Economé trie

des Donné es de Panel

Les Modèles de Panel Dynamique

Akram SMATI
Année Universitaire: 2021/2022
 Introduction

 Ce sont les modè les qui font dé pendre la valeur de Y pour le iè me

individu à la date t non seulement des valeurs prises par les variables

X i pour ce mê me individu mais aussi – et c’est là que ré side la source

des difficulté s associé es à l’estimation de ces modè les – des valeurs

retardé es de la variable expliqué e elle-mê me.

U n modè le dynamique est un modè le dans lequel un ou

plusieurs retards de la variable dé pendante figurent comme variables
explicatives.
 Introduction

Le modè le é tudié ici peut donc ê tre spé cifié sous la forme :

si on s’en tient à une seule variable exogè ne.

 Introduction

On pourrait considé rer la valeur retardé e de Y comme une variable

explicative tout à fait ordinaire et procé der par consé quent à
l’estimation des coefficients du modè le en mettant en œuvre les
techniques qui ont é té pré senté es jusqu’ici (par exemple en utilisant
l’estimateur within).

Malheureusement, on va montrer que, pré cisé ment, Y i t - 1 n’est pas une

variable explicative « comme une autre » et que l’estimateur (within
notamment) du coefficient qui lui est attaché est né cessairement biaisé
et non convergent. Dè s lors, d’autres techniques d’estimation doivent
ê tre envisagé es qui font appel à l’usage de variables instrumentales.
 Estimateur des Variables Instrumentales

L’estimateur des Variables Instrumentales

(Anderson et Hsiao - 1981)

Ré crivons justement le modè le en diffé rences premiè res (on supposera,

pour la simplicité , que le modè le est purement autoré gressif ) :

C e modè le est biaisé par construction puisque la

variable explicative ∆Y it - 1 est corré lé e avec le nouveau terme d’erreur
∆εit
 εit-1 est une des composantes de Y i t - 1
 Estimateur des Variables Instrumentales

Pour autant, Y i t - 2 , lui, n’est thé oriquement pas corré lé avec ∆εit tout
en demeurant fortement corré lé e avec ∆Y t - 1

pré sente donc à ce titre toutes les qualité s attendues d’un bon
Y it-2
instrument

Dans ce contexte, la logique veut qu’on mette en œuvre la mé thode des

variables instrumentales
 Estimateur des Variables Instrumentales

Rappelons que, si Z t est un instrument pour la variable explicative X t

corré lé e avec le terme d’erreur, l’estimateur des variables instrumentales

VI, pour le modè le Y t = a + b X t + εt est donné par :

 Estimateur des Variables Instrumentales

Pour le modè le dynamique é tudié , l’estimateur des variables

instrumentales (Anderson et Hsiao 1981) a pour
expression :
 Estimateur des Variables Instrumentales

Alternativement, Anderson et Hsiao ont aussi proposé d’utiliser :

qui pré sente toutefois l’inconvé nient de conduire à la perte d’un degré
de liberté .
 Méthode des Moments Généralisés

L a Méthode des Moments Généralisés (GMM)

(Arellano & Bond – 1991)

On vient de voir, en nous plaçant dans le cadre analytique simplifié d’un

modè le purement autoré gressif, que la mé thode des variables
instrumentales consiste à retenir Y i t - 2 comme instrument à la place de
∆Y it - 1 dans le modè le ré crit en diffé rence premiè re :
 Méthode des Moments Généralisés

L a mé thode G M M repose sur les conditions d’orthogonalité entre les

variables retardé es et le terme d’erreur, aussi bien en diffé rences
premiè res qu’en niveau. Lorsque le modè le dynamique est exprimé en
diffé rences premiè res, les instruments sont en niveau, et vice versa.

Dans le modè le à estimer, l'utilisation des variables retardé es comme

instruments diffè re selon la nature des variables explicatives:
a.Pour les variables exogè nes, leurs valeurs courantes sont utilisé es
comme instruments.
b. Pour les variables pré dé terminé es ou faiblement exogè nes (des
variables qui peuvent ê tre influencé es par les valeurs passé es de la
variable dé pendante, mais qui restent non corré lé es aux ré alisations
futures du terme d'erreur), leurs valeurs retardé es d'au moins une
pé riode peuvent ê tre utilisé es comme instruments.
c. Pour les variables endogè nes, leurs valeurs retardé es de deux
pé riodes et plus peuvent ê tre des instruments valides.
 Méthode des Moments Généralisés

L a validité des instruments retenus peut être confirmé e

ou infirmé e, à partir des tests de Hansen et de Sargan.

 Il existe deux variantes d'estimateur des G M M en panel dynamique:

 L'estimateur G M M en diffé rences premiè res

 L'estimateur G M M en systè me.

 Méthode des Moments Généralisés
G M M en Différences Premières
L'estimateur G M M en diffé rences premiè res d'Arellano et Bond (1991)

consiste à prendre pour chaque pé riode la premiè re diffé rence de l'é quation à
estimer pour é liminer les effets spé cifiques individuels. On obtient :

Il s’agit ensuite d’ instrumenter la variable endogè ne retardé e par ses valeurs
passé s de 2 pé riodes et plus. Cependant, cette mé thode ne permet pas d’identifier
l’effet des facteurs invariants dans le temps. De plus, Blundel et Bond (1998) ont
montré à l'aide des simulations de Monte Carlo que l'estimateur G M M en
systè me est plus performant que celui en diffé rences premiè res, ce dernier donne
des ré sultats biaisé s dans des é chantillons finis lorsque les instruments sont
faibles.
 Méthode des Moments Généralisés

G M M en Système

L’estimateur G M M en systè me de Blundel et Bond (1998), combine les

é quations en diffé rences premiè res avec les é quations en niveau. Les
instruments dans l’é quation en diffé rences premiè res sont exprimé s en niveau,
et vice versa.

  Y it =   X it +   Y it  1 +  it
 i =  X it +  Yit  1 +
 Y

 Méthode des Moments Généralisés

G M M en Système

Les principaux tests en panels dynamiques, reposent sur les hypothè ses
suivantes, à accepter.
-Test de Sargan :
H0: Les instruments sont valides.

- Absence de corrélation sérielle des résidus.

H1 : Corré lation né gative d’ordre 1 des ré sidus.
H0: Absence de corré lation d’ordre 2 des ré sidus.
 Méthode des Moments Généralisés

G M M : Estimation en 2 étapes

1) Une première estimation se fait sous l’hypothèse d’absence de corrélation des erreurs et
leur homoscédasticité.
2) Ensuite, le vecteur des résidus issu de cette première estimation est utilisé pour estimer
de façon convergente une matrice variance-covariance des erreurs, dans une deuxième
étape d’estimation. A cette deuxième étape, l’hypothèse d’absence de corrélation des
erreurs et de leur homoscédasticité est vérifiée.

Cela fait de l’estimateur GMM estimé en deux étapes plus efficace que l’estimateur
GMM estimé en une seule étape ((Roodman (2009a, 2009b)).
 Méthode des Moments Généralisés
Commande STATA: xtabond2
Avec le logiciel Stata, la méthode GMM system est préprogrammée (commandes «
xtabond2 » et « twostep » ).
Aussi, nous nous basons dans l’écriture des commandes relatives à nos estimations sur les
recommandations de Roodman (2009a, 2009b) et Newey et Windmeijer (2009), dont
l’application de la correction de Windmeijer (2005), afin d’obtenir des écarts-types
asymptotiques, donc robustes et éliminer, ainsi, le biais potentiel qui pourrait découler de
l’estimation en deux étapes. A travers l’utilisation de la commande « collapse », le logiciel
Stata 11 garantit un petit nombre d’instruments utilisés qui n’excède pas le nombre
d’observations, afin de pouvoir estimer le modèle d’une façon non biaisée, ce qui évite
potentiellement le problème de prolifération des instruments (Roodman (2009a, 2009b)).
En effet, avec un nombre d’instruments trop élevé, qui dépasse le nombre d’observations,
les variables endogènes peuvent être sur-présentées par leurs instruments, d’où le risque de
persistance du problème d’endogénéité.