Académique Documents
Professionnel Documents
Culture Documents
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
:
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
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
:
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
F(8,449) = 9.91
corr(u_i, Xb) = -0.9465 Prob > F = 0.0000
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
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
sigma_u .01280383
sigma_e .04399418
rho .07808709 (fraction of variance due to u_i)
6