hausman est un test de spécification qui permet de déterminer si les coefficients des deux
estimations (fixes et aléatoires) sont statistiquement différents.
Sous l’hypothèse nulle H0 d’orthogonalité entre les variables explicatives et le terme d’erreur du
modèle à effets aléatoires, les deux estimateurs within et MCG sont des estimateurs non biaisés et
dans ce cas il ne doit pas y avoir de différence significative entre les estimations within et MCG des

7
différents coefficients .La méthode des MCG est alors retenue : le modèle est à effets aléatoires
..(régis bourbonnais, 2009, 7ème édition, p 340).
H0 : Modèle est à effets aléatoires
H1 : Modèle est à effets fixes
2- Modélisation du comportement des établissements publics en matière de l’investissement

au Maroc : Modèle avec données de panel
Lorsqu’on considère un échantillon de données de panel, la toute première des choses qu’il convient
de vérifier est la spécification homogène ou hétérogène du processus générateur de données.
Sur le plan économétrique, cela revient à tester l’égalité des coefficients du modèle étudié dans la
dimension individuelle. Sur la plan économique, les tests de spécification reviennent à déterminer si
l’on est en droit de supposer que le modèle théorique étudié est parfaitement identique pour tous les
établissements publics ou au contraire s’il existe des spécificités propres à chaque établissement.
On commence par présenter un exemple illustratif construit à partir de :
Invest : investissement public

CA : chiffre d’affaires
VA : valeur ajoutée
Result net : résultat net
CAF :capacité d’autofinancement
Actif : total actif
FP :fonds propres
Avec :
i : 7 établissements publics
n : 8 ans
N : 56 observations
Et par la suite ; on généralise la procédure de test d’homogénéité et les tests de spécification en
introduisant les notions de variances intra-classes (within) et inter-classes (Between).
Question :
Est-ce que les 7 établissements publics appartiennent à la même population ?
1. Terminologie :
Les données de panel contiennent des données sur plusieurs individus observés à différentes dates.
Un panel équilibré (balanced panel en anglais) a le même nombre d’observations pour tous les
individus.
8
On s’intéresse à l’évolution de l’investissement public sur 8 ans (variable à expliquer notée y) pour
7 établissements publics .Les facteurs explicatifs proposés sont :
Avec :
Y : l’évolution de ’investissement public en milliers de dirhams pour l’établissement i à l’année t,
X1 : l’évolution du chiffre d’affaires en milliers de dirhams pour l’établissement i à l’année t,
X2 : l’évolution de la valeur ajoutée en milliers de dirhams pour l’établissement i à l’année t,
X3 : l’évolution du résultat net en milliers de dirhams pour l’établissement i à l’année t,
X4 : l’évolution de la capacité d’autofinancement en milliers de dirhams pour l’établissement i à
l’année t,
X5 : l’évolution de l’actif en milliers de dirhams pour l’établissement i à l’année t,
X6 : l’évolution des fonds propres en milliers de dirhams pour l’établissement i à l’année t,
Les variables sont toutes connues sur 8 ans.
Graphe N°1 : représentation graphique sur les données empilées
Source : Auteur, Eviews.

On constate qu’il y a fluctuation chronologique de 7 séries à partir de 7 établissements publics sur 8
ans, d’où la double dimension des données de panel.
2. Description des variables :

Un panel composé de 7 établissements publics (N=7) et connu sur 8 périodes(T=8), soit un total de
N*T=56 observations à k=6 variables explicatives.

9
Le modèle général s’écrit :
Y=a0X1+a1X2+a2X3+a3X4+a4X5+a5X6+ +ei
Avec :
Y : variable endogène observée pour l’établissement i à la période t
X : variables explicatives observées pour l’établissement i à la période t
a0i : terme constant pour l’établissement i
aiXi: coefficients des variables exogènes pour l’établissement i
ei : terme d’erreur pour l’établissement i à la période t
Donc il s’agit d’un Panel équilibré.
Graphe N°2 : Représentation graphique par établissement
3- Hypothèses et propriétés des estimateurs :

Par construction, le modèle est linéaire en X (ou sur ces coefficients) et on distingue les hypothèses
stochastiques (liées à l’erreur ei) des hypothèses structurelles.
Hypothèses stochastiques
 H1 : les valeurs Xi,t sont observées sans erreur ;
10
 H2 : E (ei)=0, l’espérance mathématique de l’erreur est nulle ;

 H3 : E(ei²)=δ², la variance de l’erreur est constante (¥t) (homoscédasticité)
 H4 : E (et, et’)=0 si t ≠t’, les erreurs sont non corrélées (ou encore indépendantes)
 H5 : Cov (Xit, et)=0, l’erreur est indépendante des variables explicatives.
Hypothèses structurelles
 H6 : absence de colinéarité entre les variables explicatives, cela implique que la matrice
(X’X) est régulière et que la matrice inverse (X’X)-1 existe
 H7 : (X’X)/n tend vers une matrice finie non singulière,
 H8 : n>k+1, le nombre d’observations est supérieur au nombre des séries explicatives
Propriété des estimateurs
Considérons les propriétés de l’estimateur.
Le modèle sous forme matricielle peut s’écrire, comme pour le modèle de régression simple, de
différentes manières :
 Estimateur sans biais : E(a^)= a

 Matrice des variances et covariances des coefficients de régressions :Ωa^ =δ² (X’X)-1
 δ^²= e’e / n-k-1
 Ω^= δ^²(X’X)-1
Hypothèse vérifiée Test Résultat

Multi colinéarité Klein Absence de multicolinéarité
Autocorrélation des erreurs Durbin Watson Zone de doute
Hétéroscédasticité White Présence de l’Hétéroscédasticité
 Modèle statique :
Selon la vérification des hypothèses, le modèle va être estimé par la méthode des moments
généralisés (GMM) au lieu de la méthode de moindre carrée ordinaire (MCO) comme suit :
Illustration N°1 : Régression totale sur 56 observations : données empilées (Le modèle
contraint)

On commence par tester l’hypothèse H0 : a0i=a0 et a’=a’i
11
soit à calculer : SCRc1= somme des carrés des résidus du modèle contraint sous l’hypothèse H0,on
va estimer par les MMG le modèle en empilant toutes les observations .Les résultats sont les
suivants :
Tableau N° 1 : Résultats des régressions :
N°d’ordre Etablissement public Somme des carrés des résidus

1 CDG 3 090 000 000 000
2 CNSS 1 110 000 000
3 CMR 169 000 000
4 OFPPT 51 400 000 000
5 ONCF 0
6 ONDA 331 000 000 000
7 ONEE 3 300 000 000 000
Total 6 773 679 000 000
Source: auteur
Alors, SCR= 6 773 679 000 000; degré de liberté =7*(8-7)= 7
F1= (SCRc1-SCR)/ (N-1)(k+1)/SCR/(N*T-N(k+1)
F1=(106 000 000 000 000- 6 773 679 000 000 ) /42 / 6 773 679 000 000 /7
F1= 0.34
Ft= α=5% ; ddl= 42 ;7= 3,23 ,donc on rejette H0 .s’agit-il d’une hétérogeinté .
Tableau N° 2 : Résultats des régressions du Modèle statique :
Valeur Interprétation statistique

J- statistic 6.49E-27 On rejette l’hypothèse H0, le modèle est
significatif dans sa globalité
Coefficient de 0.87 Les variables explicatives expliquent 87% la
détermination R2 variable à expliquer
Source : auteur
Tableau N° 3 : Résultats des régressions du modèle statique
Variable signe Impact t-statistic Significativité

Chiffre - Négatif -2,82 Oui
d’affaires
Valeur ajoutée + Positif 1,42 Non
Résultat net - Négatif -7,83 Oui
CAF + Positif 2,56 Oui
Total actif + Positif 8,23 Oui
Fonds propres + Positif 0,25 Non
Source : auteur
 Modèle dynamique :
12
A la différence du modèle statique, le modèle dynamique suppose introduire la variable à

expliquer décalée d’une période parmi les variables explicatives ou ce qu’on appelle les
instruments. Le passage du modèle statique au modèle dynamique est une nécessité dans ce
modèle afin la statistique de J Hansen (J-statistic) soit interprétable.
En effet, l’interprétation de J-statistic exige que le modèle soit sur identifié c’est –à-dire que le
nombre des variables explicatives dépassent les instruments en application de la méthode des
moments généralisés .Ceci implique l’introduction de la variable à expliquer parmi les
instruments lors de la modélisation, d’où l’estimation avec un modèle dynamique.
Illustration N°2 : Modèle dynamique
Tableau N° 4 : Résultats des régressions du modèle dynamique
Valeur Interprétation statistique

J- statistic 1,41 On rejette l’hypothèse H0, le modèle est
significatif dans sa globalité
Coefficient de 0,90 Les variables explicatives expliquent 90% la
détermination R2 variable à expliquer
Source : auteur
Tableau N° 5 : Résultats des régressions du modèle dynamique
Variable signe Impact t-statistic Significativité

Invest (-1) + Positif 2,97 Oui
Chiffre - Négatif -2,63 Oui
d’affaires
Valeur ajoutée + Positif 1,66 Non
Résultat net - Négatif -3,73 Oui
CAF + Positif 1,82 Non
Total actif + Positif 5,16 Oui
Fonds propres + Positif 0,45 Non
Source : auteur

13
Faisant suite à l’état comparatif des deux modèles statique et dynamique , il apparait clairement que
les variables explicatives ont gardé le même impact durant la période 2008 à 2015.Ceci dit,
que seul le chiffres d’affaires et le résultat net impactent négativement l’investissement public des
EP .En revanche , la valeur ajoutée, la capacité d’autofinancement, les fonds propres et l’actif
impactent positivement l’investissement public .
Vis-à-vis de la significativité, le modèle dynamique durant la période 2012-2015 nous a permet
d’ajouter la non significativité de la CAF à côté de la valeur ajoutée et des fonds propres par rapport
au modèle statique.
Le passage du modèle statique au modèle dynamique a pu augmenter le coefficient de
détermination de 87% à 90% et que le modèle devient de plus en plus significatif.

14
Liste des schémas:

Schéma N°1 : Procédure séquentielle de test [voir schéma N°1]
Liste des graphes:

Graphe N°1: Représentation graphique sur les données empilées [voir graphe N°1]
Graphe N°2: Représentation graphique par établissement [voir graphe N°2]
Liste des illustrations:

Illustration N°1: Régression totale sur 56 observations [voir illustration N°1]
Illustrations N°2: modèle dynamique
Liste des tableaux:

Tableau N°1: Résultats des régressions du modèle statique [voir tableau N°1]
Tableau N°2: Résultats de régressions du modèle statique [voir tableau N°2]
Tableau N°3: Résultats de régressions du modèle statique [voir tableau N°3]
Tableau N°4 : Résultats de régressions du modèle dynamique [voir tableau N°4]
Tableau N°5 : Résultats de régressions du modèle dynamique [voir tableau N°5]
Référence :
Bernard Bernier, Yves Simon, initiation à la macroéconomie, 9èmeédition, Dunod, 2009.
Régis bourbonnais, Econométrie, 7ème édition, Dunod, année2009.
V.Rousson, Y.dodge, analyse de régression appliquée, 2ème édition, Dunod, 2004.
Rapport sur le secteur des entreprises publiques et privatisation, DEPP 2016.

15

2 PB

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2 PB

Transféré par

Droits d'auteur :

Formats disponibles

Finance & Finance Internationale N°10 janvier 2018

ANALYSE DU COMPORTEMENT DE L’INVESTISSEMENT DES

http://revues.imist.ma/?journal=FFI ISSN: 2489-1290

1. Présentation du modèle de travail

111.Spécificités des données de panel

http://revues.imist.ma/?journal=FFI ISSN: 2489-1290

eit= terme d’erreur pour l’individu i à la période t .

112.la méthode SUR

113. Le modèle linéaire simple

 Scénario N°1 : Homogénéité totale

 Scénario N°2 : Hétérogénéité totale

 Scénario N°3 : Hétérogénéité des coefficients des variables explicatives et homogénéité

1.2 Les tests d’homogénéité

Schéma N°1 : Procédure séquentielle de test

Source : régie bourbonnais, Econométrie,7ème édition, page :331

 Spécification et estimations des modèles à effets individuels

A- Le modèle à effets fixes individuels

 Si les erreurs sont homoscédastiques, non autocorrélées dans la dimension temporelle et

http://revues.imist.ma/?journal=FFI ISSN: 2489-1290

 Le modèle à effets aléatoires

 Présentation du modèle à effets aléatoires

A- Estimation du modèle à effets aléatoires

B- Effets fixes ou effets aléatoires ?le test d’Hausman

http://revues.imist.ma/?journal=FFI ISSN: 2489-1290

2- Modélisation du comportement des établissements publics en matière de l’investissement

Invest : investissement public

Graphe N°1 : représentation graphique sur les données empilées

Source : Auteur, Eviews.

2. Description des variables :

http://revues.imist.ma/?journal=FFI ISSN: 2489-1290

Le modèle général s’écrit :

Graphe N°2 : Représentation graphique par établissement

Source : Auteur, Eviews.

3- Hypothèses et propriétés des estimateurs :

 H2 : E (ei)=0, l’espérance mathématique de l’erreur est nulle ;

 Estimateur sans biais : E(a^)= a

Hypothèse vérifiée Test Résultat

Source : Auteur, Eviews.

Tableau N° 1 : Résultats des régressions :

N°d’ordre Etablissement public Somme des carrés des résidus

Tableau N° 2 : Résultats des régressions du Modèle statique :

Valeur Interprétation statistique

Tableau N° 3 : Résultats des régressions du modèle statique

Variable signe Impact t-statistic Significativité

A la différence du modèle statique, le modèle dynamique suppose introduire la variable à

Illustration N°2 : Modèle dynamique

Tableau N° 4 : Résultats des régressions du modèle dynamique

Valeur Interprétation statistique

Tableau N° 5 : Résultats des régressions du modèle dynamique

Variable signe Impact t-statistic Significativité

http://revues.imist.ma/?journal=FFI ISSN: 2489-1290

http://revues.imist.ma/?journal=FFI ISSN: 2489-1290

Liste des schémas:

Liste des graphes:

Liste des illustrations:

Liste des tableaux:

http://revues.imist.ma/?journal=FFI ISSN: 2489-1290

Vous aimerez peut-être aussi