On

 continue  avec  les  développements  relatifs  aux  modèles  sur  des  données  de  panel.  Il  
faut  rappeler  qu’on  a  entamé  la  présentation  du  modèle  à  effets  fixes.  Après  avoir  donné  
la  forme  fonctionnelle  d’un  tel  modèle,  on  passe  aux  méthodes  d’estimation  qui  sont  au  
nombre  de  2.  
1ère  méthode  d’estimation:  Estimateur  LSDV  (Least  Squares  Dummy  Variables)  
Cette   méthode   est   basée   sur   le   principe   des   MCO   qui   fournit   des   estimateurs   α̂ i  et   β̂  
BLUE.  Il  s’agit  donc  de  minimiser  la  fonction  objectif  qui  n’est  rien  d’autre  que  la  somme  
des  carrés  des  écarts  écrite  comme  suit  :  
N N
ʹ′ ʹ′
SCR (α i , β ) = ∑ εi εi = ∑ (yi − Sα i − X iβ ) (yi − Sα i − X iβ )
i =1 i =1  
N T N T
2
SCR(αi , β) = εʹ′ε = ∑ ∑ εit2 = ∑ ∑ (yit − αi − βʹ′Xit )
i =1 t =1 i =1 t =1  
La  résolution  fournit  les  résultats  suivants  :  
∂SCR (α i , β)
=0 ⇒ ˆ i = yi − βʹ′ Xi
α i = 1,, N
∂α i  
avec  :  
ʹ′
1 T ⎡ 1 T 1 T ⎤
yi = ∑ yit Xi = ⎢ ∑ x1it  ∑ x Kit ⎥⎦
T t =1 ⎣ T t =1 T t =1  
Maintenant,   on   introduit   les   estimateurs   α̂ i  dans   la   fonction   objectif   et   on   continue   la  
dérivation  par  rapport  au  vecteur   β .  On  obtient  :  
−1
∂SCR(αi , β) ⎛ N T ʹ′ ⎞ ⎛ N T ⎞
= 0 ⇒ βˆ LSDV = ⎜ ∑∑ (Xit − Xi )(Xit − Xi ) ⎟ ⎜ ∑∑ (Xit − Xi )(yit − yi )⎟
∂β ⎝ i =1 t =1 ⎠ ⎝ i =1 t =1 ⎠  
N N −1
ʹ′ ʹ′
βˆ LSDV = ⎛⎜ ∑ (X i − Xi ) (X i − Xi )⎞⎟ ⎛⎜ ∑ (X i − Xi ) (yi − yi )⎞⎟
⎝ i =1 ⎠ ⎝ i =1 ⎠  
La  matrice  de  variances-­‐covariances  de  cet  estimateur  s’écrit  comme  suit  :  
N T −1
ʹ′
( )
V̂ βˆ LSDV = σˆ ε2 ⎛⎜ ∑ ∑ (X it − Xi )(X it − Xi ) ⎞⎟
⎝ i=1 t =1 ⎠  
et  :  
N T
(
∑ ∑ yit − αˆ i − βˆ X it
ʹ′ )2

σˆ ε2 = i =1 t =1
NT − N − K  
 

  1  
2ème  méthode  d’estimation  :  Estimateur  de  la  covariance  
D’abord   les   résultats   seront   identiques   à   ceux   obtenus   par   la   méthode   LSDV.   On  
transforme  le  modèle  par  une  matrice  idempotente  Q  afin  d’éliminer  les  coefficients   α i .  
Cette   opération   allège   le   traitement   du   fait   qu’on   pet   obtenir   directement   les  
estimateurs   α̂ i  une  fois  qu’on  a  obtenu  l’estimateur   β̂  par  la  relation  :  

αˆ i = y i − βˆ ʹ′Xi i = 1, , N  
La  matrice  qui  va  transformer  le  modèle  s’écrit  :  
1
Q = IT − SSʹ′
T  
Le  modèle  transformé  devient  ainsi  :  

Qyi = QXiβ + Qεi i = 1,, N  

Sur  ce  modèle,  l’estimation  MCO  fournit  le  résultat  suivant  :  
−1
ˆ ⎛ N ʹ′ ⎞ ⎛ N ʹ′ ⎞
β CV = ⎜ ∑ Xi QXi ⎟ ⎜ ∑ Xi Qyi ⎟
⎝ i =1 ⎠ ⎝ i =1 ⎠  
−1
⎛ ⎡ T 2 T
⎤ ⎞ ⎛ T (x − X )(y − y ) ⎞
⎜ ⎢ ∑ (x1it − X1i ) ∑ (x hit − X hi )(x mit − X mi )⎥ ⎟ ⎜ ∑ 1it 1i it i ⎟
⎜ N t =1 t =1
⎥ ⎟ ⎜ t =1 ⎟
βˆ CV = ⎜ ∑ ⎢  
⎢ ⎥ ⎟ ⎜ T ⎟
⎜ i =1 ⎢ T 2
⎥ ⎟⎟ ⎜ ∑ (x Kit − X Ki )(yit − yi )⎟
⎜ ∑ (x Kit − X Ki ) ⎜ t =1 ⎟
⎝ ⎣ t =1 ⎦ ⎠ ⎝ ⎠  
N N −1
ˆβ = ⎛⎜ ∑ (X − X )ʹ′ (X − X )⎞⎟ ⎛⎜ ∑ (X − X )ʹ′ (y − y )⎞⎟
CV i i i i i i i i
⎝ i =1 ⎠ ⎝ i =1 ⎠  
La  matrice  de  variances-­‐covariances  de  cet  estimateur  s’écrit  comme  suit  :  
N −1
( ) ʹ′
V̂ βˆ CV = σˆ ε2 ⎛⎜ ∑ X i QX i ⎞⎟
⎝ i =1 ⎠  
et  :  
N T
(
∑ ∑ yit − βˆ Xit
ʹ′ )
2

σˆ ε2 = i =1 t =1
NT − K  
Test  d’hétérogénéité  
Ce   test   est   conçu   afin   de   valider   statistiquement   la   présence   d’effets   fixes   mais   aussi  
individuels  contrairement  à  une  constante  uniforme  pour  l’ensemble  des  individus.  Dans  

  2  
ce  cas,  les  différences  individuelles  apparaissent  à  travers  des  différences  dans  le  terme  
constant. Les  différences  sont  validées  statistiquement  par  le  biais  du  test  suivant  :  

⎧H 0 : α1 =   = α N = α
  ⎨
⎩H1 : ∃ au moins α i ≠ α j
La  statistique  du  test  est  la  suivante  :  

SCR 0 − SCR1 N   − 1
F= → F( N−1, NT − N−K )
  SCR1 NT − N − K
Le   rejet   de   l’hypothèse   nulle   engendre   la   significativité   de   l’hétérogénéité   entre   les  
individus.  
Application  
D’abord,   et   en   termes   de   statistiques   descriptives,   on   peut   envisager   des   indicateurs  
globaux   sur   l’ensemble   du   panel   (NT   observations),   mais   aussi   entre   les   individus  
(between)  et  au  sein  d’un  groupe  d’individus  (within).  Sur  stat  la  commande  spécifique  
s’appelle  sum  :  
. xtsum gdpcap

Variable Mean Std. Dev. Min Max Observations

gdpcap overall 1.458668 4.908204 -19.70795 24.02575 N = 473

between 1.536341 -3.032519 3.194324 n = 16
within 4.654369 -16.06459 24.21031 T-bar = 29.5625  
• Overall  →  indicateurs  sur  l’ensemble  du  panel  (473  observations).  
• T-­‐bar  →  nombre  moyen  de  périodes  par  pays.  
• Between   →   valeur   moyenne   pour   chaque   pays   entre   min   et   max   et   dispersion  
entre  les  pays  du  panel.  La  moyenne  between  est  1,28.  
• Within   →   Déviation   des   observations   par   rapport   aux   moyennes   individuelles  
corrigées   par   la   moyenne   globale   entre   min   et   max,   et   leur   écart-­‐type,   soit  

x it − x i + x .  La  moyenne  within  est  la  même  que  la  moyenne  globale.  
Le  coefficient  de  détermination  R²  possède  aussi  des  particularités  dans  le  contexte  des  
données  de  panel.  On  peut  même  suggérer  qu’il  n’est  pas  d’une  grande  utilité  du  point  
de   vue   pratique. Il   n’a   pas   les   propriétés   habituelles   de   la   régression   classique  
essentiellement   la   mesure   d’une   proportion   d’une   variabilité   expliquée.   Stata   fournit  
tout  de  même  trois  types  de  coefficients  de  détermination  comme  suit  :  

• R²  overall  →   yit = α + Xitʹ′β + υi + εit  

• R²  between  → yi = α + Xiʹ′β + υi + εit  

  3  
 • R²  within  →   ( yit − yi ) = α + (Xit − Xi )ʹ′ β + (εit − εi )  

Ci-­‐dessous  un  exemple  d’estimation  d’un  modèle  à  effets  fixes  sur  Stata  :  
. xtreg ggdpcap ldebt lIIC linvest gpop Trade PI lschooling DTT, fe

Fixed-effects (within) regression Number of obs = 473

Group variable: Code Number of groups = 16

R-sq: within = 0.1501 Obs per group: min = 11

between = 0.1779 avg = 29.6
overall = 0.0665 max = 42

F(8,449) = 9.91
corr(u_i, Xb) = -0.9465 Prob > F = 0.0000

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

ldebt -.0416826 .0097401 -4.28 0.000 -.0608244 -.0225408

lIIC -.1389415 .0297886 -4.66 0.000 -.197484 -.080399
linvest .0676988 .0224316 3.02 0.003 .0236149 .1117827
gpop -.6639016 .1321456 -5.02 0.000 -.9236023 -.404201
Trade .0048803 .0150305 0.32 0.746 -.0246585 .0344191
PI -.0653244 .0185701 -3.52 0.000 -.1018195 -.0288293
lschooling .0369047 .0186698 1.98 0.049 .0002136 .0735958
DTT .0145437 .0086972 1.67 0.095 -.0025486 .031636
_cons .5724965 .1156352 4.95 0.000 .3452431 .7997499

sigma_u .07516825
sigma_e .04399418
rho .74485223 (fraction of variance due to u_i)

F test that all u_i=0: F(15, 449) = 4.30 Prob > F = 0.0000
 
 

Modèle  à  effets  aléatoires  

Autre  appellation  :  Modèles  à  erreurs  composées.  
On  part  de  l’idée  que  l’effet  aléatoire  global  est  décomposé  selon  deux  ou  trois  sources  (i,  
t  ,  it).  On  aura  donc  :  
u it = αi + λ t + εit  
Dans  la  suite  de  la  présentation,  on  va  se  contenter  uniquement  des  deux  composantes  
individuelles  et  résiduelles  ( u it = αi + εit ),  car  l’approche  est  facilement  généralisable  au  

cas  de  trois  composantes  du  fait  que  la  décomposition  de  l’erreur  est  additive.  
Les  hypothèses  sur  les  erreurs  sont  les  suivantes  :  
⎧σ 2 si i = j   ⎧σ 2 si i = j ; t = s
E(α i α j ) = ⎨ α E(ε it ε js ) = ⎨ ε
  ⎩0 si i ≠ j ⎩0 sin on

⎧σα2 + σε2 si i = j ; t = s
⎪
E(u it u js ) = ⎨σα2 si i = j ; t ≠ s
⎪0 sin on
⎩  

  4  
 1 ⎛ σ2 ⎞
ʹ′
V(u i ) = E⎛⎜ u i u i ⎞⎟ = σ ε2 I T + σ α2 SSʹ′ = Ω Ω −1 = ⎜⎜ I T − 2 α 2 SSʹ′ ⎟⎟
⎝ ⎠ σ ε2 ⎝ σ ε + Tσ α ⎠
 
On  écrit  le  modèle  à  estimer  en  forme  matricielle  :  
~  
yi = Xiδ + u i i = 1, , N
  ~
X i = [S X i ] δʹ′ = [µ βʹ′]
 
yi = Sµ + Xiβ + Sαi + εi i = 1,, N  
 
1ère  méthode  d’estimation:  Estimateur  de  la  covariance  
On   transforme   le   modèle   initial   à   l’aide   de   la   matrice   idempotente   afin   d’éliminer   la  
constante     µ .  On  obtient  le  modèle  à  estimer  par  les  MCO  :  
Qyi = QSµ + QXi β + QSαi  + Qε i = QXi β + Qε i
L’estimateur   β̂  est  le  suivant  :  
−1
N
ʹ′   ⎞ ⎛ N ʹ′
βˆ CV = ⎛⎜ ∑ X i QX ⎞
i ⎟ ⎜ ∑ X i Qy i ⎟
⎝ i =1 ⎠ ⎝ i =1 ⎠
 
On  a  aussi  l’estimateur  de  la  constante   µ  par  la  formule  suivante  :  
ʹ′
  µˆ = y − βˆ CV X
L’estimateur   est   sans   biais   et   convergent,   mais   n’est   pas   BLUE.   L’estimateur   de   la  
covariance  ne  convient  pas  aux  modèles  où  la  matrice  des  variables  explicatives  abrite  
des  variables  invariantes  dans  le  temps,  car  on  aura  des  problèmes  d’identification  suite  
à  l’élimination  de  ces  variables  lors  de  la  transformation  par  la  matrice  Q.  
2ème  méthode  d’estimation:  Estimateur  MCG  
⎡ µˆ ⎤ N ~   ~
−1 N
~ ʹ′
ʹ′
δˆ = ⎢ ˆ ⎥ = ⎛⎜ ∑ X i Ω −1X i ⎞⎟ ∑ X i Ω −1 y i
  ⎣β GLS ⎦ ⎝ i =1 ⎠ i =1
−1
⎛ 1 N ʹ′ ʹ′ ⎞ ⎛ 1 N ʹ′
βˆ GLS = ⎜ ∑ X i QX i + ψ ∑ (X i − X )(X i − X ) ⎟   ⎜ ∑ X i Qy i + ψ ∑ (X i − X )(y i − y )⎟
N N ⎞
  ⎝ T i =1 i =1 ⎠ ⎝ T i =1 i =1 ⎠
2
σ ʹ′
ψ= 2 ε 2  ˆ GLS = y − βˆ GLS X
µ
σ ε + Tσ α
 
La  matrice  de  variances-­‐covariances  de  cet  estimateur  s’écrit  comme  suit  :  
−1
N   N ʹ′
( ) ʹ′
V βˆ GLS = σ ε2 ⎛⎜ ∑ X i QX i + Tψ ∑ (X i − X )(X i − X ) ⎞⎟
⎝ i =1 ⎠
  i =1

On   peut   noter   qu’il   existe   une   relation   entre   l’estimateur   MCG   et   l’estimateur   de   la  
covariance  par  la  relation  suivante  :  

  5  
  
βˆ GLS = Δβˆ b + (I K − Δ)βˆ CV
  −1
N N ʹ′ N ʹ′
ʹ′
  Δ = Tψ⎛⎜ ∑ X i QX i + Tψ ∑ (X i − X )(X i − X ) ⎞⎟ ⎛⎜ ∑ (X i − X )(X i − X ) ⎞⎟
⎝ i =1 i =1 ⎠ ⎝ i =1 ⎠
  N ʹ′ N −1
ʹ′
βˆ b = ⎛⎜ ∑ (X i − X )(X i − X ) ⎞⎟ ⎛⎜ ∑ (X i − X )(y i − y ) ⎞⎟
⎝ i =1 ⎠   ⎝ i =1 ⎠
β̂ b  est  appelé  l’estimateur  Between  obtenu  suite  à  une  estimation  sur  les  moyennes  

individuelles.  
En   général,   les   paramètres   σ α2 et σ ε2  sont   inconnus,   d’où   la   nécessité   de   passer   à  

l’estimateur   des   MCG   réalisables   qui   opère   en   deux   étapes.   a   la   première   étape,   on  
estime  d’abord  ces  paramètres  comme  suit  :  
N T  
ʹ′
2
∑ ∑ ⎛⎜ (y it − y i ) − βˆ CV (X it − X i )⎞⎟
  σˆ ε2 = i =1 t =1 ⎝ ⎠
N(T − 1) − K
 
N
  (
∑ y i − µˆ − βˆ ʹ′X i )
2

1 2
  σˆ α2 = i =1
− σˆ ε
N − (K + 1) T
La  seconde  étape  fournit  l’estimateur  :  
  −1 1 N
ˆβ ⎛ 1 N ʹ′ N ʹ′ ⎞ ⎛ ʹ′ N ⎞
FGLS = ⎜ ∑ X i QX i + ψˆ ∑ (X i − X )(X i − X ) ⎟ ⎜ ∑ X i Qy i + ψˆ ∑ (X i − X )(y i − y )⎟
  ⎝ T i =1 i =1 ⎠ ⎝ T i =1 i =1 ⎠
Exemple  :  
. ** Estimation effets aléatoires
.
. xtreg ggdpcap ldebt lIIC linvest gpop Trade PI lschooling DTT, re

Random-effects GLS regression Number of obs = 473

Group variable: Code Number of groups = 16

R-sq: within = 0.1181 Obs per group: min = 11

between = 0.1496 avg = 29.6
overall = 0.1167 max = 42

Wald chi2(8) = 57.38

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

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

ldebt -.0366426 .0088917 -4.12 0.000 -.0540699 -.0192152

lIIC -.0247963 .0093579 -2.65 0.008 -.0431375 -.0064551
linvest .0616031 .0198071 3.11 0.002 .0227819 .1004243
gpop -.4991004 .1188953 -4.20 0.000 -.732131 -.2660699
Trade -.0128543 .0100531 -1.28 0.201 -.0325579 .0068493
PI -.0498539 .0173656 -2.87 0.004 -.0838899 -.0158178
lschooling .0068261 .0138697 0.49 0.623 -.0203581 .0340103
DTT .0167814 .0087278 1.92 0.055 -.0003247 .0338876
_cons .1635124 .0386147 4.23 0.000 .0878289 .2391958

sigma_u .01280383
sigma_e .04399418
rho .07808709 (fraction of variance due to u_i)

  6