Vous êtes sur la page 1sur 51

Le modle de la

covariance (ou modle


effets fixes)

Rappel sur la rgression partage


Oprateurs BETWEEN et WITHIN
Spcification du modle effets individuels
Lestimateur LSDV
Tests
Modle avec effets temporels
Modle avec effets individuels et temporels

Rappel sur la
rgression partage (1)

Soit le modle de rgression classique :


Y( N ,1) X ( N , K ) ( K ,1) ( N ,1)

:
iid
(0,

IN )
o
Supposons que la rgression implique 2
sous-ensembles de X :

Y( N ,1) X 1( N , K1 ) 1( K1 ,1) X 2( N , K 2 ) 2( K 2 ,1) ( N ,1)

Rappel sur la
rgression partage (2)

Alors on dmontre (thorme Frisch-Waugh),


laide des quations normales, que :
1 ( X 1' X 1 ) 1 X 1' (Y X 2 2 )

'
1
'
( X M X ) X M Y

'
1
'
M

X
(
X
X
)
X
1
1
1
1
1

Remarque : 2 est quivalent lestimateur


des MCO sur le modle transform par M1 :
M 1 y M 1 X 11 M 1 X 2 2 M 1
M 1 y M 1 X 2 2 M 1 car M 1 X 1 0
y% X%2 %modle pur des variables X 1

Oprateurs between et within


(1)

Oprateur between :

Soit : DN I N ST
Oprateur :

BN DN ( DN' DN ) 1 DN'

BN (1/ T ) DN DN' ou BN I N ST ST' T

Lorsquil est appliqu une variable, BN


permet de calculer les moyennes par
individu de cette variable. Cet oprateur est
donc appel
oprateur
interindividuel ou oprateur between .

Oprateurs between et within


(2)

Oprateur within :

Oprateur :

WN I NT BN

WN I N ( IT ST ST' T ) ou WN I NT I N ST ST' T

Lorsquil est appliqu une variable, WN


permet de calculer les carts de chaque
observation aux moyennes individuelles. Cet
oprateur est donc appel oprateur
intraindividuel ou
oprateur
within .

Spcification du modle
effets individuels (1)

Pour chaque individu i et chaque


priode t : '

yit i xit it

Pour chaque individu i :

En
Y regroupant
D X tous
les individus :

yi ST i X i i

Spcification du modle
effets individuels (2)

Pour complter le modle, on


admet :

La matrice des variables explicatives


est de rang complet :

rang DN X N K

Les
it : erreurs
iid (0, 2 ):

Lestimateur LSDV (1)

Le modle Y DN X est un modle


de rgression en forme partage. On peut
donc appliquer le thorme FW:
( X 'WN X ) 1 X 'WN Y

'

1
T
D

N (Y X )
Forme de lestimateur de leffet individuel :

i yi. xi'.

Lestimateur de leffet individuel est donc


gal la moyenne des rsidus du i me
groupe.

Lestimateur LSDV (2)


Les rsultats sobtiennent galement en
appliquant les MCO sur le modle transform par
WN :

WN Y WN X WN

'
'
(
y

y
)

(
x

x
it
i.
it
i . ) erreur

Utilit pratique du modle transform :

Le modle global implique linversion dune matrice


(N + K, N + K)
Le modle transform ne ncessite que linversion dune
matrice (K, K)
Attention : la transformation nest pas non-singulire, on
perd N ddl (ddl = NT N K)

Tests (1) : test dgalit des


coefficients individuels

On veut savoir si les effets fixes sont


diffrents dune quation lautre :
H 0 : i

H A : Au moins 2 coefficients sont diffrents

Procdure de test :

Procdure de Chow
Comparaison modle contraint/modle
non-contraint
Le modle contraint est le modle I
(rgression ordinaire).

Tests (2) : Htroscdasticit et


autocorrlation

Htroscdasticit :

Arellano (1987) a montr quon pouvait, de faon


similaire White (1980), estimer de faon robuste
une htroscdasticit de forme inconnue la
variance de lestimateur intra-individuel.
On peut aussi effectuer les tests de White (1980) ou
de Breusch-Pagan.

Autocorrlation :

Sil y a autocorrlation des erreurs :

i ,t i ,t 1 uit

Une extension du test de Durbin-Watson a t


propose au cadre du modle effets fixes partir
des rsidus estims du modle intra-individuel.

Le modle avec effets


temporels (1)

Pour chaque individu i et chaque


priode t :'

yit t xit i ,t

Pour chaque individu i :

En regroupant tous les individus :


Y DT X avec DT S N IT

yi IT X i i

Le modle avec effets


temporels (2)

On dfinit les oprateurs inter- et


intratemporels
BT DT ( DT' DT ) 1 DT' : 1 N DT DT'
WT I NT BT

Lestimateur
LSDV de est :
( X 'WT X ) 1 X 'WT Y
Cet estimateur sobtient comme
lestimateur
MCO sur le modle

WT Y WT X WTdes

transform
( y y ) ( x ' :x ' ) erreur

it

.t

it

.t

Le modle avec effets


individuels et temporels
(1)

Il scrit :

Y DN DT X

Cependant, les paramtres et ne sont


pas tous identifiables car la matrice [D N D
T] nest pas de rang complet
(multicolinarit)
Pour des raisons de symtrie, on propose :

dinclure N - 1 variables muettes individuelles


dinclure T 1 variables muettes temporelles
dajouter un terme constant global

Le modle avec effets


individuels et temporels
(2)

Le modle scrit alors :

Y S NT 0 DN* * DT* * X
Y D X (NT N T 1 K ddl)

Lestimateur de sobtient comme


lestimateur des MCO sur le modle
transform :
( yit yi. y.t y.. ) ( xit' xi'. x.'t x..' ) erreur

Le modle avec effets


individuels et temporels
(3)

Diffrents tests possibles :

Test joint sur les effets individuels et


H 0 : * 0 et *: 0
temporels

H A : Au moins 1 coefficient non nul

*
H 0 : sur
0 les effets individuels seulement :
Test

H A : Au moins 1 coefficient non nul

*
H 0 : sur
0 les effets temporels seulement :
Test

H A : Au moins 1 coefficient non nul

Le modle erreurs
composes (ou modle
effets alatoires)
Spcification du modle avec effets individuels
Dcomposition spectrale de la matrice de
variances-covariances
Quelques estimateurs et leurs proprits
Tests de spcification
Le modle effets individuels corrls
Le modle avec effets individuels et temporels

Spcification (1)

Pour chaque individu i et chaque priode t :


yit xit' it

it ui wit
u i = effet individuel rendant compte de linfluence
sur y des variables non prises en compte, si elles
sont stables dans le temps.
W it = effet rsiduel reprsentant linfluence des
autres variables omises, variant selon les individus
et variant dans le temps.
ui : iid (0, u2 )

Hypothses : wit : iid (0, w2 )


u , w mutuellement indpendants
i it

Spcification (2)

Les proprits suivantes sur les erreurs sont


donc vrifies :
E ( it ) 0 i, t
u2 w2 si i j et t s

E ( it js ) u2
0

si i j et t s
sinon

Interprtation :

Autocorrlation temporelle individu par individu,


constante quel que soit le nombre de priodes
sparant deux perturbations
Pas de corrlations entre les individus

Spcification (3)

Si on empile les observations pour


lindividu i :
* E ( i ) 0
u2 w2
u2

2
2
2

u
u
w
*V ( i ) E ( i i' )

M
M

2
u2
u
soit : A w2 IT u2 ST ST'
* E ( i 'j ) 0

K
K
O
K

u2
2
u
A
M
2
2
u w

Spcification (4)

Si on empile les N individus :


* E ( ) 0
11' 1 2'

'
'

2 2
*V ( ) E ( ') E 2 1
M
M

'
'
N 1 N 2
A
0
soit : V ( )
M

0
A
M
0

K
K
O
K

K
K
O
K

0
0
IN A

1 N'
'
2 N
M
'
N N

Dcomposition spectrale de la
matrice des variances-covariances
(1)

On dmontre que :

V IN A
V ( w2 T u2 ) BN w2WN

V apparat comme la combinaison linaire


des matrices between et within. Les
quantits
1 w2 T u2
2 w2
et
sont les valeurs
propres de cette matrice (resp. de
multiplicit N et NT N).

Dcomposition spectrale de la
matrice des variances-covariances
(2)

Remarque 1 : il est facile de montrer


que
V 1 : 1 1 BN 1 2 WN
F 2 1 1/ 2 BN WN

F cBN WN I (1 c) BN

Remarque 2 : soit
Alors F est la matrice permettant deffectuer
une
qui ramne au MCO
F 'VFtransformation
w2 I
car :
y% Fy y%
it yit (1 c ) yi . (quasi-dviation la moyenne)

Quelques estimateurs
(1) : lestimateur des
MCO
Le modle :

yit xit' i ,t

y S NT X Z

Lestimateur des MCO :

MCO ( Z ' Z ) 1 Z ' y


V (MCO ) ( Z ' Z ) 1 Z 'VZ ( Z ' Z ) 1

Estimateur centr, convergent en probabilit


(pour N et T ) mais non efficient.

Quelques estimateurs
(2) : lestimateur
Between

Il sagit de lestimateur des MCO


appliqu au modle sur les
'
yi. xi. erreur
moyennes individuelles
:

Il correspond lestimateur
appliqu au modle transform par
BBN y: B Z B
N

b ( Z ' BN Z ) 1 Z ' BN y

Quelques estimateurs
(2) : lestimateur
Between

Cette mthode nutilise que la


variance interindividuelle des
individus privilgiant les
diffrences permanentes entre
individus.
Estimateur sans biais et
convergent (pour N et T ou N
et T fix).

Quelques estimateurs
(3) : lestimateur
Within
Il sagit de lestimateur des MCO

appliqu au modle sur les moyennes


individuelles : '

( yit yi. ) ( xit xi. ) erreur

Il correspond lestimateur appliqu


au
par W N :
W ymodle
W Z transform
W
N

W ( X 'WN X ) 1 X 'WN y

Quelques estimateurs
(2) : lestimateur
Within

Cette mthode nutilise que la


variance intraindividuelle des
individus, excluant toute variabilit
attribuable aux diffrences
permanentes entre individus.
Estimateur sans biais et
convergent (pour N et T ou N
et T fix). En outre, il est
asymptotiquement efficient.

Quelques estimateurs
(4) : lestimateur des
MCG
purs
Lestimateur des MCG purs est dfini

par :

MCG ( X 'V 1 X ) 1 X 'V 1 y

Compte tenu de la dfinition de V, cet


estimateur se rcrit comme
:
1

MCG ( X 'WN X X ' BN X ) ( X 'WN y X ' BN y )


avec w2 ( w2 T u2 )

Quelques estimateurs
(4) : lestimateur des
MCG
purs
Cet estimateur combine donc les

variabilits inter- et intraindividuelles


dans une proportion particulire.

Il sinterprte ainsi comme la combinaison


optimale des deux composantes.

Il est lquivalent lestimateur des


MCO du modle o les donnes sont
transformes par F (transformation
quasi-dviation la moyenne).
Cet estimateur est sans biais,
convergent (pour N et T ou N
et T fix) et efficient.

Quelques estimateurs
(5) : lestimateur des
MCGR
Comme la valeur de est inconnue, il faut

lestimer de faon convergente.


Swamy et Arora (1972) ont propos
dutiliser les variances estimes des
rsidus des rgressions intra- et
interindividuelles.
2

Un
estimateur
centr de
2
'

w (uwuw ) /( NT N K )
uW WN y WN Z W

est donn par :

o
sont les rsidus de la
rgression intra.

Quelques estimateurs
(5) : lestimateur des
MCGR
( ( / T ))
Un estimateur centr de
est
2
u

donn par :

2
w

2
'

b (uB uB ) /( NT TK )

o uB BN y BN Z B
rgression inter.

Un estimateur convergent de se dduit de


2
2

ces deux estimationsw: b

On applique enfin les MCG avec


au lieu de

sont les rsidus de la

Tests (1) : le test dabsence


deffets spcifiques
individuels
Le but est de tester :
H 0 : u2 0

2
H
:

A u 0

Test de Fisher ou du multiplicateur de


Lagrange ( partir du modle contraint
estim par les MCO), suivant
asymptotiquement une loi du 2 1 ddl.
Honda (1985) a propos une version
unilatrale de ce test.

Tests (2) : le test de


Mundlak (1978)

Selon Mundlak (1978), les effets spcifiques


alatoires ont de grandes chances dtre
corrls avec les variables explicatives =
corrlation entre les caractristiques
inobservables des individus et les
caractristiques observables (rgresseurs).
Dans ce cas, il montre que seul lestimateur
within reste sans biais et convergent.
Il en dduit galement un test de
corrlation entre les effets spcifiques et les
variables explicatives.

Tests (3) : Le test


dHausman

Principes gnraux des tests


dHausman :

Ces tests reposent sur la diffrence


entre :

un estimateur convergent et efficace sous


lhypothse nulle de bonne spcification
mais non convergent sous lhypothse
alternative et
un estimateur convergent sous les deux
hypothses

Tests (3) : Le test


dHausman

Application au modle erreurs composes


:

Lhypothse nulle correspond au modle


erreurs composes alors que lhypothse
alternative correspond au modle de Mundlak
(o les effets spcifiques sont corrls avec les
variables explicatives)
Dans ce cas, lestimateur des MCG est
convergent et efficace sous H 0 mais non
convergent sous H a. Au contraire, lestimateur
within est convergent dans les deux cas.

Tests (3) : Le test


dHausman

Le test repose alors sur la diffrence :

q W MCG

La quantit :

as

Q q ' V (w ) V (MCG ) q : K2

Remarque : on peut galement tester


lexognit des effets spcifiques en
comparant deux quelconque des
MCO
, MCG , w: et b
estimateurs
suivants

Le modle effets
individuels corrls

Si la corrlation ne peut pas tre


rejete, il faut considrer un modle
effets individuels corrls :

estimateur within ou,


estimateur MCO ou MCG sur le modle en
diffrences premires (pour liminer
leffet individuel) ou,
estimateurs des variables instrumentales

Le modle avec effets


individuels et temporels
(1)
Pour chaque individu i et chaque
priode
y x ' t :

it

it

i ,t

it ui vt wit

Hypothses
ui : iid (0, u2 ) :

2
vt : iid (0, v )
2
w
:
iid
(0,

it
w)
u , v , w mutuellement indpendants
i t it

Le modle avec effets


individuels et temporels
(2)

Les proprits suivantes sur les erreurs sont


donc vrifies :
E ( it ) 0 i, t

u2 v2 w2 si i j et t s

2
u

si i j et t s

2
v
0

si i j et t s

E ( it js )

sinon

Interprtation :

Autocorrlation temporelle individu par individu,


constante quel que soit le nombre de priodes
sparant deux perturbations
Covariance contemporaine entre les individus

Le modle avec effets


individuels et temporels
(3)

Si on empile les observations pour lindividu i :

* E ( i i' )

u2 v2 w2
u2
K

2
2
2
2

K
u
u
v
w

M
u2

M
u2

soit : A ( v2 w2 ) IT u2 ST ST'
v2
* E ( i 'j )

0 v2 K
M M O
0
0 K

0
B v2 IT
M
2
v

u2

2
u
A

O
M
2
2
2
K u v w

Le modle avec effets


individuels et temporels
(4)

Si on empile les N individus :


A B K
B A K

B
B
V ( ) E ( ')
M M O M

B
B
K
B

0
K
0
A B
0

B
K
0

soit : V ( )
M
M O
M

0
K A B
0
I N ( A B) ( ST ST' ) B

B
B

B
B
M
B

K
K
O
K

B
B

Le modle
coefficients alatoires
Spcification et hypothses
Procdures destimation
Test de lhomognit des
coefficients

Spcification du modle
de Swamy (1)

Soit le modle :
yit zit' i it

Les hypothses :

Sur les variables explicatives : on


suppose Z i fixe, de rang complet K+1
Sur les erreurs :
it : iid (0, i2 )

Spcification du modle
de Swamy (2)

Sur les coefficients : on suppose les i


alatoires
i i

est la partie fixe et i sont les effets


individuels alatoires.
i : iid (0, )
On admet que
o est une
matrice dfinie-positive

Le modle de Swamy est donc un modle


de rgression multiple avec perturbations
autocorrles et htroscdastiques.

Spcification du modle
de Swamy (3)

On empile le modle pour un


individu i donn :
yi Z i i i Z i ( Z i i i )
Soit :%
i Z i i i

Alors :

E (%
i) 0
'
2
%
V ( i ) Z i Z i i IT Ai
%
Cov(%
i , j ) 0

Spcification du modle
de Swamy (4)

On empile le modle pour tous les


individus :
'
'
'

%
%') E
V (%
) E (

% %
% K
%
1 1
1 2

'
'
%%
%%

K
2 2
2 1

M
M O

'
'
%%

K
%%
N 1
N 2
0
A1 0 K
0 A K
d
0
2
V
soit : V ( )
M M O
M

0
0
K
A

%
%
1 N
'
%%

2 N
M
'
%%
N N

Estimation (1) : les MCG


purs

Par dfinition :
MCG ( Z 'V 1Z ) 1 Z 'V 1 y

Cette expression peut se simplifier


compte tenu de la formulation de V
:
1 1
1
MCG Ci

o Ci i2 ( Z i' Z i )

Estimation (1) : les MCG


purs

Interprtation : il sagit dune moyenne


i
pondre matricielle des
.
La moyenne est pondre en fonction
inverse de la variance : les individus
pour lesquels lestimation est la plus
prcise psent plus dans lestimation
globale que les autres.
Cependant, puisque C i nest pas connue,
cette mthode nest pas applicable.

Estimation (2) : les MCGR

La matrice C i dpend de et de qui sont en


gnral inconnus.

Pour , on utilise la somme des carrs des rsidus


des rgressions individuelles.
Pour , on utilise lestimateur :

1
1
2
'
1

)(

)
'

(
Z
Z
)
i
i i i
i
N 1
N

On peut ensuite remplacer et par leurs


estimations dans V pour la 2me tape des
MCGR. On obtient un estimateur convergent
et asymptotiquement efficace pour N et
T fixe.

Test de lhomognit
des coefficients

On teste :

H 0 : 1 2 ... N

Puisque lhtrognit des coefficients


induit une forme dhtroscdasticit,
cette dernire peut tre teste laide
de lapproche Breusch-Pagan.