Académique Documents
Professionnel Documents
Culture Documents
2016 – 2017
Ch 1. Modèles Linéaire Non Dynamiques
Plan du Ch 1
Sommaire
Sommaire
Modèle Général
I Le modèle le + restricif
I impose des coefficients constants entre i
0
yit = ↵ + xit + uit (1)
N
X T
X 0
ou yit = ↵j dj,it + s ds,it + xit + uit
j=1 s=2
Sommaire
I Modèle correct : Y = 0 + 1 x1 + 2 x2 +✏
I Modèle estimé : Y = 0 + 1 x1 + ⌫
I L’effet du régresseur manquant x2 sur Y est implicite dans le
terme d’erreur du modèle estimé : ⌫ = 2 x2 + ✏
I = hétérogénéité inobservée : Des facteurs (individuels)
inobservés influent sur Y
I Si x2 n’est pas corrélé avec x1
I Pas de souci
I Si x2 est corrélé avec x1 ,
I l’erreur ⌫ est corrélée avec x1
I MC inconsistant
Ch 1. Modèles Linéaire Non Dynamiques
Modèles à Données de Panel
Effets Fixes & Effets Aléatoires
Mêmes pentes
Ch 1. Modèles Linéaire Non Dynamiques
Modèles à Données de Panel
Effets Fixes & Effets Aléatoires
Exogénéité
I Dans ce Ch. 1 : on assume l’exogénéité forte/stricte
E [eit |ai , xi1 , ..., xiT ] = 0, t = 1, ..., T (4)
0
I 2 variantes du modèle (3) yit = ↵i + xit + ✏it selon hyp. sur ↵i
I Toutes deux ont “2” erreurs ↵i et ✏it
I Modèles à erreurs composées
I Toutes deux traitent ↵i comme une v.a. inobservée
I Variante 1 : modèle à effets fixes (EF)
I ↵i est corrélé avec (la partie invariante au temps) des
régresseurs observés xit
I C’est une forme d’hétérogénéité inobservée
I “fixe” parce que, anciennement, ↵i était traité comme un
paramètre (non-aléatoire) à estimer
Ch 1. Modèles Linéaire Non Dynamiques
Modèles à Données de Panel
Effets Fixes & Effets Aléatoires
Modèle EA équicorrélé
0
I Le modèle EA yit = ↵i + xit + ✏it
I peut être vu comme la régression de yit sur xit
I avec erreur composée uit = ↵i + "it
I Les hyp. EA usuelles (5) (↵i et ✏it iid) impliquent que
⇢
sv2a , t 6= s
Cov [(ai + eit ), (ai + eis )] = (6)
sv2a + sv2e , t = s
0
MRL (1) yit = ↵ + xit + uit uit ⇠ 0, u2
EF 0 Cov (↵i , xit ) 6= 0
yit = ↵i + xit + ✏it (3)
↵i ⇠ ↵, ↵2
EA (5)
✏it ⇠ 0, ✏2
Sommaire
Introduction
I Il y a 5 estimateurs utilisés couramment pour en données de
panel
I Dans ce contexte non-dynamique, sans endogénéité : variantes
MC
I Diffèrent selon leurs utilisations des variations transversales
(entre i) et temporelles
I Leurs propriétés dépendent de quel est le modèle approprié
(MRL - EF - EA)
I Un régresseur xit peut être soit
I invariant dans le temps, xit = xi pour t = 1, ..., T ,
I ou variable dans le temps
I Certains estimateurs ne peuvent identifier que les coefficients
des régresseurs variables dans le temps
I On va voir les estimateurs du plus simple au plus complexe
I On regarde la consistance et l’efficience
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Efficience et Erreurs
Sommaire
0 1
sv211 sv112 ··· sv11T
B
B .. .. C
C
B sv212 . . C
B 0 ··· 0 C
B .. .. .. C
B . . . sv1(T 1)T C
B C
B SYM ··· sv21T C
B C
B .. .. .. C
B
B 0 . . . C
C
B .. .. .. C
B . . . 0 C
B C
B sv2N1 svN12 ··· svN 1T C
B C
B .. .. C
B C
B sv2N2 . . C
B 0 ··· 0 C
B .. .. .. C
@ . . . svN(T 1)T A
SYM ··· sv2NT
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Efficience et Erreurs
Modèle EA
0 1
sv2a + sv2e sv2a ··· sv2a
B .. .. C
B sv2a sv2a + sv2e . . C
B 0 ··· 0 C
B .. .. .. C
B C
B
B . . . sv2a C
C
B
B sv2a ··· sv2a sv2a + sv2e C
C
B .. .. .. C
B . . C
B 0 . C
B C
B .. .. .. C
B . . . 0 C
B C
B sv2a + sv2e sv2a ··· sv2a C
B C
B .. .. C
B C
B sv2a sv2a + sv2e . . C
B 0 ··· 0 C
B .. .. .. C
@ . . . sv2a A
sv2a ··· sv2a sv2a + sv2e
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Efficience et Erreurs
En mots
Sommaire
Estimateur MCO
I MCO estime ↵ et dans yit = ↵ + xit0 + uit
I MCO est consistant (pour N ! 1, t constant) si
I Cov [uit , xit ] = 0 et
I MRL (1) est approprié, ou si
I EA est approprié
I La mat ⌃u n’est pas diagonale
I MCO inefficient
1
I L’estimateur MCO de la matrice ⌃ ˆ ˆ2 (X 0 X ) est biaisé
I MCO est inconsistant si EF est approprié
0
I Ré-écrire EF yit = ↵i + xit + ✏it comme
Estimateur Between
I Étapes
1. Prendre les moyennes sur le temps par individu
T
1X
I ȳi = yit , idem pour x̄i
T t=1
2. Estimer par MCO ȳi = ↵ + x̄i0 + "¯i
I Régresser ȳi sur un intercept et le vecteur x̄i
I Pour estimer , MCO utilise toutes les données
I Donc les variations à la fois sur le temps et en transversal
I Between n’utilise que les variations transversales
I Entre (between) différents individus
I Analogue à une régression en coupe transversale
I Les variations internes (within) à chaque individu sont écartées
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Estimateurs appropriés pour le MRL
Sommaire
Estimateur Within
Estimateur Within
Sommaire
Rappel du modèle EA
0
I Modèle à effets individuels (3) yit = ↵i + xit + ✏it avec
I ↵i iid (donc non-corrélés à xit )
I ✏it iid
I Corrélations comme dans l’hyp. EA (5)
2
↵i ⇠ ↵, ↵
2
✏it ⇠ 0, ✏
0 1
sv2a + sv2e sv2a ··· sv2a
B
B .. .. C
C
B sv2a sv2a + sv2e . . C
B 0 ··· 0 C
B .. .. .. C
B . . . sv2a C
B C
B sv2a ··· sv2a sv2a + sv2e C
B C
B .. .. .. C
B
B 0 . . . C
C
B .. .. .. C
B . . . 0 C
B C
B sv2a + sv2e sv2a ··· sv2a C
B C
B .. .. C
B C
B sv2a sv2a + sv2e . . C
B 0 ··· 0 C
B .. .. .. C
@ . . . sv2a A
sv2a ··· sv2a sv2a + sv2e
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Estimateur approprié pour EA
Estimateur EA
I On appelle estimateur EA l’estimateur MCG
I dans lequel la matrice ⌃ des erreurs est celle de la diapo
précédente
I La version faisable de cet estimateur est MCO
I appliqué aux données transformées de la façon suivante :
⇣ ⌘ ⇣ ⌘0
yit ˆ ȳi = 1 ˆ µ + xit ˆ x̄i + ⌫it (10)
Estimateur EA
I On ajoute l’intercept (non-aléatoire) scalaire µ afin de
normaliser les effets aléatoires ↵i à une espérance nulle
I et ainsi faire coincider l’estimateur avec l’hypothèse EA (5)
I C’est-à-dire µ correspond à ↵ dans (5)
I La dérivation de cet estimateur (10) et des manières d’estimer
2 2
↵ et " , et donc ,
I sont détaillés dans Cameron & Trivedi
I Remarque
I ˆ = 0 correspond à l’estimateur MCO
I ˆ = 1 correspond à l’estimateur within
I ˆ ! 1 lorsque T ! 1 (regardez la formule)
I Il s’agit d’un estimateur en deux étapes de
1. estimer
2. estimer à partir des données transformées
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Estimateur approprié pour EA
Propriétés de l’estimateur EA
Sommaire
Discussion sur EA et EF
I La plupart des disciplines de stat appliquées
I traitent l’hétérogénéité inobservée (individuelle) ↵i comme
distribuée indépendamment des régresseurs
I Sauf la microéconométrie
I Cette hyp d’indépendance
I a l’avantage de permettre une estimation consistante de tous
les paramètres
I y-compris ceux invariants dans le temps
I si l’hyp est vraie
I est souvent considérée par les économistes comme non
supportée par les données
I Les deux modèles ont des intérêts distincts
I EA : Précise la structure temporelle ! Efficience
I EF : Endogénéité de l’hétérogénéité inobservée ! Consistance
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Interprétation : EF vs. EA
0
I Le modèle est yit = ↵i + xit + ✏it aussi bien pour EA que
pour EF
I L’effet individuel ↵i est une v.a. dans les deux modèles
I On prend l’espérance conditionnelle aux régresseurs
I E [yit |xit ] = E [↵i |xit ] + xit0
I Que peut-on en dire ? (prochaine dia)
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Interprétation : EF vs. EA
Modèle
Estimateur de MRL (1) EA (3) & (5) EF (3)
MCO (1) Consistant Consistant Inconsistant
Between (7) Consistant Consistant Inconsistant
Within (EF) (8) Consistant Consistant Consistant
D1 (9) Consistant Consistant Consistant
EA (10) Consistant Consistant Inconsistant
Cette table ne considère que la consistance des estimateurs de
I L’estimation des ↵i est toujours inconsistante, sauf lorsque
↵i = ↵8i.
Le seul estimateur efficient est EA lorsque le bon modèle est aussi
EA.
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Application : Convergence des émissions de CO2
Sommaire
Émissions de CO2
I Convergence dans ce contexte est 2 choses
1. Dans le temps vers un “État stationnaire” (Steady State)
I Non testé ici
2. En supposant la convergence dans le temps,
I Des groupes de pays convergent-ils à la même vitesse
I C’est ce qui est testé ici
I Importance de la convergence lors de négociations
internationales
I Si les émissions tendent à se rapprocher entre pays ou non
I les négociations ne sont pas les mêmes
I Émissions par habitant ou par travailleur effectif, pas au total
I On peut essayer de comprendre les différences entre vitesse de
convergence
I Technologie ? Politique ? Ressources naturelles ? Niveau de
développement ?
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Application : Convergence des émissions de CO2
Dynamique
I L’économie n’est pas à l’état stationnaire
I Soit
I ✏⇤ les émissions E /L à l’état stationnaire
I ✏ les émissions à l’instant t
I L’équation de convergence dans le temps est
d ln ✏t
= ⇢ [ln ✏⇤ ln ✏t ] (13)
dt
I Équation différentielle
I Dit essentiellement que le mouvement vers l’état stationnaire
est une proportion de la distance actuelle
I Théorie sans fondement empirique, l’existence même d’un état
stationnaire n’étant pas certaine
I Résolution (intégration)
ln ✏t2 = 1 e ⇢⌧
ln ✏⇤ + e ⇢⌧
ln ✏t1 (14)
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Application : Convergence des émissions de CO2
Dynamique
Modèle estimé
Retard
Stata
Échantillons
Échantillons
I NOIL
I tous les pays de l’échantillon sauf les gros producteurs de
pétrole
I INTER - ok (je crois)
I tous les pays de l’échantillon sauf
I ceux de moins d’un million d’habitants
I les données douteuses selon EPWT (qualn)
I OECD - ok
I ASIA - ok
I LAC
I pays d’Amérique Latine / Caraïbe
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Application : Convergence des émissions de CO2
I Principe englobant
I Du modèle général vers le plus restrictif
I Modèle + général : effets fixes
I Estimateur Within
I Estimateur Diff 1ere
I Second modèle : effets aléatoires
I Modèle plus restrictif : MRL
I Estimateur MCO
I Estimateur Between
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Application : Convergence des émissions de CO2
Estimateur Within
Estimateurs D1, EA
I Diff. 1eres
I Pas disponible directement dans Stata
I Construire les Diff. 1eres puis appliquer MCO
I Retards 1 période dans Stata : by idn : gen lnem1 =
lnem[_n-1]
I n indice les observations, by idn indique de retarder par
individu
I Ensuite by idn : gen lnemD1 = lnem-lnem1
I Par conséquent : intercept nul en théorie
I EA : 2 versions
I GLS = MCG faisable comme présenté plus avant
I ML = maximum de vraisemblance
I Je ne détaille pas - on laisse tomber
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Application : Convergence des émissions de CO2
Estimations
I Rappel du modèle 15 :
ln ✏t2 = ln ✏t1 + 1 ln s + 2 ln n + ⇡t + ✓i + ⌫it
1
I Le paramètre d’intérêt est ⇢ = ln
5
I indique la vitesse de cvgce à l’ES
I C’est le modèle “conditionnel”
I Le modèle ln ✏t2 = ln ✏t1 + ⇡t + ✓i + ⌫it est dit “absolu”
I Il n’est pas clair si les auteurs mettent des dich. de temps dans
tous les modèles
I calculs dans do file 20160727CvgceCO2.do
I Ne pas double-cliquer, sinon exécute tout d’un coup
Ch 1. Modèles Linéaire Non Dynamiques
Estimateurs pour données de panel
Application : Convergence des émissions de CO2
Analyse conditionnelle
Dichotomiques de temps
Analyse de sensibilité
Sommaire
Sommaire
Inférence
I L’inférence consiste en
I la prédiction
I les tests d’hypothèses
I L’inférence classique fait des tests d’hyp.
I dont la significativité des coefficients
I à partir de la matrice ⌃ de variance-covariance des ˆ
I Donc : essentiel de disposer d’une estimation
I au minimum consistante
I de cette matrice ⌃
I Celle-ci s’appuie sur la matrice ⌃u
I Var-Cov des erreurs uit = ↵i + ✏it
I Prochaine dia
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Matrice des erreurs en panel
0 1
sv211 sv112 ··· sv11T
B
B .. .. C
C
B sv212 . . C
B 0 ··· 0 C
B .. .. .. C
B . . . sv1(T 1)T C
B C
B SYM ··· sv21T C
B C
B .. .. .. C
B
B 0 . . . C
C
B .. .. .. C
B . . . 0 C
B C
B sv2N1 svN12 ··· svN 1T C
B C
B .. .. C
B C
B sv2N2 . . C
B 0 ··· 0 C
B .. .. .. C
@ . . . svN(T 1)T A
SYM ··· sv2NT
Rappel 2 : Matrice ⌃u dans le modèle EA avec
hétéroscédasticité
0
sv2a + sv2e1 sv2a ··· sv2a
B
B .. ..
B sv2a sv2a + sv2e1 . .
B 0 ··· 0
B .. .. ..
B . . . sv2a
B
B sv2a ··· sv2a sv2a + sv2e1
B
B ..
B .. ..
B 0 . . .
B
B . .. ..
B .. . . 0
B
B
B sv2a + sv2eN sv2a ··· sv2a
B
B .. ..
B sv2a sv2a + sv2eN . .
B 0 ··· 0
B
B .. .. ..
@ . . . sv2a
sv2a ··· sv2a sv2a + sv2eN
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Matrice des erreurs en panel
Estimateur MC
I Tous les estimateurs panel sont MC sur données transformées
I MC traite chacune des T années comme de l’information
indépendante, mais
I Le contenu informationnel est moindre
I puisque les erreurs (et donc les obs.) sont corrélées
I Ceci tend à surestimer la précision
I Le modèle qui fait le plus d’hypothèses sur ⌃u est EA
I Si ce modèle est exact, on peut procéder à l’inférence
habituelle
I à partir des données transformées MCG
I Dans les autres cas,
I On utilise des corrections panel des écarts-types (et) quand on
applique MCO
I Beaucoup de corrections sont possibles, selon les hyp. sur la
corrélation et l’hétéroscédasticité
I Et aussi selon la longueur du panel – mais on ne verra pas
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Matrice des erreurs en panel
Sommaire
Notation
Variance MCO
I Variance de ✓ˆMCO dans le modèle avec un ~ :
" N # 1 " N # 1
X 0 X 0 h 0 i X 0
⌃✓ˆMCO = ~ iW
W ~i W~ iE ~
ui ~ ~i W
ui |W ~i ~ iW
W ~i
i=1 i i=1
I White :
I On a pas besoin d’un estimateur consistant de cette matrice
pour l’inférence X 0 h 0 i
I Il suffit d’un estimateur de W~ E ~ u i ~
u | ~i W
W ~i
i i
i
I La partie du milieu
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Inférence robuste en panel : White
où ^
~
ui = ~
yi ~ 0 ✓ˆ
W i
Détail
X h 0 i
I On cherche ~ 0E ~
W ui ~
u | ~i W
W ~i
i i
i
X 0
~ 0^
W ui ^ ~i
On prend i~ ~
ui W
I
i
I simplification de notation
0 1 0 1
zi11 ··· zik1 ei1
B .. .. .. C ˆ B . C
. A, ũi = ei = @ .. A
I W̃i = Zi = @ . .
zi1T ··· zikT eiT
X 0 0
Zi e i e i Z i =
i
0 10 0 10 10 0 1
zi11 · · · zik1 ei1 ei1 zi11 · · · zik1
XB . .. C B .. C B .. C B .. .. C
. . . ..
@ . . . A @ . A@ . A @ . . . A
i zi1T · · · zikT eiT eiT zi1T · · · zikT
(k ⇥ T ) ⇥ (T ⇥ 1) ⇥ (1 ⇥ T ) ⇥ (T ⇥ k) = (k ⇥ k)
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Inférence robuste en panel : White
Détail
X 0 0
Zi e i e i Z i =
i 0 10 2 10 1
z · · · zi1T ei1 · · · ei1 eiT zi11 · · · zik1
X B i11 . .. C B .. .. C B .. .. C
@ .. .. ..
. . A@ . . A@ . . . A
i zik1 · · · zikT sym · · · eiT 2 zi1T · · · zikT
= 0 P P 10 1
ei1 t zi1t eit · · · eiT t zi1t eit zi11 · · · zik1
XB .. . C B . .. C
. .. .. A @ .. ..
@ . . . A
i
P P
ei1 t zikt eit · · · eiT t zikt eit zi1T · · · zikT
0 P P P P 1
XB t zi1t eit t zi1t eit · · · t zikt eit t zi1t eit
= .. .. .. C
@ . . .P A
i
P
sym ··· t zikt eit t zikt eit
On voit comment on se rapproche d’une matrice de var-cov
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Inférence robuste en panel : White
Sommaire
Rappel : le Bootstrap
I Pour construire un intervale de confiance pour un élément ✓k
de ✓
I On a B estimations ✓ˆkb p.e. B = 10 000
I Ordonner ces estimations de la plus petite à la plus grande
I Alors l’intervale de confiance à 95% est délimité par
I l’estimation numéro 250, borne inférieure
I l’estimation numéro 9750, borne supérieure
Pourquoi est-ce intéressant ?
1. Pas d’hypothèse sur la distribution des erreurs
1.1 Mais il ne peut y avoir de corrélation entre observations
1.2 Dès lors, en panels, on ré-échantillonne seulement sur i, en
utilisant toutes les T périodes de chaque i sélectionné
2. On peut calculer des intervales de confiance
2.1 pour toute fonction des paramètres estimés, y-compris
non-linéaire
2.2 pour des paramètres estimés de modèles sans propriétés
d’échantillons finis connues
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Inférence robuste en panel : Bootstrap
¯ 1
P ˆ
où ✓ˆ = B b ✓b
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Inférence robuste en panel : Bootstrap
Sommaire
Rappel
I Jeu de données “Extended Penn World Tables” EPWT
I Données de comptes nationaux
I Non-cylindré 1950-2009
I Émissions nationales de CO2
I Modèle “conditionnel” 15 :
ln ✏t2 = ln ✏t1 + 1 ln s + 2 ln n + ⇡t + ✓i + ⌫it
1
I Le paramètre d’intérêt est ⇢ = ln
5
I indique la vitesse de cvgce à l’ES
I Le modèle “absolu” ln ✏t2 = ln ✏t1 + ⇡t + ✓i + ⌫it
I Effets individuels ✓i simplifient à ✓ (intercept) pour quelques
estimateurs
I ⌫it supposé indépendant sur i, mais (auto)corrélé sur t pour un
i donné
I calculs dans do file 20160727CvgceCO2.do
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Application : Emissions de CO2
Inférence
I Interprétation
I Les variations d’émissions par h sont presque complètement
des différences entre pays
I Les retards des émissions et les régresseurs exogènes suivent la
même décomposition
I Plus d’homogénéité entre pays en se restreignant comme dans
les régressions
Ch 1. Modèles Linéaire Non Dynamiques
Inférence en données de panel
Application : Emissions de CO2
ET de
ET de
Sommaire
Sommaire
Causalité
I Le modèle EF peut établir la causalité avec moins d’hyp.
que pour
I des données de coupe transversale
I le MRL ou les EA
I Dans quelques cas, la causalité est claire, donc EA est
approprié
I p.e. dans une expérience contrôlée, la causalité est claire, il
s’agit plus de mesurer sa force
I des rendements de culture causés par 6= quantités d’engrais,
en labo
I dans ce cas, le traitement xit est alloué aléatoirement, donc
non-corrélé à ↵i
I Parfois, on ne veut mesurer que la corrélation, pas la
“causation”
I p.e. pour de la prédiction
I EA est alors suffisant
Ch 1. Modèles Linéaire Non Dynamiques
Effets Fixes vs. Effets Aléatoires
Éléments du choix hors tests
Causalité
Sommaire
I Principe
I Soit 2 estimateurs ✓ˆ et ✓˜ (dans le même modèle)
I S’ils sont tous 2 consistants
⇣ ⌘
I alors leur différence ✓ˆ ✓˜ ne devrait pas être
statistiquement 6= 0, asymptotiquement
⇣ ⌘ ⇣ ⌘
I On teste H0 : plim ✓ˆ ✓˜ = 0 , Ha : plim ✓ˆ ✓˜ 6= 0
I Sous H0 , la différence entre ces 2 estimateurs converge à une
normale d’espérance zéro
p ⇣ ⌘
I N ✓ˆ ✓˜ ! N [0, VH ]
I VH est la matrice de var-cov de la distribution limite
Ch 1. Modèles Linéaire Non Dynamiques
Effets Fixes vs. Effets Aléatoires
Test de Hausman
h\ i B ⇣
X ⌘⇣ ⌘0
1 ˆb ¯ ˆ
ˆ ˆ¯
I avec Vboot b̃EA b̂W = B 1 b
b=1
I b est le b ème de B replications bootstrap et ˆ = b̃EA b̂W
I Cette stat de test peut
I être appliquée à des sous-vecteurs de
I utiliser d’autres estimateurs tels que ˜MCO à la place de ˜EA et
ˆD1 à la place de ˆW
Ch 1. Modèles Linéaire Non Dynamiques
Effets Fixes vs. Effets Aléatoires
Test de Hausman
Rappel
I Jeu de données “Extended Penn World Tables” EPWT
I Données de comptes nationaux
I “Unbalanced” 1950-2009
I Émissions nationales de CO2
I Modèle “conditionnel” 15 :
ln ✏t2 = ln ✏t1 + 1 ln s + 2 ln n + ⇡t + ✓i + ⌫it
1
I Le paramètre d’intérêt est ⇢ = ln
5
I indique la vitesse de cvgce à l’ES
I Le modèle “absolu” ln ✏t2 = ln ✏t1 + ⇡t + ✓i + ⌫it
I Effets individuels ✓i simplifient à ✓ (intercept) pour quelques
estimateurs
I ⌫it supposé indépendant sur i, mais (auto)corrélé sur t pour un
i donné
I calculs dans do file 20160727CvgceCO2.do
Ch 1. Modèles Linéaire Non Dynamiques
Effets Fixes vs. Effets Aléatoires
Test de Hausman
Protocole pratique
1. Estimateurs pour EF
1.1 Within
1.2 Différences premières
I S’il y a des différences notables entre ces deux estimateurs, il
y a probablement des racines unitaires
I Section sur dynamique, différences premières est plus
probablement correct
2. Estimateur EA
I Hausman
I En principe, ça s’arrête là et on interprête
I En économie, si on préfère un modèle sans EF, il faut le
justifier en passant un test de Hausman
3. (optionel) Estimateurs pour MRL
I SI
I Hausman & la théorie rejette EF
I On a de bonnes raisons de soupçonner qu’il pourrait ne pas y
avoir d’EA
I Test de Breusch-Pagan, mais il en existe d’autres
Ch 1. Modèles Linéaire Non Dynamiques
Effets Fixes vs. Effets Aléatoires
Test de Hausman
Protocole pratique
Sommaire
Attrition
Consistance
Consistance
Cylindrage (Balancing)
Conclusions
I Un panel permet de
I traiter l’hétérogénéité inobservée constante dans le temps
I et donc établir la causation plus facilement
I Il existe plusieurs modèles linéaires non-dynamiques en panel
I selon les hyp. sur les ↵i
I Et plusieurs estimateurs
I Tous basés sur MC
I On souligne EF, EA et D1
Ch 1. Modèles Linéaire Non Dynamiques
Données de panel non-cylindré (Unbalanced)
Conclusions
I Hétéroscédasticité & autocorrélation sont normalement
présentes ensemble
I Souvent on ne va pas traiter
I Mais utiliser une version robuste du calcul des et
I White ou bootstrap
I Les estimateurs EF et D1 sont toujours consistants
I Mais ne peuvent prédire ou estimer les coef. des régresseurs
constants dans le temps
I Ce que peut EA
I qui de + est + efficient
I Mais repose sur une absence de corrélation en ↵i et xi
I Le choix entre EF et EA peut être justifié par un test de
Hausman
I Dont le calcul a fréquemment recours à bootstrap
Ch 1. Modèles Linéaire Non Dynamiques
Données de panel non-cylindré (Unbalanced)
Compacter la notation
h “à l’intérieur
i (within)” de chanque individu
E W~ ~ 0
i ui = 0 est + forte que is E [uit |wit ] = 0 (exogénéité
I
contemporaine)
I parce que la transformation ~ implique plus d’une période p.e.
w̃it = xit −x̄i
I Exogénéité forte (4) E [ũ it |w̃i1 , ..., w̃iT ] = 0 est suffisante
I Ch. 2 : hyp. + faibles – donc matrice de var-cov + compliquée
Ch 1. Modèles Linéaire Non Dynamiques
Données de panel non-cylindré (Unbalanced)