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

net/publication/358128865

Chapitre 4: Econométrie des Données de Panel-Tests de Spécification

Chapter · January 2022

CITATIONS READS

0 6,831

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 23 June 2023.

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 4:
Les Tests de Spécification
Pr. Islem KHEFACHA
Islem.Khefacha@fsegma.u-monastir.tn

Année Universitaire: 2022/2023

 Introduction

En admettant que nous ayons déjà la certitude de la présence de

spécificités individuelles, se pose maintenant la question de la nature
de ces spécificités.

doit-on retenir une spécification de type « effets fixes »

ou, au contraire, de type « effets aléatoire »?

La question n’est pas sans importance.

© Islem KHEFACHA
 Introduction

Critique de Mundlack
On se souvient du résultat selon lequel l’estimateur des MCG est
l’estimateur « optimal » du modèle à effets aléatoires... à la condition
que l’erreur du modèle (et, notamment, sa composante
spécifique) ne soit pas suspecte de corrélation avec les
différentes variables explicatives.

 Si, malheureusement, tel n’était pas le cas, l’estimateur des MCG

est alors biaisé... ce qui est évidemment très gênant. Or, si on peut être
disposé à admettre l’absence de corrélation entre la composante non
spécifique de l’erreur et les variables explicatives, on éprouve quelque
réticence à admettre ce même postulat d’absence de corrélation entre la
composante spécifique et les variables explicatives qui sont elles-
mêmes sensées rendre compte, justement, des caractéristiques propres
de chaque individu.

© Islem KHEFACHA
 Introduction
On commence par expérimenter
1. si l’erreur spécifique est corrélée avec l’une au moins des variables
explicatives: l’estimateur des MCQG est biaisé et l’estimateur
within est non biaisé,
 Dans ce cas, il existe une différence significative entre les estimations
engendrées par ces deux estimateurs
2. si l’erreur spécifique n’est pas corrélée avec les variables explicatives:
les deux estimateurs within et MCQG sont non biaisés.
 Dans ce cas, il n’y a pas de différence significative entre les
estimations engendrées par ces deux estimateurs.
 On privilégiera toutefois, dans ce contexte, l’usage de l’estimateur des
MCQG dont on vérifie qu’il est alors plus efficace que l’estimateur
within.
© Islem KHEFACHA
 Introduction

 On définit ensuite la statistique de test de Hausman pour

l’hypothèse nulle d’absence de corrélation entre erreur

spécifique et variables explicatives.

 Du résultat de ce test dépend le choix de la méthode

d’estimation qui sera finalement retenue.

© Islem KHEFACHA
 Test de HAUSMAN

Procédure du Test de Hausman

 Le test de spécification d’Hausman (1978) est un test général qui

peut être appliqué à des nombreux problèmes de spécification en
économétrie, traitant avec le problème d’endogénéité.

 Son application la plus répandue est celle des tests de

spécification des effets individuels aléatoires en panel.

© Islem KHEFACHA
 Test de HAUSMAN
Idée Générale
Supposons que l’on cherche à tester la présence éventuelle d’une
corrélation ou d’un défaut de spécification. Admettons que l’on
dispose de deux types d’estimateurs pour les paramètres du modèle
étudié. Le premier estimateur est supposé être l’estimateur non
biaisé à variance minimale sous l’hypothèse nulle de spécification
correcte du modèle (absence de corrélation). En revanche, sous
l’hypothèse alternative de mauvaise spécification, cet estimateur est
supposé être biaisé. Par contre, le second estimateur, celui du
modèle à effets fixes, est non biaisé dans les deux cas. L’application
technique de ce principe suppose tout de même que l’on construise la
matrice de variance covariance de l’écart entre les deux estimateurs.

© Islem KHEFACHA
 Test de HAUSMAN
La statistique de test de Hausman
 On veut éprouver l’hypothèse nulle d’exogénéité des variables
explicatives par rapport à l’erreur spécifique du modèle... étant bien
entendu que, du résultat de ce test, dépend la mise en œuvre d'un
estimateur ou d’un autre.
L’intuition du test est que :
 s’il y a une différence significative entre les estimations within et
MCQG c’est que, vraisemblablement, l’une au moins des variables
explicatives est corrélée avec l’erreur spécifique.
 Dans ce cas il convient de privilégier l’usage de
l’estimateur within qui garantit des estimations sans biais
des coefficients βj
 s’il n’y a pas de différence significative entre les estimations
within et MCQG c’est que les variables sont exogènes par rapport
à l’erreur spécifique
 Dans ce cas on privilégie l’usage de l’estimateur
MCQG qui est alors sans biais et plus efficace que
l’estimateur within.
© Islem KHEFACHA
 Test de HAUSMAN

Les Hypothèses

Le test de spécification de Haussman repose sur le corps d’hypothèses

suivant :

H0 : E(ui/Xi) = 0 ou bien

 les estimateurs du modèle à erreurs composées sont efficaces

H1 : E(ui/Xi) ≠ 0 ou bien

 les estimateurs du modèle à erreurs composées sont biaisés

© Islem KHEFACHA
 Test de HAUSMAN

La Statistique du Test
La statistique du test est la suivante :

: est la matrice des variances – covariances des

différences entre les deux estimateurs.

Sous l’hypothèse nulle de spécification correcte, cette statistique est

asymptotiquement distribuée selon une chi-deux à K degrés de liberté,
soit le nombre de composantes du vecteur β des coefficients.

 Si le test est significatif ( p-value < 5%), on retient les estimateurs du

Modèle à effets fixes qui sont non biaisés. Dans le cas, contraire, on
retient ceux du modèle à erreurs composées, car ils sont efficaces.

© Islem KHEFACHA
 Test de HAUSMAN

Les Hypothèses

Il est possible de montrer que, sous H0, cette matrice peut être récrite
comme :

© Islem KHEFACHA
 Quelques Tests sur Données de Panel

Test de Normalité des Résidus

Le test de Jarque-Bera est utilisé pour déterminer si les résidus d'une
régression linéaire suivent une distribution normale
On pose :
H0: les résidus suivent une loi normale.
H1: les résidus ne suivent pas une loi normale.

Avec:
n = Nombre d'observations
k = Nombre de variables explicatives si les données proviennent des
résidus d'une régression linéaire. Sinon, k=0.
S = Coefficient d'asymétrie : Moment d'ordre 3 d'une variable centrée-
réduite
K = Kurtosis : Moment d'ordre 4 d'une variable centrée-réduite

© Islem KHEFACHA
 Quelques Tests sur Données de Panel

Test de Normalité des Résidus

Le test de Jarque-Bera ne teste pas à proprement parler si les données
suivent une loi normale, mais plutôt si les coefficients de kurtosis et
d'asymétrie des données sont les mêmes que ceux d'une loi normale, de
même espérance et variance.
On a donc:
H0: S = 0 et K = 3
H1: S ≠ 0 et K ≠ 3

 Une loi normale a un coefficient d'asymétrie = 0 et un coefficient de

kurtosis = 3. Par conséquent, si les données suivent une loi normale, le
test s'approche alors de 0 et on accepte Ho, au seuil α.

© Islem KHEFACHA
 Quelques Tests sur Données de Panel

Le Test d’Effets Individuels Aléatoires

Le test de Breusch-Pagan ou test du multiplicateur de Lagrange permet

de valider empiriquement le choix d’une structure à erreurs composées.
Le corps d’hypothèses à tester est le suivant :

Où désigne la variance de l’erreur spécifique à l’individu,

© Islem KHEFACHA
View publication stats

Quelques Tests sur Données de Panel

Le Test d’Effets Individuels Aléatoires

La statistique du test est basée sur les résidus estimés par les MCO.

Elle prend la forme suivante :

 Ce test doit précéder celui de Hausman, qui traite du problème de

corrélation du terme aléatoire et des variables explicatives du modèle.

© Islem KHEFACHA