Vous êtes sur la page 1sur 13

Chap 3

Estimations des modèles à effets individuels

Introduction :

Les modèles à effets individuels sont les modèles de panel


hétérogènes, qui supposent que la seule source d’hétérogénéité
provient des constantes individuelles. On suppose ainsi que les
coefficients des différentes variables stochastiques explicatives
sont identiques pour tous les individus du panel (βi = β).
Les constantes individuelles αi; quant à elles, diffèrent selon les
individus.
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).

17
3.1. Le modèle à effets fixes individuels
1.1. Spécification du model :
Le modèle en données de panel à effets fixes individuels peut
s’écrire de la manière suivante :

yi t = variable endogène observée pour l’individu i à la période t,


xi t = vecteur des k variables exogènes xi t= (x1i t ,x2i t,. . . ,xkit ) ; xkit
est donc la valeur observée pour la k-ie variable exogène pour
l’individu i à l’instant t,
αi = terme constant pour l’individu i,
β = vecteur des k coefficients des k variables exogènes,
εi t = terme d’erreur.

1.2. Les hypothèses (H1)


On suppose que les résidus εit sont i.i.d. satisfont les conditions
suivantes ¥ i [1;N] et t [1;T] :

18
La première condition impose que l’espérance des résidus du
modèle soit nulle.
La seconde condition, standard en économétrie des séries
temporelles, impose que le processus εit soit un processus ”sans
mémoire” (dans la dimension temporelle). Pour chaque individu,
il n’existe ainsi aucune corrélation entre le niveau présent du
processus εit et les réalisations passées.
La troisième condition stipule qu’il n’existe aucune corrélation
entre deux individus distincts et cela quelle que soit la date
considérée.

Ainsi, Le modèle à effets fixes individuels présente une structure


des résidus qui vérifient les hypothèses standards des MCO. Il
s’agit en fait d’un modèle classique avec variables indicatrices
individuelles.
1.3. Estimateur Within
L’estimateur d’un modèle à effets fixes est appelé estimateur
Within (ou estimateur à effets fixes ou estimateur LSDV (Least
Square Dummy Variable).
Le terme Within : tenir compte de la variance intra groupe de la
variable endogène.
L’estimateur MCO des coefficients k est obtenu en centrant les
différentes (variables endogène et exogènes) sur leur moyenne
individuelle respective.

19
Soient les termes et désignant les moyennes individuelles i
(i: 1…N ) des variables endogènes et exogènes.:

L’estimateur Within ou LSDV de β est identique à l’estimateur


des MCO, obtenu à partir d’un modèle transformé où les
variables expliquées et explicatives sont centrées sur leur
moyennes individuelles respectives :

Ou :

Avec :

L’estimateur du paramètre vectoriel β est donné par la relation


suivante :

20
On reconnaît ici l’expression générale de l’estimateur Within
LSDV : Reste alors à obtenir les réalisations des estimateurs des

constantes individuelles selon la formule :

En détail :

La forme matricielle :
Considérons l’écriture vectorielle du modèle obtenue par un
empilement des données par pays.

Le modèle à effet individuels fixes transforme peut s’écrire sous


la forme vectorielle suivante :

où la matrice Q de dimension (T; T) est telle que :

21
Les processus transformés QYi et QXi correspondent aux
variables centrées sur leurs moyennes respectives.

De la même façon, on peut montrer que :

L’estimateur Within du vecteur β est alors défini de la façon


suivante :

1.4 Estimateur Between :

Cet estimateur, également appelé Estimation inter-individuelle,


consiste à se focaliser sur les différences permanentes entre les
individus, en éliminant les différences de nature conjoncturelle.
Pour obtenir ce résultat, on calcule les valeurs moyennes
associées à chaque individu puis on effectue une régression par
les moindres carrés ordinaires sur les moyennes individuelles
comme suit :
22
Pour obtenir les moyennes individuelles par la forme matricielle,
il faut d’abord prendre la somme sur chaque individu (par
rapport à t) puis diviser par le nombre d’observations
correspondant T. On remarque alors que :

Prendre la moyenne revient alors à définir la matrice BT tel que :

on vérifie qu’elle est idempotente et symétrique :

Pour chaque individu, on peut donc écrire le modelé sous forme


matricielle :

En empilant les observations de tous les individus, on obtient


donc :

23
Ceci nous amène à définir la matrice dite between ou inter
suivante :

ce qui amène à l’expression suivante du modèle empilé :

L’estimation du modèle par les moindres carrés ordinaires


définit l’estimateur between :

Avec

Formulation non matricielle :


Supposons la spécification simplifiée suivant:

24
L’estimateur inter-classe Between, est l’estimateur des Moindres
Carrés Ordinaires du modèle précèdent.

Soit l’estimateur Between du vecteur β :

Avec et sont les moyennes totales :

2. Modèle à effets aléatoires


2.1. Spécification du model
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 α i
mais une variable aléatoire.
Ainsi, le terme d’erreur se décompose en trois parties de la
manière suivante :

αi désignent les effets individuels qui représentent l’ensemble


des spécificités structurelles de la variable endogène, qui

25
différent selon les individus. On suppose ici que ces effets sont
aléatoires.
λt représentent les effets temporels strictement identiques pour
tous les individus.
vit désigne la composante du résidu total orthogonale aux effets
individuels et aux effets temporels.

Le model s’écrit :

2.2. Hypothèses :
Généralement, on est conduit à faire un certain nombre
d’hypothèses techniques sur cette structure de résidus.
On suppose que les résidus εit sont i:i:d: et satisfont les
conditions suivantes :

26
Sous ces hypothèses, la variance de la variable endogène yit
conditionnellement aux variables explicatives xit est alors égale
à

2.3. Estimation :
La méthode d’estimation adéquate est celle des MCG car la
composante aléatoire ai est présente dans εit, qui engendra une
autocorrélation des erreurs.

Proposition .
Dans un modèle à effets aléatoires, l’estimateur Within ,
obtenu sous l’hypothèse d’effets fixes, est un estimateur sans
biais et convergent : Toutefois, ce n’est pas l’estimateur BLUE.
Un estimateur BLUE est alors donné par l’estimateur de
Moindres Carrés Généralisés (MCG).

On se limite au cas où il n’existe pas d’effet temporel (λ t = 0).


On considère donc le modèle suivant :

Le modèle à effets individuels aléatoires s’écrit vectoriellement


sous la forme :

27
La matrice de variance covariance de εi; notée V; est alors
définie par :

 i'  ( i1 ,  i 2 ,... iT ) alors :


 v     2  2  2 
2 2

 2  2
  2  2 
E ( i i )  
'  v 
   v2 I   2 ee'  V
  2
.. .. 
 
   2 ..  v2   2 
2

e'  111.....1 est un vecteur de taille T


L’inverse de cette matrice de variance covariance est définie
comme suit:

Ainsi, si la matrice V est connue, l’estimateur des MCG du


vecteur ; noté ; est alors défini par la relation :

Notons que l’estimation par les MCG d’un modèle à erreur


composées est équivalente à l’estimation par les MCO du
modèle transformé suivant :

𝑦 − 𝜆𝑦 = 𝛼 (1 − 𝜆) + 𝛽 (𝑥 − 𝜆𝑥̅ ) + ⋯ + 𝛽 (𝑥 − 𝜆𝑥̅ ) + 𝜀 − 𝜆𝜀

28
/
Avec

Proposition :
L’estimateur des MCG des coefficients du modèle à effets
aléatoires, noté ; est une moyenne pondérée (avec un poid
Δ) des estimateurs Between et Within :

avec Ik la matrice identité.

29

Vous aimerez peut-être aussi