Lors de la séance précédente, on a présenté en dernier lieu le test de corrélation

sérielle des erreurs le but étant de valider des erreurs non corrélées permettant de
justifier l’utilisation de la méthode d’estimation POLS ou bien des erreurs auto
corrélées permettant l’usage de la méthode d’estimation MCG. Ce test concerne
la dimension temporelle du panel. Pour la dimension individuelle, on peut
songer à un test d’hétéroscédasticité. Lorsque l’hétéroscédasticité est validée par
le test on passe automatiquement à l’estimation par les MCG. On part du corps
d’hypothèses suivant :
⎧⎪H 0 : E(εit2 ) = σ2
⎨
⎪⎩H1 : E(εit2 ) = h (Xit )
Sous l’hypothèse nulle on postule l’homoscédasticité tandis que l’hypothèse
alternative correspond à l’hétéroscédasticité. On suppose aussi l’existence d’une
ou plusieurs variables qui sont source d’hétérogénéité et donc
d’hétéroscédasticité au niveau des termes d’erreurs. On suppose donc l’existence
d’un vecteur d’ordre Q, noté h(.), qui indique une hétéroscédasticité ayant pour
source Q variables qui dépendent des variables explicatives du modèle. On
pratique on considère la plupart du temps soit des vecteurs jusqu’à k c'est-à-dire
allant de 1 à Q=k ou bien une combinaison linéaire de toutes les variables
explicatives du modèles qui l’estimation de ce modèle par POLS.
Procédure pratique:

• Soit h it = Xitʹ′ (Q=K), soit h it = ( ŷit , ŷit2 ) (Q=2).

• Estimation POLS → On retient les résidus ε̂it2 .

• Estimation POLS du modèle εˆ it2 = δ0 + h it δ + ϑit .

• Les erreurs ϑit doivent être homoscédastiques et non corrélées.

• Le test revient à un test LM où l’hypothèse nulle est δ = 0 . Dans ce cas,
la variance des erreurs est constante.
• La statistique du test est la suivante :

1
 as
NTR 2 ⎯⎯→ χ(2Q)
Exemple :
* Test d'hétéroscédasticité (valeur tabulée à 5% pour Q=8 chi2*=15.51 ;
et pour Q=2 chi2*=5.99)

gen res2=res^2

gen xb2=xb^2

. reg res2 ldebt lIIC linvest gpop Trade PI lschooling DTT

Source SS df MS Number of obs = 473

F( 8, 464) = 3.57
Model .000589097 8 .000073637 Prob > F = 0.0005
Residual .009573086 464 .000020632 R-squared = 0.0580
Adj R-squared = 0.0417
Total .010162184 472 .00002153 Root MSE = .00454

res2 Coef. Std. Err. t P>|t| [95% Conf. Interval]

ldebt -.0016069 .0007589 -2.12 0.035 -.0030982 -.0001155

lIIC .0000547 .0006716 0.08 0.935 -.001265 .0013744
linvest .0028708 .0016948 1.69 0.091 -.0004597 .0062013
gpop .0240587 .0106368 2.26 0.024 .0031566 .0449609
Trade -.000769 .0006785 -1.13 0.258 -.0021024 .0005644
PI -.0001573 .0014647 -0.11 0.915 -.0030356 .002721
lschooling -.0027797 .0010879 -2.56 0.011 -.0049176 -.0006418
DTT .0001106 .0008678 0.13 0.899 -.0015947 .0018158
_cons .0024004 .0027011 0.89 0.375 -.0029075 .0077082

.
. gen chi21=e(N)*e(r2)

.
. display chi21
27.419607

On constate que la statistique estimée donne la valeur 27.41 qui est dans la zone
d’acceptation de H1. Donc le recours à l’estimation par la méthode MCG
s’impose.

2
. * Estimation MCG
.
. xtgls ggdpcap ldebt lIIC linvest gpop Trade PI lschooling DTT, panels(hetero)

Cross-sectional time-series FGLS regression

Coefficients: generalized least squares

Panels: heteroskedastic
Correlation: no autocorrelation

Estimated covariances = 16 Number of obs = 473

Estimated autocorrelations = 0 Number of groups = 16
Estimated coefficients = 9 Obs per group: min = 11
avg = 29.5625
max = 42
Wald chi2(8) = 69.49
Prob > chi2 = 0.0000

ggdpcap Coef. Std. Err. z P>|z| [95% Conf. Interval]

ldebt -.0288118 .0066757 -4.32 0.000 -.041896 -.0157277

lIIC -.0201684 .0054597 -3.69 0.000 -.0308691 -.0094676
linvest .0535959 .0157631 3.40 0.001 .0227008 .084491
gpop -.482613 .1180866 -4.09 0.000 -.7140585 -.2511674
Trade -.0171646 .0064233 -2.67 0.008 -.029754 -.0045752
PI -.0267665 .0126766 -2.11 0.035 -.0516121 -.0019208
lschooling .0169708 .0095785 1.77 0.076 -.0018027 .0357443
DTT .0108527 .0067897 1.60 0.110 -.002455 .0241603
_cons .1477827 .0226877 6.51 0.000 .1033157 .1922496

Remarque : Si on change le choix des variables sources d’hétérogénéité, les

résultats du test peuvent changer. Dans notre exemple et considérant la
deuxième possibilité avec comme source d’hétérogénéité la combinaison
linéaire entre les variables explicatives, on a retenu l’acceptation de l’hypothèse
nulle.
. reg res2 xb xb2

Source SS df MS Number of obs = 473

F( 2, 470) = 0.90
Model .00003884 2 .00001942 Prob > F = 0.4066
Residual .010123344 470 .000021539 R-squared = 0.0038
Adj R-squared = -0.0004
Total .010162184 472 .00002153 Root MSE = .00464

res2 Coef. Std. Err. t P>|t| [95% Conf. Interval]

xb -.0159177 .0127492 -1.25 0.212 -.0409702 .0091349

xb2 .2758854 .338224 0.82 0.415 -.3887331 .9405038
_cons .0021914 .0003047 7.19 0.000 .0015926 .0027901

.
. gen chi22=e(N)*e(r2)

.
. display chi22
1.8077892

3
Modèle à effets fixes
Il s’agit de l’un des modèles les plus utilisés dans l’économétrie des données de
panel. On l’appelle aussi le modèle de l’analyse de la covariance. Il postule
principalement des constantes qui dépendantes des individus et qui sont
déterministes. C’est le cas du modèle à coefficients uniformes et avec une
constante spécifique aux individus. On aura donc la forme suivante :
y it = α i + βʹ′X it + ε it i = 1,, N ; t = 1,, T
yi = Sµ + Xiβ + Sαi + εi i = 1,, N
β et Xit sont des vecteurs d’ordre k. Les coefficients α i représentent les effets
individuels constants et invariants dans le temps. Ils indiquent tout effet propre à
l’individu et qui n’apparait pas dans la régression. εit sont les termes d’erreurs
reflétant tout effet omis dans la partie systématique.
On écrit le modèle en forme matricielle :

⎡ y1 ⎤ ⎡S⎤ ⎡0⎤ ⎡ X1 ⎤ ⎡ ε1 ⎤
Y = ⎢
⎢  ⎥ = ⎢  ⎥ α +  +
⎥ ⎢ ⎥ 1
⎢  ⎥ α + ⎢  ⎥β +
⎢ ⎥ N ⎢ ⎥
⎢  ⎥
⎢ ⎥
⎣ y N ⎥
⎢ ⎦ ⎣0⎥
⎢ ⎦ ⎣S⎥
⎢ ⎦ ⎣X N ⎥
⎢ ⎦ ⎢
⎣ε N ⎥
⎦
avec les éléments constitutifs qui suivent :

⎡ yi1 ⎤ ⎡1⎤ ⎡ x1i1  x Ki1 ⎤ ⎡ εi1 ⎤

yi = ⎢⎢  ⎥⎥ S = ⎢⎢⎥⎥ X i = ⎢⎢    ⎥⎥ εi = ⎢⎢  ⎥⎥
⎢⎣ yiT ⎥⎦ ⎢⎣1⎥⎦ ⎢⎣ x1iT  x KiT ⎥⎦ ⎢⎣εiT ⎥⎦

Aussi on a les principales hypothèses de la régression classique :

2
ʹ′
E⎛⎜ Xi εi ⎞⎟ = 0 ⎛ ʹ′ ⎞ ⎧σ ε I T si i = j
E(εi ) = 0 E⎜ ε i ε j ⎟ = ⎨
⎝ ⎠ ⎝ ⎠ ⎩0 si i ≠ j