Académique Documents
Professionnel Documents
Culture Documents
ECONOMETRIE DES
DONNEES DE PANEL
Saad-Ellah Berhili
Novembre 2014
Plan de la présentation
2
Plan du cours
Introduction à l’économétrie des données de panel (1
séance)
Modèles linéaires (1 séance)
Modèles à erreurs composées (1 séance)
Modèles à double erreurs composées (1 séance)
Tests d’hypothèses sur les données de panel (1 séance)
Modèles dynamiques (1 séance)
Modèles à variables dépendantes limitées (1 séance)
Présentations des groupes (2 à 3 séances)
Examen Final (date à fixer)
3
Évaluation
4
Introduction
Nous savons comment modéliser une variable
dépendante Y, de type continue, à l’aide de la
régression linéaire
Soit le modèle de régression linéaire :
= (X T X )−1 X T Y
Exemple : On veut relier le salaire d’un individu
à son niveau d’instruction (nombre d’années de
scolarité).
6
Conditions et hypothèses
Hypothèses du modèle :
1. Normalité des erreurs
2. Homoscédasticité
3. Indépendance
4. E(e/x) = 0
1. E(e) = 0, et
2. Cov(x,e) = 0 (exogénéité)
chronologiques multivariées
Exemple :
28 mesures pour 30 pays
Maroc Tunisie … Turquie
(i=1) (i=2) (i=30)
i = individu, i = 1,…N
t = temps, t = 1,…T
Plusieurs schémas pour l’analyse asymptotique :
N fixe et T ∞
N ∞ et T fixe
N ∞ et T ∞
Un modèle général
Modèle général, où les coefficients varient dans
le temps et/ou par individu
3
Un modèle général
Deux problèmes :
Aucun pouvoir explicatif
Cette expression n’est pas estimable (NT
observations et NT(K+1) paramètres à estimer)
On doit munir cette expression d’une
structure :
1 : Nature des variables explicatives
2 : Distribution des erreurs
3 : La relation entre les deux
4 : le degré de variabilité des coefficients de
régression
Un modèle général
Hypothèses :
1 : les variables explicatives sont non-stochastiques
et les matrices correspondantes sont de rang complet
3 : les variables explicatives sont indépendantes des
erreurs
Les différentes hypothèses sur la
distribution des erreurs (2) et le degré de
variabilité des coefficients (4) conduisent
aux principaux modèles de panel.
Modèle I : Régression
ordinaire
Hypothèses :
it
H 4 (I) :
k ,it k k 1,...K
2
H
2 (I) : it iid (0, )
Le modèle :
K
yit xk ,it k it
k 1
Modèle I : Régression
ordinaire
Les hypothèses de la régression classique
sont vérifiées
On peut estimer le modèle par les MCO
Avantages :
Simplicité des calculs
Modèle parcimonieux
Inconvénient :
Admettre l’uniformité des comportements et
l’homogénéité des observations, c’est nier toutes
sortes d’hétérogénéités
Modèle II : Régressions
individuelles
Hypothèses :
it i
H 4 (II) :
k ,it k ,i k 1,...K
2
H
2 (II) : it iid (0, )
Le modèle :
K
yit i xk ,it k ,i it
k 1
Modèle II : Régressions
individuelles
Les hypothèses de la régression classique sont
vérifiées équation par équation
On peut estimer chaque équation individuelle par les MCO
Avantages :
Modélisation parfaite de l’hétérogénéité individuelle
Simplicité des calculs
On peut tester l’uniformité des comportements
Inconvénients :
Un grand nombre de paramètres à estimer
L’estimation individuelle n’est possible que si T > K + 1
Néglige toutes sortes d’interdépendances des
comportements individuels
Conclusion provisoire
La régression classique est parcimonieuse mais
néglige toutes sortes d’hétérogénéités.
Le modèle des régressions individuelles
représente l’autre extrême : prise en compte
de l’hétérogénéité individuelle mais il n’est pas
parcimonieux.
On veut un compromis : comment modéliser
l’hétérogénéité de manière parcimonieuse?
Modèle III : Modèle de la covariance ou
modèle à effets fixes
Hypothèses :
it i
H 4 (II) :
k ,it k k 1,...K
2
H
2 (II) : it iid (0, )
L’hétérogénéité des comportements est
modélisée par un effet individuel générique.
Il s’agit donc d’un modèle avec variables
muettes individuelles.
Modèle III : Modèle de la covariance ou
modèle à effets fixes
Avantages :
Parcimonieux, facile à calculer
Prend en compte de manière simple
l’hétérogénéité et permet de tester l’uniformité
des comportements
Inconvénient :
Lorsque N est grand, le nombre de paramètres à
estimer est prohibitif :
K paramètres pour b
N paramètres pour les effets fixes
Autres modèles
Modèles à effets aléatoires
Modèles à variables instrumentales
Modèles dynamiques
Modèles à variables qualitatives
Etc…
Test de spécificité
Un test de spécification est nécessaire pour
déterminer si le processus générateur de
données peut être considéré comme homogène,
C’est-à-dire unique pour tout les individus, ou si
au contraire il parait totalement hétérogène.
Commerciaux
STATA
SAS
E-views
SPSS
Gratuits
R
Installation sur le site www.r-project.org
31