Chapitre 3 - Modèles À Effets Individuels Et Effets Temporels

Ion Lapteacru, MCF HDR (15h)
Econométrie de Panel
Chapitre 1 – Introduction
Chapitre 2 – Modèles à effets individuels
Chapitre 3 – Modèles à effets individuels et
temporels
Les chapitres théoriques du cours seront complémentés avec des exercices, qui seront approfondis lors des séances de TDs.
Présentation des effets individuels et temporels
Comme nous l’avons vu, la régression en panel a la forme suivante :
𝑦𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡′ 𝛽 + 𝑢𝑖𝑡
où i=1,…,N et t=1,…,T.
i peut désigner ménages, individus, firmes, banques, pays, etc. et t désigne le temps.
𝛼 est une constante et 𝛽 est le vecteur 𝐾 × 1 des coefficients à estimer.
𝑋𝑖𝑡 est est le vecteur 𝐾 × 1 qui désigne la i-ème observation des K variables explicatives.
Si le modèle contient à la fois des effets individuels et des effets temporels, alors
𝑢𝑖𝑡 = 𝜇𝑖 + 𝜆𝑡 + 𝜈𝑖𝑡
où 𝜇𝑖 représente les effets individuels nonobservés, 𝜆𝑡 les effets temporels nonobservés et 𝜈𝑖𝑡 les résidus.
𝜆𝑡 est invariant au temps et tient compte des effets spécifiques temporels qui ne sont pas inclus dans la régression.
On peut les attribuer, par exemple, aux années de grève qui ont affecté la production, aux effets d’embargo sur le
pétrole, au cadre réglementaire qui influe sur le comportement des entreprises et les consommateurs, etc.
Les effets individuels spécifiques sont nonobservables (c’est-à-dire, ne sont pas explicitement inclus dans l’équation de régression) et invariants dans le
temps (c’est-à-dire, ne sont pas censés de changer dans le temps).
Si le modèle contient à la fois des effets individuels et des effets temporels, alors
𝑢𝑖𝑡 = 𝜇𝑖 + 𝜆𝑡 + 𝜈𝑖𝑡
où 𝜇𝑖 représente les effets individuels nonobservés, 𝜆𝑡 les effets temporels nonobservés et 𝜈𝑖𝑡 les résidus.
Sous la forme matricielle
𝑢 = 𝑍𝜇 𝜇 + 𝑍𝜆 𝜆 + 𝜈
où 𝑢′ = 𝑢11 , … , 𝑢1𝑇 , … , 𝑢𝑁1 , … , 𝑢𝑁𝑇 , 𝑍𝜇 = 𝐼𝑁 ⨂𝜄 𝑇 , 𝑍𝜆 = 𝜄𝑁 ⨂𝐼𝑇 , 𝜇′ = 𝜇1 , … , 𝜇𝑁 , 𝜆′ = 𝜆1 , … , 𝜆 𝑇 et 𝜈 ′ =

𝜈11 , … , 𝜈1𝑇 , … , 𝜈𝑁1 , … , 𝜈𝑁𝑇
A noter que 𝑍𝜇 𝑍′𝜇 = 𝐼𝑁 ⨂𝐽𝑇 , 𝑍𝜆 𝑍′𝜆 = 𝐽𝑁 ⨂𝐼𝑇 et

−1
𝑃 = 𝑍𝜇 𝑍′𝜇 𝑍𝜇 𝑍′𝜇 est la matrice qui fait la moyenne des valeurs dans le temps pour chaque individu i,
𝑍𝜆 𝑍′𝜆 𝑍𝜆 −1 𝑍′𝜆 = 𝐽𝑁ҧ ⨂𝐼𝑇 est la matrice qui fait la moyenne des valeurs entre les individus pour chaque instant t
𝑄 = 𝐼𝑁𝑇 − 𝑃 est la matrice qui obtient les déviations par rapport aux moyennes individuelles.
A noter que 𝑍𝜇 𝑍′𝜇 = 𝐼𝑁 ⨂𝐽𝑇 , 𝑍𝜆 𝑍′𝜆 = 𝐽𝑁 ⨂𝐼𝑇 et
−1
𝑍𝜇 𝑍′𝜇 𝑍𝜇 𝑍′𝜇 est la matrice qui fait la moyenne des valeurs dans le temps pour chaque individu i,
𝑍𝜆 𝑍′𝜆 𝑍𝜆 −1 𝑍′𝜆 = 𝐽𝑁ҧ ⨂𝐼𝑇 est la matrice qui fait la moyenne des valeurs entre les individus pour chaque instant t
Cela veut dire que, 𝑃𝑦 a comme élément 𝑦𝑖. = σ𝑇𝑡=1 𝑦𝑖𝑡 Τ𝑇 et 𝑄𝑦 a comme élément 𝑦𝑖𝑡 − 𝑦𝑖. et
𝐽𝑁ҧ ⨂𝐼𝑇 𝑦 a comme élément 𝑦.𝑡 = σ𝑁𝑖=1 𝑦𝑖𝑡 Τ𝑁.
Si 𝜇𝑖 and 𝜆𝑡 sont considérés comme des paramètres fixes à estimer, la partie restante 𝜈𝑖𝑡 ~𝐼𝐼𝐷 0, 𝜎𝜈2 . C’est donc
une régression à effets fixes individuels et temporels. Ainsi, les conditions suivantes sont à considérer
𝜇𝑖 et 𝜆𝑡 sont considérés comme des paramètres fixes (des constantes individuelles) à estimer.
𝜈𝑖𝑡 sont des résidus qui suivent une loi 𝐼𝐼𝐷 0, 𝜎𝜈2 .
𝑋𝑖𝑡 sont supposées indépendantes de 𝜈𝑖𝑡 , 𝑐𝑜𝑣 𝑋𝑖𝑡 , 𝜈𝑖𝑡 = 0, pour ∀𝑖 et ∀𝑡
La matrice 𝑍𝜆 des dummies temporels est de taille 𝑁𝑇 × 𝑇. Et il y a, au total, N-1+T-1 dummies. Si N ou T est trop
grand, il y a aura trop de dummies, ce qui cause une importante perte de degrés de liberté.
La solution est d’appliquer la transformation suivante.
𝑄 = 𝐸𝑁 ⊗ 𝐸𝑇 = 𝐼𝑁 ⊗ 𝐼𝑇 − 𝐼𝑁 ⊗ 𝐽𝑇ҧ − 𝐽𝑁ҧ ⊗ 𝐼𝑇 + 𝐽𝑁ҧ ⊗ 𝐽𝑇ҧ
où 𝐸𝑁 = 𝐼𝑁 − 𝐽𝑁ҧ et 𝐸𝑇 = 𝐼𝑇 − 𝐽𝑇ҧ .
L’estimateur LSDV (Least Squares Dummy Variables) est celui qu’on applique pour les modèles en panel avec des effets individuels fixes.
Effets individuels et temporels fixes
𝑄𝑦 = 𝑄𝑋𝛽 + 𝑄𝜈
La matrice Q exclut les effets individuels 𝜇𝑖 et temporels 𝜆𝑡 . En fait, c’est une régression de 𝑦෤ = 𝑄𝑦 avec des
éléments 𝑦෤𝑖𝑡 = 𝑦𝑖𝑡 − 𝑦ത𝑖. − 𝑦ത.𝑡 + 𝑦ത..
où 𝑦ത𝑖. = σ𝑇𝑡=1 𝑦𝑖𝑡 Τ𝑇, 𝑦ത.𝑡 = σ𝑁 ത.. = σ𝑁
𝑖=1 𝑦𝑖𝑡 Τ𝑁 et 𝑦
𝑇
𝑖=1 σ𝑡=1 𝑦𝑖𝑡 Τ𝑁𝑇
sur 𝑋෨ = 𝑄𝑋 avec des éléments 𝑋෨𝑖𝑡 = 𝑋𝑖𝑡,𝑘 − 𝑋ത𝑖.,𝑘 − 𝑋ത.𝑡,𝑘 + 𝑋ത..,𝑘 pour la k-ème variable, k=1,…,K.
L’estimateur Within obtenu est

𝛽෨ = 𝑋 ′ 𝑄𝑋 −1 𝑋 ′ 𝑄𝑦
L’estimateur LSDV (Least Squares Dummy Variables) est celui qu’on applique pour les modèles en panel avec des effets individuels fixes.
La matrice Q exclut les effets fixes.
Pour une régression simple (1 seule variable explicative)

𝑦𝑖𝑡 = 𝛼 + 𝜇𝑖 + 𝜆𝑡 + 𝛽𝑥𝑖𝑡 + 𝜈𝑖𝑡
Prenant la moyenne entre les individus,

𝑦ത.𝑡 = 𝛼 + 𝛽𝑥ҧ.𝑡 + 𝜆𝑡 + 𝜈ҧ.𝑡
où la restriction σ𝑁
𝑖=1 𝜇𝑖 = 0 a été imposée, qui permet d’éviter le problème de la trappe de la variable muette.
Prenant la moyenne dans le temps,

𝑦ത𝑖. = 𝛼 + 𝛽𝑥ҧ𝑖. + 𝜇𝑖 + 𝜈ҧ𝑖.
où la restriction σ𝑇𝑡=1 𝜆𝑡 = 0 a été imposée, qui permet d’éviter le problème de la trappe de la variable muette.
L’estimateur de 𝛽෨ peut autrement être obtenu avec l’approche classique des MCO.
De même, prenant également la moyenne entre les individus,

𝑦ത.. = 𝛼 + 𝛽𝑥ҧ.. + 𝜈..ҧ
Pour une régression simple (1 seule variable explicative)

𝑦ത.. = 𝛼 + 𝛽𝑥ҧ.. + 𝜈..ҧ
L’estimateur 𝛽෨ est obtenu de la régression

𝑦𝑖𝑡 − 𝑦ത𝑖. − 𝑦ത.𝑡 + 𝑦ത.. = 𝑥𝑖𝑡 − 𝑥ҧ𝑖. − 𝑥ҧ.𝑡 + 𝑥ҧ.. 𝛽 + 𝜈𝑖𝑡 − 𝜈ҧ𝑖. − 𝜈ҧ.𝑡 + 𝜈..ҧ
et l’estimateur 𝛼,
෤ de l’équation
𝛼෤ = 𝑦ത.. − 𝛽෨ 𝑥ҧ..
et l’estimateur 𝜇෤𝑖 , de l’équation

𝜇෤𝑖 = 𝑦ത𝑖. − 𝑦ത.. − 𝛽෨ 𝑥ҧ𝑖. − 𝑥ҧ..
et l’estimateur 𝜆ሚ𝑡 , de l’équation

𝜆ሚ𝑡 = 𝑦ത.𝑡 − 𝑦ത.. − 𝛽෨ 𝑥ҧ.𝑡 − 𝑥ҧ..
L’estimateur Within ne peut pas estimer les effets individuels et temporels car la transformation Q les supprime.
Si le vrai modèle est à effets individuels et temporels, alors la régression MCO (OLS) donne des résultats biaisés, à
cause du problème des variables omises.
Effets individuels et temporels fixes: test des effets fixes joints individuels et temporels
Il s’agit d’un test de Chow. On peut effectuer le test joint

𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0 et 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0
𝐻𝑎 : ∃𝜇𝑖 ≠ 0 et ∃𝜆𝑡 ≠ 0
𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑁+𝑇−2
La statistique de Fisher 𝐹0 = ~𝐹𝑁+𝑇−2, 𝑁−1 𝑇−1 −𝐾
𝑈𝑅𝑆𝑆Τ 𝑁−1 𝑇−1 −𝐾
où K est le nombre de variables explicatives,

RRSS Restricted Residual Sum of Squares, c’est-à-dire la somme des carrés des résidus pour le modèle contraint, à
savoir le modèle groupé où MCO est appliqué
URSS Unrestricted Residual Sum of Squares, c’est-à-dire la somme des carrés des résidus pour le modèle
noncontraint, à savoir le modèle à effets fixes individuels et temporels où Within est appliqué.
LSDV est un estimateur BLUE pour un modèle à effets fixes.

Note: si le modèle est un panel à effets fixes, l’estimateurs des MCO donne des résultats biaisés et non-cohérents. C’est un biais de variables omises car
MCO supprime les effets individuels quand, en réalité, ils sont pertinents.
Effets individuels et temporels fixes: test des effets fixes individuels
On peut effectuer le test des effets fixes individuels, permettant l’existence des effets temporels
𝐻2 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0 permettant 𝜆𝑡 ≠ 0 pour ∀𝑡 = 1, … , 𝑇 − 1
𝐻𝑎 : ∃𝜇𝑖 ≠ 0permettant 𝜆𝑡 ≠ 0 pour ∀𝑡 = 1, … , 𝑇 − 1
𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑁−1
La statistique de Fisher 𝐹2 = ~𝐹𝑁−1, 𝑁−1 𝑇−1 −𝐾
où K est le nombre de variables explicatives,

URSS Unrestricted Residual Sum of Squares, c’est-à-dire la somme des carrés des résidus pour le modèle
noncontraint, à savoir le modèle à effets fixes individuels et temporels où Within est appliqué.
En revanche, RRSS s’obtient de la régression avec uniquement les effets temporels, ou de la régression
𝑦𝑖𝑡 − 𝑦ത.𝑡 = 𝛽 𝑥𝑖𝑡 − 𝑥ҧ.𝑡 + 𝑢𝑖𝑡 − 𝑢ത .𝑡
La différence entre 𝐹0 et 𝐹2 est que le premier teste 𝐻0 : 𝜇𝑖 = 0 en supposant 𝜆𝑡 = 0 et le second teste 𝐻2 : 𝜇𝑖 = 0 en permettant 𝜆𝑡 ≠ 0 pour ∀𝑡 =
1, … , 𝑇 − 1.
Effets individuels et temporels fixes: test des effets fixes temporels
On peut effectuer le test des effets fixes temporels, permettant l’existence des effets individuels
𝐻3 : 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0 permettant 𝜇𝑖 ≠ 0 pour ∀𝑡 = 1, … , 𝑁 − 1
𝐻𝑎 : ∃𝜆𝑡 ≠ 0 permettant 𝜇𝑖 ≠ 0 pour ∀𝑖 = 1, … , 𝑁 − 1
𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑇−1
La statistique de Fisher 𝐹3 = ~𝐹 𝑇−1, 𝑁−1 𝑇−1 −𝐾
RRSS est obtenue de la régression

𝑦𝑖𝑡 − 𝑦ത𝑖. = 𝛽 𝑥𝑖𝑡 − 𝑥ҧ𝑖. + 𝜈𝑖𝑡 − 𝜈ҧ𝑖.
URSS est obtenue de la régression

𝑦𝑖𝑡 − 𝑦ത𝑖. − 𝑦ത.𝑡 + 𝑦ത.. = 𝛽 𝑥𝑖𝑡 − 𝑥ҧ𝑖. − 𝑥ҧ.𝑡 + 𝑥ҧ.. + 𝜈𝑖𝑡 − 𝜈ҧ𝑖. − 𝜈ҧ.𝑡 + 𝜈..ҧ
La différence entre 𝐹0 et 𝐹2 est que le premier teste 𝐻0 : 𝜇𝑖 = 0 en supposant 𝜆𝑡 = 0 et le second teste 𝐻2 : 𝜇𝑖 = 0 en permettant 𝜆𝑡 ≠ 0 pour ∀𝑡 =
1, … , 𝑇 − 1.
Effets individuels et temporels fixes: Application
. xtreg lnY lnK1 lnK2 lnL unemp i.yr, fe
1976 | .0231792 .0092044 2.52 0.012 .0051097 .0412487
Fixed-effects (within) regression Number of obs = 816 1977 | .0312112 .0094477 3.30 0.001 .012664 .0497584
Group variable: state_index Number of groups = 48 1978 | .0387562 .0097752 3.96 0.000 .0195661 .0579463
1979 | .0360904 .0103435 3.49 0.001 .0157847 .0563962
R-sq: within = 0.9536 Obs per group: min = 17 1980 | .0274387 .0111788 2.45 0.014 .0054932 .0493842
between = 0.9890 avg = 17.0 1981 | .0442891 .0116834 3.79 0.000 .021353 .0672252
overall = 0.9879 max = 17 1982 | .0419059 .0128173 3.27 0.001 .0167437 .0670682
1983 | .0588273 .0130388 4.51 0.000 .0332303 .0844242
F(20,748) = 768.12 1984 | .0784954 .0125591 6.25 0.000 .0538401 .1031506
corr(u_i, Xb) = 0.7201 Prob > F = 0.0000 1985 | .0873012 .0129989 6.72 0.000 .0617824 .1128199
1986 | .0979994 .0134379 7.29 0.000 .0716189 .12438
------------------------------------------------------------------------------ |
lnY | Coef. Std. Err. t P>|t| [95% Conf. Interval] _cons | 3.637237 .2576731 14.12 0.000 3.131389 4.143086
-------------+---------------------------------------------------------------- -------------+----------------------------------------------------------------
lnK1 | -.0301757 .0269365 -1.12 0.263 -.0830559 .0227045 sigma_u | .15633758
lnK2 | .1688277 .0276563 6.10 0.000 .1145344 .223121 sigma_e | .0342888
lnL | .7693063 .0281418 27.34 0.000 .71406 .8245526 rho | .95410413 (fraction of variance due to u_i)
unemp | -.0042211 .0011388 -3.71 0.000 -.0064568 -.0019854 ------------------------------------------------------------------------------
| F test that all u_i=0: F(47, 748) = 93.80 Prob > F = 0.0000
yr |
1971 | .015136 .0071182 2.13 0.034 .001162 .02911
1972 | .029522 .0072532 4.07 0.000 .0152829 .0437612
1973 | .0425394 .0075299 5.65 0.000 .0277572 .0573216
1974 | .0152535 .0079593 1.92 0.056 -.0003717 .0308787
1975 | .0158935 .0090832 1.75 0.081 -.0019382 .0337252
Reprenons l’exemple de l’étude sur le Produit National Brut des stocks public et privé de capital faite sur les Etats-Unis.
Les effets temporels fixes s’introduisent explicitement dans l’équation par i.yr
Le test de Fisher montre que les effets individuels fixes sont significatifs et les p-value pour les années montrent que les effets temporels fixes sont aussi
significatifs. Toutes les p-value sont inférieures à 10%.
. xtreg lnY lnK1 lnK2 lnL unemp i.yr, fe . xtreg lnY lnK1 lnK2 lnL unemp, fe
Fixed-effects (within) regression Number of obs = 816 Fixed-effects (within) regression Number of obs = 816
Group variable: state_index Number of groups = 48 Group variable: state_index Number of groups = 48
R-sq: within = 0.9536 Obs per group: min = 17 R-sq: within = 0.9413 Obs per group: min = 17
between = 0.9890 avg = 17.0 between = 0.9921 avg = 17.0
overall = 0.9879 max = 17 overall = 0.9910 max = 17
F(20,748) = 768.12 F(4,764) = 3064.81

corr(u_i, Xb) = 0.7201 Prob > F = 0.0000 corr(u_i, Xb) = 0.0608 Prob > F = 0.0000
------------------------------------------------------------------------------ ------------------------------------------------------------------------------
lnY | Coef. Std. Err. t P>|t| [95% Conf. Interval] lnY | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+---------------------------------------------------------------- -------------+----------------------------------------------------------------
lnK1 | -.0301757 .0269365 -1.12 0.263 -.0830559 .0227045 lnK1 | -.0261493 .0290016 -0.90 0.368 -.0830815 .0307829
lnK2 | .1688277 .0276563 6.10 0.000 .1145344 .223121 lnK2 | .2920067 .0251197 11.62 0.000 .242695 .3413185
lnL | .7693063 .0281418 27.34 0.000 .71406 .8245526 lnL | .7681595 .0300917 25.53 0.000 .7090872 .8272318
unemp | -.0042211 .0011388 -3.71 0.000 -.0064568 -.0019854 unemp | -.0052977 .0009887 -5.36 0.000 -.0072387 -.0033568
_cons | 3.637237 .2576731 14.12 0.000 3.131389 4.143086 _cons | 2.352898 .1748131 13.46 0.000 2.009727 2.696069
-------------+---------------------------------------------------------------- -------------+----------------------------------------------------------------
sigma_u | .15633758 sigma_u | .09057292
sigma_e | .0342888 sigma_e | .03813705
rho | .95410413 (fraction of variance due to u_i) rho | .8494045 (fraction of variance due to u_i)
------------------------------------------------------------------------------ ------------------------------------------------------------------------------
F test that all u_i=0: F(47, 748) = 93.80 Prob > F = 0.0000 F test that all u_i=0: F(47, 764) = 75.82 Prob > F = 0.0000
Les résultats sont qualitativement les mêmes sauf que le modèle avec les deux effets individuels et temporels fixes (le modèle de gauche) ne souffre pas de
problème de variables omises, c’est-à-dire les variables qui auraient dû être présentes mais ont été omises, comme c’est le cas du modèle uniquement à
effets individuels fixes (le modèle de droite).
. xtreg lnY lnK1 lnK2 lnL unemp i.yr, fe Le tableau affiche également le résultats du test de Chow sur la
Fixed-effects (within) regression Number of obs = 816 pertinence du modèle à effets individuels et temporels fixes
Group variable: state_index Number of groups = 48
R-sq: within = 0.9536 Obs per group: min = 17 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0 et 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0

between = 0.9890 avg = 17.0 𝐻𝑎 : ∃𝜇𝑖 ≠ 0 et ∃𝜆𝑡 ≠ 0
overall = 0.9879 max = 17
F(20,748) = 768.12 La statistique de Fisher 𝐹0 =

corr(u_i, Xb) = 0.7201 Prob > F = 0.0000 𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑁+𝑇−2
~𝐹𝑁+𝑇−2, 𝑁−1 𝑇−1 −𝐾
------------------------------------------------------------------------------ 𝑈𝑅𝑆𝑆Τ 𝑁−1 𝑇−1 −𝐾
lnY | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lnK1 | -.0301757 .0269365 -1.12 0.263 -.0830559 .0227045 où K est le nombre de variables explicatives,
lnK2 | .1688277 .0276563 6.10 0.000 .1145344 .223121 RRSS Restricted Residual Sum of Squares, c’est-à-dire la somme
lnL | .7693063 .0281418 27.34 0.000 .71406 .8245526
unemp | -.0042211 .0011388 -3.71 0.000 -.0064568 -.0019854 des carrés des résidus pour le modèle contraint, à savoir le
_cons | 3.637237 .2576731 14.12 0.000 3.131389 4.143086 modèle groupé où MCO est appliqué
-------------+----------------------------------------------------------------
sigma_u | .15633758 URSS Unrestricted Residual Sum of Squares, c’est-à-dire la
sigma_e | .0342888 somme des carrés des résidus pour le modèle noncontraint, à
rho | .95410413 (fraction of variance due to u_i)
------------------------------------------------------------------------------ savoir le modèle à effets fixes individuels et temporels où
F test that all u_i=0: F(47, 748) = 93.80 Prob > F = 0.0000 Within est appliqué.
La statistique de Fisher est très élevée, F(47,748)=93.80 et statistiquement très significative (p-value<0,05). Cela signifie que les effets individuels et
temporels sont conjointement statistiquement significatifs; c’est-à-dire, il existe au moins un état et une année pour lesquels cet effet soit significatif. Cela
signifie également qu’une régression simple des MCO, qui ne considère pas les effets individuels et temporels, souffrirait d’un biais de variables omises (les
effets individuels) et rendrait ainsi les résultats biaisés.
. xtreg lnY lnK1 lnK2 lnL unemp i.yr, fe Le tableau affiche également le résultats du test de Chow sur la
Fixed-effects (within) regression Number of obs = 816 pertinence du modèle à effets individuels et temporels fixes
Group variable: state_index Number of groups = 48
R-sq: within = 0.9536 Obs per group: min = 17 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0 et 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0

between = 0.9890 avg = 17.0 𝐻𝑎 : ∃𝜇𝑖 ≠ 0 et ∃𝜆𝑡 ≠ 0
overall = 0.9879 max = 17
F(20,748) = 768.12 La statistique de Fisher 𝐹0 =

corr(u_i, Xb) = 0.7201 Prob > F = 0.0000 𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑁+𝑇−2
~𝐹𝑁+𝑇−2, 𝑁−1 𝑇−1 −𝐾
------------------------------------------------------------------------------ 𝑈𝑅𝑆𝑆Τ 𝑁−1 𝑇−1 −𝐾
-------------+----------------------------------------------------------------
lnK1 | -.0301757 .0269365 -1.12 0.263 -.0830559 .0227045 où K est le nombre de variables explicatives,
lnK2 | .1688277 .0276563 6.10 0.000 .1145344 .223121 RRSS Restricted Residual Sum of Squares, c’est-à-dire la somme
lnL | .7693063 .0281418 27.34 0.000 .71406 .8245526
unemp | -.0042211 .0011388 -3.71 0.000 -.0064568 -.0019854 des carrés des résidus pour le modèle contraint, à savoir le
_cons | 3.637237 .2576731 14.12 0.000 3.131389 4.143086 modèle groupé où MCO est appliqué
-------------+----------------------------------------------------------------
sigma_u | .15633758 URSS Unrestricted Residual Sum of Squares, c’est-à-dire la
sigma_e | .0342888 somme des carrés des résidus pour le modèle noncontraint, à
rho | .95410413 (fraction of variance due to u_i)
------------------------------------------------------------------------------ savoir le modèle à effets fixes individuels et temporels où
F test that all u_i=0: F(47, 748) = 93.80 Prob > F = 0.0000 Within est appliqué.
On peut obtenir cette statistique par le calcul de la stat. de Fisher. Celle qui est indiquée à la fin du tableau, F(47, 748) = 93.80, n’est pas juste car ses
degrés de liberté au numérateur ne tient pas compte des effets temporels. Au lieu de N-1=47, on doit avoir N+T-2=63.
Suite à la régression avec FE et les effets individuels et temporels fixes, avec la commande display e(rss) on obtient URSS=0.8794.
Effets individuels fixes: Application
. reg lnY lnK1 lnK2 lnL unemp Le tableau affiche également le résultats du test de Chow sur la
Source | SS df MS Number of obs = 816 pertinence du modèle à effets individuels et temporels fixes
-------------+------------------------------ F( 4, 811) =27171.66
Model | 843.514727 4 210.878682 Prob > F = 0.0000
Residual | 6.29415351 811 .007760978 R-squared = 0.9926 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0 et 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0
-------------+------------------------------ Adj R-squared = 0.9926 𝐻𝑎 : ∃𝜇𝑖 ≠ 0 et ∃𝜆𝑡 ≠ 0
Total | 849.80888 815 1.04271028 Root MSE = .0881
------------------------------------------------------------------------------ La statistique de Fisher 𝐹0 =

lnY | Coef. Std. Err. t P>|t| [95% Conf. Interval] 6.2942−0.8794 Τ 𝑁+𝑇−2
-------------+---------------------------------------------------------------- ~𝐹𝑁+𝑇−2, 𝑁−1 𝑇−1 −𝐾
lnK1 | .155007 .0171538 9.04 0.000 .121336 .188678 0.8794Τ 𝑁−1 𝑇−1 −𝐾
lnK2 | .3091902 .010272 30.10 0.000 .2890274 .329353
lnL | .5939349 .0137475 43.20 0.000 .5669501 .6209197
unemp | -.006733 .0014164 -4.75 0.000 -.0095132 -.0039528 où K est le nombre de variables explicatives,
_cons | 1.643302 .0575873 28.54 0.000 1.530265 1.75634 RRSS Restricted Residual Sum of Squares, c’est-à-dire la somme
------------------------------------------------------------------------------
des carrés des résidus pour le modèle contraint, à savoir le
modèle groupé où MCO est appliqué
URSS Unrestricted Residual Sum of Squares, c’est-à-dire la
somme des carrés des résidus pour le modèle noncontraint, à
savoir le modèle à effets fixes individuels et temporels où
Within est appliqué.
On fait ensuite la régression avec les MCO et on obtient RRSS=6.2942

6.2942−0.8794 Τ 48+17−2
Sachant que N=48, T=17 et K=4 (car 4 coefficients à estimer, sans constante), 𝐹0 = = 73.10
0.8794Τ 47×16−4
. reg lnY lnK1 lnK2 lnL unemp i.yr On peut effectuer le test des effets fixes individuels, permettant
Source | SS df MS Number of obs = 816 l’existence des effets temporels
-------------+------------------------------ F( 20, 795) = 5531.87 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0, 𝜆𝑡 ≠ 0 pour ∀𝑡 = 1, … , 𝑇 − 1
Model | 843.746024 20 42.1873012 Prob > F = 0.0000
Residual | 6.06285647 795 .007626235 R-squared = 0.9929 𝐻𝑎 : ∃𝜇𝑖 ≠ 0, 𝜆𝑡 ≠ 0 pour ∀𝑡 = 1, … , 𝑇 − 1
-------------+------------------------------ Adj R-squared = 0.9927
Total | 849.80888 815 1.04271028 Root MSE = .08733
La statistique de Fisher 𝐹2 =
------------------------------------------------------------------------------ 𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑁−1
lnY | Coef. Std. Err. T P>|t| [95% Conf. Interval]
~𝐹𝑁−1, 𝑁−1 𝑇−1 −𝐾
-------------+----------------------------------------------------------------
lnK1 | .16478 .0174912 9.42 0.000 .1304456 .1991144
lnK2 | .303596 .0104427 29.07 0.000 .2830975 .3240944 où K est le nombre de variables explicatives,
lnL | .5888107 .0137757 42.74 0.000 .5617697 .6158517
unemp | -.0060575 .0017702 -3.42 0.001 -.0095322 -.0025827 URSS Unrestricted Residual Sum of Squares, c’est-à-dire la
_cons | 1.63051 .0581413 28.04 0.000 1.516382 1.744639 somme des carrés des résidus pour le modèle noncontraint, à
------------------------------------------------------------------------------
On peut effectuer le test des effets individuels fixes en permettant l’existence des effets temporels fixes.
Le modèle contraint est donc celui uniquement avec des effets temporels fixes, qui donne un RRSS=6.0629
. reg lnY lnK1 lnK2 lnL unemp i.state_index i.yr On peut effectuer le test des effets fixes individuels, permettant
-------------+------------------------------ F( 67, 748) =10776.86 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0, 𝜆𝑡 ≠ 0 pour ∀𝑡 = 1, … , 𝑇 − 1
Model | 848.92944 67 12.6705887 Prob > F = 0.0000
Residual | .879439985 748 .001175722 R-squared = 0.9990 𝐻𝑎 : ∃𝜇𝑖 ≠ 0, 𝜆𝑡 ≠ 0 pour ∀𝑡 = 1, … , 𝑇 − 1
-------------+------------------------------ Adj R-squared = 0.9989
Total | 849.80888 815 1.04271028 Root MSE = .03429
------------------------------------------------------------------------------ 𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑁−1
~𝐹𝑁−1, 𝑁−1 𝑇−1 −𝐾
-------------+----------------------------------------------------------------
lnK1 | -.0301757 .0269365 -1.12 0.263 -.0830559 .0227045
lnL | .7693063 .0281418 27.34 0.000 .71406 .8245526
------------------------------------------------------------------------------
Le modèle noncontraint est donc celui avec les deux effets individuels et temporels fixes, qui donne un URSS=0.8794
. reg lnY lnK1 lnK2 lnL unemp i.state_index i.yr On peut effectuer le test des effets fixes individuels, permettant
-------------+------------------------------ F( 67, 748) =10776.86 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0, 𝜆𝑡 ≠ 0 pour ∀𝑡 = 1, … , 𝑇 − 1
Model | 848.92944 67 12.6705887 Prob > F = 0.0000
Residual | .879439985 748 .001175722 R-squared = 0.9990 𝐻𝑎 : ∃𝜇𝑖 ≠ 0, 𝜆𝑡 ≠ 0 pour ∀𝑡 = 1, … , 𝑇 − 1
-------------+------------------------------ Adj R-squared = 0.9989
Total | 849.80888 815 1.04271028 Root MSE = .03429
------------------------------------------------------------------------------ 𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑁−1
~𝐹𝑁−1, 𝑁−1 𝑇−1 −𝐾
-------------+----------------------------------------------------------------
lnK1 | -.0301757 .0269365 -1.12 0.263 -.0830559 .0227045
lnL | .7693063 .0281418 27.34 0.000 .71406 .8245526
------------------------------------------------------------------------------
6.0629−0.8794 Τ 48−1
0.8794Τ 47×16−4
. reg lnY lnK1 lnK2 lnL unemp i.state_index On peut effectuer le test des effets fixes temporels, permettant
Source | SS df MS Number of obs = 816 l’existence des effets individuels
-------------+------------------------------ F( 51, 764) =11441.65 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0, 𝜇𝑖 ≠ 0 pour ∀𝑡 = 1, … , 𝑁 − 1
Model | 848.697692 51 16.6411312 Prob > F = 0.0000
Residual | 1.11118809 764 .001454435 R-squared = 0.9987 𝐻𝑎 : ∃𝜆𝑡 ≠ 0, 𝜇𝑖 ≠ 0 pour ∀𝑖 = 1, … , 𝑁 − 1
-------------+------------------------------ Adj R-squared = 0.9986
Total | 849.80888 815 1.04271028 Root MSE = .03814
------------------------------------------------------------------------------ 𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑇−1
~𝐹 𝑇−1, 𝑁−1 𝑇−1 −𝐾
-------------+----------------------------------------------------------------
lnK1 | -.0261493 .0290016 -0.90 0.368 -.0830815 .0307829
lnL | .7681595 .0300917 25.53 0.000 .7090872 .8272318
------------------------------------------------------------------------------
On peut effectuer le test des effets temporels fixes en permettant l’existence des effets individuels fixes.
Le modèle contraint est donc celui uniquement avec des effets individuels fixes, qui donne un RRSS=1.1112
. reg lnY lnK1 lnK2 lnL unemp i.state_index i.yr On peut effectuer le test des effets fixes temporels, permettant
-------------+------------------------------ F( 67, 748) =10776.86 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0, 𝜇𝑖 ≠ 0 pour ∀𝑡 = 1, … , 𝑁 − 1
Model | 848.92944 67 12.6705887 Prob > F = 0.0000
Residual | .879439985 748 .001175722 R-squared = 0.9990 𝐻𝑎 : ∃𝜆𝑡 ≠ 0, 𝜇𝑖 ≠ 0 pour ∀𝑖 = 1, … , 𝑁 − 1
-------------+------------------------------ Adj R-squared = 0.9989
Total | 849.80888 815 1.04271028 Root MSE = .03429
------------------------------------------------------------------------------ 𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑇−1
~𝐹 𝑇−1, 𝑁−1 𝑇−1 −𝐾
-------------+----------------------------------------------------------------
lnK1 | -.0301757 .0269365 -1.12 0.263 -.0830559 .0227045
lnL | .7693063 .0281418 27.34 0.000 .71406 .8245526
------------------------------------------------------------------------------
Le modèle noncontraint est donc celui avec les deux effets individuels et temporels fixes, qui donne un URSS=0.8794
. reg lnY lnK1 lnK2 lnL unemp i.state_index i.yr On peut effectuer le test des effets fixes temporels, permettant
-------------+------------------------------ F( 67, 748) =10776.86 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0, 𝜇𝑖 ≠ 0 pour ∀𝑡 = 1, … , 𝑁 − 1
Model | 848.92944 67 12.6705887 Prob > F = 0.0000
Residual | .879439985 748 .001175722 R-squared = 0.9990 𝐻𝑎 : ∃𝜆𝑡 ≠ 0, 𝜇𝑖 ≠ 0 pour ∀𝑖 = 1, … , 𝑁 − 1
-------------+------------------------------ Adj R-squared = 0.9989
Total | 849.80888 815 1.04271028 Root MSE = .03429
------------------------------------------------------------------------------ 𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 Τ 𝑇−1
~𝐹 𝑇−1, 𝑁−1 𝑇−1 −𝐾
-------------+----------------------------------------------------------------
lnK1 | -.0301757 .0269365 -1.12 0.263 -.0830559 .0227045
lnL | .7693063 .0281418 27.34 0.000 .71406 .8245526
------------------------------------------------------------------------------
1.1112−0.8794 Τ 17−1
0.8794Τ 47×16−4
Effets individuels et temporels aléatoires: éléments de base
Si 𝜇𝑖 et 𝜆𝑡 sont considérés aléatoires, 𝜇𝑖 ~𝐼𝐼𝐷 0, 𝜎𝜇2 et 𝜆𝑡 ~𝐼𝐼𝐷 0, 𝜎𝜆2 , alors on a un modèle à effets individuels et
temporels aléatoires. 𝜈𝑖𝑡 ~𝐼𝐼𝐷 0, 𝜎𝜈2 et les trois variables aléatoires sont indépendantes l’une de l’autre.
En plus, 𝑋𝑖𝑡 sont indépendantes de 𝜇𝑖 , 𝜆𝑡 et 𝜈𝑖𝑡 , pour ∀𝑖 et ∀𝑡.
D’après l’expression des résidus
𝑢 = 𝑍𝜇 𝜇 + 𝜈
La matrice de variance-covariance s’en obtient:

Ω = 𝐸 𝑢𝑢′ = 𝑍𝜇 𝐸 𝜇𝜇′ 𝑍′𝜇 + 𝑍𝜆 𝐸 𝜆𝜆′ 𝑍′𝜆 + 𝐸 𝜈𝜈′ = 𝜎𝜇2 𝐼𝑁 ⊗ 𝐽𝑇 + 𝜎𝜆2 𝐽𝑁 ⊗ 𝐼𝑇 + 𝜎𝜈2 𝐼𝑁 ⊗ 𝐼𝑇
ce qui implique une variance homoscédastique 𝑣𝑎𝑟 𝑢𝑖𝑡 = 𝜎𝜇2 + 𝜎𝜆2 + 𝜎𝜈2 pour ∀𝑖 et ∀𝑡 et la même variance 𝜎𝜇2
dans le temps pour le même individu et la même variance 𝜎𝜆2 entre les individus à l’instant t. Par conséquent,
𝜎𝜇2 + 𝜎𝜆2 + 𝜎𝜈2 𝑝𝑜𝑢𝑟 𝑖 = 𝑗, 𝑡 = 𝑠 1 𝑝𝑜𝑢𝑟 𝑖 = 𝑗, 𝑡 = 𝑠
𝜎𝜇2 𝑝𝑜𝑢𝑟 𝑖 = 𝑗, 𝑡 ≠ 𝑠 𝜎𝜇2 ൗ 𝜎𝜇2 + 𝜎𝜆2 + 𝜎𝜈2 𝑝𝑜𝑢𝑟 𝑖 = 𝑗, 𝑡 ≠ 𝑠
𝑐𝑜𝑣 𝑢𝑖𝑡 , 𝑢𝑗𝑠 = ρ = 𝑐𝑜𝑟 𝑢𝑖𝑡 , 𝑢𝑗𝑠 =
𝜎𝜆2
𝑝𝑜𝑢𝑟 𝑖 ≠ 𝑗, 𝑡 = 𝑠 𝜎𝜆2 ൗ 𝜎𝜇2 + 𝜎𝜆2 + 𝜎𝜈2 𝑝𝑜𝑢𝑟 𝑖 ≠ 𝑗, 𝑡 = 𝑠
0 𝑝𝑜𝑢𝑟 𝑖 ≠ 𝑗, 𝑡 ≠ 𝑠 0 𝑝𝑜𝑢𝑟 𝑖 ≠ 𝑗, 𝑡 ≠ 𝑠
Le modèle à effets aléatoires implique une variance homoscédastique et une corrélation des résidus dans le temps pour le même individu.
Effets individuels et temporels aléatoires: la matrice de variance-covariance
Afin d’obtenir l’estimateur GLS (General Least Squares), on a besoin de la matrice de variance-covariance inversée
Ω−1 . Pour cela, la matrice Ω se transforme
4
Ω = ෍ 𝜆𝑖 𝑄𝑖
𝑖=1
où 𝜆1 = 𝜎𝜈2 , 𝜆2 = 𝑇𝜎𝜇2 + 𝜎𝜈2 , 𝜆3 = 𝑁𝜎𝜆2 + 𝜎𝜈2 et 𝜆4 = 𝑇𝜎𝜇2 + 𝑁𝜎𝜆2 + 𝜎𝜈2

et 𝑄1 = 𝐸𝑁 ⊗ 𝐸𝑇 , 𝑄2 = 𝐸𝑁 ⊗ 𝐽𝑇ҧ , 𝑄3 = 𝐽𝑁ҧ ⊗ 𝐸𝑇 et 𝑄4 = 𝐽𝑁ҧ ⊗ 𝐽𝑇ҧ
Chaque matrice 𝑄𝑖 est symétrique et idempotente. L’avantage de cette décomposition spectrale est
4
Ω𝑟 = ෍ 𝜆𝑟𝑖 𝑄𝑖
𝑖=1
où r est un scalaire arbitraire. Donc,
4
Τ2
𝜎𝜈 Ω−1Τ2 = ෍ 𝜎𝜈 Τ𝜆1𝑖 𝑄𝑖
𝑖=1
L’estimateur GLS ou MCG (Moindres Carrés Généralisés)

Effets individuels et temporels aléatoires: la matrice de variance-covariance
4
Τ2
𝜎𝜈 Ω−1Τ2 = ෍ 𝜎𝜈 Τ𝜆1𝑖 𝑄𝑖
𝑖=1
L’élément de la matrice 𝑦 ∗ = 𝜎𝜈 Ω−1Τ2 𝑦 est

𝑦𝑖𝑡∗ = 𝑦𝑖𝑡 − 𝜃1 𝑦ത𝑖. − 𝜃2 𝑦ത.𝑡 + 𝜃3 𝑦ത..
Τ2 Τ2 Τ2
où 𝜃1 = 1 − 𝜎𝜈 Τ𝜆12 , 𝜃2 = 1 − 𝜎𝜈 Τ𝜆13 et 𝜃3 = 𝜃1 + 𝜃2 + 𝜎𝜈 Τ𝜆14 − 1.
L’estimateur GLS peut être obtenu comme un OLS de la régression de 𝑦 ∗ sur 𝑍 ∗ , où 𝑍 ∗ = 𝜎𝜈 Ω−1Τ2 𝑍.
L’estimateur BQU (Best Quadratic Unibiased) de la variance s’obtient du fait que 𝑄𝑖 𝑢~ 0, 𝜆𝑖 𝑄𝑖 . D’où
𝜆መ 𝑖 = 𝑢′𝑄𝑖 𝑢Τ𝑡𝑟 𝑄𝑖
est l’estimateur BQU de 𝜆𝑖 i=1,2,3. ces estimateurs sont de variance minimale sous l’hypothèse de normalité des
résidus.

Effets individuels et temporels aléatoires: estimateur de la variance
1) Wallace et Hussain (1969) suggèrent d’appliquer les résidus OLS, 𝑢ො 𝑂𝐿𝑆 , à la place des vraies valeurs, qui sont
inconnues, de u. De toute façon, avec un modèle à effets aléatoires, l’estimateur OLS est encore non-biaisé et
cohérent, mais n’est plus efficient et conduit à des t-statistiques et écart-types biaisés.
2) Amemiya (1971) suggère d’appliquer à la place des résidus Within les résidus 𝑢෤ = 𝑦 − 𝛼𝜄 ෤ 𝑁𝑇 − 𝑋𝛽෨ où 𝛼෤ = 𝑦ത.. −
෨ où 𝛽෨ est obtenu de l’équation suivante
ത .. 𝛽,
𝑋′
Les estimateurs d’Amemiya ont la distribution suivante

𝑁𝑇 𝜎ො𝜈2 − 𝜎𝜈2 2𝜎𝜈4 0 0
𝑁 𝜎ො𝜇2 − 𝜎𝜇2 ~𝑁 0, 0 2𝜎𝜇4 0
𝑇 𝜎ො𝜆2 − 𝜎𝜆2 0 0 2𝜎𝜆4

3) Swamy et Arora (1972) suggèrent de réaliser 3 régressions pour obtenir les estimateurs des variances.
La 1ère régression est la régression Within (effets fixes) qui transforme le modèle original avec 𝑄1 = 𝐸𝑁 ⊗ 𝐸𝑇 , ce qui
est équivalent à la régression
qui donne l’estimateur suivant de la variance

𝑦 ′ 𝑄 𝑦 − 𝑦 ′ 𝑄 𝑋 𝑋 ′ 𝑄 𝑋 −1 𝑋 ′ 𝑄 𝑦
𝜆መ1 = 𝜎෠ො𝜈2 =
1 1 1 1
𝑁−1 𝑇−1 −𝐾
La 2ème régression est la régression Between individuelle qui transforme le modèle original avec 𝑄2 = 𝐸𝑁 ⊗ 𝐽𝑇ҧ , ce
qui est équivalent à la régression de 𝑦ത𝑖. − 𝑦ത.. sur 𝑋ത𝑖. − 𝑋ത.. et donne l’estimateur suivant de 𝜆2 = 𝑇𝜎𝜇2 + 𝜎𝜈2
′ ′ ′ −1 ′
መ𝜆 = 𝑦 𝑄2 𝑦 − 𝑦 𝑄2 𝑋 𝑋 𝑄2 𝑋 𝑋 𝑄2 𝑦
2
𝑁−1 −𝐾
d‘où on obtient 𝜎෠ො𝜇2 = 𝜆መ 2 − 𝜎෠ො𝜈2 Τ𝑇.

La 3ème régression est la régression Between temporelle qui transforme le modèle original avec 𝑄3 = 𝐽𝑁ҧ ⊗ 𝐸𝑇 , ce
qui est équivalent à la régression de 𝑦ത.𝑡 − 𝑦ത.. sur 𝑋ത.𝑡 − 𝑋ത.. et donne l’estimateur suivant de 𝜆3 = 𝑁𝜎𝜆2 + 𝜎𝜈2
′ ′ ′ −1 ′
መ𝜆 = 𝑦 𝑄3 𝑦 − 𝑦 𝑄3 𝑋 𝑋 𝑄3 𝑋 𝑋 𝑄3 𝑦
3
𝑇−1 −𝐾
d‘où on obtient 𝜎෠ො𝜆2 = 𝜆መ 3 − 𝜎෠ො𝜈2 Τ𝑇.

En fait, l’estimateur GLS (General Least Squares est
𝛽መ𝐺𝐿𝑆 = 𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 + 𝜙32 𝐶𝑋𝑋 −1 𝑊𝑋𝑦 + 𝜙22 𝐵𝑋𝑦 + 𝜙32 𝐶𝑋𝑦 avec 𝑣𝑎𝑟 𝛽መ𝐺𝐿𝑆 = 𝜎𝜈2 𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 + 𝜙32 𝐶𝑋𝑋 −1
et 𝑊𝑋𝑋 = 𝑋 ′ 𝑄𝑋, 𝐵𝑋𝑋 = 𝑋′𝑄2 𝑋, 𝐶𝑋𝑋 = 𝑋′𝑄3 𝑋 et 𝜙22 = 𝜎𝜈2 Τ𝜆2 , 𝜙32 = 𝜎𝜈2 Τ𝜆3 .
Ainsi, l’estimateur Within de 𝛽 est 𝛽෨𝑊 = 𝑊𝑋𝑋−1

𝑊𝑋𝑦 , l’estimateur Between individuel est 𝛽መ𝐵 = 𝐵𝑋𝑋
−1
𝐵𝑋𝑦 et
l’estimateur Between temporel est 𝛽መ𝐶 = 𝐶𝑋𝑋−1
𝐶𝑋𝑦 .
Cela veut dire que 𝛽መ𝐺𝐿𝑆 est une matrice pondérée de 𝛽෨𝑊 , 𝛽መ𝐵 et 𝛽መ𝐶 :
𝛽መ𝐺𝐿𝑆 = 𝑊1 𝛽෨𝑊 + 𝑊2 𝛽መ𝐵 + 𝑊3 𝛽መ𝐶
où 𝑊1 = 𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 + 𝜙32 𝐶𝑋𝑋 −1 𝑊 ,

𝑋𝑋 𝑊2 = 𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 + 𝜙32 𝐶𝑋𝑋 −1 𝜙22 𝐵𝑋𝑋 et 𝑊3 = ሾ𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 +

𝛽መ𝐺𝐿𝑆 = 𝑊1 𝛽෨𝑊 + 𝑊2 𝛽መ𝐵 + 𝑊3 𝛽መ𝐶
où 𝑊1 = 𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 + 𝜙32 𝐶𝑋𝑋 −1 𝑊 ,

𝑋𝑋 𝑊2 = 𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 + 𝜙32 𝐶𝑋𝑋 −1 𝜙22 𝐵𝑋𝑋 et 𝑊3 = ሾ𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 +

2
4) Nerlove (1971) suggère d’estimer 𝜎𝜇2 comme 𝜎𝜇2 = σ𝑁
𝑖=1 𝜇
ො 𝑖 − 𝜇
ොҧ ൗ 𝑁 − 1 et 𝜎𝜆
2
comme 𝜎 2
𝜆 =
2
σ 𝑇 መ መ ҧ
𝜆 − 𝜆 ൗ 𝑇 − 1 où 𝜇ො et 𝜆 sont les coefficients dummies obtenus par la régression LSDV. Et 𝜎 2 est obtenu
𝑡=1 𝑡 𝑖 𝑡 𝜈
de la somme des carrés des résidus Within divisée par NT.
5) Estimateur de Maximum de Vraisemblance.

Sous l’hypothèse de normalité des résidus, la fonction de vraisemblance est
2 2 2
𝑁𝑇 𝑁 2
𝑇 2
1 2 2 2 2
1
𝐿 𝛼, 𝛽, 𝜎𝜈 , 𝜙2 , 𝜙3 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡 − 𝑙𝑜𝑔𝜎𝜈 + 𝑙𝑜𝑔𝜙2 + 𝑙𝑜𝑔𝜙3 − 𝑙𝑜𝑔 𝜙2 + 𝜙3 − 𝜙2 𝜙3 − 2 𝑢′Σ −1 𝑢
2
2 2 2 2 2𝜎𝜈
où Ω = 𝜎𝜈2 Σ = 𝜎𝜈2 σ4𝑖=1 𝑄𝑖 Τ𝜙𝑖2 avec 𝜙𝑖2 = 𝜎𝜈2 Τ𝜆𝑖 pour 𝑖 = 1, … , 4. La maximisation de cette fonction de
vraisemblance implique une condition de 1er ordre non-linéaire.
Breusch (1987) concentre la fonction de vraisemblance par rapport à 𝛼 et 𝜎𝜈2 . Dans ce cas,
2
𝛼ො𝑚𝑙𝑒 = 𝑦ത.. − 𝑋′.. 𝛽𝑚𝑙𝑒 et 𝜎ො𝜈,𝑚𝑙𝑒 = 1Τ𝑁𝑇 𝑢′ ො Σ෠ −1 𝑢ො
où 𝑢ො et Σ෠ sont basés sur les estimations de maximum de vraisemblance de 𝛽, 𝜙 2 et 𝛼

Soit 𝑑 = 𝑦 − 𝑋𝛽መ𝑚𝑙𝑒 ⟹ 𝛼ො𝑚𝑙𝑒 = 1Τ𝑁𝑇 𝜄′ 𝑁𝑇 𝑑 𝑒𝑡 𝑢ො = 𝑑 − 𝜄𝑁𝑇 𝛼ො𝑚𝑙𝑒 = 𝑑 − 𝐽𝑁𝑇
ҧ 𝑑. Cela implique
2
𝜎ො𝜈,𝑚𝑙𝑒 = 𝑑′ 𝑄1 + 𝜙22 𝑄2 + 𝜙32 𝑄3 𝑑 Τ𝑁𝑇
Et la fonction de vraisemblance concentrée

2 2
𝑁𝑇 𝑁 𝑇 1
𝐿𝐶 𝛽, 𝜙2 , 𝜙3 = 𝑐𝑜𝑛𝑡𝑎𝑛𝑡 − 𝑙𝑜𝑔 𝑑 𝑄1 + 𝜙2 𝑄2 + 𝜙3 𝑄3 𝑑 + 𝑙𝑜𝑔𝜙2 + 𝑙𝑜𝑔𝜙3 − 𝑙𝑜𝑔 𝜙22 + 𝜙32 − 𝜙22 𝜙32
′ 2 2 2 2
2 2 2 2
En la maximisant par rapport à 𝛽

𝛽መ𝑚𝑙𝑒 = 𝑋′ 𝑄1 + 𝜙22 𝑄2 + 𝜙32 𝑄3 𝑋 −1 𝑋′ 𝑄1 + 𝜙22 𝑄2 + 𝜙32 𝑄3 𝑦
On répète les calculs jusqu’à la convergence.

Effets individuels et temporels aléatoires: Application
. mixed lnY lnK1 lnK2 lnL unemp || _all:R.state_index || _all:R.yr
Mixed-effects ML regression Number of obs = 816

Group variable: _all Number of groups = 1
Obs per group: min = 816

avg = 816.0
max = 816
Wald chi2(4) = 9105.50

Log likelihood = 1450.8421 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
lnY | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lnK1 | .0202634 .0235846 0.86 0.390 -.0259617 .0664884
lnK2 | .2498939 .0219219 11.40 0.000 .2069279 .29286
lnL | .7497823 .0241874 31.00 0.000 .7023758 .7971888
unemp | -.0043719 .0010576 -4.13 0.000 -.0064447 -.002299
_cons | 2.470481 .1461092 16.91 0.000 2.184112 2.756849
------------------------------------------------------------------------------
Reprenons l’exemple de l’étude sur le Produit National Brut des stocks public et privé de capital faite sur les Etats-Unis.
Il n’existe pas des ajustements à apporter à la commande xtreg afin d’y inclure les effets temporels aléatoires. Ainsi, la commande à utiliser est mixed.
Cette commande permet une régression en panel à plusieurs niveaux. Un niveau indique une variation aléatoire et est marqué par « || ». Dans notre cas, il
y a deux niveaux, car deux variations aléatoires: l’une pour l’indice de l’état (state_index) et l’autre pour l’indice temporel (yr).
. mixed lnY lnK1 lnK2 lnL unemp || _all:R.state_index || _all:R.yr . mixed lnY lnK1 lnK2 lnL unemp || _all:R.state_index
Mixed-effects ML regression Number of obs = 816 Mixed-effects ML regression Number of obs = 816
Group variable: _all Number of groups = 1 Group variable: _all Number of groups = 1
Obs per group: min = 816 Obs per group: min = 816
avg = 816.0 avg = 816.0
max = 816 max = 816
Wald chi2(4) = 9105.50 Wald chi2(4) = 18904.40

Log likelihood = 1450.8421 Prob > chi2 = 0.0000 Log likelihood = 1401.9041 Prob > chi2 = 0.0000
------------------------------------------------------------------------------ ------------------------------------------------------------------------------
lnY | Coef. Std. Err. z P>|z| [95% Conf. Interval] lnY | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+---------------------------------------------------------------- -------------+----------------------------------------------------------------
lnK1 | .0202634 .0235846 0.86 0.390 -.0259617 .0664884 lnK1 | .0031446 .0234856 0.13 0.893 -.0428864 .0491755
lnK2 | .2498939 .0219219 11.40 0.000 .2069279 .29286 lnK2 | .309811 .0199118 15.56 0.000 .2707847 .3488374
lnL | .7497823 .0241874 31.00 0.000 .7023758 .7971888 lnL | .7313372 .0250205 29.23 0.000 .6822979 .7803765
unemp | -.0043719 .0010576 -4.13 0.000 -.0064447 -.002299 unemp | -.0061382 .0009063 -6.77 0.000 -.0079145 -.0043619
_cons | 2.470481 .1461092 16.91 0.000 2.184112 2.756849 _cons | 2.143865 .1344052 15.95 0.000 1.880436 2.407295
------------------------------------------------------------------------------ ------------------------------------------------------------------------------
Si on enlève le niveau temporel, on obtient uniquement le résultat à effets individuels aléatoires, vus dans le Chapitre 2, mais obtenus par la méthode de
Maximum de Vraisemblance (le modèle de droite).
. mixed lnY lnK1 lnK2 lnL unemp || _all:R.state_index || _all:R.yr . mixed lnY lnK1 lnK2 lnL unemp || _all:R.state_index
Mixed-effects ML regression Number of obs = 816 Mixed-effects ML regression Number of obs = 816
Group variable: _all Number of groups = 1 Group variable: _all Number of groups = 1
Obs per group: min = 816 Obs per group: min = 816
avg = 816.0 avg = 816.0
max = 816 max = 816
Wald chi2(4) = 9105.50 Wald chi2(4) = 18904.40

Log likelihood = 1450.8421 Prob > chi2 = 0.0000 Log likelihood = 1401.9041 Prob > chi2 = 0.0000
------------------------------------------------------------------------------ ------------------------------------------------------------------------------
lnY | Coef. Std. Err. z P>|z| [95% Conf. Interval] lnY | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+---------------------------------------------------------------- -------------+----------------------------------------------------------------
lnK1 | .0202634 .0235846 0.86 0.390 -.0259617 .0664884 lnK1 | .0031446 .0234856 0.13 0.893 -.0428864 .0491755
lnK2 | .2498939 .0219219 11.40 0.000 .2069279 .29286 lnK2 | .309811 .0199118 15.56 0.000 .2707847 .3488374
lnL | .7497823 .0241874 31.00 0.000 .7023758 .7971888 lnL | .7313372 .0250205 29.23 0.000 .6822979 .7803765
unemp | -.0043719 .0010576 -4.13 0.000 -.0064447 -.002299 unemp | -.0061382 .0009063 -6.77 0.000 -.0079145 -.0043619
_cons | 2.470481 .1461092 16.91 0.000 2.184112 2.756849 _cons | 2.143865 .1344052 15.95 0.000 1.880436 2.407295
------------------------------------------------------------------------------ ------------------------------------------------------------------------------
Même si les résultats avec et sans effets temporels sont qualitativement similaires, la modélisation est différente.

Chapitre 3 - Modèles À Effets Individuels Et Effets Temporels

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

Chapitre 3 - Modèles À Effets Individuels Et Effets Temporels

Transféré par

Droits d'auteur :

Formats disponibles

Ion Lapteacru, MCF HDR (15h)

𝑦𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡′ 𝛽 + 𝑢𝑖𝑡

où 𝑢′ = 𝑢11 , … , 𝑢1𝑇 , … , 𝑢𝑁1 , … , 𝑢𝑁𝑇 , 𝑍𝜇 = 𝐼𝑁 ⨂𝜄 𝑇 , 𝑍𝜆 = 𝜄𝑁 ⨂𝐼𝑇 , 𝜇′ = 𝜇1 , … , 𝜇𝑁 , 𝜆′ = 𝜆1 , … , 𝜆 𝑇 et 𝜈 ′ =

A noter que 𝑍𝜇 𝑍′𝜇 = 𝐼𝑁 ⨂𝐽𝑇 , 𝑍𝜆 𝑍′𝜆 = 𝐽𝑁 ⨂𝐼𝑇 et

𝑄 = 𝐸𝑁 ⊗ 𝐸𝑇 = 𝐼𝑁 ⊗ 𝐼𝑇 − 𝐼𝑁 ⊗ 𝐽𝑇ҧ − 𝐽𝑁ҧ ⊗ 𝐼𝑇 + 𝐽𝑁ҧ ⊗ 𝐽𝑇ҧ

L’estimateur Within obtenu est

Pour une régression simple (1 seule variable explicative)

Prenant la moyenne entre les individus,

Prenant la moyenne dans le temps,

De même, prenant également la moyenne entre les individus,

Pour une régression simple (1 seule variable explicative)

L’estimateur 𝛽෨ est obtenu de la régression

et l’estimateur 𝜇෤𝑖 , de l’équation

et l’estimateur 𝜆ሚ𝑡 , de l’équation

Il s’agit d’un test de Chow. On peut effectuer le test joint

où K est le nombre de variables explicatives,

LSDV est un estimateur BLUE pour un modèle à effets fixes.

où K est le nombre de variables explicatives,

RRSS est obtenue de la régression

URSS est obtenue de la régression

F(20,748) = 768.12 F(4,764) = 3064.81

R-sq: within = 0.9536 Obs per group: min = 17 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0 et 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0

F(20,748) = 768.12 La statistique de Fisher 𝐹0 =

R-sq: within = 0.9536 Obs per group: min = 17 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑁−1 = 0 et 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇−1 = 0

F(20,748) = 768.12 La statistique de Fisher 𝐹0 =

------------------------------------------------------------------------------ La statistique de Fisher 𝐹0 =

On fait ensuite la régression avec les MCO et on obtient RRSS=6.2942

La matrice de variance-covariance s’en obtient:

où 𝜆1 = 𝜎𝜈2 , 𝜆2 = 𝑇𝜎𝜇2 + 𝜎𝜈2 , 𝜆3 = 𝑁𝜎𝜆2 + 𝜎𝜈2 et 𝜆4 = 𝑇𝜎𝜇2 + 𝑁𝜎𝜆2 + 𝜎𝜈2

L’estimateur GLS ou MCG (Moindres Carrés Généralisés)

L’élément de la matrice 𝑦 ∗ = 𝜎𝜈 Ω−1Τ2 𝑦 est

L’estimateur GLS ou MCG (Moindres Carrés Généralisés)

Les estimateurs d’Amemiya ont la distribution suivante

L’estimateur GLS ou MCG (Moindres Carrés Généralisés)

qui donne l’estimateur suivant de la variance

d‘où on obtient 𝜎෠ො𝜇2 = 𝜆መ 2 − 𝜎෠ො𝜈2 Τ𝑇.

L’estimateur GLS ou MCG (Moindres Carrés Généralisés)

d‘où on obtient 𝜎෠ො𝜆2 = 𝜆መ 3 − 𝜎෠ො𝜈2 Τ𝑇.

L’estimateur GLS ou MCG (Moindres Carrés Généralisés)

Ainsi, l’estimateur Within de 𝛽 est 𝛽෨𝑊 = 𝑊𝑋𝑋−1

où 𝑊1 = 𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 + 𝜙32 𝐶𝑋𝑋 −1 𝑊 ,

L’estimateur GLS ou MCG (Moindres Carrés Généralisés)

où 𝑊1 = 𝑊𝑋𝑋 + 𝜙22 𝐵𝑋𝑋 + 𝜙32 𝐶𝑋𝑋 −1 𝑊 ,

L’estimateur GLS ou MCG (Moindres Carrés Généralisés)

5) Estimateur de Maximum de Vraisemblance.

où 𝑢ො et Σ෠ sont basés sur les estimations de maximum de vraisemblance de 𝛽, 𝜙 2 et 𝛼

L’estimateur GLS ou MCG (Moindres Carrés Généralisés)

Et la fonction de vraisemblance concentrée

En la maximisant par rapport à 𝛽

On répète les calculs jusqu’à la convergence.

Mixed-effects ML regression Number of obs = 816

Obs per group: min = 816

Wald chi2(4) = 9105.50

Wald chi2(4) = 9105.50 Wald chi2(4) = 18904.40

Wald chi2(4) = 9105.50 Wald chi2(4) = 18904.40

Vous aimerez peut-être aussi