See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/358128764

Econométrie des Données de Panel Dynamique

Chapter · January 2022

CITATIONS READS

0 8,859

1 author:

Islem Khefacha
University of Monastir Faculty of Economics and Management of Mahdia
80 PUBLICATIONS 112 CITATIONS

SEE PROFILE

All content following this page was uploaded by Islem Khefacha on 26 January 2022.

The user has requested enhancement of the downloaded file.

 Université de Monastir
Faculté des Sciences Economiques et de Gestion de Mahdia

Econométrie
des Données de Panel
2èmes Années Masters de Recherche
Finance & Banque et Finance Internationale

Chapitre 5:
Les Modèles de Panel Dynamique

Pr. Islem KHEFACHA

Islem.Khefacha@fsegma.u-monastir.tn

Année Universitaire: 2021/2022

 Introduction

 Ce sont les modèles qui font dépendre la valeur de Y pour le ième

individu à la date t non seulement des valeurs prises par les variables

Xi pour ce même individu mais aussi – et c’est là que réside la source

des difficultés associées à l’estimation de ces modèles – des valeurs

retardées de la variable expliquée elle-même.

 Un modèle dynamique est un modèle dans lequel un ou plusieurs

retards de la variable dépendante figurent comme variables explicatives.

© Islem KHEFACHA
 Introduction

Le modèle étudié ici peut donc être spécifié sous la forme :

Y it   i   X it   Y it  1   it

si on s’en tient à une seule variable exogène.

© Islem KHEFACHA
 Introduction

 On pourrait considérer la valeur retardée de Y comme une variable

explicative tout à fait ordinaire et procéder par conséquent à
l’estimation des coefficients du modèle en mettant en œuvre les
techniques qui ont été présentées jusqu’ici (par exemple en utilisant
l’estimateur within).

 Malheureusement, on va montrer que, précisément, Yit-1 n’est pas

une variable explicative « comme une autre » et que l’estimateur
(within notamment) du coefficient qui lui est attaché est
nécessairement biaisé et non convergent. Dès lors, d’autres techniques
d’estimation doivent être envisagées qui font appel à l’usage de
variables instrumentales.

© Islem KHEFACHA
 Estimateur des Variables Instrumentales

L’estimateur des Variables Instrumentales

(Anderson et Hsiao - 1981)

Récrivons justement le modèle en différences premières (on supposera,

pour la simplicité, que le modèle est purement autorégressif) :

Yit Yit1   ( Xit  Xit1 ) (Yit1 Yit2 ) (it it1 )

Ce modèle est biaisé par construction puisque la variable

explicative ∆Yit-1 est corrélée avec le nouveau terme d’erreur ∆εit
 εit-1 est une des composantes de Yit-1

© Islem KHEFACHA
 Estimateur des Variables Instrumentales

Pour autant, Yit-2, lui, n’est théoriquement pas corrélé avec ∆εit tout
en demeurant fortement corrélée avec ∆Yt-1

Yit-2 présente donc à ce titre toutes les qualités attendues d’un bon
instrument

Dans ce contexte, la logique veut qu’on mette en œuvre la méthode des

variables instrumentales

© Islem KHEFACHA
 Estimateur des Variables Instrumentales

Rappelons que, si Zt est un instrument pour la variable explicative Xt

corrélée avec le terme d’erreur, l’estimateur des variables instrumentales

VI, pour le modèle Yt = a + b Xt + εt est donné par :

© Islem KHEFACHA
 Estimateur des Variables Instrumentales

Pour le modèle dynamique étudié, l’estimateur des variables

instrumentales (Anderson et Hsiao 1981) a pour expression :

© Islem KHEFACHA
 Estimateur des Variables Instrumentales

Alternativement, Anderson et Hsiao ont aussi proposé d’utiliser :

qui présente toutefois l’inconvénient de conduire à la perte d’un degré

de liberté.

© Islem KHEFACHA
 Méthode des Moments Généralisés

La Méthode des Moments Généralisés (GMM)

(Arellano & Bond – 1991)

On vient de voir, en nous plaçant dans le cadre analytique simplifié d’un

modèle purement autorégressif, que la méthode des variables
instrumentales consiste à retenir Yit-2 comme instrument à la place de
∆Yit-1 dans le modèle récrit en différence première :

Yit Yit1   ( Xit  Xit1 )  (Yit1 Yit2 )  ( it it1 )

 Y it    X it    Y it  1    it

© Islem KHEFACHA
 Méthode des Moments Généralisés

 La méthode GMM repose sur les conditions d’orthogonalité entre les

variables retardées et le terme d’erreur, aussi bien en différences
premières qu’en niveau. Lorsque le modèle dynamique est exprimé en
différences premières, les instruments sont en niveau, et vice versa.

 Dans le modèle à estimer, l'utilisation des variables retardées comme

instruments diffère selon la nature des variables explicatives:
a. Pour les variables exogènes, leurs valeurs courantes sont utilisées
comme instruments.
b. Pour les variables prédéterminées ou faiblement exogènes (des
variables qui peuvent être influencées par les valeurs passées de la
variable dépendante, mais qui restent non corrélées aux réalisations
futures du terme d'erreur), leurs valeurs retardées d'au moins une
période peuvent être utilisées comme instruments.
c. Pour les variables endogènes, leurs valeurs retardées de deux
périodes et plus peuvent être des instruments valides.

© Islem KHEFACHA
 Méthode des Moments Généralisés

 La validité des instruments retenus peut être confirmée ou

infirmée, à partir des tests de Hansen et de Sargan.

 Il existe deux variantes d'estimateur des GMM en panel dynamique:

 L'estimateur GMM en différences premières

 L'estimateur GMM en système.

© Islem KHEFACHA
 Méthode des Moments Généralisés
GMM en Différences Premières
L'estimateur GMM en différences premières d'Arellano et Bond (1991)
consiste à prendre pour chaque période la première différence de l'équation à
estimer pour éliminer les effets spécifiques individuels. On obtient :

 Y it    X it    Y it  1    it

 Il s’agit ensuite d’ instrumenter la variable endogène retardée par ses valeurs

passés de 2 périodes et plus. Cependant, cette méthode ne permet pas d’identifier
l’effet des facteurs invariants dans le temps. De plus, Blundel et Bond (1998) ont
montré à l'aide des simulations de Monte Carlo que l'estimateur GMM en
système est plus performant que celui en différences premières, ce dernier donne
des résultats biaisés dans des échantillons finis lorsque les instruments sont
faibles.
© Islem KHEFACHA
 Méthode des Moments Généralisés

GMM en Système

 L’estimateur GMM en système de Blundel et Bond (1998), combine les

équations en différences premières avec les équations en niveau. Les
instruments dans l’équation en différences premières sont exprimés en niveau,
et vice versa.

  Y it    X it    Y it  1    it

Y it   X it   Y it  1   it

© Islem KHEFACHA
 Méthode des Moments Généralisés

GMM en Système

Les principaux tests en panels dynamiques, reposent sur les hypothèses

suivantes, à accepter.
-Test de Sargan :
H0: Les instruments sont valides.

- Absence de corrélation sérielle des résidus.

H1 : Corrélation négative d’ordre 1 des résidus.
H0: Absence de corrélation d’ordre 2 des résidus.

© Islem KHEFACHA
 Méthode des Moments Généralisés

GMM: Estimation en 2 étapes

1) Une première estimation se fait sous l’hypothèse d’absence de corrélation des erreurs et
leur homoscédasticité.
2) Ensuite, le vecteur des résidus issu de cette première estimation est utilisé pour estimer
de façon convergente une matrice variance-covariance des erreurs, dans une deuxième
étape d’estimation. A cette deuxième étape, l’hypothèse d’absence de corrélation des
erreurs et de leur homoscédasticité est vérifiée.

 Cela fait de l’estimateur GMM estimé en deux étapes plus efficace que l’estimateur
GMM estimé en une seule étape ((Roodman (2009a, 2009b)).

© Islem KHEFACHA
View publication stats

Méthode des Moments Généralisés

Commande STATA: xtabond2
Avec le logiciel Stata, la méthode GMM system est préprogrammée (commandes «
xtabond2 » et « twostep » ).
Aussi, nous nous basons dans l’écriture des commandes relatives à nos estimations sur les
recommandations de Roodman (2009a, 2009b) et Newey et Windmeijer (2009), dont
l’application de la correction de Windmeijer (2005), afin d’obtenir des écarts-types
asymptotiques, donc robustes et éliminer, ainsi, le biais potentiel qui pourrait découler de
l’estimation en deux étapes. A travers l’utilisation de la commande « collapse », le logiciel
Stata 11 garantit un petit nombre d’instruments utilisés qui n’excède pas le nombre
d’observations, afin de pouvoir estimer le modèle d’une façon non biaisée, ce qui évite
potentiellement le problème de prolifération des instruments (Roodman (2009a, 2009b)).
En effet, avec un nombre d’instruments trop élevé, qui dépasse le nombre d’observations,
les variables endogènes peuvent être sur-présentées par leurs instruments, d’où le risque de
persistance du problème d’endogénéité.
© Islem KHEFACHA