CHAPITRE 4: Estimation des systèmes d’équations avec OLS et GLS

4.1. Introduction

Ce chapitre débute l’étude des systèmes d’équations linéaires. Nous avons commencé par utiliser
d’abord la méthode des OLS avant de montrer que le Generalized Least Square (GLS) est plus
efficient.

4.2. Des Exemples

Exemple 4.1 (Seemingly Unrelated Regressions (SUR)) Le modèle de population est posé avec
équations linéaires.

.
. (4.1)
.

Notons que est de dimension , est de dimension et Dans

plusieurs applications de ce modèle est identique dans chaque équation mais le modèle
général permet une variation dans la variable explicative. Le système (4.1) est souvent connus
sous le lexique de Zellner’s (1962) Seemingly Unrelated Regressions (SUR). Le nom vient du
fait que puisque chaque équation dans le système (4.1) a son propre , donc les équations
paraissent ne pas être liées. Cependant la corrélation entre les termes d’erreurs constitue un lien
qui peut être exploité dans l’estimation. Dans l’exemple suivant le système (4.1) représente un
système de demande.

Dans cet exemple, et .

Ce système utilise les données des enquêtes sur les familles aux USA.

Cours de Mr. Egbendéwé (Assistant professeur à la FASEG, Université de Lomé, BP 1515, Lomé-Togo).
Page 1
Souvent ce système représente un modèle structurel (sans variables omise, erreurs sur une
variable ou simultanéité). Donc on peut supposer que

( |

4.3. Estimation par OLS d’un system

Supposons que nous avons une coupe transversale indépendante, identiquement distribuées avec
des observations { } avec étant de dimension et est de
dimension .

Le système peut être donc écrit comme:

est paramètre vecteur à estimer, est ,

Pour l’exemple (4.1) de SUR, le modèle peut-être exprimé comme dans l’équation (4.3) en
définissant , , et

( ), ( ) (4.4)

4.3.1 Les propriétés asymptotiques d’un system par OLS

Hypothèse SOLS1 :

Sous cette hypothèse, le vecteur satisfait

[ ]

Ce qui donne .

Hypothèse SOLS2 : est non-singulière

Sous les hypothèses SOLS1 et SOLS2 nous avons :

[ ] (4.6)

Etant donné un échantillon aléatoire de la population nous avons l’estimateur du system par OLS
donné par :

̂ ( ∑ ) ( ∑ )

Cours de Mr. Egbendéwé (Assistant professeur à la FASEG, Université de Lomé, BP 1515, Lomé-Togo).
Page 2
THEOREM 7.1 (Comportement asymptotique du système OLS) : Sous les hypothèses SOLS.1 et
SOLS.2 ̂ → .

Comme dans le cas de OLS pour une seule équation on peut montrer que:

√ (̂ )→

THEOREM 4.2 : (Normalité asymptotique de SOLS) : Sous les hypothèses SOLS.1 et SOLS.2,
l’équation (4.8) est vérifiée.

4.4 Comportement asymptotique et normalité des Least Square Généralisées (GLS)

Nous avons vu que l’estimateur d’un système par OLS converge asymptotiquement sous
certaines hypothèses. Cependant on peut mieux faire en renforçant l’hypothèse SOLS.1 en
ajoutant une condition sur la variance conditionnelle de

Hypothèse SGLS.1 :

De façon typique, au moins un élément de la matrice est égal à l’unité, donc en pratique
l’hypothèse SGLS.1 implique que Nous allons supposer que est en moyenne égal
à zéro pour la suite de nos discussions.

Dans l’estimateur du GLS avec des observations qui sont i.i.d. la matrice du deuxième moment
de joue un rôle important. Définissons la matrice symétrique et positive semi-définie et de
dimension suivante,

Nous appelons que est la matrice de la variance inconditionnelle de .

En lieu et place de SOLS.2, nous allons supposer que le produit externe pondérée espéré de
est non singulier.

Hypothèse SGLS.2 : est positive définie et est non singulière de rang K.

La motivation du GLS est de transformer la variance de l’erreur en scalaire en multipliant le

système (4.3) par comme suit :

ou

On peut simplement montrer que ( ) .

On peut alors estimer (4.10) par OLS pour obtenir :

Cours de Mr. Egbendéwé (Assistant professeur à la FASEG, Université de Lomé, BP 1515, Lomé-Togo).
Page 3
 (∑ ) (∑ ) (∑ ) (∑ )

Ceci est l’estimateur GLS de

On peut établir que sous les hypothèses SGLS.1 et SGLS.2, converge asymptotiquement vers
en écrivant :

( ∑ ) ( ∑ )

La normalité asymptotique suit directement.

4.5. GLS estimable (feasible GLS (FGLS))

Puisque la matrice de la variance des erreurs est généralement inconnue, nous ne pouvons pas
déterminer l’estimateur GLS. On estime dons le FGLS en remplaçant par son estimateur à
partir des résidus des OLS de l’équation (4.3).

̂ ∑̃ ̃

L’estimateur FGLS est donné par :

( ∑ ̂ ) ( ∑ ̂ )

Les autres propriétés asymptotiques suivent naturellement.

4.5. Estimateur avec des restrictions sur les équations

Dans la théorie économique surtout la théorie du producteur et du consommateur, il y a souvent

des restrictions sur les paramètres des équations.

Par exemple dans l’exemple 4.1, la théorie économique demande que la matrice Jaconieene soit
symétrique, c’est-à-dire les effets des prix des autres biens doivent être égaux dans toutes les
équations. Cette contrainte peut être imposée au cour de la régression.

Cours de Mr. Egbendéwé (Assistant professeur à la FASEG, Université de Lomé, BP 1515, Lomé-Togo).
Page 4