Vi.

Les modèles logit et probit :

Les modèle logit et probit sont des modèles où la variable Y ne peut prendre que deux
valeurs possibles 0 et 1.
La variable dichotomique sera mesurée sur la base d’un Z score.
La démarche pour le cas d’un modèle probit demeure la même que celle d’un panel
classique.
Travail à faire 
PS : idcode et years ne sont pas des variables ce sont des indicateurs temporels et spéciaux.
PS : grade n’est pas une variable quantitative, c’est une classification

 Analyse descriptive
 Tableau
 Graphique
 Test de stationnarité
 Matrice de corrélation
1. Déclarer le Panel
2. Analyse descriptive
La majorité des obsérvations ont un grade de 12
Cette variable n’a pas de moyenne, elle a un mode
Le Panel n’est pas cylindré  test de stationnarité : Fisher uniquement

PS : On ne peut pas effectuer les tests sur cette base de données car il y a des gaps

 Regression Logistique

Par défaut on commence par le Fixed effect

Test hausman :

 xtlogit union black south not_smsa grade age, fe

 est store fe
 xtlogit union black south not_smsa grade age, re
 hausman fe
H calculé <= Chi2(k) AH0 On choisit RE
Β^age= 0.0165***
B^grad=0.119***
Pour le cas d’un modèle logistique, la démarche reste la même que celle d’un Panel
statique classique à savoir on estime le modèle en effet fixe ensuite à effet aléatoire
et on choisit le modèle selonle test de hausman.
 Dans notre cas nous avons choisi l’estimation à RE.
Remarque : pour le cas d’un modèle logistique, on n’a pas besoin de vérifier si les
données sont utilisées sous la forme de panel ou non. Par défaut, les variables sont
sous forme de données de panel.
 On essaie maintenant l’estimation à PA (population average)

Dans le modèle PA il a supposé que chaque observation est sur la même période reste
uniforme (l’effet temps n’a pas d’impact) pour mesurer l’impact de la variable on utilise
PA
PA : supprime l’effet temps.
On n’utilise le PA que dans le probit et logit, car la population est homogène.

Panel statique FE RE PA

 Les effets marginaux

Les effets marginaux permettent de mesurer la contribution de chaque facteur dans
la décision de choisir l’événement 1
 Exemple : Union :
 0 : Echec
 1 : succès  p (union=1)=p (succès)
ME=dY/dX
ME(age)=d union/ d Age

dX/dY dX/dY
global Compact
Age 0.0015764 0.0015627
Grade 0.0114189 0.0116636
Not-smsa -0.0122089 -
South -0.1130381 -0.114802
Black 0.1297076 0,1316514
Margins=0.2107
P(succès)=0.2107
Les effets marginaux nous permettent de mesurer la contribution de chaque variable dans la
réalisation de l’événement union=1
Pour le cas du modèle global, les variables âge grade et black contribuent positivement à
l’augmentation de la probabilité que l’union se réalise. Contrairement à la variable South et
Not-smsa, où ces deux dernières agissent négativement sur la probabilité que l’événement 1
se réalise.
Lorsqu’on passe au modèle compact, on constate que les variables ont le même poids et le
même signe que celui obtenu dans le modèle global. A l’exception de la variable black où son
impact (sa contribution est plus importante).

 Modèle PA
La différence principale se manifeste au niveau du grade, l’union est expliqué par un effet du
grade entre les observations et non pas le temps.
A partir de notre exemple on peut déduire que l’union est expliquée par les variables âge,
grade, south et black avec un impact de 1.359 et un rendement marginale de 12.97.
Les modèles logit et probit ne peuvent pas être des modèle à caractère dynamique