Les modèles statiques des

données de panel
Panel à effets individuels et Stratégie des tests

• Section 1: Modèles de Panel à effets individuels

 Modèles à effets fixes
 Modèles à effets aléatoires

• Section 2 : Stratégie des Tests dans les modèles statiques de

Panel
 Les tests d’homogéneité
 Effets fixes ou Effets aléatoires

Wajih KHALLOULI, ESSEC TUNIS 2

Section 1: Modèles de Panel à
effets individuels
Les modèles à effets individuels spécifiques

• Les coefficients associés aux variables explicatives

sont homogène.

• Deux individus différents peuvent avoir des effets

spécifiques distincts sous la forme d’un effet
additionnel.

• Deux types d’effets spécifiques: fixes et aléatoires

Wajih KHALLOULI, ESSEC TUNIS 4

Objectifs:

• Tous les modèles de Panel essayent de tenir compte de

l’hétérogéneité des individus afin d’éviter les biais
d’estimation

• L’accent est mis sur l’hétérogéneité individuelle plus que

l’hétérogéneité temporelle (moins marquée)

Wajih KHALLOULI, ESSEC TUNIS 5

Modèle de la covariance ou modèle à effets fixes

• Le modèle à effets fixes pour les données de panel suppose que les
modèles estimés ne diffèrent par individus que par la valeur de la
constante. Le modèle présente donc un effet individuel. Cet effet peut être
constant au cours du temps (modèle à effets fixes individuels) ou aléatoire
(modèle à effets aléatoires).

 Le modèle à effets fixes individuels peut s’écrire de la manière suivante :

• L’hétérogénéité des comportements est modélisée par un effet individuel

générique.
• Il s’agit donc d’un modèle avec variables muettes individuelles.

Wajih KHALLOULI, ESSEC TUNIS 6

Modèle de la covariance ou modèle à effets fixes

• L’estimation du modèle à effets fixes dépend des hypothèses

fixées sur le terme d’erreur:
 Si les erreurs sont homoscédastiques, pas d’autocorrélation inter-temporelles
et inter-individuelles

 La méthode d’estimations est LSDV (Least Square Dummy Variables)

 Si les erreurs ne sont pas standards (hétéroscédastiques ou autocorrélés dans la

dimension temporelle mais pas dans la dimension individuelle) la méthode utilisée
est celle des MCG.

Wajih KHALLOULI, ESSEC TUNIS 7

Modèle de la covariance ou modèle à effets fixes

• Avantages :
– Parcimonieux, facile à calculer
– Prend en compte de manière simple l’hétérogénéité et
permet de tester l’uniformité des comportements

• Inconvénient :
– Lorsque N est grand, le nombre de paramètres à estimer
est prohibitif :
• K paramètres pour b
• N paramètres pour les effets fixes

Wajih KHALLOULI, ESSEC TUNIS 8

Estimation du modèle à effets fixes

• Sous forme matricielle le modèle à effets fixes s’écrit comme :

• Avec D une matrice de dimension (NT,N) composée de N variables

indicatrices. D = (D1,...,DN) où chaque vecteur Di de dimension (NT,1) est
une variable indicatrice (muette, dummy, binaire) qui prend la valeur 1
pour l’individu i et 0 pour les autres. Cette matrice se présente comme :

• Avec est un vecteur de dimension (T,1) de 1.

Wajih KHALLOULI, ESSEC TUNIS 9

Estimation du modèle à effets fixes

• Le modèle à effets fixes peut s’écrire:

avec

• et

• et

Wajih KHALLOULI, ESSEC TUNIS 10

Estimation du modèle à effets fixes

• Si les erreurs sont non autocorrélés à variance constante

 alors, la matrice de variances-covariances est comme suite:

 le modèle peut être estimé en utilisant la méthode MCO où la matrice des

variables explicatives contient une matrice des variables muettes (D)
(méthode LSDV). Donc l’estimateur de est donné par:

Wajih KHALLOULI, ESSEC TUNIS 11

Estimation du modèle à effets fixes

 Cet estimateur est sans biais avec :

 Pour estimer il faut passer par l’estimation de :

avec est le vecteur des résidus des MCO:

Wajih KHALLOULI, ESSEC TUNIS 12

Estimation du modèle à effets fixes

• Si N est grand alors peut être estimé en deux étapes(estimateur Within):

 1ère étape: on estime le vecteur :

Soit à résoudre le système de deux équations suivantes:

Wajih KHALLOULI, ESSEC TUNIS 13

Estimation du modèle à effets fixes

 de l’équation (1), on déduit l’estimateur Within de :

 On remplace par son estimateur dans l’équation (2):

avec une matrice symétrique, idempotent de taille

Soit donc l’estimateur:

 cet estimateur Within est identique à l’estimateur de LSDV

Wajih KHALLOULI, ESSEC TUNIS 14

Estimation du modèle à effets fixes

 Opérateur Within : L’opérateur Within est utilisé pour centrer le modèle

(chaque variable est centrée par rapport à sa moyenne intra-groupe). Cet
opérateur est donné par la matrice:

 Opérateur Between: L’opérateur Between est utilisé pour transformer le

modèle en moyenne individuelle. Il est donnée par la matrice suivante:

Soit donc:

Wajih KHALLOULI, ESSEC TUNIS 15

Estimation du modèle à effets fixes

• Soit la variable dépendante de l’individu i pour la période t, on note la

moyenne de cette variable pour l’individu i est:

• L’´ecart par rapport à la moyenne de l’échantillon est:

• L’écart de l’individu i par rapport à la moyenne totale de l’échantillon à l’instant t

se présente comme la somme des deux écarts : un écart par rapport à sa moyenne
individuelle sur toute la période et un écart de cette même moyenne par
rapport à la moyenne totale de l’échantillon.

Wajih KHALLOULI, ESSEC TUNIS 16

Estimation du modèle à effets fixes

 L’estimateur Within consiste donc à appliquer la méthode des MCO pour

le modèle transformé suivant qui permet d’éliminer les effets fixes et
de déterminer l’estimateur :

 2ème étape: On estime le vecteur qui contient les de chaque individu.

Les estimateurs sont déduits à partir d’une transformation du modèle avec
l’opérateur Between tel que :

Wajih KHALLOULI, ESSEC TUNIS 17

Variance de l’erreur et variance de l’estimateur Within dans le
modèle à effets fixes

 L’estimateur de le variance des erreurs :

Rq: On utilise (NT-N-K) au lieu de (NT-K) puisque nous avons utilisé pour
l’estimation de la variance les moyennes estimées des N individus.
 L’estimateur Within de la variance des estimateurs des coefficients :
La matrice des variances covariances estimées des estimateurs des
coefficients se calcule comme dans le cas du modèle de régression
multiple mais pour des variables centrées sur leurs moyennes
individuelles

Donc

Wajih KHALLOULI, ESSEC TUNIS 18

Variance de l’erreur et variance de l’estimateur Within dans le
modèle à effets fixes

 Connaissant les variances estimées des estimateurs des coefficients il

est ensuite facile de retrouver celles des effets fixes en se servant du fait
que les estimateurs des effets fixes sont des combinaisons linéaires des
et de Y :

Wajih KHALLOULI, ESSEC TUNIS 19

Le modèle à effets individuels aléatoires

 Présentation du modèle à effets individuels aléatoires (l’effet individuel est

une variable aléatoire).

• Avec est un terme d’erreurs composé de deux termes d’erreurs non

corrélés entre eux Le modèle est appelé aussi modèle à
erreurs composées
 Le terme est stable dans le temps (il regroupe les variables omises et les
chocs spécifiques à l’individu i ) cette composante représente la
spécificité individuelle:

Wajih KHALLOULI, ESSEC TUNIS 20

Le modèle à effets individuels aléatoires

 Les hypothèse sur la composante résiduelle :

 Nous avons aussi :

 Et absence de corrélation entre les effets spécifiques individuels et les

variables explicatives du modèle.

Wajih KHALLOULI, ESSEC TUNIS 21

Estimation du modèle à effets individuels aléatoires

• Pour chaque individu i la matrice de variances-covariances de taille

du terme est donnée par :

Avec est une matrice carrée unitaire de dimension

 Cette matrice est identique pour tous les individus

 Cette matrice présente une autocorrélation temporelle

Wajih KHALLOULI, ESSEC TUNIS 22

Estimation du modèle à effets individuels aléatoires

• Pour tous les individus, on peut montrer que la matrice de variances

covariances de dimension est donnée par:

 cette matrice est une matrice symétrique avec des variances constantes sur la
diagonale. Donc cette matrice vérifie l’hypothèse d’homoscédasticité.

 L’autocorrélation est nulle entre deux individus i et j alors qu’elle est non nulle
pour le même individu i pour deux dates différentes t et s.

 Donc l’estimateur du modèle à erreurs composées est l’estimateur des MCG.

Wajih KHALLOULI, ESSEC TUNIS 23

Estimateur MCG

• Soit le modèle à effets aléatoires sous sa forme compacte:

avec

• On peut montrer que :

Wajih KHALLOULI, ESSEC TUNIS 24

Estimateur MCG

• On développe la matrice de variances covariances de la manière suivante:

On montre donc que la matrice de variances covariances est exprimée

comme une combinaison linéaire de deux matrices idempotentes les
opérateurs Within (W) et Between (B).

avec

Wajih KHALLOULI, ESSEC TUNIS 25

Estimateur MCG

• Pour appliquer l’estimateur MCG, nous avons besoin de transformer le

modèle par

• Etant données les propriétés de W et de B :

 L’inverse de la matrice des variances covariances est donnée par

 Et

Wajih KHALLOULI, ESSEC TUNIS 26

Estimateur MCG

• La matrice est définie positive, donc il existe une matrice P de même

dimension que telle que:

• On transforme le modèle par la matrice P tel que:

• La matrice de variances covariances de ce modèle transformé est :

 On applique par la suite la méthode des MCO pour estimer le modèle

transformé.

Wajih KHALLOULI, ESSEC TUNIS 27

Estimateur MCG

• L’estimateur des MCG n’est autre que l’estimateur des MCO du modèle
transformé et il est défini par:

• Si on remplace par son expression on aura:

 Cet estimateur combine les variabilités inter et intra individuelles des

observations

Wajih KHALLOULI, ESSEC TUNIS 28

Estimateur MCG

• Si on pose

Il est facile de montrer que

Et donc on a:

 C’est la première partie de l’estimateur

 C’est la deuxième partie de l’estimateur

Wajih KHALLOULI, ESSEC TUNIS 29

Estimateur MCG

• Alors on a:
Remarques:
 Si Donc l’estimateur MCG du modèle à
erreurs composées converge vers l’estimateur Within.
 Si (la variance de l’effet spécifique aléatoire est nulle), l’estimateur MCG du
modèle à erreurs composées converge vers l’estimateur MCO du modèle Pooled.
 Si l’estimateur MCG du modèle à erreurs composées est une
combinaison linéaire de l’estimateur Within est l’estimateur MCO du modèle
Pooled.
 La variance de l’estimateur :

 L’estimateur MCG ne peut être calculé que si on estime les variances et afin
de calculer :

Wajih KHALLOULI, ESSEC TUNIS 30

Estimateur MCQG (Moindres Carrés Quasi Généralisés)

 Estimation de :
 Estimation Within du modèle

 On récupère les résidus du modèle Within estimé et on calcule la :

ou encore

 Soit donc la variance estimée:

On note que : - le degré de liberté est donné par NT −N −K (NT : nombre total d’observations - N
(N moyennes individuelles) - K (nombre de paramètres à estimer)).

- L’estimateur est un estimateur sans biais

Wajih KHALLOULI, ESSEC TUNIS 31

Estimateur MCQG (Moindres Carrés Quasi Généralisés)

 Estimation de :
 Estimation Between du modèle

 On récupère les résidus et on calcule la :

 Or à partir du modèle transformé par l’opérateur Between, on peut montrer que :

 Alors on a:

Wajih KHALLOULI, ESSEC TUNIS 32

Estimateur MCQG (Moindres Carrés Quasi Généralisés)

 L’estimateur MCQG consiste donc à appliquer la méthode des MCO pour le

modèle transformé suivant en remplaçant par :

ou encore

Dès lors :

 La matrice des variances covariances des estimateurs des coefficients est

estimée par:

Wajih KHALLOULI, ESSEC TUNIS 33

Section 2: Stratégie des Tests dans les
modèles de Panel
Les tests d’homogénéité

• Soit le modèle de panel suivant:

Avec est un vecteur des K coefficients des K variables exogènes du

modèle.
Quatre formes d’homogénéité peuvent être présentées:
 Cas 1: Homogénéité totale : on parle d’homogénéité totale si on a

Le modèle dans ce cas se présente sous forme d’une seule équation à estimer sur NT
observations empilées (modèle Pooled) qu’on peut l’estimer par MCO ou par MCG
si la matrice variances covariances des erreurs n’est pas standard.

Wajih KHALLOULI, ESSEC TUNIS 35

Les tests d’homogénéité

 Cas 2: hétérogéneité totale: si les paramètres et varient à travers les individus,

la structure de panel est rejetée. Le modèle est estimé équation par équation pour
les N individus par MCO ou par MCG.

 Cas 3: Les sont hétérogènes mais les sont homogènes: modèle à effets
individuels (fixes ou aléatoires)

Wajih KHALLOULI, ESSEC TUNIS 36

Les tests d’homogénéité

La procédure générale des tests d’homogénéité (Hsiao, 1986)

Wajih KHALLOULI, ESSEC TUNIS 37

Les tests d’homogénéité

 La première étape consiste à tester l’homogénéité totale des paramètres

(modèle Pooled contre modèle non Pooled). Soit donc l’hypothèse
suivante tester (test d’homogénéité globale) :

Il s’agit de tester (K+1)(N-1) restrictions linéaires.

 En effet, chaque vecteur contient K paramètres et
L’égalité consiste donc à tester:

Soit donc (N-1) contraintes et chaque contrainte contient K paramètres, donc

on a (N-1)K restrictions à tester.

Wajih KHALLOULI, ESSEC TUNIS 38

Les tests d’homogénéité

 De même nous testons les (N-1) restrictions linéaires pour présentées

comme :

 Au total nous aurons (N −1)+(N −1)K = (N −1)(K +1) restrictions à tester.

 La statistique utilisée est celle de Fisher:

Wajih KHALLOULI, ESSEC TUNIS 39

Les tests d’homogénéité

 Avec la somme des carrés des résidus du modèle contraint (modèle

Pooled estimé par MCO si les erreurs sont standards) et désigne la
somme des carrés des résidus du modèle non contraint (où on estime le
modèle de Zellner si les erreurs sont interdépendantes ou les MCO
équation par équation sinon):
 est la somme des N SCR des N régressions individuelles:

avec

Le ddL=NT-N(K+1)

Wajih KHALLOULI, ESSEC TUNIS 40

Les tests d’homogénéité

 La somme des carrés du modèle contraint (modèle Pooled)

avec

Le ddL =NT-N-1
 Si la valeur calculée de la statistique de Fisher est supérieure à la valeur
tabulée de Fisher à un seuil de ( %), on rejette l’hypothèse nulle
d’homogénéité.

Wajih KHALLOULI, ESSEC TUNIS 41

Les tests d’homogénéité

 La deuxième étape consiste à tester l’homogénéité des . Soit donc

l’hypothèse suivante à tester (test d’homogénéité des coefficients )

 La statistique utilisée est celle de Fisher

avec est la somme des carrés des résidus du modèle contraint (dans ce
cas c’est le modèle à effets individuels).

Wajih KHALLOULI, ESSEC TUNIS 42

Les tests d’homogénéité

 La troisième étape consiste à tester l’homogénéité des . Soit donc l’hypothèse

suivante à tester (test d’homogénéité des coefficients )

 La statistique utilisée est celle de Fisher:

avec est la somme des carrés des résidus du modèle contraint sous l’hypothèse à savoir
le modèle à effets individuels.
est la somme des carrés des résidus du modèle contraint sous l’hypothèse à savoir
le modèle Pooled

Wajih KHALLOULI, ESSEC TUNIS 43

Effets fixes ou Effets aléatoires

 Le test de Breush Pagan

Pour tester la présence d’effets aléatoires, on teste l’hypothèse de nullité

de la variance des erreurs . Si l’hypothèse nulle est acceptée le modèle à
erreur composée s’interprète comme un modèle Pooled. Ce test de Breush
Pagan consiste à tester l’hypothèse nulle suivante:

Procédure: Estimation du modèle Pooled, récupérer les résidus et calculer la

statistique LM suivante:

Wajih KHALLOULI, ESSEC TUNIS 44

Effets fixes ou Effets aléatoires

 Test de Haussman
• Doit-on retenir une spécification de type « effets fixes » ou, au contraire,
de type « effets aléatoires » ?
• Le modèle à fixes suppose que l’une au moins des variables explicatives
est corrélée avec l’erreur spécifique alors que le modèle à
effets aléatoires suppose que les variables sont exogènes par rapport à
l’erreur spécifique .
• Généralement, on s’attend à ce que le terme spécifique soit corrélé avec
une ou plusieurs variables explicatives (un modèle à effets fixes,
estimateur Within).
• Cependant, si le terme spécifique est non corrélé avec les variables
explicatives, le modèle à effets aléatoires est le plus adéquat (estimateur
MCQG).

Wajih KHALLOULI, ESSEC TUNIS 45

Effets fixes ou Effets aléatoires

• Hausman(1978) propose un test (test de Hausman) pour tester ces deux

alternatives.
• L’hypothèse nulle suppose que le terme spécifique est non corrélé avec les
variables explicatives (modèle à effets aléatoires).
• Le test de Hausman consiste à tester l’hypothèse nulle suivante:
(on note )

• H0 représente le modèle à effets aléatoires, sous cette hypothèse

l’estimateur est un estimateur BLUE et L’estimateur est biaisé.
• H1 représente le modèle à effets fixes, sous cette hypothèse l’estimateurs
est un estimateur non biaisé et l’estimateur est biaisé.
• La statistique de Hausman sous H0 :

Wajih KHALLOULI, ESSEC TUNIS 46

Application: l’exemple du marché de travail tunisien

Les données sont extraites de l’article de Amara et al. (2013),

« Les marchés locaux du travail en Tunisie: espace et processus
d’appariement », Annales d’Economie et de Statistique, 109-
110.
Les données proviennent de l’Agence Nationale pour l’Emploi
et le Travail Indépendant.
Le modèle à Effets Fixes

• Estimation LSDV (avec trois variables dummies)

Wajih KHALLOULI, ESSEC TUNIS 48

Le modèle à Effets Fixes

• Estimation OLS sur des variables centrées

Wajih KHALLOULI, ESSEC TUNIS 49

Le modèle à Effets Fixes

• Estimation Within avec STATA

Wajih KHALLOULI, ESSEC TUNIS 50

Le modèle à Effets aléatoires

• Estimation avec STATA

Wajih KHALLOULI, ESSEC TUNIS 51

Le modèle à Effets aléatoires

• Test LM (BP test)

Wajih KHALLOULI, ESSEC TUNIS 52

Le modèle à Effets aléatoires

• Test de Hausman

Wajih KHALLOULI, ESSEC TUNIS 53

Les Tests d’homogéneité

• Nous commençons par calculer la statistique de Fisher F1:

 L’estimation du modèle Pooled est la suivante:

 Soit donc SCR1C = 18,677 et (N-1)(K+1)=(23-1)(3+1)=88

 Pour calculer SCR1 on estime le modèle général (équation par équation);
Donc SCR1 est la somme des 23 SCR des équations individuelles.

Wajih KHALLOULI, ESSEC TUNIS 54

Les Tests d’homogéneité

 Exemple: Estimation pour i =1 (Tunis)

 SCR Tunis = 3,902

Wajih KHALLOULI, ESSEC TUNIS 55

Les Tests d’homogéneité

 Exemple: Estimation pour i = 23 (Tataouine)

 SCRTataouine = 0,153
 SCR1=SCRTunis + …+SCRTataouine = 12,23 et NT-N(K-1)=483

Wajih KHALLOULI, ESSEC TUNIS 56

Les Tests d’homogéneité

 Soit la valeur de F1

• La valeur calculée de Fisher est supérieure à la valeur tabulée au seuil de

5% (F(88,483)=1,46), on rejette donc l’hypothèse nulle selon laquelle on a
une homogénéité totale. On passe maintenant à tester l’homogénéité de

Wajih KHALLOULI, ESSEC TUNIS 57

Les Tests d’homogéneité

• On estime le modèle à effets fixes en utilisant la méthode LSDV:

 Estimation LSDV

 On a donc SCR1,C’=17,163

Wajih KHALLOULI, ESSEC TUNIS 58

Les Tests d’homogéneité

• Calcul de F2:

 La valeur de F2 est supérieure à la valeur tabulée au seuil de 5%

(F(66,483)=1,39), on rejette donc nulle selon laquelle les coefficients sont
homogènes. Le modèle adéquat est donc un modèle à hétérogénéité
totale. On passe maintenant à tester l’homogénéité des .

Wajih KHALLOULI, ESSEC TUNIS 59

Les Tests d’homogéneité

• On peut lire la statistque F3 à partir de l’output d’une estimation Within:

. xtreg pla_ off_ dem_ popt_ , fe

Fixed-effects (within) regression Number of obs = 575

Group variable: code_gouv Number of groups = 23

R-sq: within = 0.9297 Obs per group: min = 25

between = 0.9864 avg = 25.0
overall = 0.9655 max = 25

F(3,549) = 2421.74
corr(u_i, Xb) = 0.3299 Prob > F = 0.0000

pla_ Coef. Std. Err. t P>|t| [95% Conf. Interval]

off_ .886244 .0165954 53.40 0.000 .8536458 .9188421

dem_ -.0123755 .0051504 -2.40 0.017 -.0224924 -.0022586
popt_ -.0006721 .0004231 -1.59 0.113 -.0015032 .000159
_cons 413.2251 136.7002 3.02 0.003 144.7058 681.7445

sigma_u 325.76876
sigma_e 501.824
rho .29647859 (fraction of variance due to u_i)

F test that all u_i=0: F(22, 549) = 8.76 Prob > F = 0.0000

 F3= 8,76 est supérieure à la valeur tabulée, donc on rejette l’hypothèse nulle
selon laquelle les sont homogènes. Le modèle totalement hétérogène.

Wajih KHALLOULI, ESSEC TUNIS 60