Économétrie II

Économétrie II
L3 Économétrie – L3 MASS

Prof. Philippe Polomé, U. Lyon 2

Année 2014-2015
Économétrie II
Ch. 8. Introduction aux systèmes d’équations

Table des matières

Ch. 8. Introduction aux systèmes d’équations

Modèle SUR
Données de panel
Estimateurs
Économétrie II
Ch. 8. Introduction aux systèmes d’équations

Aperçu des systèmes

Y1 = X1 b1 + e1
I Système “minimal”
Y2 = X2 b2 + e2
I Sans autre précision, on est dans des conditions MCO
I Hétéroscédasticité : se1 6= se2
I Autocorrélation : cov (e1 , e2 ) 6= 0
I On peut avoir que l’indice représente le temps : panel data
I Souvent, on imposera alors b1 = b2
I On peut avoir Y2 ◆ X1 et Y1 ◆ X2 : équations simultanées
I On peut utiliser 2SLS équation par équation
I On peut estimer le système entier en se servant des variables
exogènes d’une équation comme instrument dans l’autre
équation : 3SLS
I On peut avoir des restrictions entre équations
I Y1 + Y2 = 1
I b13 = b23
Économétrie II
Ch. 8. Introduction aux systèmes d’équations

Cadre Général : Modèle multivarié

I N observations iid en coupe transversale {(Xi , Yi ) : i = 1, ..., N}

I Yi est un vecteur de G observations des variables dépendantes
du système
I Xi est une matrice G ⇥ K de toutes les variables explicatives qui
apparaissent dans le système
I Une observation i du système est Yi = Xi b + ei
I b est un vecteur K ⇥ 1
I ei est G ⇥ 1
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Modèle SUR

Table des matières

Ch. 8. Introduction aux systèmes d’équations

Modèle SUR
Données de panel
Estimateurs
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Modèle SUR

Modèle SUR
0 1
0 1Xi1 0 0 ··· 0
yi1 B 0 Xi2 0 C
B yi2 C B C
B C B .. C
Yi = B . C, Xi = B B 0 0 . C
C
@ .. A B .. .. C
@ . . 0 A
yiG
0 0 · · · 0 XiG
Xig = xig 1 xig 2 . . . xigkg
0 1 0 1
b1 bg 1
B b2 C B bg 2 C
B C B C
b = B . C, bg = B . C
@ .. A @ .. A
bG bgkg
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Modèle SUR

SUR

I On a donc un système de G équations qui sont complètement

distinctes
I Régresseurs différents
I Coefficients différents
I D’où le nom
I Des corrélations entre erreurs entre différentes équations sont les
liens entre équations qui seront exploités pour une estimation
plus efficiente
I Dans SUR, on suppose E (Xig uig ) = 0 : exogénéité
I Il n’est pas nécessaire que E Xih uig = 0 pour h 6= g (car les
éléments correspondants de la matrice X sont nuls)
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Modèle SUR

SMCO

I Si on applique MCO sur le système ainsi défini, si X est de plein

rang
I SUR MCO : SMCO (Système MCO) est un estimateur consistant
I Si de plus E (ei |Xi ) = 0 alors SMCO est non biaisé
I Il est possible d’écrire une matrice de var-cov des b̂ robuste de
type White
I Dans ce contexte, SMCO est équivalent à MCO équation par
équation
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Modèle SUR

Estimateur SUR

I Si on ajoute des hypothèses sur la matrices de Var-Cov ⌃e des

erreurs e (et si ces hypothèses sont vraies) on peut atteindre une
plus grande efficience : MCG appliqué au système
I On procède exactement comme avec MCG
I La structure du système d’équations indique généralement quelles
équations sont corrélées entre elles
I On obtient une estimation de ⌃e comme dans le cas à une
équation
I L’application de MCGF au système est l’estimateur SUR
I Disponible dans Gretl via “modèle” “équations simultanées”
I SUR n’est pas un système d’équations simultanées, c’est juste la
commande qui a plusieurs options
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Modèle SUR

Test entre éqs

I Même quand toutes les eqs ont les mêmes régresseurs ds un

système SUR, il y a une bonne raison de préférer l’estimation du
système : tester des hyp jointes sur des paramètres dans
différentes éqs
I Ds ce cas, il faut une estimation de la matrice de covariance de
l’ensemble des coefficients
I Pas seulement de chaque éq séparément (qui ne permet des tests
que à l’intérieur de chaque éq)
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Modèle SUR

Exemple : Système pour Salaires et Avantages en nature

I Données FRINGE ds Gretl pour estimer un système à 2 éqs

I Salaire horaire hrearn
I Avantages horaires hrbens
I Régresseurs
I educ (années) exper (années) exper^2
I tenure (=années avec l’employeur actuel) tenure^2
I union (=1 si syndiqué) south nrtheast nrthcen (régions)
I married white male intercept
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Modèle SUR

Exemple : Système pour Salaires et Avantages en nature

Commande Gretl
I Model ! Simultaneous eqs (même si ça n’en est pas)
I Fenêtre blanche
I equation : hrearn educ exper expersq tenure tenuresq union south
nrtheast nrthcen married white male
I idem avec hrbens
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Données de panel

Table des matières

Ch. 8. Introduction aux systèmes d’équations

Modèle SUR
Données de panel
Estimateurs
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Données de panel

Introduction

I Donnée Panel = observations répétées sur la même coupe

transversale
I On s’intéresse aux panels courts
I Larges coupes transversales, peu de périodes
I Plusieurs modèles linéaires et pls estimateurs
I Certains estimateurs sont inconsistants pour certains modèles
I Calculer les écarts-types est plus compliqué qu’en coupe
transversale
I corrélation dans le temps par individu + hétéroscédasticité
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Données de panel

Modèles de données de panel

I Modèle typique de données de panel

0
yit = ai + gt + xit b + eit
N T
 aj dj,it +  gs ds,it + xit b + eit
0
yit =
j=1 s=2
I yit dépendante, scalaire
I xit vecteur K ⇥ 1 de variables indépendantes
I eit terme d’erreur scalaire
I i = 1...N
I t = 1...T
I Les intercepts changent entre individus et par période mais pas
les pentes
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Données de panel

Dichotomiques individuelles et de temps

I Les N dichotomiques individuelles dj,it = 1 si i = j et zero sinon
I T −1 dichotomiques de temps ds,it
I xit ne contient pas d’intercept
I Panels courts N ! • mais pas T
I Les g sont en nombre fini et peuvent donc être estimés de façon
consistante
I On met les dichotomiques de temps dans les régresseurs xit
I Problème de paramètres incidents
I On a N intercepts ai donc problème lorsque N ! •
I Comment estimer les paramètres b en contrôlant pour les N
intercepts ai ?
I Si on met des dichotomiques, la matrice de régresseur devient
infinie
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Données de panel

Modèles à effets individuels

I Effets individuels : différents intercept, mêmes pentes

0
yit = ai + xit b + eit

eit iid sur i et t

I Les ai sont des variables aléatoires qui capturent
l’hétérogénéité inobservée
I Charactéristiques individuelles inobservées constantes dans le
temps
I Si cette hétérogénéité est corrélée avec certains régresseurs x, ne
pas avoir les ai (comme en coupe transverale) provoquerait
l’inconsistence de l’estimation des b
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Données de panel

Modèles à effets fixes / aléatoires

0
I Le modèle dit à effets fixes FE est le modèle yit = ai + xit b + eit
dans lequel on considère que les ai sont potentiellement corrélés
avec les régresseurs observés xit
I Les estimateurs dits à efets fixes éliminent les ai pour permettre
une estimation consistante des b dans un panel court
I Si dans ce même modèle on pense que ai sont distribués
indépendamment des régresseurs x, on a le modèle à effets
aléatoires RE
I Habituellement on va de plus supposer que les effets aléatoires ai
et le terme d’erreur eit sont iid

ai ⇠ a, sa2
eit ⇠ 0, se2
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Données de panel

Modèle équicorrélé

I Le modèle à effets aléatoires peut être vu comme une régression

de yit sur xit avec erreur composite uit = ai + eit t.q.
⇢ 2
sva , t 6= s
Cov [(ai + eit ), (ai + eis )] =
sv2a + sv2e , t = s

I Le modèle RE impose que l’erreur composite uit soit

équicorrélée puisque Cor [uit , uis ] = sv2a /[sv2a + sv2e ] pour t 6= s est
constant quelle que soit la différence temporelle t−s
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Données de panel

FE contre RE

I Dans les panels courts, le modèle FE ne permet l’identification

que des coefficients b = ∂ E [yit |ci , xit ]/∂ xit
I et seulement pour les coefficients qui varients dans le temps
I Le modèle RE permet l’identification de tous les b et suppose
que E [ai |xit ] est constante sur les i
I Cela permet de calculer l’espérance conditionnelle E [yit |xit ],
I Mais l’hypothèse clef que E [ai |xit ] est constante n’est pas
considérée comme raisonnable dans beaucoup d’applications
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Données de panel

Modèle groupé (pooled)

yit = a + xit´ b + eit , i = 1, ..., N, t = 1, ..., T

I Pas de i pour a
I Pas d’effet panel : comme MRL
I Mais Hétéroscédasticité & Autocorrélation de type
“bloc-diagonal”
I En résumé 3 modèles panel linéaires non-dynamiques
I FE
I RE
I Groupé
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Table des matières

Ch. 8. Introduction aux systèmes d’équations

Modèle SUR
Données de panel
Estimateurs
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Estimateur 1 : MC groupé

I On estime par MCO (ou MCG) une longue régression à NT

observations yit sur xit et une constante
I Si Cov [uit , xit ] = 0 alors N ! • est suffisant pour la consistence
I Mais souvent on va considérer que Cov [uit , xit ] 6= 0 : endogénéité
par Hét inobservée
I La matrice usuelle MCO basée sur des erreurs iid est
inappropriée puisque on a sûrement autocorrélation sur t pour un
i donné
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Estimateur MC groupé et matrice de covariance

I 8i on s’attend à une corrélation des y dans le temps

I Le modèle RE accommode en partie cette corrélation avec
Cor [uit , uis ] = sv2a /[sv2a + sv2e ] pour t 6= s
I Il faut utiliser des écarts-types corrigés panel quand on utilise
MCO dans un contexte panel
I Bcp de corrections sont possibles, selon la corrélation et
heteroscedasticité supposées
I Correction nécessaire 8 modèles panel : structure de corrélation
jamais identité
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Estimateur MC groupé et modèle FE

I Estimateur MC groupé inconsistant si le vrai modèle est FE

I Réécrire FE : yit = a + xit´ b + (ai −a + eit )
I Alors MC groupé de FE inconsistant pour b si les effets
individuels ai corrélés avec régresseurs xit
I En résumé, MC groupé est :
I consistant et non-biaisé si le modèle groupé ou RE est approprié
I ˆ pour l’inférence (donc MC groupé
Mais il faut corriger ⌃ b̂
inefficient)
I Inconsistant si FE est approprié
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Estimateur 2 : Between (“entre”)

I On prend le modèle à effets individuels yit = a + xit´ b + eit

I On prend la moyenne sur toutes les périodes ȳi = ai + x̄i´ b + ēi
où ȳi = T −1 Ât yit , ēi = T −1 Ât eit , et x̄i = T −1 Ât xit
I Le modèle between est
0
ȳi = a + x̄i b + (ai a + ēi ) i = 1, ..., N

I L’estimateur MC groupé utilise les variation à la fois sur le

temps et les individus pour estimer b
I L’estimateur between n’utilise que les variations entre individus
(coupe transversale)
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Between 2

I L’estimateur between est MC de ȳi sur un intercept et x̄i

I L’estimateur between est consistant si les régresseurs x̄i sont
indépendant de l’erreur composite (ai −a + ēi )
I Vrai pour modèles groupé et RE
I Par contre, pour le modèle FE, l’estimateur FE est inconsistant
car ai est alors corélés avec xit et donc avec x̄i
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Estimateur 3 : Within (“intérieur”) – Effets Fixes – FE

I L’estimateur within exploite la structure panel des données, au

contraire de ceux vus jusqu’ici
I Il mesure l’association entre déviations individuelles p/r aux
moyennes individuelles entre régresseurs et dépendantes
I “Déviations expliquées par déviations”
0
I On reprend le modèle à effets individuels yit = ai + xit b + eit
I Moyenne sur le temps ȳi = ai + x̄i´ b + ēi
I Soustraction : modèle within , les ai s’annulent :
0
yit ȳi = (xit x̄i ) b + (eit ēi )
1, ..., N, t = 1, ..., T
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Within 2

I Estimateur within b̂W = MC sur

0
yit ȳi = (xit x̄i ) b + (eit ēi )
I consistant pour b pour les 3 modèles groupé, FE, RE
I On l’appelle FE (ou estimateur à effets fixes) car il est efficient
pour b si les ai sont constantes (“fixes”) et l’erreur eit iid
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Within 3
Nous nous intéressons au cas où les effets individuels sont traités
comme des paramètres nuisibles que l’on peut ignorer car notre seul
intérêt est b
I Les effets individuels ai peuvent aussi être estimés via
0
âi = ȳi x̄i b̂W
I En panel courts, ces âi sont inconsistants, mais leur distribution
ou variation peut être informative
I Si N pas trop grand, on peut aussi estimer par MC avec
dichotomiques individuelles
I Estime directement âi par MC de yit sur xit et les N
dichotomiques individuelles
I C’est la même chose que l’estimateur within + le calcul
0
âi = ȳi x̄i b̂W
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Within 4

Une limitation majeure de within est que les coef des régresseurs
chronoconstants (time-invariant) ne sont pas identifiés car si xit = x̄i
alors x̄i = xi et (xit −x̄i ) = 0
I Souvent, c’est un important objet d’études
I P.e. effet du genre ou groupe ethnique sur le salaire
I Pour cette raison, bcp de praticiens préfèrent utiliser l’estimateur
RE qu’on verra après
I RE (et MC groupé) est par contre inconsistant (pour b et ai ) si
les ai sont corrélés aux eit (si FE est le modèle correct)
I Il vaut sans doute mieux estimer FE (consistant pour b ) et
0
calculer âi = ȳi x̄i b̂W (inconsistant)
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Bien comprendre panel

Observed marginal costs over a number of firms
during one period
Marginal Cost

Output
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Fitting an OLS line : mc looks decreasing

Marginal Cost

Output
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Observed marginal costs over the same firms during 3 periods

Marginal Cost

Output
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Observed marginal costs over the same firms during 3 periods

Marginal Cost

Output
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Estimateur 4 : Différences Premières – First-Differences

I Exploite aussi la structure panel

I Mesure l’association entre les changements de période à période
entre dépendanteset régresseurs
I “Changements expliqués par changements”
0
I On reprend le modèle à effets individuels yit = ai + xit b + eit
´
Ensuite : retards d’une période yi,t−1 = ai + xi,t− 1 b + ei,t−1 .
I
I Soustraction : modèle en différences premières, les termes en ai
s’annulent :
0
yit yi,t 1 = xit xi,t 1 b + eit ei,t 1
i = 1, ..., N, t = 2, ..., T
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Différences premières 2

I L’estimateur différences premières est MC appliqué au modèle

différences premières
I Il est consistant pour b dans les 3 modèles, groupé RE FE, mais
les coefficients des régresseurs chronoconstants ne sont pas
identifiés
I Il est moins efficient que within pour T > 2 si eit iid
I S’il y a de l’autocorrélation, c’est moins clair
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Estimateur 5 : Effets Aléatoires – Random Effects – RE

I Exploite aussi la structure panel

0
I On reprend le modèle à effets individuels yit = ai + xit b + eit
I On suppose le modèle RE où ai et eit sont iid = “hypothèse RE”
I Dans ce cas les 4 estimateurs panel vus jusqu’ici sont consistants
mais MCG groupé est plus efficient
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Rappel : MCG en coupe transversale

I Lorsque toutes les hypothèses du MRL sont satisfaites, mais la
matrice de covariance des erreurs ⌃ n’est pas l’identité, alors
I MCO consistant
I Pas efficient : si on connaissait la structure de ⌃, on pourait être
plus efficient
0
⇣ 0⌘
I Soit le MRL classsique y = x b + e avec E ee = ⌃ 6= s 2 I
0
I Soit P P = ⌃ 1
I Prémultiplier le MRL par P
I Py = Pxb + Pe ou y ⇤ = x ⇤ b + e ⇤
⇣ 0 0
⌘ ⇣ 0⌘ 0
I Alors Var (e ⇤ ) = E Pee P = PE ee P
0
⇣ 0 ⌘ 1 0 ⇣ 0⌘ 1 0
I = P⌃P = P P P P = PP 1 P P =I
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Rappel : MCG 2

I Le modèle transformé a des erreurs sphériques

I Appliquer MCO sur les données transformées est un estimateur
efficient
I C’est MCG
I Comme ⌃ est inconnue en pratique, il nous faut une estimation
I ˆ produit un estimateur MCG
Toute estimation consistante de ⌃, ⌃,
Faisable
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Effets Aléatoires RE 2
I Le MCG faisable du modèle RE, appelé estimateur RE / effets
aléatoires peut être calculé à partir de l’estimation MCO du
modèle transformé suivant :
⇣ ⌘ ⇣ ⌘0
yit l̂ ȳi = 1 l̂ µ + xit l̂ x̄i b + nit

où nit = (1−l̂)ai + (eit −l̂ēi ) est asymptotiquement iid

l̂ est consistant pour
se
l =1 p
se2 + T sa2
I Dérivation détaillée : Cameron and Trivedi 21.7
I Ne sera efficient que si le modèle RE (équicorrélé) est vrai
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Effets Aléatoires RE 3
I Le scalaire non-aléatoire µ est ajouté de telle sorte que le terme
d’erreur nit puisse avoir espérance nulle
I Sur le fond µ n’a guère d’interprétation, peut-être comme une
espérance des ai
I On ne détaille pas la dérivation de l’estimateur RE ni les façons
d’estimer sv2a et sv2e (qui servent à estimer l)
I Notes :
I l̂ = 0 correspond à MC groupé
I l̂ = 1 correspond within
I l̂ ! 1 lorsque T ! •.
I b̂RE est un estimation en 2 étapes de b
I L’estimation des covariances de ces estimations doit en tenir
compte
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

Effets Aléatoires RE 4

I L’estimateur RE est complètement (fully) efficient si le modèle

RE ou Groupé est approprié
I Le gain en efficience peut ne pas être grand par rapport à MC
groupé
I Il peut ne pas être efficient si la structure d’autocorrélation n’est
pas l’equicorrélation, en particulier dans le cas d’erreur AR(1)
I Il est inconsistant, si le modèle FE est approprié (puisque dans
ce cas, ai est corrélé à xit )
Économétrie II
Ch. 8. Introduction aux systèmes d’équations
Estimateurs

En résumé

Modèle
Estimateur Effets individuels
Groupé
FE RE equicorr
MC groupé C + IE IC C + IE
Between C + IE IC C + IE
Within FE C + IE C + E? C + IE
Diff 1ères C + IE C + E? C + IE
Effets aléatoires RE C + E? IC C+E