Académique Documents
Professionnel Documents
Culture Documents
Guillaume Horny∗
∗ Banque de France
Master 2 MASERATI
Chapitre 1
Plan
1 Introduction
2 Modèle empilé
6 Estimateur intra-individuel
7 Modèle en différence
8 Conclusion
Plan
1 Introduction
2 Modèle empilé
6 Estimateur intra-individuel
7 Modèle en différence
8 Conclusion
0
yit = αit + xit βit + it ,
où yit est scalaire, xit un vecteur de dimension (Kx1) contenant les
variables, et it un terme d’erreur scalaire.
Plan
1 Introduction
2 Modèle empilé
6 Estimateur intra-individuel
7 Modèle en différence
8 Conclusion
Si :
il n’y a pas d’hétérogénéité inobservée,
et que les variables explicatives sont sans corrélation avec le terme
d’erreur (cov(xit , it ) = 0),
alors l’estimateur OLS est convergent.
Attention :
Si le vrai modèle comprend un terme d’hétérogénéité inobservée αi
corrélé avec x (qui mesurerait des caractéristiques individuelles comme
une préférence pour certains produits, des aptitudes impossibles à
mesurer, etc.), alors l’estimateur OLS est biaisé.
Les résidus de l’individu i sont très certainement autocorrélés.
L’approximation habituelle de la variance de l’estimateur OLS, basée
sur l’hypothèse d’observations i.i.d, n’est plus valide ici. Elle conduit à
des t de Student surévalués.
⇒ besoin d’utiliser des estimateurs de la matrice de variance corrigés
pour l’autocorrélation des erreurs.
Le “truc” est que deux variables corrélées, x1 et x2, ont été utilisées pour
simuler les données. On n’en a toutefois utilisé qu’une seule (x2) pour la
régression OLS. Du coup, l’influence de la variable omise a été capturée par
le terme d’erreur, qui s’est retrouvé corrélé avec la seule explicative du
modèle.
⇒ problème d’endogénéité, estimateur OLS biaisé
Guillaume Horny (Banque de France) Econométrie des panels (chap 1) 2020 9 / 66
Modèle linéaire à effets inobservés
Plan
1 Introduction
2 Modèle empilé
6 Estimateur intra-individuel
7 Modèle en différence
8 Conclusion
Les alphai
Plan
1 Introduction
2 Modèle empilé
6 Estimateur intra-individuel
7 Modèle en différence
8 Conclusion
0
yit = αi + xit β + it ,
où αi est constant dans le temps et propre à chaque unité statistique. Son
influence sur la variable dépendante est la même à chaque date
où x = (d , z) et β = (β1 , β2 ).
0
E(yit |xi1 , . . . , xiT , αi ) = E(yit |xit , αi ) = αi + xit β.
Interprétation :
lorsque xit et αi sont pris en compte, xis , s 6= t, n’a plus d’effet sur yit
le modèle est linéaire dans les paramètres
Plan
1 Introduction
2 Modèle empilé
6 Estimateur intra-individuel
7 Modèle en différence
8 Conclusion
Pour souligner le fait que les effets fixes sont des paramètres à estimer, on
voit parfois l’écriture faisant explicitement apparaître des indicatrices
d’individus.
Deux solutions :
éliminer la constante
garder la constante et éliminer l’indicatrice d’un individu (disons celle
de l’individu j). On dit alors que j est l’individu de référence.
En effet, considérons le cas où x est une matrice ne contenant qu’une
constante. On a pour l’individu j :
E(yjt |xjt ) = β0 .
Plan
1 Introduction
2 Modèle empilé
6 Estimateur intra-individuel
7 Modèle en différence
8 Conclusion
Le modèle est :
0
yit = αi + xit β + it .
En prenant les moyenne intra-individuelles, on a ...
0
yi. = αi + xi. β + i. .
Going deeper...
Les OLS sur modèle avec indicatrices et l’estimation within donnent les
mêmes résultats du fait du théorème de Frisch-Waugh-Lovell.
Le théorème de Frisch-Waugh-Lovell
Y = X1 β1 + X2 β2 + .
Convergence
C’est l’estimateur OLS, il est donc sans biais sous l’hypothèse
d’exogénéité forte conditionnelle aux inobservables.
Efficacité
Il est de variance minimale sous l’hypothèse d’exogénéité forte
conditionnelle aux inobservables et d’homoscédasticité
0
E(i i |xi , αi ) = σ2 IT .
MY = MX2 β2 + M,
0 0
où M = I − X1 (X1 X1 )−1 X1 . L’estimateur within a pour expression :
0
−1 0
βbW = (MX2 ) MX2 (MX2 ) MY .
D’où :
0 −1 0
E(βbW |X ) = β2 + X2 MX2 X2 ME(|X )
= β2 (par l’exogénéité conditionnelle)
⇒ EX [E(βbW |X )] = E(βbW ) = β2 .
1 XX
b2 =
σ 2it .
N(T − 1) − K
b
t i
Optimalité :
Comme l’estimateur within est un estimateur OLS, le théorème de
Gauss-Markov s’applique et il est de plus petite variance parmi les
estimateurs linéaires sans biais. Ce résultat requiert l’exogénéité forte
conditionnelle aux inobservables et l’homoscédasticité.
Or, il peut y avoir une autocorrélation dans les erreurs, qui introduit une
autocorrélation entre les yit . En présence d’autocorrélation ou
d’hétéroscédasticité, cet estimateur ne converge plus vers la vraie matrice
de variance.
1 X 0 0
(X 2i − X 2i. ) b ui (X 2i − X 2i. ),
ui b
N
i
Implication pratique
Plan
1 Introduction
2 Modèle empilé
6 Estimateur intra-individuel
7 Modèle en différence
8 Conclusion
Intuition
0 0
yit − yit−1 = (αi − αi ) + (xit − xit−1 )β + (it − it−1 )
0
∆yit = ∆xit β + ∆it .
Implications :
les β s’interprêtent exactement de la même manière qu’après
transformation within : le modèle sous-jacent reste un modèle linéaire
à effets fixes individuels
cette écriture montre explicitement qu’on ne peut pas identifier les β
des explicatives qui ne varient pas dans le temps
on perd les observations de la première date, il reste N(T − 1)
observations
Ecriture matricielle
DY = DX β + D,
où :
−1 1 0 0 · · · 0
0 −1 1 0 · · · 0
D= . ..
.. ..
. .
0 ··· 0 0 −1 1
= −E[2it−1 ]
= −σ2 ≤ 0.
Si les eit sont indépendants, alors it = it−1 + eit est une marche aléatoire.
1 XX
b2 =
σ eit2 ,
N(T − 1) − K
b
t i
Sous ces hypothèses sur les erreurs, les écarts-types fournis par l’estimation
OLS sont directement utilisables après calcul manuel des différences
premières, à l’inverse de la transformation within manuelle.
Guillaume Horny (Banque de France) Econométrie des panels (chap 1) 2020 57 / 66
Modèle en différence
Variance robuste
Plan
1 Introduction
2 Modèle empilé
6 Estimateur intra-individuel
7 Modèle en différence
8 Conclusion
Principaux résultats
Principaux résultats
Principaux résultats