Délivré par l’Université de Montpellier

Préparée au sein de l’école doctorale EDEG∗

Et de l’unité de recherche LAMETA
Spécialité: Sciences Économiques

Présentée par Ndéné KA

Modélisation de la Croissance
pro-pauvre

Soutenue le 05/12/2016 devant le jury composé de

Mme.F RANÇOISE S EYTE MCU HDR Univ. de Montpellier Directrice de thèse

M. S TÉPHANE M USSARD Professeur Univ. de Nîmes co-Directeur de thèse
M. F RANÇOIS B ENHMAD MCU HDR Univ. de Montpellier Examinateur
M. P HILIPPE VAN K ERM DR LISER, Luxembourg Rapporteur
M. B ENOIT M ULKAY Professeur Univ. de Montpellier Examinateur
M. A LEXANDRU M INEA Professeur Univ. d’Auvergne Rapporteur
 L’université n’entend donner aucune approbation ni improba-
tion aux opinions émises dans la thèse ; ces opinions doivent être
considérées comme propres à leurs auteurs.
 A Montpellier, le

Le Président de l’Université de Montpellier

Philippe Augé

3
Remerciements
Je tiens à remercier tous ceux sans qui cette thèse n’aurait jamais vu le jour. En
tout premier lieu à :
• Madame Françoise Seyte qui fit le pari il y a quelques années de diriger cette
thèse. Sa disponibilité, sa rigueur scientifique, ainsi que sa bienveillance discrète
ont été déterminantes dans l’accomplissement de ce travail. Je tiens à lui témoi-
gner ici toute ma gratitude.
• Monsieur Mussard Stéphane, qui m’a d’abord fait découvrir la régression Gini.
Mais aussi, qui a bien voulu accepter de m’accompagner dans cette entreprise
de recherche si exaltante. Par ses conseils avisés et ses remarques pertinentes, il
m’a permis d’améliorer la qualité de ce travail. J’ai apprécié la disponibilité, le
soutien constant dont il m’a fait preuve et qui m’ont donné la possibilité et la
volonté d’avancer. Qu’il trouve ici l’expression de ma gratitude. J’ai beaucoup
apprécié le fait de travailler avec lui.
• Mes sincères remerciements vont à Monsieur Philippe Van Kerm et Monsieur
Alexandru Minea pour m’avoir fait l’honneur de rapporter cette thèse.
• J’exprime ma gratitude à Monsieur Benoit Mulkay et Monsieur François Benh-
mad qui m’ont fait l’honneur d’examiner ce travail.
Cette thèse a été réalisée au sein du Laboratoire Montpelliérain d’économie
théorique et appliquée(LAMETA) où régnait une atmosphère conviviale. Merci
à : Ayad Assoil, Olfa Bouallegue, Nour Wehbi, Peguy Ndodjang, Mht Hisseine
Saad, Boumediene Souiki, Diogoye Faye, Zoul Moumouni, Abdou salam Diallo,
Mamadou Diop, Peguy, Maïté Stéphan ainsi que tous les doctorants du LAMETA
pour avoir tous contribué à ma construction.
A mes parents, pour m’avoir éduqué et transmis la meilleure part d’eux
même. A ma mère, pour m’avoir soutenu de manière indéfectible durant toutes
ces années. A mes frères et sœours.
A Aldiouma mme KA, pour avoir été mon compagnon de route durant toutes
ces années, pour avoir supporté avec patience les externalités négatives de ce
travail qui n’aurait certainement pas pu arriver à terme sans son soutien, des
remerciements sont très peu de chose.
Il me faut aussi remercier le secrétariat du World income Inequality database
de nous avoir fourni plusieurs versions de leur base de données.
Toutes ces personnes, à des degrés variables, ont contribué, directement ou

4
indirectement, au contenu de ce document, sans que leur responsabilité puisse
être engagée en ce qui concerne les erreurs qui pourraient s’y trouver. Je reste,
bien évidemment, seul responsable des manquements qui subsisteraient.

5
SOMMAIRE

Remerciements

Notations

Introduction

Chapitre I : Croissance pro-pauvre : définitions et me-

sures.

Chapitre II : Méthodologie Gini

Chapitre III : Estimation de la croissance pro-pauvre.

Conclusion Générale

Annexes

6
Notations
ARCH : AutoRegressif Conditionalal Heteroscedastixity.

BPC : Biais de pauvreté de la croissance.

CIC : Courbe d’Incidence de la Croissance.

CL : la Courbe de Lorenz.

CNB : Cost of Basic Needs.

CCP : Courbe de croissance de la pauvreté.

Cov représente l’opérateur covariance.

D S : Deininger et Squire

E représente l’opérateur espérance.

ERS : Economic Research Service.

Eduprim : Taux de scolarisation primaire.

Edusecon : Taux de scolarisation secondaire.

FEI : Food Energy Intake.

FGT : Foster, Greer et Torsbecke.

GMM-AB : L’estimateur d’Arrelano- Bond par la Méthode des Moments

Généralisés.

MCO : Les Moindres Carrées Ordinaires.

7
OCDE : Organisation de coopération et de développement économiques.

PED : Pays en voies de developpement.

PIB : Produit Intérieur Brute.

ICPP : Indice de Croissance Pro-Pauvre.

USDA : United States Department of Agriculture.

R+ : Ensemble des réels positifs.

TCEP : Taux de Croissance Équivalent à la Pauvreté

Var : représente l’opérateur Variance.

VI : Variable Instrumentale.

WIDER : World Institud for Develpment Research

WIID : World Income Inequality Database.

8
Table des matières

Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Sommaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1 La croissance pro-pauvre : une revue de la littérature 22

1.1 Pauvreté et croissance économique . . . . . . . . . . . . . . . . . . . 26
1.1.1 Définitions de la croissance pro-pauvre . . . . . . . . . . . . 27
1.1.2 Les mesures agrégées de la croissance pro-pauvre . . . . . . 30
1.1.3 Les mesures relatives de la croissance pro-pauvre . . . . . . 35
1.1.4 Les mesures absolues de la croissance pro-pauvre . . . . . . 41
1.1.5 L’approche économétrique de la croissance pro-pauvre . . . 43
1.1.6 Les politiques économiques pro-pauvres . . . . . . . . . . . 45
1.2 Les inégalités de revenu nuisibles ou favorables à la croissance . . . 49
1.2.1 Les approches théoriques . . . . . . . . . . . . . . . . . . . . 50
1.2.2 Les approches empiriques . . . . . . . . . . . . . . . . . . . . 54
1.3 Problèmes méthodologiques et qualités des données . . . . . . . . . 64
1.3.1 La causalité inverse entre inégalités et croissance . . . . . . . 65
1.3.2 La qualité des données . . . . . . . . . . . . . . . . . . . . . . 66
1.3.3 L’hétérogénéité des données sur les inégalités de revenu . . 67
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

2 La méthodologie Gini 72
2.1 Généralités sur la méthodologie de Gini . . . . . . . . . . . . . . . . 74
2.1.1 La différence moyenne de Gini et Co-Gini . . . . . . . . . . . 74
2.1.2 Corrélation au sens de Gini : la G-corrélation . . . . . . . . . 78
2.1.3 Décomposition de la différence moyenne du Gini . . . . . . 80

9
 2.2 La régression Gini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
2.2.1 Sensibilité de l’estimateur des MCO aux transformations
monotones et aux points aberrants . . . . . . . . . . . . . . . 85
2.2.2 L’approche paramétrique . . . . . . . . . . . . . . . . . . . . 87
2.2.3 L’approche semi-paramétrique . . . . . . . . . . . . . . . . . 89
2.2.4 Similarités et différences entre la régression Gini et les MCO 92
2.2.5 Les conditions de "Grenander modifiées" . . . . . . . . . . . 94
2.2.6 Traitement des ex aequo . . . . . . . . . . . . . . . . . . . . . 96
2.2.7 La régression Gini-VI . . . . . . . . . . . . . . . . . . . . . . . 97
2.2.8 Inférence et variance des estimateurs . . . . . . . . . . . . . 99
2.3 L’estimateur Gini en Données de Panel . . . . . . . . . . . . . . . . . 102
2.3.1 L’estimateur Gini du modèle à effets fixes . . . . . . . . . . . 104
2.3.2 Inférence sur l’estimateur intragroupe . . . . . . . . . . . . . 106
2.3.3 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
2.3.4 Test de l’existence de spécificités individuelles . . . . . . . . 111
2.4 Les perturbations non sphériques . . . . . . . . . . . . . . . . . . . . 115
2.4.1 Test de Shelef (2014) . . . . . . . . . . . . . . . . . . . . . . . 116
2.4.2 Extension du test de Shelef (2014) . . . . . . . . . . . . . . . 119
2.4.3 L’estimateur Gini du modèle à effets aléatoires . . . . . . . . 122
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

3 Estimation de la croissance pro-pauvre 127

3.1 Limites de l’approche par les indices de croissance pro-pauvre . . . 129
3.1.1 Croissance pro-pauvre en Thaïlande avec la CIC. . . . . . . 130
3.1.2 Croissance pro-pauvre en Thaïlande avec la CPP. . . . . . . 132
3.1.3 Croissance pro-pauvre en Thaïlande avec le TCEP. . . . . . . 133
3.1.4 Croissance pro-pauvre au Thaïlande avec l’ICPP. . . . . . . . 134
3.2 Analyses économétriques de la croissance pro-pauvre . . . . . . . . 136
3.2.1 Spécification de notre modèle . . . . . . . . . . . . . . . . . . 137
3.2.2 Les données . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.2.3 Analyse et interprétation des résultats . . . . . . . . . . . . . 141
3.2.4 Estimations de notre modèle sur notre second échantillon . 147
3.2.5 D’autres méthodes d’estimations . . . . . . . . . . . . . . . . 151
3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
Conclusion Générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158

10
Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
3.3.1 Quelques U-statistiques . . . . . . . . . . . . . . . . . . . . . 173
3.3.2 Similarités et différences entre la régression Gini et les MCO 173
3.3.3 Décomposition de l’Aitken Gini . . . . . . . . . . . . . . . . 175
3.3.4 Estimation de notre modèle sur les différents quintiles MCO 178

11
Liste des tableaux

1.1 Impact des transferts publics sur la répartition des revenus . . . . 49

1.2 les résultats empiriques des modèles d’économie politique . . . . . 55
1.3 Analyses empiriques des relations inégalité / instabilité et insta-
bilité / croissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1.4 Synthèse de quelques résultats empiriques . . . . . . . . . . . . . 64
G
2.1 Estimateur Gini Global β̂ . . . . . . . . . . . . . . . . . . . . . . . 109
BG
2.2 Estimateur Gini intergroupe β̂ . . . . . . . . . . . . . . . . . . . 109
WG
2.3 Estimateur Gini intragroupe β̂ . . . . . . . . . . . . . . . . . . . 110
2.4 Estimateur Gini intragroupe : outliers positifs . . . . . . . . . . . . 110
2.5 Estimateur Gini intragroupe : outliers négatifs . . . . . . . . . . . 110
2.6 Distribution non normale : sans outlier . . . . . . . . . . . . . . . . 111
2.7 Perte de puissance du Test de Shelef . . . . . . . . . . . . . . . . . 119
2.8 Correction du Test de Shelef . . . . . . . . . . . . . . . . . . . . . . 121

3.1 Incidence de la pauvreté en Thaïlande 1990-2000 . . . . . . . . . . 130

3.2 Taux de Croissance Équivalent à la Pauvreté en Thaïlande 1990-
2000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
3.3 Indice de croissance pro-pauvre en Thaïlande 1990-2000 . . . . . . 134
3.4 L’évolution des inégalités en Thaïlande 1990-2000 . . . . . . . . . 135
3.5 Statistiques descriptives . . . . . . . . . . . . . . . . . . . . . . . . . 139
3.6 Tests d’outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.7 Estimation de notre modèle par les MCO . . . . . . . . . . . . . . . 145
3.8 Estimation de notre modèle par le Gini . . . . . . . . . . . . . . . . 146
3.9 Estimation de notre modèle par les MCO . . . . . . . . . . . . . . . 149
3.10 Estimation de notre modèle par le Gini . . . . . . . . . . . . . . . . 150
3.11 Estimation de notre modèle sur le premier quintile MCO . . . . . 152

12
3.12 Estimation de notre modèle sur le premier quintile Gini . . . . . 153
3.13 Tests d’endogéneité . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
3.14 Quelques U-statistiques . . . . . . . . . . . . . . . . . . . . . . . . . 173
3.15 Estimation de notre modèle sur les différents quintiles MCO . . . 178
3.16 Estimation de notre modèle sur les différents quintiles MCO . . . 179
3.17 Estimation de notre modèle sur les différents quintiles Gini . . . 180
3.18 Estimation de notre modèle sur les différents quintiles Gini . . . 181

13
 Université de Montpellier

Faculté d’Économie

Modélisation de la croissance pro-pauvre

Résumé : Cette thèse contribue à l’approche économétrique de la croissance

pro-pauvre. Elle présente des apports théoriques et empiriques. En premier lieu,
elle présente les différentes définitions, indices et politiques de croissance pro-
pauvre proposées dans la littérature théorique. Elle examine également les mo-
dèles théoriques et empiriques portant sur les interactions entre distribution du
revenu et croissance. Elle montre que les mesures traditionnelles, en plus de
leurs caractères partiels, peuvent conduire à des résultats contradictoires. Pour
contourner ces limites, cette thèse privilégie l’approche alternative qui consiste à
utiliser des modèles économétriques. Cette dernière approche, bien qu’elle pré-
sente l’avantage d’inclure l’ensemble des dimensions de la pauvreté, souffre de
deux types de biais : le biais de sélection et le biais d’endogeneité. Ces derniers
s’expliquent par les limitations inhérentes aux données : erreurs de mesures,
points aberrants. En outre, les résultats obtenus avec cette approche sont sensibles
aux formes fonctionnelles choisies. Ainsi, il y a de bonnes raisons d’utiliser la ré-
gression Gini. Cependant, les régressions de type Gini n’existaient qu’en coupe
instantanée et en séries temporelles. Ainsi, dans un second temps, cette thèse
propose d’étendre la réflexion sur la régression Gini en panel. Elle introduit les
estimateurs intragroupes, intergroupes, le test d’existence de l’effet individuel et
l’estimateur Aitken Gini. Enfin, cette thèse présente des applications empiriques
qui illustrent de façon concrète la robustesse de nos estimateurs. Elle s’intéresse
particulièrement aux conséquences de la méthode d’estimation et à la section de
l’échantillon. Elle conclut que le processus de croissance favorise la réduction de
la pauvreté à condition que les inégalités de revenu soient maîtrisées. Mais aussi,
que l’impact de la croissance agricole sur la réduction de la pauvreté varie en
fonction du niveau de développement du pays.

14
 Pro-poor growth modelling

Abstract : This thesis contributes to the econometric approach of pro-poor

growth. It presents theoretical and empirical contributions. First, it brings out the
different definitions, indices and the policies of pro-poor growth proposed in the
theoretical literature. It also examines the theoretical and empirical interactions
between income distribution and growth. It shows that the traditional measures,
in addition to their partial characteristics, can lead to contradictory results. To
avoid these limits this thesis lays the amphasis on the alternative approach by
using econometric models. The latter approach, although it has the advantage of
including all the dimensions of poverty, suffers from two types of bias : selection
bias and bias of endogeneity. These are due to the limitations of the data : mea-
surement errors, outliers. In addition, the results obtained with this approach are
sensitive to the selected functional forms. So, there are good reasons to use the
Gini regression. However, the Gini regressions existed only for cross sectional
data and time series. Thus, in a second time, this thesis proposes to extend the
Gini regression for panel data. It introduces within and between-group estima-
tors, the individual effect test and the Gini Aitken estimator. Finally, this thesis
presents empirical applications that illustrate the robustness of our estimators. It
is particularly interested in the consequences of the estimation method and the
sample section. It concludes that the growth process promotes poverty reduc-
tion when income inequalities are overcome. But also, the impact of agricultural
growth on poverty reduction varies depending on the country’s level of develop-
ment.

Discipline : Sciences Économiques.

Mots-clés : Croissance pro-pauvre, inégalité de revenu, régression Gini, U-

statistique.

15
Introduction
Les inégalités de revenu ont pendant longtemps été considérées comme un
problème passager qui disparaîtrait tout naturellement avec le processus de crois-
sance économique. Par conséquent, il n’était pas question de mener des poli-
tiques sociales coûteuses qui risqueraient d’engendrer des distorsions fiscales ;
pour cela, on pouvait compter seulement sur l’accumulation du capital. Kuznets
est certainement l’un des premiers auteurs à formaliser cette idée. Déjà, au milieu
des années 1950, il affirmait que les inégalités et la croissance entretiennent une
relation en forme d’une fonction en « U »inversée. En effet, selon lui, les inégali-
tés augmentent dans un premier temps avec le processus de croissance. Ensuite,
elles retombent avec le développement économique. Cependant, loin d’observer
ce phénomène, les inégalités continuent de persister malgré des périodes de forte
croissance économique. Davantage d’individus se considèrent aujourd’hui mar-
ginalisés.
Pourtant, la montée des inégalités a toujours été au cœur des préoccupations
des pouvoirs publics. Par exemple, George Bush affirmait en 2007 lors de l’une de
ses allocutions que "Nos citoyens déplorent que notre économie dynamique laisse
à la traîne certains d’entre eux. [. . .] l’inégalité des revenus est indéniablement ;
elle s’accroît depuis plus de 25 ans". Toutefois, malgré l’importance de cette ques-
tion et l’intérêt qu’elle a suscité, décideurs et analystes n’ont qu’une connaissance
imparfaite du sujet. Pourtant, le véritable enjeu pour mener une bonne politique
de développement passe nécessairement par la compréhension des interactions
entre distribution du revenu et croissance économique.
Depuis les travaux de Kuznets (1955), de nombreux modèles théoriques ont
été développés pour rendre compte de l’impact des inégalités sur le processus
de développement. Un premier courant de pensée suggère l’existence d’une re-
lation positive entre les inégalités de revenu et la croissance. Deux arguments
principaux fondent ce courant. Le premier s’appuie sur le modèle de croissance
de Kaldor selon lequel la propension marginale à épargner (Pms) est plus forte
chez les riches que chez les pauvres. Le second s’appuie sur le caractère indi-
visible de l’investissement. Dans un contexte de marchés financiers imparfaits,
une concentration de la richesse serait nécessaire pour financer les coûts fixes
liés à la promotion de nouvelles activités industrielles et d’innovations technolo-
giques Galor and Tsiddon (1997). De nombreuses critiques ont été formulées par

16
la suite à leur encontre. La vision dominante serait aujourd’hui plutôt celle d’un
impact négatif des inégalités sur le taux de croissance. Une première justification
est d’ordre socio-politique (socialpolitical unrest). De fortes inégalités de revenu
peuvent engendrer des mouvements de contestation sociale, des activités crimi-
nelles et donc une situation d’instabilité qui inhibe l’investissement. Par ailleurs,
dans une société démocratique si le revenu moyen dépasse de loin le revenu mé-
dian un système de vote à la majorité simple serait favorable à une redistribu-
tion des ressources des riches vers les pauvres (transferts, dépenses publiques,
etc.) ce qui pourrait conduire à des distorsions fiscales et détourner ainsi la classe
riche de l’investissement. Ces modèles particulièrement connus sous le nom de
modèles d’économie politique ont la particularité d’endogénéiser les politiques
redistributives.
Les débats entamés depuis le début des années 1990 sur les alternatives pos-
sibles à la littérature sur les inégalités ont fait porter un nouveau regard sur le
concept de croissance pro-pauvre (ou croissance inclusive). Il est important de
noter qu’il est à la fois trompeur et incertain de croire qu’une croissance éco-
nomique forte conduit forcément à une réduction des inégalités. Cette nouvelle
conception, portée par des auteurs comme Anand and Kanbur (1993b), Bourgui-
gnon (2003), Kakwani (1993), Klasen (2005), discute des conditions sous lesquelles
la croissance profite aux plus pauvres. Et comme le souligne Klasen (2005), cette
approche ne tente nullement à réfuter l’idée selon laquelle la croissance réduit,
à terme, la pauvreté. Bien au contraire, elle consiste à accroître l’influence de la
croissance sur la réduction de la pauvreté. Promouvoir la croissance pro-pauvre
revient donc à donner la priorité aux politiques ayant un impact favorable à la
fois sur la croissance et sur la réduction des inégalités. Historiquement, on consi-
dère deux approches pour aborder ce thème : dans la première, dite relative, la
croissance est pro-pauvre lorsqu’elle se manifeste par une réduction des inéga-
lités en faveur des pauvres. La seconde approche, dite absolue, considère que la
croissance est pro-pauvre lorsqu’elle s’accompagne d’une réduction du taux de
pauvreté en terme absolu. Chacune de ces approches présente des insuffisances
majeures et certains chercheurs ont tenté de proposer des approches alternatives.
Aujourd’hui, la question la plus importante et sans nul doute la plus difficile
est celle de la mesure de la croissance pro-pauvre. Plus concrètement, comment
identifier une croissance inclusive. De combien de point de pourcentage de crois-

17
sance les pauvres doivent-ils bénéficier afin de la qualifier de pro-pauvre ? Ces
dernières années, les praticiens ont développé une multitude de mesures pour
déterminer empiriquement l’impact de la croissance sur les plus démunis. Nous
pouvons citer en guise d’exemple la courbe d’incidence de la croissance (CIC) de
Ravallion and Chen (2003) ; le taux de croissance pro-pauvre de Ravallion and
Chen (2003) ; la courbe de croissance de la pauvreté de Son (2004) ; le biais de
pauvreté de croissance de McCulloch and Baulch (1999) ; l’indice de la croissance
pro-pauvre de Kakwani et al. (2000) ; etc. Toutefois, malgré la grande diversité des
indices, d’un point de vue empirique, un travail important est encore nécessaire
sur cette question de quantification de la croissance pro-pauvre. En effet, à l’heure
actuelle, il n’existe pas de mesure de la croissance pro-pauvre faisant l’unanimité.
L’une des principales limites de ces indices est qu’ils se focalisent uniquement sur
la dimension monétaire de la pauvreté. Ce qui peut paraître très restrictif bien que
nous reconnaissons le lien entre la dimension monétaire et non monétaire de la
pauvreté. En outre, en plus de leur caractère partiel, ces indices peuvent conduire
à des résultats contradictoires. C’est pourquoi, ces années récentes ont vu naître
une approche alternative pour quantifier le caractère pro-pauvre de la croissance.
Cette seconde approche utilise généralement des modèles économétriques afin
d’établir une causalité entre croissance pro-pauvre et indicateurs de bien-être.
Cette thèse s’inscrit dans la continuité de cette dernière approche. Plus précisé-
ment, l’objet de cette thèse est de développer des techniques d’estimation qui
nous permettront de conclure avec plus de rigueur quant à la question du signe
de cette relation.
Globalement, bien que l’approche économétrique présente l’avantage d’in-
clure la dimension non monétaire de la pauvreté, elle est sujette à deux types
de biais que sont le biais de sélection et le biais d’endogenéité. Ces derniers s’ex-
pliquent principalement par les limites inhérentes aux données. En effet, malgré
les améliorations considérables de ces dernières années, les données sur la crois-
sance pro-pauvre continuent de poser de sérieux problèmes aux chercheurs. Ces
derniers déplorent le nombre élevé d’observations manquantes et la présence de
points aberrants. La grande totalité des données est de piètre qualité et est sujette
à d’importantes erreurs de mesure. Malgré, les efforts visant à améliorer (ou élar-
gir) les données existantes, elles restent insatisfaisantes. Les données sur la crois-
sance pro-pauvre diffèrent entre les pays en termes de couverture géographique

18
(couverture nationale, urbaine ou rurale), d’unités statistiques (familles, ménages
ou individus) et de définition de revenu (dépenses de consommation, revenu dis-
ponible ou revenu brut). Ces erreurs de mesure engendrent une sous-estimation,
en valeur absolue, de la vraie valeur du paramètre de la variable sujette à cette
erreur de mesure.
Par ailleurs, dans la plupart des travaux empiriques les échantillons sont com-
posés d’une soixantaine de pays parmi lesquels les pays développés sont surre-
présentés et les pays pauvres surtout ceux d’Afrique sub-saharienne quasiment
inexistants, ceci conduit à des échantillons très hétérogènes et à une sélection
drastique. A cela s’ajoute, le fait que la dimension temporelle des données est ex-
trêmement limitée. En conséquence, la variance inter-individuelle est largement
supérieure à la variance inter-temporelle (Cogneau et al., 2002; White and An-
derson, 2001; Ghura et al., 2002, entre autres). En outre, il serait nécessaire de
tester la robustesse des conclusions en analysant les canaux de transmission et de
voir aussi si les résultats restent valables dans d’autres échantillons et également
avec des combinaisons différentes de variables explicatives. D’ailleurs, certains
auteurs, (Barro, 2000; Ghura et al., 2002, entre autres), montrent la sensibilité des
résultats au type d’échantillon et aux formes fonctionnelles retenues. L’une des
particularités de notre travail est justement de proposer un modèle de correction
de ces trois limites. A cet effet, nous utiliserons la régression Gini. Cette dernière
introduit par Olkin and Yitzhaki (1992) présente plusieurs avantages : elle est
moins sensible que les méthodes traditionnelles aux erreurs de mesures et aux
points aberrants (outliers). Mais aussi, elle est plus robuste car les estimateurs
obtenus par cette approche sont insensible aux formes fonctionnelles retenues et
au biais de sélection.
Formellement, la régression Gini consiste à utiliser la différence moyenne du
Gini (GMD) comme mesure de dispersion. Cette dernière a été introduite en 1912
par Corrado Gini, et depuis, plusieurs opérateurs ou coefficients ont été déduits
comme la covariance au sens de Gini (co-Gini), la corrélation au sens de Gini (G-
corrélation), l’analyse du Gini (ANOGI). Comme nous le verrons plus loin la co-
Gini n’est pas symétrique. Cela explique d’ailleurs le fait qu’il existe deux types
de régression Gini. La première consiste à minimiser la GMD des erreurs. Les
estimateurs obtenus par cette approche ont la propriété d’optimalité. La seconde
approche consiste à construire l’estimateur en question de sorte qu’il soit moins

19
sensible aux outliers. Cette seconde approche, puisqu’elle ne découle pas d’un
programme de minimisation et par conséquent ne requiert pas de définir une
forme fonctionnelle quelconque, est qualifiée de régression semi-paramétrique.
L’estimateur obtenu par cette dernière approche est similaire à celui obtenu par
les MCO ; excepté que chaque variance est remplacée par la GMD et chaque co-
variance par la co-Gini appropriée voir Ka and Mussard (2015).
D’un point de vue théorique et empirique, un travail important est encore
nécessaire sur la régression Gini notamment en panel. En effet, introduite par
Olkin and Yitzhaki (1992), la réflexion sur la régression Gini a été étendue aux
variables instrumentales par Yitzhaki and Schechtman (2004) et aux séries tem-
porelles par (Shelef and Schechtman, 2011; Shelef, 2014; Carcea and Serfling, 2015,
entre autres). Nous proposons de l’étendre aux données de panel. C’est dans ce cadre que
nous avons développé l’estimateur par effet fixe en utilisant la GMD comme mesure de
dispersion Ka and Mussard (2016). Nous proposons également le test de l’existence de
spécificités individuelles et l’estimateur du modèle à effets aléatoires. L’intérêt essentiel
de développer la régression Gini en panel réside dans la volonté de pouvoir ex-
ploiter au mieux les avantages spécifiques de ces données. En particulier, la pos-
sibilité de prendre en compte les outliers. Puisqu’un échantillon de données de
panel contient un très grand nombre d’observations, on peut penser a priori que
cet ensemble d’observations est capable de ”neutraliser” l’influence de quelques
points aberrants. En réalité, ce n’est pas vraiment le cas. Huber (1980) a montré
que seulement 3% de valeurs atypiques dans un échantillon suffisent à perturber
significativement la qualité des estimations. Plus généralement, dans le cadre de
l’économétrie sur données de panel, et comme nous le verrons d’ailleurs dans le
chapitre suivant, quelques points atypiques peuvent suffire à modifier considé-
rablement les résultats d’une estimation.
Cette thèse est composée de trois chapitres structurés de la manière suivante.
Le premier chapitre est une revue de la littérature de la croissance pro-pauvre.
Il est composé de deux sections. La première section s’intéresse principalement
aux définitions. Aujourd’hui, il existe une multitude de définitions et de mesures
de la croissance pro-pauvre. Et le lecteur non averti peut se perdre facilement
dans cette vaste littérature. C’est pour cette raison que nous avons envisagé de
rédiger cette section, dans l’objectif de faire une synthèse de toutes ces mesures
et définitions. La seconde section examine les modèles théoriques et empiriques

20
portant sur les interactions entre distribution du revenu et croissance. Ainsi, il
vise essentiellement à rendre accessible au lecteur cette vaste littérature. Il s’agit
principalement d’un travail de présentation, d’éclaircissement et de critique des
principaux courants impliqués dans ce débat.
Le second chapitre s’intéresse à la régression Gini. La première section de ce
chapitre revient sur les généralités de la méthode Gini. Nous allons y présenter
entre autres la différence moyenne du Gini, le co-Gini, la corrélation au sens de
Gini et les différentes méthodes de décomposition de l’indice de Gini. La seconde
section s’intéresse aux régressions Gini, à leurs propriétés et aux hypothèses sur
la matrice des moments. Une remarque additionnelle sera également portée au
traitement des ex-æquo. Dans la troisième section nous développons l’estima-
teur intragroupe et intergroupe au sens de Gini du modèle à effets fixes et le test
d’existence de l’effet individuel et enfin la dernière section constitue nos derniers
développements théoriques.
Le dernier chapitre constitue une application empirique. Il s’intéresse parti-
culièrement aux limites des indices de la croissance pro-pauvre mais également
aux conséquences de la méthode d’estimation et de la sélection de l’échantillon.
Dans la première section de ce chapitre 3 nous proposons une étude compara-
tive de quelques indices de la croissance inclusive. Plus précisément, nous allons
étudier le caractère inclusif de la croissance Thaïlandaise en utilisant plusieurs
indices. Ceci nous permettra de constater que ces derniers peuvent conduire à
des résultats contradictoires. La seconde section s’intéresse aux conséquences de
la limitation des données, des choix de spécification et à la méthode d’estimation.
La sensibilité des estimateurs par effets fixes standards aux outliers, aux erreurs
de mesures et aux formes fonctionnelles fait que nous privilégierons l’utilisation
de notre estimateur intra-individuel (ou intragroupe) de la régression Gini. Cette
dernière est plus robuste que l’estimateur intra basé sur les MCO Ka and Mussard
(2016).
Nous allons maintenant aborder le premier chapitre de cette thèse sur la crois-
sance pro-pauvre.

21
Chapitre 1

La croissance pro-pauvre : une revue

de la littérature

Au début des années 1950, la littérature économique considérait que la crois-

sance n’était favorable qu’aux riches Kakwani et al. (2000). En effet, ne dispo-
sant pas de capital humain ni financier, les pauvres ne pouvaient recevoir qu’une
faible partie des bénéfices de la croissance (grâce à la redistribution notamment) :
c’est la théorie du trickle down. Dans un tel contexte, nous pouvons bien com-
prendre qu’une croissance économique forte ne conduit pas nécessairement à une
rapide baisse de la pauvreté. D’ailleurs, il est tout à fait envisageable qu’elle en-
gendre une augmentation de la pauvreté : croissance appauvrissante.
Le début des années 1990 a vu naître un nouveau concept, celui de la crois-
sance pro-pauvre. Cette dernière est apparue comme une alternative aux modèles
de redistribution qui conduisent à une très faible réduction de la pauvreté. L’idée
est ici, contrairement à la théorie du trickle down notons-le, de faire émerger la
croissance à partir de la base (les pauvres), c’est-à-dire de mettre les pauvres au
cœur du processus de création de richesse. En effet, comme le souligne Dollar and
Kraay (2002), la croissance à elle seule est insuffisante pour engendrer une réduc-
tion significative de la pauvreté. Cette dernière passe par des stratégies de crois-
sance 1 et des politiques distributives dont la combinaison pourrait être propre à
chaque pays Bourguignon (2004). Par exemple, une croissance moyenne de 1%
du revenu par habitant peut entraîner une réduction de la proportion des gens
vivant dans une pauvreté extrême allant jusqu’ à 4%, mais pouvant aussi être in-
1. volontairement orientées vers les pauvres

22
férieure à 1%, selon le pays et la période Ravallion (2004). Ceci nous amène à nous
demander pourquoi la croissance ne profite pas toujours aux plus pauvres. Dans
une économie décentralisée, les réponses à cette question résident dans le degré
d’accès des pauvres aux marchés et plus généralement aux inégalités de revenu
et sociales. Par conséquent, la prise en compte du lien entre la distribution des
revenus et la croissance est cruciale pour toute politique tendant à assurer une
croissance pro-pauvre.
Manifestement, le véritable enjeu pour mener une bonne politique de déve-
loppement passe nécessairement par la compréhension des interactions entre dis-
tribution du revenu et croissance économique. En effet, comme le souligne Bour-
guignon (2004) et comme la réalité tend à le montrer, la réduction de la pauvreté
réside beaucoup plus dans les interactions entre inégalités de revenu et crois-
sance que dans les relations entre, d’une part, pauvreté et croissance et, d’autre
part, pauvreté et inégalités, qui restent essentiellement arithmétiques. Une forte
croissance économique, par exemple, a été le principal levier de réduction de la
pauvreté en Extrême-Orient et en Asie du Sud-Est où la proportion des gens vi-
vant dans la pauvreté est passée respectivement de 33% en 1990 à 9,9% en 2004 et
de 41% à 29,5% (durant la même période). Par contre, en Afrique sub-saharienne
où la croissance économique a été relativement faible, l’incidence de la pauvreté
n’a diminué que légèrement, de 47% en 1990 à 41% en 2004 Wiggins and Hig-
gins (2008). De même, plusieurs travaux tendent à montrer qu’une détérioration
de la distribution des revenus favorise l’augmentation de la pauvreté. Toutefois,
une question intéressante est de savoir si la distribution du revenu et la crois-
sance sont étroitement liées ou si, au contraire, elles sont indépendantes ? De-
puis les travaux de Kuznets dans les années 1950, le débat sur cette question ne
cesse d’être alimenté par de nouveaux arguments. Cette hypothèse de Kuznets,
selon laquelle les inégalités de revenu augmentent dans les premières phases du
processus de croissance puis retombent avec le développement économique, lar-
gement corroborée par les travaux empiriques antérieurs (Adelman and Morris,
1973; Ahluwalia, 1976; Papanek and Kyn, 1986) a très vite laissé place à la contro-
verse. Tout d’abord, Anand and Kanbur (1993a) montrent que sur le plan em-
pirique l’apparition de la courbe de Kuznets dépendrait en grande partie de la
forme fonctionnelle retenue. Ensuite et surtout peut être, dans les années 1990,
un nouveau fait stylisé issu de l’économétrie révèle une relation de causalité in-

23
verse entre les inégalités de revenu et la croissance. Ces travaux sont l’œuvre
de Persson and Tabellini (1994). De nombreux modèles théoriques ont été éla-
borés pour rendre compte de cette régularité. Nous pouvons citer déjà à titre
d’exemple les modèles d’économie politique Persson and Tabellini (1994) et Ale-
sina and Rodrik (1994), les modèles d’imperfection du marché du crédit (Banerjee
and Newman, 1993; Galor and Zeira, 1993), les modèles portant sur l’instabilité
sociopolitique que pourraient engendrer de fortes inégalités de revenu Alesina
and Perotti (1996) etc. Malheureusement, cette nouvelle relation, tout comme la
courbe de Kuznets d’ailleurs, a très vite montré sa fragilité. En effet, ces premiers
travaux ont été largement remis en cause par les analyses sur données de panel.
Ces dernières ont trouvé une relation positive, non linéaire, voire nulle entre les
inégalités de revenu et la croissance (Forbes, 2000; Barro, 2000; Banerjee and Du-
flo, 2003; Deininger and Squire, 1998). D’ailleurs c’est la raison pour laquelle cette
nouvelle conception portée par des auteurs comme Anand and Kanbur (1993a),
(Kakwani et al., 2000; Bourguignon, 2004; Klasen, 2004) discute des conditions
sous lesquelles la croissance profite aux plus pauvres. Cependant, tout comme
la pauvreté, il est difficile de définir ce nouveau concept. Schématiquement, il
s’agit d’une croissance qui engendre une diminution significative de la pauvreté
OCDE (2001) 2 . Toute la difficulté tient au mot ”significatif” ce qui conduit ainsi à
plusieurs approches définitionnelles.
La croissance est manifestement favorable aux pauvres lorsqu’elle entraîne
l’augmentation de leurs revenus. Toutefois, comme le souligne Lopez (2004), la
question la plus importante et sans nul doute la plus difficile est celle de savoir de
combien les pauvres doivent bénéficier de la croissance pour qu’elle soit qualifiée
de pro-pauvre. Cette question s’intéresse donc à la mesure de la croissance pro-
pauvre. Heureusement, les chercheurs ont proposé une multitude de mesures
pour déterminer empiriquement l’impact de la croissance sur les plus démunis :
la courbe d’incidence de la croissance (CIC) de Ravallion and Chen (2003) ; le taux
de croissance pro-pauvre de Ravallion and Chen (2003) ; la courbe de croissance
de la pauvreté de (Son, 2004) ; le biais de pauvreté de croissance de McCulloch
and Baulch (1999) ; l’indice de la croissance pro-pauvre de Kakwani et al. (2000) ;
etc. Ces indices étant largement connus, quelques brefs rappels sont seulement
proposés dans ce chapitre. Toutefois, malgré la grande diversité des indices, d’un
2. (Pro-pauvre growth may be referred as growth that benefits the poor and provides them
with opportunities to improve their economic situation OCDE (2001)).

24
point de vue empirique, un travail important est encore nécessaire sur cette ques-
tion de quantification de la croissance pro-pauvre. En effet, à l’heure actuelle, il
n’existe pas de mesure de la croissance pro-pauvre faisant l’unanimité. L’une des
principales limites de ces indices est qu’ils se focalisent uniquement sur la dimen-
sion monétaire de la pauvreté, ce qui peut paraître très restrictif bien que nous
reconnaissant le lien entre la dimension monétaire et non monétaire de la pau-
vreté. En outre, comme nous allons le voir plus loin dans cette thèse (chapitre3),
une réflexion en profondeur nous permet de constater que ces derniers peuvent
aboutir à des conclusions contradictoires. C’est pourquoi, ces années récentes ont
vu naître une approche alternative pour quantifier le caractère pro-pauvre de la
croissance. Cette seconde approche utilise généralement des modèles économé-
triques afin d’établir une causalité entre croissance pro-pauvre et indicateurs de
bien-être.
Dans l’objectif d’introduire cette réflexion sur la problématique de la crois-
sance pro-pauvre et les limites des approches traditionnelles, ce chapitre propose
une synthèse de la littérature sur les concepts de base. Ainsi, nous tenterons de
recenser les définitions et principales mesures de la croissance pro-pauvre. Il com-
prend deux grandes sections.
La première section est consacrée aux concepts de base : définitions, mesures
et politiques pro-pauvres. Plus précisément, dans cette première section nous
présenterons les différentes définitions, indices et politiques de croissance pro-
pauvre. Dans la seconde section, nous faisons une revue sélective des avancés
théoriques et empiriques sur la réflexion dans la relation entre inégalités de re-
venu et croissance.

25
1.1 Pauvreté et croissance économique
La croissance pro-pauvre est au centre du débat économique ce qui témoigne
de sa popularité ces dernières années même si sa définition reste difficile. Sché-
matiquement, la croissance est qualifiée de pro-pauvre lorsqu’elle s’accompagne
d’une réduction significative de la pauvreté OCDE (2001). Toutefois, cette dé-
finition est vaste et nous fournit peu d’informations. En effet, nous ne savons
pas de combien les pauvres doivent bénéficier de la croissance pour que celui-ci
soit qualifiée de pro-pauvre. Que signifie une diminution signification de la pau-
vreté ? Toutes ces interrogations font l’objet de divergence dans les définitions et
conduisent à plusieurs approches quant à sa mesure. Certains favorisent une ap-
proche relative pour définir la croissance pro-pauvre, en considérant que la crois-
sance est pro-pauvre lorsqu’elle s’accompagne d’une réduction des inégalités de
revenu (White and Anderson, 2001; Klasen, 2004). 3 D’autres préfèrent l’approche
absolue qui définit la croissance pro-pauvre comme étant une croissance qui ré-
duit le taux de pauvreté (Kakwani et al., 2000, 2002). Comme nous allons le voir
chacune de ces approches présente des limites et certains chercheurs ont tenté
de proposer des approches alternatives (exemple Osmani et al. (2005)). Toutefois,
la question la plus importante est celle de savoir de combien l’incidence de la
pauvreté doit diminuer pour que la croissance soit considérée comme étant pro-
pauvre Lopez (2004). Cette question s’intéresse donc à la mesure de la croissance
pro-pauvre. Deux grandes approches se sont dégagées pour mesurer une telle
croissance. Une première se fonde sur des indices. 4 Et la seconde utilise des mo-
dèles économétriques afin d’établir une causalité entre croissance pro-pauvre et
indicateurs de bien-être. Ainsi, cette section établit un rapprochement de ces deux
méthodes afin de pouvoir dégager leurs limites. Mais, nous exposerons dans un
premier temps les différentes approches retenues dans la littérature en termes de
définition. Ceci semble être indispensable car quelle que soit la méthode utilisée,
elle reste largement tributaire de la définition considérée. Nous nous intéresse-
rons également aux politiques pro-pauvres.
3. Intuitivement, dans le contexte d’une croissance économique, une baisse des inégalités de
revenu signifie que les pauvres ont profité plus de la croissance que les autres.
4. Ces indices étant largement connus, la formalisation sera volontairement réduite au mini-
mum nécessaire.

26
1.1.1 Définitions de la croissance pro-pauvre
Au cours des années 90, la littérature sur la croissance pro-pauvre a fait l’objet
d’évolutions profondes. En effet, elle a montré que les stratégies fondées sur la
seule promotion de la croissance sont insuffisantes pour engendrer une réduc-
tion significative de la pauvreté. L’idée de base est relativement simple : la crois-
sance est un vecteur indéniable de réduction de la pauvreté ; toutefois à crois-
sance égale, certains pays parviennent mieux que d’autres à réduire la pauvreté.
Par exemple, comme le montre le graphique ci-dessous, bien qu’en général la
croissance s’accompagne d’une réduction de la pauvreté, on constate de fortes
divergences entre les pays : le Salvador a vu durant les années 90 une réduction
de la pauvreté plus importante que l’Inde et l’Ouganda malgré une croissance
plus lente. La croissance n’explique pas à elle seule la totalité de l’évolution de la
pauvreté.

F IGURE 1.1 – Croissance et réduction de la pauvreté

Source : Cord (2005)

A l’évidence, l’efficacité de la croissance comme vecteur de réduction de la

pauvreté dépend en partie des inégalités de revenu. C’est pour cette raison que

27
deux grandes approches se sont développées pour définir la croissance pro-
pauvre. Certains comme (White and Anderson, 2001; Klasen, 2004) favorisent
l’approche relative et d’autres, (Ravallion and Chen, 2003; Kraay, 2006), préfèrent
l’approche absolue.

Selon l’approche relative la croissance est dite pro-pauvre lorsque le taux de

croissance du revenu des individus pauvres est plus important que celui des in-
dividus non pauvres (White and Anderson, 2001; Klasen, 2004). Ainsi, dans le
cadre d’une politique économique pro-pauvre, la réduction de la pauvreté sera
plus forte comparée à une politique de croissance pour laquelle les inégalités de
revenu restent inchangées pour tous, (McCulloch and Baulch, 1999; Kakwani and
Son, 2002). Cette définition a trait donc à l’évolution de la distribution des reve-
nus. Autrement dit, elle s’intéresse à la réduction des inégalités de revenu en
faveur des pauvres suite à une période de croissance économique. C’est prin-
cipalement pour cette raison qu’on parle de définition relative de la croissance
pro-pauvre. Malheureusement, en se concentrant sur la réduction des inégali-
tés de revenu, cette définition ouvre la voie à plusieurs critiques. Tout d’abord,
une politique économique axée sur la réduction des inégalités risque d’être sous-
optimale, tant pour les ménages pauvres que pour les autres. Ainsi, selon cette
approche un décideur doit préférer une politique de croissance économique qui
accroît plus le revenu des pauvres que la croissance moyenne des revenus de
l’économie. Ensuite, sous cette définition, une récession économique pourrait être
qualifiée de pro-pauvre. En effet, supposons que l’économie soit en récession et
que cette dernière affecte plus les non pauvres. Dans ce cadre, nous aurons une ré-
duction des inégalités de revenu. Et par conséquent la récession sera pro-pauvre.
En outre, d’après cette définition, la croissance chinoise de ces derniers années
n’est pas pro-pauvre, au contraire, elle a été défavorable aux pauvres. Pourtant,
il est difficile d’admettre qu’une croissance qui s’est soldée par le recul de la pau-
vreté qui fut incontestablement la plus importante de ces dernières décennies ne
soit pas qualifiée de pro-pauvre Ravallion (2004). Enfin, cette définition pose un
problème lié au rôle de l’État quant à sa manière d’intervenir. Elle pourrait légi-
timer les interventions de l’état visant à réduire les inégalités indépendamment
des effets sur la croissance économique Boccanfuso and Ménard (2009).

La seconde définition de la croissance pro-pauvre permet de surmonter ces

28
limites et se concentre essentiellement sur le lien entre pauvreté et croissance et
non sur la distribution du revenu. Sous l’angle absolu, la croissance est dite pro-
pauvre lorsqu’elle se traduit par une réduction du taux de pauvreté en terme
absolu. Cette seconde approche est beaucoup moins contraignante que la précé-
dente dans la mesure où elle se focalise sur les variations de l’indice de mesure de
la pauvreté suite à un épisode de croissance. D’ailleurs, elle est partagée par Ra-
vallion and Chen (2003) et Kraay (2006) qui ont fondé leurs mesures de croissance
pro-pauvre sur cette définition. Il serait également intéressant d’insister sur le fait
que selon cette approche la croissance sera dite pro-pauvre lorsqu’elle se traduit
par une variation positive des revenus des plus pauvres, peu importe la pro-
portion. Cependant, tout comme la première, cette approche n’est pas exempte
de critiques. En effet, un problème lié à cette seconde définition est qu’elle peut
considérer une croissance économique accompagnée d’une forte augmentation
des inégalités de revenu comme étant pro-pauvre.

Osmani et al. (2005) propose une version particulière en agrégeant les deux
approches précédentes. Ainsi, selon lui, la croissance sera pro-pauvre lorsqu’elle
réduit à la fois la pauvreté et les inégalités. Cette approche a le mérite d’insister
sur les interactions possibles entre croissance, inégalité et pauvreté.
Rappelons que, trois grandes étapes sont généralement nécessaires pour effec-
tuer une analyse de la croissance pro-pauvre d’un pays : choisir un indicateur de
bien-être, définir un seuil de pauvreté et enfin utiliser une mesure de la croissance
pro-pauvre. Ce dernier point fait l’objet de la section suivante.
De façon générale, on utilise les revenus ou les dépenses de consommation
comme indicateur de bien-être. Cependant, la littérature privilégie les dépenses
pour deux raisons principales. D’abord, elles reflètent assez bien le niveau de
vie des ménages puisqu’elles constituent une bonne approximation des revenus.
Ensuite, les dépenses sont plus faciles à mesurer que les revenus surtout dans
les pays en voie développement où ces derniers proviennent en grande partie du
secteur informel. Ces approches permettent de déterminer un seuil de pauvreté
(ligne de pauvreté) nécessaire à la mesure agrégée de la pauvreté. 5
5. On peut se référer aux méthodes basées soit sur l’énergie calorifique (Food Energy Intake
(FEI)) soit sur le coût des besoins de base (Cost of Basic Needs, CBN).

29
1.1.2 Les mesures agrégées de la croissance pro-pauvre
Les mesures traditionnelles de la pauvreté

Les mesures de la croissance pro-pauvre se basent sur des indices de pauvreté

agrégés, le plus connu étant l’indice de Foster, Foster et al. (1984) généralisé noté
F GTα :
n 3 4α
1Ø z − yi
F GTα = , ∀ yi < z, α ∈ R+ . (1.1)
n i=1 z
Avec :
n le nombre d’individus dans la population ;
z le seuil de pauvreté ;
y les dépenses de consommation annuelles par équivalent adulte ;
α un degré d’aversion à l’inégalité. Plus le coefficient α est élevé plus l’indice
accorde de l’importance à la situation des pauvres. Un indice moins utilisé, mais
qui respecte les mêmes propriétés que l’indice F GTα , est l’indice de Watts (1968) :
Ú 1
W (z) = (ln z − ln yi ) dp. (1.2)
0

Ces indices satisfont notamment les axiomes suivants. Soit P une mesure de pau-
vreté.

Définition 1.1.1 – Axiome focus – Une mesure de pauvreté doit être invariante aux
changements chez les riches. Pour tout vecteur de revenus y obtenu à partir de x avec une
augmentation du revenu d’au moins une personne riche alors :

P (x, z) = P (y, z). (1.3)

Définition 1.1.2 – Axiome de Monotonie – Toute perte (gain) de revenu d’un indi-
vidu pauvre accroît (réduit) la pauvreté P .

Définition 1.1.3 – Axiome de transfert – La mesure P diminue si un pauvre reçoit

un transfert de revenu positif d’un autre individu pauvre plus riche que lui.

Ces indices sont aussi connus pour leurs propriétés liées à l’approche par do-
minance stochastique. 6 Cependant, quantifier l’impact de la croissance sur la ré-
duction de la pauvreté nécessite d’aller plus loin dans l’utilisation des indices
6. Il s’agit d’une méthode (comparaisons de courbes) dont l’objectif est d’obtenir des résultats

30
agrégés. A croissance égale, certains pays parviennent mieux que d’autre à ré-
duire la pauvreté. C’est pour cette raison que ces dernières années plusieurs cher-
cheurs ont tenté de proposer des mesures basés à la fois sur la croissance écono-
mique et les indicateurs agrégés de pauvreté. Les premières tentatives d’évalua-
tion de la croissance pro-pauvre se basent sur l’idée selon laquelle la réduction de
la pauvreté peut être décomposée en une composante ”croissance” et une com-
posante ”redistribution” Kakwani (2000) à laquelle pourrait s’ajouter éventuelle-
ment un résidu Datt and Ravallion (1992).

La décomposition de Datt and Ravallion (1992)

Les institutions internationales comme la Banque mondiale définissent la

croissance pro-pauvre comme une croissance qui réduit la pauvreté (même fai-
blement). Sous cette définition, les pauvres profitent proportionnellement moins
que les riches des retombées de la croissance 7 . Cette définition de la banque mon-
diale est très générale et considère, globalement, la croissance comme étant tou-
jours pro-pauvre. Formellement, la réduction de la pauvreté dépend de deux fac-
teurs : la croissance et comment elle est distribuée entre les pauvres et les riches.
Donc toute chose étant égale par ailleurs, la réduction de la pauvreté peut être
obtenue par la croissance, la distribution ou par une interaction entre les deux.
Plus précisément, et comme le montre le graphique ci-dessous, la variation du
taux de pauvreté peut être décomposée en deux composantes : une composante
”croissance", représentée par une translation de la distribution 1 vers la distribu-
tion 2, qui correspond au changement du revenu moyen (indépendamment de la
distribution du revenu national) et une composante « redistribution », représen-
tée par une translation de la distribution 2 vers la distribution 3, qui résulte d’un
changement dans la répartition du revenu national (indépendamment du revenu
moyen).

robustes à tout changement d’indice de pauvreté ou de seuil de pauvreté. Un des avantages de

cette méthode est de permettre d’ordonner des distributions de revenus sans avoir à fixer un
unique seuil de pauvreté a priori. Ceci se révèle ainsi particulièrement pertinent lors de l’analyse
de la croissance pro-pauvre d’un pays donné puisque définir la ligne de pauvreté est un exercice
délicat Duclos et al. (2014). Pour une présentation détaillée le lecteur pourra se référer à l’ouvrage
de Duclos and Araar (2006).
7. Cette situation correspond au trickle down

31
 F IGURE 1.2 – Décomposition de la pauvreté.

Source : Bourguignon (2003)

Ce type d’approche met en évidence le rôle majeur que jouent la croissance et

les inégalités dans toute stratégie de lutte contre la pauvreté et permet de mesu-
rer l’impact de chacune des deux variables sur la variation du taux de pauvreté.
Ainsi, cette décomposition a le mérite d’expliquer pourquoi, dans certains cas,
une croissance économique forte ne conduit pas forcément à une réduction de la
pauvreté, dès lors que la hausse des inégalités vient annihiler le bénéfice d’une
croissance positive. Toutefois, l’application empirique de cette méthodologie a
mis en évidence des résultats très différents entre les pays en termes d’impact des
deux effets. Il semble en effet, que la contribution de la croissance économique à
la réduction de la pauvreté soit corrélée positivement au niveau initial de déve-
loppement et négativement au niveau d’inégalités prévalant dans une économie
donnée.
A partir d’une mesure agrégée de pauvreté, les interactions entre croissance,
redistribution et réduction de la pauvreté peuvent être captées. Soit Pt une me-
sure de la pauvreté à la date t :

32
 Pt = P (z/µt ; CLt ), (1.4)

où µt est le revenu moyen à la période t et CLt correspond à la courbe de Lorenz

à la période t. Ainsi, une variation de Pt peut provenir d’une variation de µt
par rapport à z ou d’une variation des inégalités de revenu. Par conséquent, un
changement de la pauvreté entre deux date t et t + n peut être décomposé comme
suit :
Ú t+n Ú t+n A B
∂P ∂P ∂µ ∂P ∂CL
∆Pt,t+1 = Pt+n − Pt = ds = + ds. (1.5)
t ∂s t ∂µ ∂s ∂CL ∂s

Puisque les valeurs initiales et finales de µ et de CL ne sont pas connues, il

est impossible de déterminer ces deux intégrales. Une première option pour sur-
monter cette difficulté est d’imposer la situation initiale comme référence. Cette
possibilité suggérée par Datt and Ravallion (1992) conduit à la décomposition
suivante :

∆Pt,t+1 = [P (µt+1 , CLt ) − P (µt , CLt ] + [P (µt , CLt+1 ) − P (µt , CLt ] + Rt+1 , t .
ü ûú ý ü ûú ý ü ûú ý
effet croissance effet redistribution résidu
(1.6)
Les effets obtenus sont :
l’effet croissance G(t; t + n; r) = P (z/µt+n ; CLt ) − P (z/µt ; CLt ) ;
l’effet redistributif D(t; t + n; r) = P (z/µt ; CLt+n ) − P (z/µt ; CLt ) ;
r étant la date de référence à laquelle le changement observé dans la pauvreté
est décomposé. Selon Datt and Ravallion (1992), pour r = t le terme résiduel noté
R(t; t + n; r) devient :

R(t; t+n; r) = G(t; t+n; t+n)−G(t; t+n; t) = D(t; t+n; t+n)−D(t; t+n; t). (1.7)

Ainsi, le résidu correspond à la différence entre la composante croissance (respec-

tivement redistribution) évaluée aux niveaux terminal et initial de la courbe de
Lorenz.
La principale limite de cette approche concerne le résidu. En effet, ce dernier peut
être extrêmement important, et même plus important que l’effet redistribution
dans certains cas. C’est pour cette raison que Kakwani (2000) a proposé une va-

33
riante de cette décomposition de la pauvreté sans le terme résiduel de Datt and
Ravallion (1992). Selon Kakwani (2000) la principale explication d’une variation
globale de la pauvreté réside dans l’effet croissance et l’effet redistribution.

La courbe d’incidence de la croissance (CIC) – Ravallion and Chen (2003)

D’autres analyses mettent davantage l’accent sur les mesures de la croissance.

La courbe d’incidence de la croissance, introduit par Ravallion and Chen (2003),
permet d’analyser l’impact de la croissance économique sur les différents centiles
de la distribution de revenu (ou des dépenses de consommation) de la population
en utilisant le taux de croissance au pième centile. Globalement, elle représente
les centiles de la population ordonnée par les dépenses de consommation (ou du
revenu) sur l’axe des abscisses et le taux de croissance annuel des dépenses de
consommation du centile correspondant en ordonnée Günther et al. (2006).
Soit Ft (y) la fonction de répartition des revenus, c’est à dire la proportion de
la population ayant un revenu inférieur à y à la période t. Ainsi l’inverse de Ft (y)
au piéme centile donne le revenu de ce centile et est défini par :

′
yt (p) = F−1
t (p) = CLt (p)µt . (1.8)

Avec :
yt′ (p) > 0 ;
CLt (p) la pente de la courbe de Lorenz ;
′

µt le revenu moyen.
Par conséquent, entre deux périodes t − 1 et t, le taux de croissance du piéme
centile donne un point de la courbe d’incidence de la croissance (CIC) :

yt(p) − yt−1(p) yt(p)

Gt(p) = = − 1, (1.9)
yt−1(p) yt−1(p)
avec yt(p) représente les revenu ou les dépenses du pième centile, et Gt(p) la taux
de croissance de yt(p) . De manière équivalente (1.9) la CIC peut être définie par :

CL′t(p)
Gt(p) = (γ + 1) − 1, ∀p ∈ [0, 1], (1.10)
CL′t−1(p)
où γ = (µt /µt−1 ) − 1 représente le taux de croissance du revenu moyen. L’in-
térêt de cette dernière présentation est qu’elle permet de mieux comprendre la

34
décomposition de la pauvreté précédente de Datt and Ravallion (1992). En effet,
lorsque la courbe de Lorenz CL reste inchangée entre t − 1 et t, c’est à dire lorsque
l’effet redistributif est nul (CL′t−1(p) = CL′t(p) ) alors Gt(p) = γ : il s’agit de l’effet
croissance Ravallion and Chen (2003).
Selon cette approche la croissance est dite pro-pauvre lorsqu’il y’a dominance
stochastique de premier ordre entre les distributions relatives aux deux périodes.
Autrement dit, lorsque les taux de croissance Gt(p) sont tous positifs, pour tout
p, jusqu’à un certain point p∗ critique, la croissance est pro-pauvre en terme ab-
solue. Par contre, lorsque la dominance stochastique de premier ordre n’est pas
satisfaite, c’est-à-dire lorsque les courbes se croisent (changement de signe pour
Gt(p) ), il devient impossible de conclure sur la seule base de cet indicateur.
En conclusion, nous pouvons constater que la CIC présente deux insuffisances
majeures. En premier lieu, cette mesure est considérée par Duclos (2009) comme
étant trop ”contraignante”. En effet, elle considère la croissance comme étant pro-
pauvre que lorsque le taux de croissance de tous les centiles est supérieur au
taux de croissance du revenu moyen. En second lieu, sur le plan pratique, il faut
faire attention sur les résultats de cette mesure au niveau de la robustesse de
l’évolution des taux de croissance aux queues de la distribution des revenus. Plus
précisément, comme le souligne Ravallion and Chen (2003), la variabilité entre les
deux périodes due à l’erreur de mesure est très importante dans les extrémités de
la distribution des revenus.

1.1.3 Les mesures relatives de la croissance pro-pauvre

Selon la définition relative, la croissance est pro-pauvre lorsqu’elle réduit les
inégalités de revenu.

Biais de pauvreté de croissance (BPC)– McCulloch and Baulch (1999)

Le biais de pauvreté de croissance s’intéresse à la variation de la pauvreté

résultant du processus de croissance. Il correspond à l’écart entre le processus
de croissance et une distribution neutre. Ainsi, il ne prend pas en compte l’ef-
fet croissance de Kakwani (2000). Rappelons que ce dernier décompose la va-
riation de la pauvreté en deux composantes : une composantes croissance ∆Pg
mesurant la variation de la pauvreté induite par une variation du revenu moyen

35
en supposant que les inégalités de revenu restent inchangées et une composante
redistribution∆Pi ou inégalité mesurant le changement de pauvreté engendré par
une variation de la distribution des revenus pour un revenu moyen fixe :

∆Pt = ∆Pg + ∆Pi . (1.11)

A l’opposé le Biais de Pauvreté de Croissance noté (BPC) est défini par :

BP C = −∆Pi . (1.12)

La principale limite de cette approche tient au fait qu’un indice élevé (BPC élevé)
ne correspond pas toujours à une importante réduction de la pauvreté. En effet,
cette dernière dépend également de l’effet croissance qui n’est pas pris en compte
dans cette approche. Ainsi, cet indice ne satisfait pas l’axiome de monotonie.

Indice de la croissance pro-pauvre (ICPP) – Kakwani et al. (2000)

Selon Kakwani et al. (2000) la croissance est pro-pauvre lorsque les pauvres
en bénéficient de façon plus proportionnelle que les non pauvres.
Soit η, l’élasticité de la pauvreté à une augmentation de la croissance lorsqu’on
suppose les inégalités de revenu inchangées.
Soit δ, l’élasticité globale de la pauvreté à la croissance, c’est-à-dire, la varia-
tion de la pauvreté, suite à une période de croissance économique.
La mesure δ peut être aussi définie comme étant la baisse de la pauvreté résul-
tant d’une croissance économique d’un point. Elle peut être décomposée comme
la somme de deux composantes : η (composante croissance) et ε (composante re-
distribution). Cette dernière représente la baisse de la pauvreté résultant d’une
variation des inégalités de revenu (évidemment en supposant qu’il n’y ait pas de
croissance économique) :

δ = η + ε. (1.13)

L’indice de croissance pro-pauvre (ICPP) est défini comme le ratio suivant :

δ η+ε
Ψ= = . (1.14)
η η
L’indice de croissance pro-pauvre est égal au rapport entre la réduction totale de

36
la pauvreté et la réduction de la pauvreté obtenue en supposant les inégalités de
revenu inchangées.
Puisque la mesure η est toujours négative si le taux de croissance est positif (la
pauvreté diminue), alors Ψ sera supérieur à un si et seulement si ε < 0, en effet :

δ η+ε ε
Ψ= = = + 1. (1.15)
η η η

Ainsi, selon ces auteurs le processus de croissance sera qualifié de pro-pauvre

lorsque ce ratio est supérieur à 1. Plus précisément, la croissance est dite pro-
pauvre lorsque la modification de la distribution des revenus qui accompagne le
processus de croissance réduit la pauvreté totale. Par conséquent, la croissance
est pro-pauvre, si l’élasticité totale de la pauvreté est supérieure à l’élasticité de
la pauvreté à la croissance. Plus généralement, cela signifie que les pauvres pro-
fitent plus que proportionnellement de la croissance que les riches. En revanche,
lorsque Ψ < 1, la croissance est considérée comme non favorable aux pauvres.
Signalons que cet indice, tout comme le biais de pauvreté de croissance, n’est
pas monotone. L’indice n’augmente pas de valeur lorsque le taux de réduction
de la pauvreté est plus élevé. Il ne s’intéresse qu’à la distribution des bénéfices
de la croissance entre les pauvres et les non-pauvres. Il ne tient pas non plus
compte du niveau actuel de la croissance, puisque les modifications de la pau-
vreté dépendent aussi de l’effet croissance. Pour répondre à ces limites Kakwani
and Son (2002) ont proposé une mesure alternative appelée le taux de croissance
équivalent de la pauvreté.

Taux de croissance équivalent à la pauvreté (TCEP) - Kakwani and Son (2002)

Afin de surmonter les difficultés associées à l’indice de croissance pro-pauvre

Kakwani and Son (2002) proposent le taux de croissance équivalent à la pau-
vreté. Ce taux est défini comme le taux de croissance qui engendre une baisse de
la pauvreté dans la même proportion que celle obtenue avec le taux de croissance
lorsque l’on suppose les inégalités de revenu inchangées, c’est-à-dire lorsque
chaque individu reçoit la même proportion des bénéfices de la croissance. Pour
définir le TCEP, les auteurs partent de l’idée que la réduction de la pauvreté est
déterminée en grande partie par deux effets. Le premier est le taux de croissance.
Ce dernier affecte le revenu moyen de la société. Le second est la manière dont

37
les bénéfices de la croissance sont distribués entre les membres de la société. Ce
dernier correspond à l’indice de croissance pro-pauvre. Formellement :

∆ log(Pα ) = f (g, Ψ), (1.16)

avec g le taux de croissance, Pα une mesure de la pauvreté et Ψ l’indice de crois-

sance pro-pauvre. Par conséquent, en définissant le TCEP (noté ici g ∗ ) comme le
taux croissance qui engendre une baisse de la pauvreté dans la même proportion
que celle obtenue avec le taux de croissance, lorsque l’on suppose les inégalités
de revenu inchangées, on a :

f (g ∗ , 1) = f (g, Ψ). (1.17)

Notons que lorsque Ψ = 1 alors chaque membre de la société reçoit la même pro-
portion des bénéfices de la croissance. A partir de l’équation (1.16), nous avons :

∆ log(Pα ) = f (g, Ψ) = gη. (1.18)

Selon les auteurs lorsque Ψ = 1 et η = δ alors :

f (g ∗ , 1) = δg ∗ . (1.19)

Ainsi, en considérant ces deux équations précédentes et la définition de l’indice

de croissance pro-pauvre Ψ = δ/η alors on a directement :

T CEP = g ∗ = Ψg = (δ/η)g. (1.20)

De manière tout à fait équivalente on a :

T CEP = g ∗ = g + (Ψ − 1)g. (1.21)

Le second terme de cette équation correspond au gain (perte) de croissance

lorsque cette dernière est pro-pauvre. Par exemple 8 , considérons que l’élasticité
à la pauvreté est de 2/3, Ψ = 2/3. Un taux de croissance g = 9 correspond à un
g ∗ = 6[6 = 9 + (2/3 − 1) ∗ 9]. Ainsi, le taux de croissance efficace pour obtenir
la même réduction de la pauvreté est plus faible que le taux de croissance ac-
tuel de trois points, ce qui montre que la croissance n’est pas pro-pauvre dans ce
8. Cet exemple est extrait du papier de Kakwani and Son (2002).

38
cas. La croissance sera alors considérée comme étant pro-pauvre (respectivement
pro-riche) lorsque g ∗ est supérieur (inférieur) à g. Si g ∗ prend une valeur comprise
entre 0 et g, la croissance conduit à une hausse des inégalités de revenu, mais la
pauvreté diminue tout de même.
Le TCEP peut être défini comme ”le taux de croissance efficace pour réduire
la pauvreté” (Kakwani and Son, 2002). En outre, selon les auteurs la réduction
de l’incidence de la pauvreté est une fonction croissante de g ∗ . Ainsi, maximiser
l’ampleur de la réduction de la pauvreté est tout à fait équivalant à maximiser g ∗ .
Par conséquent, pour atteindre une réduction rapide de la proportion des gens
vivant dans l’extrême pauvreté, les pouvoirs publics devraient chercher à maxi-
miser le TCEP plutôt que le taux de croissance du PIB. Malheureusement, même
s’il respecte l’axiome de monotonie, ce taux reste très sensible au seuil de pau-
vreté choisi.

La Courbe de croissance de la pauvreté – Son (2004)

La courbe de croissance de la pauvreté a été proposée par Son (2004) en réfé-

rence au théorème d’Atkinson. Selon ce théorème, un déplacement complet de la
courbe de Lorenz généralisée vers le haut (bas) conduit sans risque d’erreur à une
diminution (augmentation) de la pauvreté. Soit la courbe de Lorenz notée CL(p) :

CL(p) = µp p/µ. (1.22)

Elle représente la part du revenu moyen de la population (µ) des p% les plus bas
de la distribution, où µp est le revenu moyen des p% du bas de la distribution. En
prenant le logarithme de cette équation, il s’ensuit :

log(µp ) = log(µCL(p)) − log(p). (1.23)

En considérant la différence première de cette dernière équation on a :

g(p) = ∆CL(µp ) = ∆ log(µCL(p)),

avec ∆ log(p) = 0 et g(p) = ∆CL(µp ) le taux de croissance du revenu moyen des

p% personnes en bas de la distribution de la population lorsque les individus
sont ordonnés selon le revenu par tête. La courbe g(p) est appelée la courbe de

39
croissance de pauvreté (Son, 2004) :

g(p) = ∆ log(µCL(p)) = ∆ log(µ) + ∆(CL(p)). (1.24)

En posant g = ∆ log(µ) il s’ensuit :

g(p) = g + ∆(CL(p)); (1.25)

où g = ∆ log(µ) est le taux de croissance du revenu moyen de l’ensemble de la

population. D’après le théorème d’Atkinson si g(p) > 0 la pauvreté va diminuer
entre les deux dates. En outre, cette équation suggère que lorsque g(p) > g, pour
l’ensemble des p < 100%, la croissance est pro-pauvre puisque cela implique un
déplacement complet de la courbe de Lorenz (CL(p) > 0 pour tous les p). Par
contre, si 0 < g(p) < g pour l’ensemble des p < 100%, la croissance réduit la
pauvreté mais elle s’accompagne d’une hausse des inégalités de revenu (CL(p) <
0 pour tous les p). Ce qui correspond au phénomène du trickle-down : bien que
la croissance réduit la pauvreté, les pauvres en bénéficient moins que les autres
groupes.
Rappelons enfin que la courbe de croissance de la pauvreté diffère de la courbe
d’incidence de croissance de Ravallion and Chen (2003). Tout d’abord, elle est
dérivée à partir des conditions de dominance stochastique de deuxième ordre,
contrairement à la CIC qui est déterminée à partir de la dominance stochastique
de premier ordre. 9 Ensuite, dans la détermination de la courbe de croissance de
pauvreté, on utilise le taux de croissance du revenu au premier quantile – et non
jusqu’au pième pour la CIC Son (2004)

9. Cela signifie que davantage de considérations éthiques sont prises en compte. Précisément,
l’ordre 2 de dominance stochastique est associé au respect des transferts de revenus de Pigou-
Dalton.

40
1.1.4 Les mesures absolues de la croissance pro-pauvre
Une croissance est dite pro-pauvre, de manière absolue, lorsqu’elle engendre
une diminution de la pauvreté.

Le taux de croissance pro-pauvre (TCPP) – Ravallion and Chen (2003)

En partant de leur courbe d’incidence de la pauvreté, Ravallion and Chen

(2003) définissent une nouvelle mesure de la croissance pro-pauvre. Cette der-
nière appelée le taux de croissance pro-pauvre (que nous nommerons TCPP), cor-
respond à la croissance moyenne de la consommation des pauvres. Le TCPP n’est
rien d’autre que le taux de croissance équivalent à la pauvreté, lorsque ce dernier
est calculé avec l’indice de Watts (que nous avons défini précédemment) :

dWt
T CP P = gtp = · γt . (1.26)
dWt∗
Avec :
gtp le taux de croissance pro-pauvre du pays p au temps t ;
dWt le changement réel de la pauvreté qui s’est produit en utilisant l’indice de
Watts ;
dWt∗ le changement de la pauvreté qui se serait produit avec une distribution
de la croissance neutre ;
γt le taux de croissance global au temps t.
Plus généralement le TCPP est définit par :

1 Ú Ht−1
T CP Pt ≡ gt (p)dp. (1.27)
Ht−1 0
Tout déplacement de la distribution en faveur (respectivement en défaveur) des
pauvres engendrera un taux de croissance pro-pauvre supérieur (respectivement
inférieur) au taux de croissance ordinaire.

Méthode de décomposition – Kraay (2006)

Selon Kraay (2006), il existe trois sources potentielles de croissance pro-

pauvre : une forte hausse des revenus moyens ; une sensibilité accrue de la pau-
vreté à la croissance des revenus moyens ; enfin une évolution des revenus relatifs
(réduction des inégalités de revenu) réduisant la pauvreté.

41
 Soit yt (p) le revenu de la piéme quantile de la distribution du revenu à la date
t. Il peut être réécrit comme une fonction des revenus moyens µt et de la courbe
de Lorenz CLt (p) :
dCLt (p)
yt (p) = µt . .
dp
Pour une mesure de pauvreté Pt :
Ú 1
Pt = f (yt (p))dp (1.28)
0

En différenciant Pt , on obtient :
A B A B
dPt Ú 1 df (yt (p)) dyt (p) 1
= .yt (p) . . dp. (1.29)
dt 0 dyt (p) dt yt (p)
Pour simplifier :
df (yt (p))
ηt (p) = .yt (p), (1.30)
dyt (p)
et
dyt (p) 1
gt (p) = . , (1.31)
dt yt (p)
où ηt (p) représente l’élasticité de la mesure de pauvreté aux variations des reve-
nus moyens et gt (p) correspond à la croissance des revenus moyens. D’où :

dPt Ú 1
= ηt (p).gt (p)dp. (1.32)
dt 0
1 2
µt 1
En ajoutant et en retranchant .
dt µt
, on obtient :
A B C A BD
dPt µt 1 Ú 1 Ú 1
µt 1
= . ηt (p).dp + ηt (p).dp gt (p) − . . (1.33)
dt dt µt 0 0 dt µt
Cette équation montre trois sources principales de croissance pro-pauvre : une
croissance des revenus moyens (A), une forte sensibilité de la pauvreté à la crois-
sance des revenus moyens (B), et enfin une évolution des revenus relatifs (C) :
A B C A BD
dPt µt 1 Ú 1 Ú 1
µt 1
= . ηt (p).dp + ηt (p).dp gt (p) − . . (1.34)
dt dt µt 0 ü 0 ûú ý dt µt
ü ûú ý ü ûú ý
A B C

La composante A est communément appelée ”la composante croissance” des

évolutions de la pauvreté. Cette dernière correspond à la réduction de la pauvreté

42
qui aurait été observée s’il n’y avait pas eu de modification des revenus relatifs,
c’est-à-dire pas de changement dans la distribution des revenus au cours de la
période. La composante B capte la part de l’évolution de la pauvreté attribuable
au changement des revenus relatifs.
Au niveau empirique, Kraay (2006) montre lorsque l’incidence de la pauvreté
diminue, il est de loin très probable que la raison en soit une forte augmenta-
tion de la composante croissance. Autrement dit, selon lui cette dernière domine
largement.
Avant de conclure cette sous-section, il faudra noter qu’à l’heure actuelle, il
n’existe pas de mesure de la croissance pro-pauvre faisant l’unanimité. L’une des
principales limites de ces indices est qu’ils se focalisent sur la dimension mo-
nétaire de la pauvreté. Ce qui peut paraître très restrictif bien que nous recon-
naissons le lien entre la dimension monétaire et non monétaire de la pauvreté. En
outre, comme nous allons le voir dans le chapitre3, ces derniers peuvent aboutir à
des conclusions contradictoires. C’est pourquoi, ces années récentes ont vu naître
une approche alternative pour quantifier le caractère pro-pauvre de la croissance.
Cette seconde approche utilise généralement des modèles économétriques afin
d’établir une causalité entre croissance pro-pauvre et indicateurs de bien-être
(monétaires et/ou non-monétaires).

1.1.5 L’approche économétrique de la croissance pro-pauvre

Les premiers travaux empiriques sur la croissance pro-pauvre remontent des
90. L’objectif principal était de tenter d’identifier la valeur de l’élasticité du taux
de pauvreté du revenu moyen. Par exemple, Ravallion (1995) et Ravallion (1997)
trouve une élasticité du taux de pauvreté, qui est définie comme la proportion
des individus situés en dessous du seuil de pauvreté, au revenu comprise entre
-2,4 et -3,1 selon la taille de l’échantillon retenu. Ainsi, d’après leurs résultats une
hausse de 1% du revenu moyen se traduirait par une baisse comprise entre 2,4
% et 3,1% du taux de pauvreté. Toutefois, la principale limite de ces travaux est
qu’ils ignorent les inégalités de revenu. En effet, l’élasticité du taux de pauvreté
au revenu moyen dépend également de la distribution du revenu et du niveau
de développement, qui peut être défini comme le rapport entre le revenu moyen
et le seuil de pauvreté retenu.
Les travaux empiriques récents ont tenté de surmonter cet obstacle en intro-

43
duisant l’effet redistribution sur la valeur estimée de l’élasticité du taux de pau-
vreté. Ravallion (1997) régresse le taux de réduction de la pauvreté sur un en-
semble de variables : l’indice de Gini, le taux croissance du revenu moyen, l’in-
teraction entre ces deux variables et leur carré. Il trouve que c’est la croissance
corrigée des inégalités de revenu qui importe le plus. En effet, ces résultats d’es-
timations indiquent que, plus l’indice de Gini est faible, plus est forte la valeur
estimée de l’élasticité du taux de pauvreté : lorsque l’indice de Gini égal à 0,25,
l’élasticité au revenu moyen du taux de pauvreté vaut en moyenne -3,3, contre
-1,8 si le Gini est égal à 0,59. Toutefois, ces calculs ne prennent pas compte l’effet
de la position de la ligne de pauvreté par rapport au revenu moyen. Plus récem-
ment, Bourguignon (2003) 10 trouve que la prise en compte du niveau de déve-
loppement améliore sensiblement le pouvoir explicatif de la régression du taux
de réduction de la pauvreté et que de forte inégalités réduit considérablement le
caractère pro-pauvre de la croissance.
Globalement, la littérature empirique sur la croissance pro-pauvre s’attelle à
montrer que la croissance joue significativement sur la réduction de la pauvreté.
Malheureusement, ces résultats nous disent peu sur le rôle des inégalités sur la ré-
duction de la pauvreté ? Encore moins sur la vitesse de réduction de la pauvreté ?
Sur ce point, Kraay (2006) montre que pour lutter contre la pauvreté la priorité
devrait être donnée aux politiques favorisant la croissance et il ne faudrait pas
attendre beaucoup de résultats des politiques de redistribution des revenus.
En résumé, bien que l’approche économétrique présente l’avantage d’inclure
la dimension non monétaire de la pauvreté, elle présente plusieurs faiblesses. En
premier lieu, ces premiers travaux sur la croissance pro-pauvre ont été largement
contestés par Bhalla (2002). Ce dernier montre que la plupart de ces travaux sous-
estimeraient considérablement le rythme de réduction du taux de pauvreté abso-
lue. En effet, il reproche à ces travaux d’utiliser des évaluations sur des estima-
tions directes tirées des enquêtes auprès des ménages et donc sujettes à d’impor-
tantes erreurs de mesure. Son argumentaire est que la consommation moyenne
estimée à partir des enquêtes (auprès des ménages) est généralement plus faible
que celle trouvée dans la comptabilité nationale. Ainsi, en utilisant ces enquêtes
comme seule source de données, ces travaux surestimeraient systématiquement
le seuil de pauvreté dans les pays étudiés et aurait donc tendance à sous-estimer
10. Sur un échantillon plus large de 113 épisodes de croissance correspondant à 51 pays

44
le taux de réduction de la pauvreté. En outre, plusieurs travaux montrent que ces
résultats sont sensibles aux formes fonctionnelles des modèles. En second lieu,
si le concept d’élasticité totale par rapport à la croissance paraît intéressant, il
faut néanmoins l’interpréter avec prudence étant donné la multitude de variables
dont il dépend et sa sensibilité au ligne de pauvreté choisi Cling et al. (2004). Par
ailleurs, estimer le taux de réduction de la pauvreté ne nous dit rien sur le carac-
tère pro-pauvre de la croissance. Encore moins sur la répartition des bénéfices de
la croissance sur les différents couches de la populations. Sur ce point, White and
Anderson (2001) ont proposé une approche innovante qui consiste à régresser le
taux de croissance des différents quantiles sur la croissance, les inégalités et un
ensemble d’autres variables de contrôle. Leurs résultats d’estimation suggèrent
que les inégalités constituent bien une dimension importante du problème à ne
pas négliger dans la lutte contre la pauvreté. Cette piste de recherche devrait être
mieux explorée. En effet, pour déployer une stratégie de croissance pro-pauvre, il
est crucial de comprendre les facteurs permettant d’accroître le revenu des quan-
tiles inférieurs. En outre, cette technique présente plusieurs avantages : elle per-
met d’évaluer plus facilement le caractère pro-pauvre de la croissance et les esti-
mations obtenues par cette approche sont insensibles au seuil de pauvreté choisi.
Ce dernier point est particulièrement important. Comme nous l’avons souligné
précédemment, estimer une ligne de pauvreté est un exercice risqué : les infor-
mations disponibles ne sont pas souvent suffisantes pour définir des seuils de
privations rigoureusement fondés sur la méthode des coûts et des besoins de
base.

1.1.6 Les politiques économiques pro-pauvres

Depuis les travaux fondateurs de Kuznets, l’approche traditionnelle a pen-
dant longtemps soutenue que seule la croissance économique suffit, à terme,
pour réduire la pauvreté et que les inégalités ne sont que passagères. Beaucoup
d’études vont dans ce sens. Par exemple, Dollar and Kraay (2002) montrent qu’à
long terme le revenu des pauvres progresse de la même manière que le revenu
moyen. Toutefois, il faut noter que les années récentes ont vu la croissance évo-
luer de pair avec une forte augmentation des inégalités. Par ailleurs, Cogneau
et al. (2002) montrent qu’il existe de nombreux facteurs qui influent à la fois sur
la croissance et sur les inégalités et qu’il serait illusoire de vouloir trouver une

45
relation simple entre croissance et réduction de la pauvreté et inégalités. Ceci ex-
plique en grande partie les faibles performances en matière de réduction de la
pauvreté enregistrées dans certains pays malgré une croissance élevée.
L’approche par la croissance inclusive cherche encore ses repères. Et comme
le souligne Klasen (2005), cette approche ne tente nullement à réfuter l’idée selon
laquelle la croissance réduit, à terme, la pauvreté. Bien au contraire, elle consiste à
accroître l’influence de la croissance sur la réduction de la pauvreté. Promouvoir
la croissance pro-pauvre revient donc à donner la priorité aux politiques ayant
un impact favorable à la fois sur la croissance et sur la réduction des inégali-
tés. Il n’existe pas de recette toute faite pour promouvoir une croissance inclu-
sive. Néanmoins, certains grands principes se dégagent pour permettre une telle
croissance. Généralement, les dépenses publiques qui ont le plus d’influence sur
la réduction de la pauvreté sont les dépenses dans le domaine de l’agriculture, de
l’éducation de la santé et d’infrastructures (Klasen, 2004; Lopez, 2004; Fan et al.,
2004b). Chen and Ravallion (2004) observent qu’en Chine, la croissance du sec-
teur primaire a un impact sur la pauvreté environ quatre fois plus important que
celle des secteurs secondaire et tertiaire.
Plus concrètement, c’est par la création d’emploi que la croissance devrait
conduire à une réduction soutenue de la pauvreté. Ceci semble plaider en fa-
veur de l’utilisation de techniques intensives en travail comme l’agriculture. Cette
dernière joue un rôle essentiel et favorable à la croissance pro-pauvre. Cela s’ex-
plique notamment du fait d’une élasticité de la réduction de la pauvreté à la crois-
sance bien plus élevée dans le secteur agricole que dans les autres secteurs. En
effet, dans les pays à faible revenu, les activités agricoles représentent la princi-
pale ressource des pauvres. Ainsi, au Burkina Faso et au Ghana plus de 70% des
pauvres sont regroupés dans le monde rural et vivent essentiellement de l’agri-
culture (Klasen, 2004). En outre, l’histoire a montré que seuls les pays qui ont
réussi à mettre en œuvre des politiques de promotion de l’agriculture ont obtenu
une baisse significative de la pauvreté. La hausse de la productivité et des reve-
nus dans le monde rural peut donc jouer un rôle très important à court terme.
La croissance agricole augmente la demande rurale de produits non agricoles qui
ont tendance à afficher un rapport travail-capital élevé, ce qui crée un cercle ver-
tueux de croissance et de repli de la pauvreté Mellor (2000). D’ailleurs, Fan et al.
(2004a) ont montré qu’à dépense égale, c’est la recherche agricole qui a le plus

46
permis de réduire la pauvreté au Vietnam suivie par l’éducation, l’électricité, et
l’irrigation. Évidemment, il est important de promouvoir les facteurs permettant
aux ménages de tirer parti des activités non agricoles en zone rurale et dans les
villes. Comme nous pouvons le voir dans le graphique ci-dessous, dans les an-
nées 90, le PIB non agricole a progressé cinq fois plus vite que le PIB agricole.
Généralement, une croissance soutenue de l’agriculture s’accompagne de la pro-
gression de l’emploi et des revenus non agricoles des ménages vivant dans les
villes et dans les zones rurales les moins isolées. En outre, les ménages exerçant
un emploi non agricole ont davantage de chances de sortir de la pauvreté que
ceux travaillant dans l’agriculture, car la productivité est souvent plus forte dans
les autres secteurs et la croissance généralement plus rapide. Au Vietnam, l’inci-
dence de la pauvreté a reflué de 31% pour la main-d’œuvre agricole, de 41% pour
les travailleurs du secteur informel et de 62% pour le secteur formel Lopez (2004).

F IGURE 1.3 – Évolution du PIB non agricole

Source : Lopez (2004)

Parallèlement, dans une optique de croissance pro-pauvre, il faut envisager

de développer les infrastructures, l’éducation de base et la santé. Ces dernières,

47
en accroissant le capital humain des pauvres, devraient leur ouvrir de nouvelles
opportunités. L’alphabétisation des femmes joue un rôle majeur dans la capacité
de la croissance à faire reculer la pauvreté. En Inde, elle a été le principal respon-
sable des différences entre les États en termes d’incidence de la croissance non
agricole sur la pauvreté Ravallion and Datt (1996). Il faut toutefois souligné que
les infrastructures directement utiles aux pauvres sont plus efficaces lorsqu’elles
sont conçues dans une logique de réseaux au niveau national et régional. Évidem-
ment, il est impératif de réduire les dysfonctionnements des infrastructures exis-
tants avant d’envisager de nouvelles réalisations Chataîgner and Rafinot (2005).
A mesure que le pays se développe, l’État peut également compléter le revenu
perçu par les pauvres sur le marché par des transferts publics, ce qui permet aux
ménages déshérités de profiter indirectement de la croissance grâce à une poli-
tique redistributive. Cependant, dans les pays pauvres avec des capacités finan-
cières et administratives limitées il serait difficile d’imaginer que les transferts
publics puissent avoir une influence significative sur la réduction de la pauvreté.
En outre, il est important de noter qu’effectuer des transferts de revenus à grande
échelle n’est pas une réponse adaptée pour réduire la pauvreté. Tout d’abord,
dans la réalité, il existe très peu d’exemple de cas où pareilles politiques ont en-
traîné une réduction significative de la pauvreté. D’ailleurs, plusieurs travaux
empiriques (Wiggins and Higgins, 2008, par exemple) montrent que la réduction
substantielle de la pauvreté dans les pays de l’OCDE au court du XXI ème siècle
est attribuée à une croissance soutenue avec de modestes transferts de revenus.
En outre, une telle politique redistributive pourrait ralentir la croissance en frei-
nant l’incitation à investir, à innover et même à travailler. Par exemple Jha and
Srinivasan (2001) ont montré que la plupart des subventions destinées à l’agri-
culture (notamment au riz et au blé) n’ont pas permis de faire reculer la malnu-
trition des enfants. En outre, une réduction des subventions en Andhra Pradesh
(Inde) n’a eu qu’un effet mineur sur la situation nutritionnelle des enfants Tarozzi
(2005).

48
 TABLE 1.1 – Impact des transferts publics sur la répartition des revenus

Burkina Salvador Ghana Ouganda Vietnam Zambie

Année 2003 2000 1999/99 1999/2000 1998 1998

Après les trans- 0.45 0.53 0.40 0.402 0.35 0.54

ferts publics

Avant les trans- 0.46 0.53 0.40 0.402 0.36 0.54

ferts publics
Source Source : (Lopez, 2004)

Avant de conclure cette section, il faut noter qu’aujourd’hui, il n’existe pas

de méthode faisant l’unanimité pour évaluer le caractère pro-pauvre de la crois-
sance. La recherche de nouveaux indicateurs doit donc être considérée comme
une priorité. A notre avis, ces nouveaux indices devraient prendre en compte à la
fois la dimension non-monétaire de la pauvreté et les interactions entre distribu-
tion du revenu et la croissance. Ce dernier point est un élément essentiel. En effet,
lorsqu’on conçoit des stratégies de lutte contre la pauvreté qui associent des me-
sures favorisant la croissance et un changement dans la distribution du revenu, il
importe de déterminer s’il existe une relation entre ces deux variables. Malheu-
reusement, la littérature théorique est très partagée quant à la nature de cette re-
lation et la littérature empirique n’a pas pu déceler de relation permanente entre
ces deux variables. Ceci peut s’expliquer par les nombreuses difficultés méthodo-
logiques rencontrées par les études empiriques. Ces dernières sont abordées dans
la section suivante.

1.2 Les inégalités de revenu nuisibles ou favorables

à la croissance
Les inégalités de revenu sont un nouveau problème que les économistes
cherchent à comprendre. Depuis les travaux fondateurs de Kuznets dans les an-
nées 1950, le débat sur les interactions entre distribution du revenu et croissance
ne cesse d’être alimenté par de nouveaux arguments.
Cette hypothèse de Kuznets, selon laquelle les inégalités de revenu aug-

49
mentent dans les premières phases du processus de croissance puis retombent
avec le développement économique, largement corroborée par les travaux em-
piriques antérieurs (Adelman and Morris, 1973; Ahluwalia, 1976; Papanek and
Kyn, 1986) a très vite laissé place à la controverse. Tout d’abord, Anand and Kan-
bur (1993b) montrent que sur le plan empirique l’apparition de la courbe de Kuz-
nets dépendrait en grande partie de la forme fonctionnelle retenue. Ensuite et
surtout peut être, dans les années 1990, un nouveau fait stylisé issu de l’écono-
métrie révèle une relation de causalité inverse entre les inégalités de revenu et
la croissance. Ces travaux sont l’œuvre de Persson and Tabellini (1994). De nom-
breux modèles théoriques ont été élaborés pour rendre compte de cette régularité.
Nous pouvons citer à titre d’exemple les modèles d’économie politique Persson
and Tabellini (1994); Alesina and Rodrik (1994), les modèles d’imperfection du
marché du crédit (Banerjee and Newman, 1993; Galor and Zeira, 1993), les mo-
dèles portant sur l’instabilité sociopolitique que pourraient engendrer de fortes
inégalités de revenu Alesina and Perotti (1996), etc. Malheureusement, cette nou-
velle relation, tout comme la courbe de Kuznets d’ailleurs, a très vite montré sa
fragilité. En effet, ces premiers travaux ont été largement remis en cause par les
analyses sur données de panel. Ces dernières ont trouvé une relation positive,
non linéaire, voire nulle, entre la distribution des revenus et la croissance (Dei-
ninger and Squire, 1998; Barro, 2000; Banerjee and Duflo, 2003; Forbes, 2000).
Comprendre la nature générale de cette relation requiert tout d’abord un ré-
examen attentif de cette littérature théorique (première sous-section) mais égale-
ment d’analyser les résultats empiriques disponibles, obtenus à l’aide de modèles
économétriques (deuxièmes sous-section).

1.2.1 Les approches théoriques

Aujourd’hui, il existe une multitude de modèles théoriques analysant les ca-
naux de transmissions par lesquels une forte concentration de la richesse est sus-
ceptible d’influencer le processus de croissance dans le long terme.
Selon Galor and Tsiddon (1997) de fortes inégalités de revenu seraient favo-
rables à la croissance. Tout d’abord, puisqu’il existe une relation de causalité po-
sitive entre le taux de croissance et l’épargne alors la croissance des économies
inégalitaires serait plus importante car la propension marginale à épargner des
riches est plus forte que celle des pauvres (Kaldor). Ensuite, comme la création

50
de nouvelles entreprises exige souvent des coûts fixes particulièrement impor-
tants, dans un contexte de marché financier imparfait, une forte concentration de
la richesse serait indispensable pour l’innovation et la croissance Galor and Tsid-
don (1997). Cependant, ces modèles ont été largement contestés par les travaux
contemporains. Ces nouveaux travaux concluent à une relation négative entre les
inégalités de revenu et la croissance de long terme (Galor and Zeira, 1993; Persson
and Tabellini, 1994; Durlauf, 1994; Alesina and Perotti, 1996).

Les inégalités : un catalyseur de la croissance économique

La sagesse conventionnelle a pendant longtemps considéré que les inégalités

de revenu sont très bonnes pour les incitations et donc pour l’investissement et
la croissance. Elles ont été souvent comprises comme indispensable à toute per-
formance économique. Car ”l’inégalité est nécessaire à l’accumulation et qu’elle
contient les germes de l’accroissement éventuel du revenu de chacun", Adelman
et al. (1989). Cette idée selon laquelle les inégalités renforcent la croissance s’ap-
puie sur deux arguments : le taux d’épargne et l’imperfection du marché du cré-
dit.

L’argument du taux d’épargne.

Selon le modèle keynésien, l’épargne S est une fonction croissante du revenu
R. Ce qui implique selon Kaldor que la propension marginale à épargner des
riches (Sr ) est plus forte que celle des pauvres (Sp ). En supposant une causalité
positive entre l’épargne et l’investissement, une forte concentration de la richesse
serait favorable à la croissance économique :

S = f (R), (1.35)

avec f ′ > 0 donc Sr > Sp . Plusieurs critiques peuvent être adressées à ce modèle.
Tout d’abord, elle suppose une relation linéaire entre la propension marginale à
épargne et le revenu. Ce qui n’est pas forcément le cas. D’ailleurs, cette relation
aurait la forme d’une fonction en ”U” inversée Ray (1998). En effet, la hausse de
la propension marginale à épargner serait plus forte chez les revenus inférieurs
et moyens. Elle diminuerait même chez les riches. Par conséquent, cette relation
positive entre inégalité de revenu et croissance serait observée qu’à des niveaux
de revenus faibles où une concentration de la richesse favorise l’accumulation.

51
Ensuite, lorsqu’on s’intéresse de près à ce modèle on se rend compte qu’il est
plus adapté aux pays développés où la répartition des revenus est en grande par-
tie constituée de salaires et de bénéfices Aghion et al. (1999). Enfin, ce modèle
considère qu’une redistribution des ressources réduit l’épargne et donc est défa-
vorable à la croissance. Ceci n’est vrai que dans le cas où l’investissement n’est
financé que par l’épargne nationale.

L’argument de l’imperfection des marchés des capitaux.

Un second argument utilisé pour expliquer l’influence positive des inégali-
tés de revenu sur la croissance s’appuie sur le caractère indivisible de l’investis-
sement. Selon Galor and Tsiddon (1997), dans un contexte de marché financier
imparfait, une très forte concentration de la richesse serait indispensable pour
financer la création de nouvelles entreprises qui exigent souvent des coûts fixes
irrécupérables particulièrement importants. En effet, les projets d’investissement
et la mise en œuvre d’innovations technologiques impliquent souvent d’impor-
tants coûts fixes.
Ces théories économiques d’hier largement consensuelles sont remises en
cause par les travaux contemporains. Aujourd’hui, la vision dominante serait
celle d’un impact négatif des inégalités de revenu sur les performances écono-
miques.

Les inégalités défavorables à la croissance

Aujourd’hui, de nombreux papiers traitent des canaux de transmissions par

lesquels une forte concentration de la richesse défavorise la croissance écono-
mique. Parmi les explications développées dans la littérature figurent celle de
l’instabilité socio-politique, de l’approche par les modèles d’économie politique,
de l’arbitrage éducation/fécondité, etc.

Les modèles d’économie politique.

Dans une société démocratique lorsque le revenu moyen dépasse de loin le
revenu médian un système de vote à la majorité simple serait favorable à une
redistribution des ressources des riches vers les pauvres (transferts, dépenses pu-
blics, etc.) ce qui pourrait conduire à des distorsions fiscales et détournerait ainsi
la classe riche de l’investissement : Persson and Tabellini (1994), Alesina and Ro-
drik (1994). Ces modèles connus sous le nom de modèles d’économie politique

52
ont la particularité d’endogénéiser les politiques de redistribution. Cette redistri-
bution peut prendre la forme de transferts, de dépenses publiques en faveur des
pauvres (en éducation et santé), de réforme fiscale (faire varier le prix des biens)
favorable aux plus pauvres. Ces dernières ont été mises en œuvre dans certains
pays comme le Mexique et l’Égypte.
Selon Alesina and Rodrik (1994) cette relation négative entre inégalités de
revenu et croissance se vérifie également dans les dictatures. En effet, le dicta-
teur tient à la stabilité de son régime donc à la demande sociale et aux situations
conflictuelles. D’ailleurs, Benabou (1996) a généralisé cette conclusion dans les so-
ciétés non démocratiques. En outre, (Perotti, 1993; Saint Paul and Verdier, 1996)
ont aussi développé leurs modèles d’économie politique où la distribution du
revenu affecte l’investissement et la croissance.
En réalité, l’influence négative des inégalités de revenu sur le processus de
croissance peut apparaître dans les modèles d’économie politique même en de-
hors de la redistribution. Les riches peuvent empêcher l’application des poli-
tiques de redistribution à travers des lobbies et l’achat de vote aux législateurs. 11
Malheureusement, ce type d’action peut conduire à un cercle vicieux. En effet,
plus la concentration de la richesse est forte, plus la demande de redistribution
sera importante. Ce qui conduit les lobbies à accroître leurs efforts pour empê-
cher la redistribution. Ainsi, l’intervention de ces groupes d’intérêt en favorisant
la corruption affecte les performances économiques. Par conséquent, l’inégalité
des revenus peut avoir un effet négatif sur la croissance d’une économie, même
si aucune redistribution de revenu n’est observée.
Globalement deux mécanismes sont à l’œuvre dans ces modèles. Le premier
conclut à une relation positive entre inégalités de revenu et taxation. Le second
s’intéresse à l’effet désincitatif de la taxation sur l’investissement et par consé-
quent sur la croissance.
En même temps que cette vaste littérature théorique, l’intérêt pour la dyna-
mique du processus de croissance et l’évolution de la distribution des revenus a
suscité plusieurs analyses empiriques. Ces dernières sont abordées dans la sous-
section suivante.
11. Dans certains pays ces groupes d’intérêt se permettent parfois de financer les campagnes
électorales dans le seul but de bénéficier d’avantages fiscaux après les élections

53
1.2.2 Les approches empiriques
Les modèles d’économie politique

Tout d’abord, selon les modèles d’économie politique une distribution inéga-
litaire des ressources génère une forte demande de redistribution. En s’inspirant
de Benabou (1996), nous avons répertorié les principaux résultats des travaux
empiriques consacrés à l’examen de la relation entre inégalités de revenu et re-
distribution (la Table 1.2). Ces résultats sont particulièrement décevants. En effet,
l’influence des inégalités de revenu sur la redistribution est rarement significa-
tive. En outre, le signe de cette relation varie d’une étude à l’autre en raison des
nombreuses spécifications retenues.
Persson and Tabellini (1994) expliquent ces résultats par les difficultés in-
hérentes à la mesure de la redistribution. Ils font remarquer que la mesure de
la redistribution est un exercice extrêmement complexe. La redistribution peut
prendre plusieurs formes autres que les transferts comme par exemple : les im-
pôts progressifs, les lois sur le salaire minimum, les restrictions commerciales,
certaines dépenses publiques, la législation sur les brevets, la réglementation et
la protection des droits de propriété, etc. Cela est certainement vrai. Cet argument
est d’autant plus justifié que la plupart (mais pas tous) des travaux empiriques
antérieurs répertoriés dans la Table 1.2 (ci-dessous) utilisent comme mesure de
redistribution les taux de prélèvement moyen et marginaux. Cependant, cet ar-
gument n’est pas tout à fait convaincant. Premièrement, ces études incluent déjà
certaines de ces variables comme les taux d’imposition ou les dépenses d’édu-
cation. Deuxièmement, selon Benabou (1996), il est difficile de comprendre pour-
quoi l’augmentation de la pression pour la redistribution se manifesterait que par
des voies indirectes et non par les effets directs.
Ensuite, le second mécanisme conclut à une relation négative entre la redis-
tribution et la croissance. Ce lien traduit l’effet désincitatif de la taxation sur la
croissance. A nouveau, les travaux empiriques rejettent largement cette hypo-
thèse. Selon Lindert (1996), la redistribution serait favorable à la croissance, de
plus la relation est statistiquement significative. L’analyse de la Table 1.2 révèle
que ce résultat est loin d’être une exception. En effet, ces conclusions sont confir-
mées par plusieurs travaux comme ceux de Perotti (1996).

54
 TABLE 1.2 – les résultats empiriques des modèles d’économie politique

Articles inégalité ↔ redistribution redistribution ↔ croissance

Trans, Tax Exp Trans, Tax Exp
Devarajan et al. (1993) + (−)
Easterly and Rebelo (1993) + (−)
Lindert (1996) ⊖ (−) (±) ⊕
Perotti (1992) (−) (±) +
Perotti (1994) (−) (+)
Perotti (1996) (+) (+) ⊕ ⊕
Persson and Tabellini (1994) (+) (−)

Exp : la part des dépenses publiques d’éducation dans le PIB.

Tax et Trans : un ensemble de transfert et taxe comme par exemple la part des
dépenses publiques d’éducation et de santé dans le PIB (Devarajan et al ), les taux
marginaux et moyennes d’imposition Easterly and Rebelo (1993) ; l’impôt sur le
revenu, les dépenses publiques, la part des transferts dans le PIB etc.
⊖ ⊕ : signe consistant et généralement significatif.
(−) (+) : signe consistant mais non significatif.
− + : signe non consistant et généralement non significatif.
(±) : signe non consistant et généralement significatif.

Ces résultats surprenants traduisent-ils une sorte de causalité inverse entre

redistribution et croissance ? Autrement dit, la redistribution serait-elle un bien
de luxe qui traduirait une loi de Wagner ? 12
Perotti (1996) trouve que les prélèvements marginaux et moyens ont une in-
fluence positive sur la croissance. Encore mieux, ses travaux excluent l’idée d’une
causalité inverse entre redistribution et croissance. En effet, dans son modèle à
équations simultanées, le taux de croissance et le PIB par tête apparaissent comme
des variables explicatives de la taxation. Ce qui exclut ainsi l’hypothèse que la re-
distribution serait un bien de luxe.
Si les travaux empiriques antérieurs remettent en cause l’ensemble des conclu-
sions des modèles d’économie politique, ces modèles ont aussi été critiqués sur
12. Adolph Wagner (1835-1917) était un grand économiste Allemand connu pour ses travaux
relatifs à l’étude des dépenses publiques dans les pays développés. Il avait observé une évolution
croissante de la part des dépenses publiques dans le PIB. La loi de Wagner met en évidence une
explication de ce phénomène et prédit qu’il devrait perdurer dans le temps. Autrement dit, cette
loi considère que les pays développés pratiquent des politiques de redistribution plus généreuses.

55
le plan théorique. Tout d’abord, selon Saint Paul and Verdier (1996), les inégali-
tés de revenu peuvent évoluer sans que la position médiane soit affectée. Cette
évolution peut très bien être limitée à la population la plus pauvre. Ensuite Ed-
sall (1984) et Conway (1991) montrent que les individus démunis (et les moins
instruits généralement) ont un faible taux de participation dans les activités po-
litiques (élection entre autre). Si un tel résultat est avéré, l’électeur décisif serait
plus riche que l’électeur médian. Enfin, il semble que les dépenses sociales béné-
ficient plus à la classe moyenne et aux plus riches.
A côté des modèles d’économie politique, il existe d’autres arguments non
moins pertinents qui considèrent que les inégalités de revenu ralentissent les
performances économiques, à travers l’instabilité socio-politique qu’elles en-
gendrent.

L’instabilité socio-politique

De fortes inégalités de revenu alimentent la violence et le mécontentement

social. Certains individus se sentent marginalisés et exclus du ”système” ; ce qui
favorise l’apparition d’activités illicites et des manifestations risquant de provo-
quer émeutes et coups d’État Hibbs (1973). Les inégalités de revenu incitent les
pauvres à s’engager dans des activités criminelles et d’autres actions subversives.
La stabilité des institutions politiques peut même être menacée par la révolution.
La participation des pauvres dans le crime et d’autres actions antisociales repré-
sente un véritable gaspillage des ressources. Le temps et l’énergie des criminels
ne sont pas consacrés à la création de richesses, mais aussi les ressources utilisées
pour lutter contre la criminalité pourraient servir plus efficacement dans la pro-
duction. En outre, le non respect des droits de propriétés résultant de ce chaos
entrave les décisions d’investissement. Ainsi, grâce à ces différentes dimensions
de troubles socio-politiques, l’inégalité tend à réduire la productivité d’une éco-
nomie.
Dans une approche semblable, Alesina and Perotti (1996) avancent qu’une
forte concentration de la richesse favorise la criminalité, le vol et une instabi-
lité sociale. Ces derniers perturbent les activités de marché et augmentent ainsi
l’incertitude économique. Mais aussi, les manifestations répétitives, les guerres
civiles, les troubles politiques et les menaces physiques sur les travailleurs et
les entrepreneurs peuvent avoir des effets directs sur la production et globale-

56
TABLE 1.3 – Analyses empiriques des relations inégalité / instabilité et instabi-
lité / croissance

Articles inég ↔ inst inst ↔ croiss

Alesina and Perotti (1996) ⊕ -
Alesina et al (1996) ⊕ ⊖
Benhabib-Spiegel (1996) (−)
Easterly-Rabello (1993) (±)
Levine and Renelt (1992) −
Perotti (1992) ⊕ ⊖
Perotti (1996) ⊕ ⊖
Svensson (1993) + ⊖
Venieris and Gupta (1986) ⊖
inég : inégalités de revenu
inst : instabilité socio-politique
croiss : Croissance économique

ment sur l’activité économique en freinant sérieusement l’incitation à investir.

Cette agitation sociale réduit l’horizon des institutions politiques, ce qui nourrit
un sentiment d’incertitude. En effet, les investisseurs considèrent que des années
d’efforts peuvent à tout moment être réduites à néant, et la propriété privée peut
toujours être nationalisée par les révolutionnaires.
Pour étudier la pertinence de ces modèles, deux mécanismes ont été testés
dans la littérature empirique. Le premier relie les inégalités de revenu et l’insta-
bilité socio-politique. Le second examine l’effet néfaste de cette dernière sur la
croissance. Toutefois, une telle étude n’est envisageable que lorsque l’instabilité
est mesurable. Benabou (1996) distingue deux approches pour mesurer l’instabi-
lité. La première s’intéresse aux facteurs socio-politiques comme les manifesta-
tions, les grèves, la violence de masse, les révolutions (Venieris and Gupta, 1986;
Alesina and Perotti, 1996; Perotti, 1996). La seconde approche est liée aux facteurs
institutionnels comme la qualité de la bureaucratie, la corruption, le respect des
droits de propriété, etc.
Plusieurs études confirment la pertinence de ces modèles (Table 1.3).

A partir d’une analyse en composante principale, Alesina and Perotti (1996)

construisent un nouvel indice d’instabilité sociopolitique appelé SPI (index of

57
Socio-Political Instability) : 13

SP I = 1, 86ASSASS + 1, 28DEAT H + 7, 5COU P + 7, 09U COU P + 5, 04DICT.

(1.36)
Les variables sont les suivantes :
ASSASS : le nombre d’assassinats politique ;
DEATH : le nombre de personne tué dans des violences de masse ;
COUP : les coups d’état réussis ;
UCOUP : le nombre de tentative de coup d’Etat mais sans succès ;
DICT : une variable indicatrice (avec 0 démocratie ; 0,5 semi démocratie et 1
les dictatures).
Les auteurs montrent à partir d’un modèle à équations simultanées, où les va-
riables dépendantes sont l’investissement total et SPI, que l’instabilité socio-
politique est défavorable à l’investissement.

L’éducation et la fécondité

L’arbitrage éducation-fécondité est aussi une autre explication avancée dans

la littérature théorique et empirique pour rendre compte du lien négatif entre in-
égalités de revenu et croissance Becker et al. (1990); Perotti (1996). Le mécanisme
est simple. Lorsqu’un individu s’engage à investir dans le capital humain (éduca-
tion), il accroît en même temps le coût d’opportunité d’élever un (des) enfant(s).
Plus généralement, l’investissement en capital humain (éducation) évolue de ma-
nière inverse avec la fécondité. L’impact d’une baisse de la fécondité sur la crois-
sance s’appréhende de manière intuitive. En effet, puisque le capital humain est
un déterminant essentiel de la croissance, l’investissement accru dans l’éducation
résultant d’une baisse de la fécondité se répercute positivement sur la croissance.
Les résultats des travaux empiriques effectués par Perotti (1996) confirment
largement cette thèse. En effet, à partir d’un modèle à équations simultanées, il
arrive aux conclusions suivantes. Tout d’abord, il existerait un lien positif entre in-
égalités de revenu-fécondité et un lien négatif entre fécondité-croissance. Notons
que dans la première spécification de Perotti (1996), les variables dépendantes
sont le taux de croissance et le taux de fécondité. Ensuite, dans la seconde spé-
13. Il est important de noter que cet indice n’est pas fondamentalement différent de celui de
Hibbs (1973).

58
cification où les variables exogènes sont le taux de croissance et l’investissement
en capital humain, il conclut à une relation négative entre inégalités de revenu et
investissement en capital humain et positive entre investissement-croissance.

La courbe de Kuznets

De nombreuses études empiriques ont été développées pour analyser les in-
teractions entre processus de croissance et la distribution du revenu. Globale-
ment, les premiers modèles analysant l’impact des inégalités de revenu sur la
croissance remontent aux années 1970. En effet, dans les années 1970, les don-
nées transversales réunies sur les PED par Ahluwalia (1976) semblaient corro-
borer l’hypothèse de Kuznets Ahluwalia (1976). Cependant, la robustesse de ces
résultats fut de courte durée. Tout d’abord, Anand and Kanbur (1993b) montrent
que l’apparition de la courbe de Kuznets dépendrait en grande partie de la forme
fonctionnelle retenue. Ensuite, dans les années plus récentes, un nouveau fait sty-
lisé issu de l’économétrie des inégalités et de la croissance révèle une relation de
causalité inverse. Ces travaux trouvent que les inégalités sont défavorables à la
croissance (Persson and Tabellini, 1994; Alesina and Rodrik, 1994). Malheureuse-
ment, la relation statistique exposée dans ces dernières études s’est révélée bien
plus faible qu’elle ne la paraissait au premier abord et plusieurs études ont en-
suite remis en question les résultats obtenus. En effet, ces premiers travaux ont
été largement contestés par les analyses sur données de panel. Ces dernières ont
trouvé une relation nulle, non linéaire, voire positive, entre les inégalités de re-
venu et la croissance (Deininger and Squire, 1998; Forbes, 2000; Barro, 2000; Ba-
nerjee and Duflo, 2003).
A partir d’un échantillon composé de 60 pays, Ahluwalia (1976) analyse la
relation suivante :

Yi = c + α log(PIB/tête) + β log(PIB/tête)2 + δD + εi , (1.37)

où,
Yi est la part du revenu du groupe i ;
D une variable indicatrice (1 = pays socialiste et 0 = Non).

59
En estimant l’équation précédente, Ahluwalia arrive aux résultats suivants :

Ŷi (20% les plus riches) = −57, 58 + 89, 95 log(PIB/tête) − 17, 56 log(PIB/tête)2 − 20, 15D
Ŷi (40% médians) = 87, 03 − 45, 59 log(PIB/tête) + 9, 25 log(PIB/tête)2 + 8, 21D
Ŷi (20% les plus pauvres) = 27, 31 − 16, 97 log(PIB/tête) + 3, 06 log(PIB/tête)2 + 5, 54D.

Tous les coefficients estimés sont statistiquement significatifs, en plus il fournit les
points de retournement pour chaque groupe. Rappelons que la possibilité d’une
baisse de la part de revenu des groupes les plus pauvres soulève deux questions
fondamentales quant à l’influence du processus de développement sur le bien-
être. Plus précisément, la littérature théorique distingue deux façons d’envisager
le processus sous-jacent à l’hypothèse de Kuznets. Selon Adelman and Morris
(1973), ce schéma (la courbe de Kuznets) peut très bien refléter un processus d’ap-
pauvrissement absolu des groupes à faible revenu. Malheureusement, nous ne
pouvons pas écarter cette possibilité a priori. En effet, l’apparition d’une courbe
de Kuznets peut résulter d’une érosion des structures économiques tradition-
nelles sous l’impact d’un secteur moderne en pleine expansion qui fait concur-
rence aux secteurs traditionnels à la fois pour les marchés et les ressources. Il
en résulterait une rupture du système économique existant qui conduirait à un
appauvrissement absolu de certains groupes. Cependant, il y a une autre façon
d’envisager l’apparition de la courbe de Kuznets. Dans cette seconde approche,
la concentration de la richesse se renforce non pas parce que des groupes plus
pauvres baissent en valeur absolue mais parce qu’ils évoluent (progressent) à un
rythme moins rapide que ceux des tranches supérieures. Ainsi, si le développe-
ment se traduit par une croissance économique favorable (au départ) aux riches
et s’il n’existe pas de lien très puissant entre le revenu de ces groupes et celui des
tranches les plus pauvres, il doit en résulter un accroissement de l’inégalité rela-
tive qui ne va pas nécessairement de pair avec un appauvrissement absolu. La
distinction essentielle entre ces deux approches réside dans la question de savoir
si le bouleversement des activités économiques traditionnelles à faible revenu est
une condition essentielle à la croissance du secteur moderne ou si le problème
est simplement imputable à un manque d’intégration de deux secteurs. Dans ce
dernier cas, le problème n’apparaît plus aussi grave car nous n’avons plus à faire
face à une contradiction inhérente au processus de développement. Les résultats

60
de Ahluwalia (1976) ne nous permettent pas de choisir clairement l’une ou l’autre
de ces possibilités.
En résumé les résultats de Ahluwalia (1976) confirment largement l’hypothèse
de Kuznets. Il existe bien un processus global de croissance des inégalités ini-
tiales suivie (accompagner) d’un resserrement au-delà d’un certain revenu par
tête. Cependant, ces résultats ne sont pas exempts de critiques. Tout d’abord, ils
sont extrêmement sensibles à la forme fonctionnelle retenue mais aussi à la com-
position de l’échantillon de base Anand and Kanbur (1993b). En outre, comme le
souligne Ahluwalia (1976) les résultats établis ci-dessus ne sont tout au plus que
des descriptions de comportements moyens des pays de l’échantillon alors que
des différences considérables peuvent exister entre les pays. Pour tenir compte de
ces différences, Li et al. (1998) ont analysé la courbe de Kuznets en coupe instanta-
née. Malheureusement, leurs résultats mettent en évidence une certaine fragilité
de la courbe de Kuznets. La relation dominante serait plutôt celle d’une relation
inverse allant des inégalités vers la croissance. Ce dernier point fait l’objet de la
sous-section suivante.

inégalités de revenu et croissance

Persson and Tabellini (1994) font partis des premiers auteurs à avoir souli-
gné l’influence néfaste des inégalités de revenu sur la croissance. Même si le pa-
pier n’a été publié qu’en 1994, une version préliminaire circulait déjà en 1991.
A l’aide d’un modèle d’économie politique, ils montrent qu’une forte concen-
tration de la richesse induit une demande de redistribution des ressources des
riches vers les pauvres. Cette dernière se fait à travers une taxe sur le revenu du
capital (physique ou humain), et un transfert forfaitaire. En effet, pour accroître
son revenu courant, l’électeur médian exige un taux de taxation sur le capital
le plus élevé possible. Cependant, cela à un effet désincitatif sur l’accumulation
du capital et donc déprime le taux de croissance de l’économie. Econométrique-
ment, les auteurs cherchent à expliquer le taux de croissance. Pour ce faire, ils
construisent deux échantillons : le premier est composé de 9 pays industriels et le
second regroupe les données d’après-guerre de 56 pays sur la période 1960-1985.
Les variables explicatives sont des mesures de l’inégalité des revenus et le degré
de démocratisation. Ils incluent également dans toutes leurs régressions un effet
de ”convergence ”, ici mesuré par le PIB initial par tête et le taux de scolarisa-

61
tion primaire. L’intérêt de cette dernière est de prendre en compte le capital hu-
main. ”N’apparaissent pas les variables endogènes mises en avant par la théorie,
comme le taux d’investissement et le taux de scolarisation, au cours de la période
analysée”. A l’aide des MCO, ils trouvent une corrélation négative entre les in-
égalités de revenu et la croissance économique. Cependant, cette relation néfaste
n’est vérifiée que dans les démocraties et non dans les pays non démocratiques.
Les résultats semblent être robustes malgré les importantes erreurs de mesure.

Dans une approche semblable, Alesina and Rodrik (1994) montrent que le co-
efficient de Gini est corrélé négativement à la croissance économique. Cependant,
contrairement à Persson and Tabellini (1994), ils ne trouvent pas d’interaction si-
gnificative entre le degré de démocratisation et les inégalités de revenu. Cette
différence peut être expliquée par le fait que les deux études reposent sur des sé-
ries distinctes de données pour les variables de distribution. En effet, les données
de distribution dans Persson and Tabellini (1994) viennent de Paukert (1973), un
pionnier dans l’étude de la courbe de Kuznets transversale. Alesina and Rodrik
(1994) utilisent des sources différentes : (Jain et al., 1975; Lecaillon et al., 1984). La
relation statistique exposée dans ces études s’est révélée bien plus faible qu’elle
ne paraissait au premier abord et plusieurs études (Deininger and Squire, 1998;
Barro, 2000; Forbes, 2000; Banerjee and Duflo, 2003) ont ensuite remis en question
les résultats obtenus. Fishlow (1996) a montré la sensibilité de la corrélation à
l’intégration de variables indicatrices régionales dans les variables explicatives. Il
avance que l’inclusion d’une variable indicatrice pour les pays d’Amérique latine
dans son échantillon rend le coefficient de Gini non significatif.
Dans un registre différent, Barro (2000) va plus loin que Fishlow (1996). En
effet, il montre une sensibilité des résultats obtenus aux types d’échantillons rete-
nus. Selon ses résultats, les inégalités de revenu seraient favorables à la croissance
dans les pays riches et défavorables à la croissance dans les pays pauvres. Mais
globalement, l’impact des inégalités de revenu sur la croissance et l’investisse-
ment est faible et statistiquement non significatif. Le modèle de Barro (2000) est
une extension des modèles de croissance néoclassique.
Pour tester son modèle, Barro (2000) effectue une régression du taux de crois-
sance moyen du PIB réel par habitant sur l’inégalité de revenu mesurée par l’in-
dice de Gini et un ensemble d’autres variables explicatives en utilisant des don-
nées de panel pour 100 pays sur trois décennies 1965-75, 1975-85 et 1985-95. L’ana-

62
lyse empirique inclut des pays dont les niveaux de développement sont très dif-
férents, et sont exclus uniquement les pays dont les données sont manquantes.
L’estimation de ce modèle a été faite par la méthode des triples moindres carrés
ordinaires.

De son côté, Forbes (2000) trouve, à l’aide de l’estimateur GMM AB 14 , qu’une

augmentation de dix points du coefficient de Gini est corrélée à un accroissement
de 1,3% du taux moyen de croissance annuelle sur les cinq ans qui suivent. En
outre, cette relation est robuste et statistiquement significative. Rappelons que le
modèle de (Forbes, 2000) est très proche à celui de Perotti (1996). La seule diffé-
rence est l’inclusion de variables dichotomiques (country et période) pour tenir
compte des chocs sur la production et du biais dû aux variables manquantes.

Et parallèlement, Banerjee and Duflo (2003) proposent un modèle de ”hold-

up” où les opportunités de croissance sont plus ou moins efficacement exploi-
tées, selon l’intensité des conflits distributifs qu’elles soulèvent. A l’aide d’une
méthode non paramétrique, ils montrent que la relation entre les inégalités et la
croissance est non linéaire. C’est seule la variation des inégalités (dans n’importe
quelle direction) qui agit sur la croissance dans le long terme. En outre, selon ces
auteurs, cette non linéarité est la principale explication des contradictions aux-
quelles on arrive sur le plan empirique.

Comme le montre la Table 1.4 ci-dessous, la plupart des papiers antérieurs

s’accordent à l’idée qu’il existe une corrélation négative entre les inégalités de
revenu et la croissance de long terme (par exemple (Alesina and Rodrik, 1994;
Persson and Tabellini, 1994; Perotti, 1996) Venieris et Gutpa, 1996 ). Cependant, ce
résultat est loin d’être consensuel. Par exemple, les estimations de Forbes (2000)
font état d’une relation positive. Alors que pour Deininger and Squire (1996),
cette relation reste faible et non significative. Ce dernier point à été confirmé par
de nombreux travaux : Benhabib et Spiegel (1996), Fishlow (1996), entre autres.
Toutefois, considérer que la distribution des revenus entre les individus n’agit pas
sur les décisions d’investissement est une hypothèse envisageable mais difficile à
accepter. D’ailleurs, comme nous l’avons souligné dans la section précédente, les
inégalités jouent un rôle important dans l’évolution de la pauvreté.
14. L’estimateur d’Arrelano-Bond par la Méthode des Moments Généralisés.

63
 TABLE 1.4 – Synthèse de quelques résultats empiriques

Articles Inégalité sur croissance ou investissement

Alesina and Rodrik (1994) -
Barro (2000) +-0
Benhabib et Spiegel (1996) 0
Brandolini et Rossi (1995) 0
Deininger and Squire (1998) 0
Forbes (2000) +
Fishlow (1996) 0
Perotti (1996) -
Persson and Tabellini (1994) -
Venieris et Gutpa (1996) -

- : Les inégalités agissent négativement sur la croissance.

+ : Corrélation positive entre les inégalités et la croissance

0 : Relation faible et non significative entre les inégalités et la croissance.

1.3 Problèmes méthodologiques et qualités des don-

nées
Aujourd’hui, il est clairement admis dans la littérature que la relation entre
les inégalités et la croissance est complexe. En effet, son signe varie d’une étude à
l’autre, en raison non seulement des nombreuses spécifications retenues dans la
littérature, mais également parce que les chercheurs ont pendant longtemps né-
gligé les problèmes méthodologiques et les limitations inhérentes aux données.
Dans cette section nous revenons en détail sur ces problèmes rencontrés dans
la littérature empirique ainsi que leurs conséquences éventuelles sur les estima-
tions.

64
1.3.1 La causalité inverse entre inégalités et croissance
La question de l’influence des inégalités de revenu sur le processus de crois-
sance à toujours était considérée comme une préoccupation centrale des déci-
deurs. Cependant, les interactions entre distribution du revenu et croissance sont
complexes et loin d’être comprises d’ailleurs. La croissance affecte la distribution
du revenu qui elle même rétroagit sur la croissance et la pauvreté. En effet, le pro-
cessus de développement d’une économie agit sur la distribution des ressources
entre secteurs ; les rémunérations relatives des facteurs et les dotations des indi-
vidus. Ces changements ont une influence directe sur l’évolution des inégalités,
(et ceci) quel que soient les caractéristiques de la société concernée. La célèbre
courbe de Kuznets s’identifie à cette idée. ”Elle repose sur les différentiels de pro-
ductivité entre secteurs et la modification de leur importance relative au cours du
processus de développement, dans un contexte de marché du travail imparfait”.
Ainsi, ce différentiel de revenu résultant de ce processus crée les inégalités.
Dans les années plus récentes, une nouvelle approche est apparue sur la thé-
matique des inégalités. Celles-ci ne sont plus considérées comme une consé-
quence de la croissance économique mais comme un déterminant majeur de la
trajectoire de l’économie. Selon cette approche, les inégalités affectent le proces-
sus de croissance directement ou indirectement. A ce niveau d’ailleurs plusieurs
thèses peuvent être avancées en guise d’exemple. Parmi lesquelles figure celle de
l’instabilité socio-politique, du caractère indivisible de l’investissement, de l’effet
désincitatif des politiques de redistribution etc. C’est cette causalité inverse qui
est aujourd’hui clairement identifiée dans la littérature théorique qu’on appelle
endogénieité.
Aujourd’hui, si des techniques d’estimations permettent d’isoler le sens de
cette causalité, ce domaine reste peu exploré. En outre, les techniques de correc-
tion sont sensibles aux erreurs de mesure qui sont aussi non négligeables. Cette
question de données est devenue un nouvel axe de recherche particulièrement
intéressant dans le domaine des inégalités.

65
1.3.2 La qualité des données
”if science consists in a search for patterns in data, then the study of economic
inequality suffers from an original sin : the job of measurement was badly done”,
Galbraith (2009).

En matière d’étude sur les inégalités de revenu la disponibilité et la qualité

des données a pendant longtemps causé aux chercheurs de sérieux problèmes.
Deininger and Squire (1996) sont probablement l’un des premiers auteurs à avoir
soulevé cette question. Ils ont construit un nouvel ensemble de données amélio-
rées et enrichies couvrant la période 1950-1997. Cependant, même dans leur base
de données qui parait être parmi les plus complètes à ce jour, ils identifient claire-
ment ce problème. D’ailleurs, la particularité de leur travail est la ventilation des
données en fonction de leur qualité. En effet, sur les 2600 observations recensées
(2634 pour être plus précis) seule 682 ont été acceptées comme de bonne qualité 15
soit environ 6% de l’échantillon. Par ailleurs, même sur ces données acceptées
plusieurs auteurs refusent l’idée qu’il puisse exister une forte hétérogénéité entre
les pays développésAtkinson and Brandolini (1999).
Aujourd’hui, les efforts visant à améliorer (ou élargir) les données de Deinin-
ger and Squire (1996) se poursuivent avec notamment les travaux du WIDER
(World Institude for Development Research). Cependant, il est important d’insis-
ter sur le fait qu’aucune de ces séries de données n’est pleinement satisfaisante.
Les données diffèrent entre les pays en termes de couverture géographique (cou-
verture nationale, urbaine ou rurale), d’unités statistiques (familles, ménages ou
individus) et de définition de revenu (dépenses de consommation, revenu dispo-
nible ou revenu brut). En outre, dans les pays de l’OCDE, les données de Dei-
ninger and Squire (1996) sont peu probables. Par exemple, d’une part l’Espagne
apparaît comme un pays à faible inégalité malgré des années de dictature. D’autre
part, les pays scandinaves malgré leur petite taille, des populations homogènes
et une longue tradition de régime social -démocratique apparaissent avec des ni-
veaux d’inégalités élevés Galbraith (2009).
Une erreur de mesure engendre une sous-estimation, en valeur absolue, de
la vraie valeur du paramètre de la variable sujette à cette erreur de mesure. Cette
15. Selon Deininger and Squire (1996) les données sont de bonne qualité si elles remplissent les
conditions suivantes : couverture nationale, source statistique clairement identifiée, méthode de
calcul connue

66
sous-estimation est d’autant plus importante que la part de la variance de l’erreur
de mesure dans la variance totale de la variable observée est élevée et/ou que le
coefficient estimé est lui même élevé. Et malheureusement ce problème s’empire
dans les modèles de régression multiple. En effet, dans ce cas, cela induit une
sous-estimation (respectivement une surestimation) du coefficient des autres va-
riables, dès lors que leur covariance avec celle mesurée avec l’erreur est négative
(respectivement positive).

1.3.3 L’hétérogénéité des données sur les inégalités de revenu

A l’heure actuelle, on doit admettre que les travaux empiriques sur les in-
égalités atteignent leurs limites. Premièrement, la disponibilité et la qualité des
données continuent de poser de sérieux problème même si de réelles avancées
ont été notées ces dernières années dans ce domaine avec notamment les tra-
vaux de Deininger and Squire (1996) et du WIDER. Deuxièmement, la littéra-
ture récente accepte largement l’idée d’une codétermination entre les inégalités
et la croissance. Cependant, même si l’absence de données statistiques fiables
et la codétermination des inégalités et la croissance (sont deux sources de pro-
blèmes qui) peuvent entamer sérieusement les résultats des estimations, ceux-ci
ne peuvent pas tout expliquer. D’abord, parce que ces problèmes ne conduisent
pas forcément à une divergence aussi prononcée. Ensuite et surtout parce qu’il
existe aujourd’hui des techniques d’estimations assez efficaces pour contenir ces
problèmes même si cette piste reste peu explorée. Actuellement, la véritable ques-
tion qui mérite une attention particulière reste la forte hétérogénéité des données.
La majorité des chercheurs s’accordent à l’idée que les estimations de la relation
inégalités-croissance portent sur des données qui ne sont pas pleinement com-
parable. En outre, il est très probable que les contradictions auxquelles on arrive
incombent en grande partie à cette forte hétérogénéité des données. Cet argu-
ment est d’autant plus justifié que les procédures d’estimations actuelles sont peu
adaptées à ce type de données
Les données sur les inégalités sont critiquées par Atkinson and Brandolini
(1999) en raison notamment de la très forte hétérogénéité des méthodologies de
collectes. En d’autres termes, les données sont très déséquilibrées avec un mi-
nimum de 12,1 (chine 1982) et 79 Zambie (1970). Par ailleurs, le classement de
certaines zones par niveau d’inégalité semble peu plausible. Par exemple, les

67
moyennes d’inégalités pour l’Amérique latine et pour l’Afrique (respectivement
50,15 et 44) semblent trop élevées, alors que le niveau moyen de l’Asie de l’Est
parait trop faible 36. Enfin, ”si l’on considère les différences entre pays, il est sur-
prenant de constater la forte hétérogénéité des pays européens”. Ces graves limi-
tations ont conduit d’ailleurs Galbraith (2009) à construire un nouvel ensemble
de données en se basant sur les différences de salaires dans le secteur industriel.
Ces données de salaires ont été collectées dans pratiquement tous les pays du
monde depuis le début des années 1960. Malheureusement, malgré une amélio-
ration notable de la couverture et de la qualité des données, le jeu de données de
Galbraith (2009) présente des limites, la plus grave est certainement les données
retenues pour mesurer les inégalités. En effet, il est difficile de justifier comment
les différences de salaires dans le secteur industriel puissent être utilisées pour
tester l’impact de la distribution des ressources sur la croissance, puisqu’elles ne
peuvent pas être considérées comme une variable indicatrice fiable pour les in-
égalités du revenu. Elles pourraient en revanche être utiles pour mesurer l’impact
de la croissance sur les inégalités de revenu mesurées par les différences des sa-
laires.
Face à ce problème d’hétérogénéité plusieurs pistes de recherches ont été en-
visagées, la plus sérieuse consiste à s’en tenir qu’aux seules données homogènes.
Cette technique consiste à regrouper les pays (données) qui ont des caractéris-
tiques assez proches en termes d’inégalité : exemple Barro (2000) montre que les
inégalités sont favorables à la croissance dans les pays riches et défavorables dans
les pays pauvres mais globalement non significatives. Ce type de traitement a été
fréquemment repris dans la littérature empirique. Cependant, il n’est pas entière-
ment satisfaisant. En effet, ceci réduit considérablement la taille des échantillons
ce qui n’est pas sans conséquence sur les résultats. Comme nous le savons l’esti-
mateur GMM-Arellano -Bond largement utilisé dans les travaux empiriques an-
térieurs est biaisé vers le bas en petit échantillon. Ce qui fait que la significativité
des paramètres estimés s’avère particulièrement douteuse. En effet, l’étude par
simulation d’Arellano et Bond montre la possibilité d’une sous-estimation de 20
à 30% des écarts-types des coefficients en petit échantillon. Autrement dit quand
vous divisez votre échantillon les T-stat ”explosent” ce qui augmente la proba-
bilité de rejeter l’hypothèse nulle alors qu’elle est vraie c’est-à-dire de conclure à

68
tort à la significativité des paramètres estimés 16 . En outre, il est important de no-
ter que l’estimateur d’Arellano and Bond (1991) a été proposé dans le but d’éviter
les deux causes d’inefficacité de l’estimateur en différence première connu sous
le nom de l’estimateur d’Anderson et Hsiao. En effet, ce dernier est extrêmement
sensible au biais de simultanéité et aux erreurs de mesure. Mais malheureuse-
ment, tout comme l’estimateur d’Anderson et Hsiao, les estimateurs d’Arellano
et Bond souffrent de la perte d’information associée à l’écriture du modèle en
différences premières ; perte d’information qui se traduit souvent par des estima-
teurs peu précis et parfois erratiques Baltagi (2008).
Par ailleurs, cette approche qui consiste à partitionner les échantillons en re-
groupant les données homogènes bien qu’intéressante ne résout en rien le pro-
blème lié aux points aberrants (”outliers”). Ce problème est bien connu en écono-
métrie. Considérons un PED qui ne maîtrise pas les techniques de production et
dont la production est agricole. Sa production peut tripler en une année à la suite
d’une bonne pluviométrie, ou être divisée par deux après une période de séche-
resse. Ces observations isolées ont souvent posé aux économètres de réelles dif-
ficultés. Traditionnellement, les chercheurs éliminent ces points ”extrêmes” pour
estimer ce type de modèle (méthode jugée non rigoureuse) ou construisent un pa-
nel pour limiter cette forte variabilité. En effet, un avantage décisif des données de
panel par rapport aux autres types de données tient au fait qu’elles sont souvent
extrêmement nombreuses. En panel, il est très facile de disposer d’échantillon de
plusieurs milliers d’observation. Le principal avantage que présente la grande
taille de ces échantillons et qu’ils conduisent systématiquement à des estimateurs
dont les propriétés peuvent être assimilées aux propriétés asymptotiques des mé-
thodes utilisées. Ainsi, la mise en oeuvre d’un estimateur convergent conduit à
un estimateur très proche de la vraie valeur des paramètres. En réalité, le nombre
élevé des observations permet de considérer que le biais et la variance des esti-
mations tendent vers zéro. De fait, l’un des intérêts des estimateurs basés sur un
très grand nombre d’observations est leur grande précision.
Toutefois, d’abord dans les données portant sur les inégalités de revenu, la
variabilité est tellement forte que même en panel des pays entiers apparaissent
16. Notons au passage que Windmeijer (2005) a développé une méthode de correction de ces
écarts-types en petit échantillon. Cependant, les contraintes rédactionnelles ne nous permettent
pas d’intégrer cette méthode dans ce travail.

69
comme des outliers 17 . ” C’est le cas du Sénégal, Mali, Uganda, Pologne et Hon-
grie ” Deininger and Squire (1998). En outre, puisqu’un échantillon de données de
panel contient un très grand nombre d’observations, on peut penser a priori que
cet ensemble d’observations est capable de ”neutraliser” l’influence de quelques
points aberrants. En réalité, ce n’est pas vraiment le cas. Huber (1980) a montré
que seulement 3% de valeurs atypiques dans un ensemble d’observations suf-
fisent à perturber significativement la qualité des estimations.
Pour conclure sur ces difficultés associées aux observations aberrantes, il faut
noter que, jusqu’à une passé récente, il était d’usage d’éliminer toutes les observa-
tions relatives à un individu, dès lors que l’une d’elles apparaissait comme aber-
rante. Une telle pratique (qu’on appelle cylindrage) conduisait en effet souvent à
éliminer une très forte proportion des observations et donc, à perdre beaucoup
d’informations ; ceci induisant, au mieux, une moindre précision des estimations
et au pire, un risque de biais. C’est pourquoi d’ailleurs que certains chercheurs ont
préféré corriger ces points aberrants au lieu de les éliminer. Malheureusement,
dans ce cas aussi il est indispensable que l’information disponible soit suffisante
pour que la correction soit acceptable.

1.4 Conclusion
Il est aujourd’hui évident qu’un long travail est encore nécessaire sur cette
question d’évaluation de la croissance pro-pauvre. En effet, malgré la grande di-
versité des mesures, à l’heure actuelle, il en n’existe pas une faisant l’unanimité.
Tout d’abord, ces indices peuvent parfois conduire à des résultats contradictoires.
En outre, bien que plusieurs travaux aient montré le caractère multidimensionnel
de la pauvreté et l’importance de prendre en contact la dimension non monétaire
(éducation, santé, inégalité genre etc), tous ces indices se basent sur la dimension
monétaire de la pauvreté. Ce qui peut paraître très restrictif. Ces travaux (sur
les indices de mesures de croissance pro-pauvre) font l’hypothèse qu’il existe un
lien étroit entre la dimension monétaire et non monétaire de la pauvreté. En ef-
fet, ils soutiennent qu’en générale une croissance du revenu induit souvent une
croissance non-monétaire et inversement. L’idée est qu’un accroissement du re-
venu des pauvres leurs permettent d’accéder à l’éducation et à la santé et inver-
17. The biggest outliers are Mali, Senegal, Uganda, Poland and Hungary.

70
sement une meilleurs éducation (meilleurs état de santé) favorisent les pauvres à
accroître leurs revenus ou leurs consommations. Malheureusement, le lien entre
les dimensions monétaire et non monétaire de la pauvreté n’est pas aussi simple
(voir Drèze and Sen, 1989 ; Klasen, 2000, 2002a). En fait, comme plusieurs travaux
le montrent il arrive souvent qu’un individu dispose des ressources monétaires
nécessaires pour satisfaire ses besoins de bases, sans que certains biens ou infra-
structures ne soient pas disponibles dans la localité où il demeure. Par ailleurs, la
prise en compte de la dimension non-monétaire permet aux décideurs l’instau-
ration de politiques plus adaptées favorisant la réduction des risques de distor-
sion par rapport à une intervention d’ordre général. C’est pourquoi, ces années
récentes ont vu naître une approche alternative. Cette dernière utilise générale-
ment des modèles économétriques afin d’établir une causalité entre croissance
pro-pauvre et indicateurs de bien-être. Cette approche présente l’avantage d’in-
clure la dimension non monétaire de la pauvreté. Malheureusement, elle est aussi
critiquable à plusieurs niveaux. En premier lieu, l’objectif principal était de tenter
d’identifier la valeur de l’élasticité du taux de pauvreté au revenu moyen. En se-
cond lieu, la grande totalité des données sont de piètres qualités et sont sujettes à
d’importantes erreurs de mesure. D’ailleurs, beaucoup de travaux ont montré la
sensibilité des résultats aux formes fonctionnelles choisies.
Par ailleurs, étant donné que l’ampleur du recul de la pauvreté sous l’effet
de la croissance varie considérablement d’un pays à l’autre et d’un épisode de
croissance à l’autre, les meilleurs résultats sont obtenus là où les inégalités sont
faibles et/ou là où les politiques en place améliorent la capacité des pauvres à
bénéficier de la croissance. Considérer la croissance dans une perspective pro-
pauvre impose donc de comprendre les interactions entre distribution de revenu
et croissance. Il apparaît ainsi clair que de plus amples recherches seront néces-
saires pour déterminer la nature de cette relation. Sur ce point la régression Gini
semble être une approche particulièrement intéressante. En effet, comme nous al-
lons le voir dans le prochain chapitre, ce type de régression présente plusieurs
avantages : elle est moins sensible que les méthodes traditionnelles aux erreurs
de mesures et aux points aberrants. Mais aussi, elle est plus robuste car les es-
timateurs obtenus par cette approche sont insensible aux formes fonctionnelles
retenues.

71
Chapitre 2

La méthodologie Gini

Durant ces dernières décennies, une attention particulière a été portée au co-
efficient de Gini, à la courbe de concentration et à la courbe de Lorenz. En effet,
des chercheurs d’horizons différents ont redécouvert l’intérêt d’utiliser ces pa-
ramètres dans de nombreuses disciplines. Par exemple Atkinson (1970) souligne
l’avantage d’utiliser la courbe de Lorenz dans le cas de la finance, (Kakwani, 1977,
1980) montre que la courbe de Lorenz et la courbe de concentration permettent
d’estimer l’élasticité des biens de consommation de manière non paramétrique et
plus récemment, Olkin and Yitzhaki (1992) puis (Yitzhaki and Schechtman, 2004,
et 2013) ont développé et popularisé la régression Gini qui consiste à utiliser la
différence moyenne de Gini (GMD) comme mesure de dispersion au lieu de la
variance.
De toutes les mesures de dispersion la variance est la plus connue. En statis-
tique comme dans beaucoup d’autres disciplines la variance et la covariance sont
les deux principales mesures utilisées pour mener à bien une étude. La technique
des MCO qui consiste à minimiser la variance des erreurs est un cas d’école en
économétrie. Les estimateurs des MCO jouissent de très bonnes propriétés tant à
distance finie qu’asymptotiquement : absence de biais, convergence et efficacité.
Ceci ne signifie pas pour autant que le recours à d’autres estimateurs soit sans
grand intérêt. En réalité, dans la littérature économétrique avancée, elle consti-
tue un point de départ d’analyses plus approfondies. En effet, la bonne propriété
des estimateurs des MCO repose sur des hypothèses assez fortes : l’hypothèse
de linéarité, la stricte exogénéité, homoscédasticité, etc. En outre, son utilisation
devient difficile à justifier lorsqu’il existe des points extrêmes dans l’échantillon

72
ou plus généralement lorsque l’hypothèse de normalité n’est plus satisfaite. Les
estimateurs des MCO sont sensibles aux observations aberrantes pour la simple
raison que cette méthode vise à minimiser la somme des carrés des résidus. Ceci
fait que les grands résidus (positifs ou négatifs) reçoivent un poids plus impor-
tant. 1 Par ailleurs, l’estimateur des MCO est sensible à la transformation mono-
tone des données Yitzhaki (1990). Une approche alternative pour surmonter cette
extrême sensibilité de l’estimateur des MCO aux observations isolées consiste à
utiliser une autre mesure de la dispersion des résidus moins sensible aux va-
leurs aberrantes que la variance comme la différence moyenne de Gini (GMD)
par exemple. Cette dernière a été introduite en 1912 par Corrado Gini, et depuis,
plusieurs paramètres ont été déduits comme la covariance au sens de Gini (co-
Gini), la corrélation au sens de Gini, l’analyse du Gini (ANOGI).
Comme nous le verrons dans ce chapitre, la GMD partage plusieurs propriétés
avec la variance ; toutefois elle fournit plus d’information sur la distribution sous-
jacente des données. En réalité, ces deux mesures sont très similaires, la différence
fondamentale tient sur la norme utilisée. La variance se base sur la distance eu-
clidienne (norme ℓ2 ) tandis que la GMD utilise la ”city block” distance (norme ℓ1 )
(Ka and Mussard, 2015).
Il est intéressant de noter qu’il existe deux types de régression Gini. La pre-
mière consiste à minimiser la GMD des erreurs. Les estimateurs obtenus par cette
approche ont la propriété d’optimalité. La seconde approche consiste à construire
l’estimateur en question de sorte qu’il soit moins sensible aux outliers. Cette se-
conde approche, puisqu’elle ne découle pas d’un programme de minimisation et
par conséquent ne requiert pas de définir une forme fonctionnelle quelconque, est
qualifiée de régression semi-paramétrique. L’estimateur obtenu par cette dernière
approche est similaire à celui obtenu par les MCO ; excepté que chaque variance
est remplacée par la GMD et chaque covariance par la co-Gini appropriée.
D’un point de vue théorique et empirique, un travail important est encore né-
cessaire sur la régression Gini notamment en panel. En effet, introduite par Olkin
and Yitzhaki (1992), la réflexion sur la régression Gini a été étendue aux variables
1. Sur le plan pratique, l’existence d’observations extrêmes peut s’expliquer de deux façons.
Le cas le plus simple à traiter est celui où une erreur s’est glissée au moment de l’encodage des
données. Par exemple, ajouter des zéros ou déplacer la virgule peut, en effet, détériorer sensible-
ment les estimateurs par MCO. Elles peuvent également apparaître lorsque l’échantillon est tiré
d’une petite population au sein de laquelle une ou plusieurs unités sont très différentes du reste
de la population Wooldridge (2015).

73
instrumentales par Yitzhaki and Schechtman (2004) et aux séries temporelles par
Serfling (2010) et par Shelef and Schechtman (2011). Nous proposons de l’étendre
aux données de panel. C’est dans ce cadre que nous avons développé l’estimateur
par effets fixes en utilisant la GMD comme mesure de dispersion Ka and Mussard
(2016). Nous proposons également le test de l’existence de spécificités individuelles et l’es-
timateur du modèle à effets aléatoires. L’intérêt essentiel de développer la régression
Gini en panel réside dans la volonté de pouvoir exploiter de mieux en mieux les
avantages spécifiques de ces données. En particulier, la possibilité de prendre en
compte les outliers. Puisqu’un échantillon de données de panel contient un très
grand nombre d’observations, on peut penser a priori que cet ensemble d’obser-
vations est capable de ”neutraliser” l’influence de quelques points aberrants. En
réalité, ce n’est pas vraiment le cas. Huber (1980) a montré que seulement 3%
de valeurs atypiques dans un ensemble d’observations suffisent à perturber si-
gnificativement la qualité des estimations. Plus généralement, dans le cadre de
l’économétrie sur données de panel, et comme nous le verrons d’ailleurs dans le
chapitre suivant, quelques points atypiques peuvent suffire à modifier considé-
rablement les résultats d’une estimation.
La première section de ce chapitre revient sur les généralités de la méthode
Gini. Nous allons y présenter entre autres la différence moyenne du Gini, le co-
Gini, la corrélation au sens de Gini et les différentes méthodes de décomposition
du Gini. La seconde section s’intéresse aux régressions Gini, à leurs propriétés
et aux hypothèses sur la matrice des moments. Une remarque additionnelle sera
également portée au traitement des ex-æquo. Dans la troisième section nous pré-
senterons le modèle à effets fixes dans le cas du Gini et le test d’existence de l’effet
individuelle et enfin la dernière section constitue nos derniers développements
théoriques.

2.1 Généralités sur la méthodologie de Gini

2.1.1 La différence moyenne de Gini et Co-Gini

Le bilan des travaux littéraires révèle qu’il existe plusieurs définitions de la
différence moyenne du Gini. Il semble qu’il existe plus d’une douzaine de repré-
sentations alternatives du GMD. La (représentation) plus connue est celle qui dé-

74
finit la GMD comme l’écart espéré entre deux réalisations tirées au hasard (avec
remise) d’une population. Soit xi et xj deux réalisations (d’une même variable
aléatoire x) indépendantes et identiquement distribuées. Formellement, pour une
variable aléatoire x à valeurs positives, la GMD se présente de la manière sui-
vante :

GM D(x) = E {|xi − xj |} (2.1)

Une présentation alternative assez intéressante est donnée par les formes sui-
vantes :
Ú
GM D(x) = 2 Fx (t) [1 − Fx (t)] dt, (2.2)

avec Fx la fonction de répartition de la variable aléatoire x, ou encore,

GM D(x) = 4Cov [x, Fx (x)] . (2.3)

L’un des attraits essentiels de cette dernière présentation est qu’elle ouvre la voie
à plusieurs développements. En effet, la présentation du GMD en forme de cova-
riance conduit naturellement à la corrélation au sens de Gini et plus généralement
à la régression Gini – et à beaucoup d’autres développements théoriques comme
la régression Gini avec variables instrumentales, les séries temporelles en Gini,
etc.
En réalité, la GMD partage plusieurs propriétés avec la variance, la différence
fondamentale tient sur la norme utilisée. La variance est définie par :

1
Var(x) = E (xi − xj )2 , (2.4)
2
alors que la GMD est :

GM D(x) = E {|xi − xj |} . (2.5)

Ainsi, comme nous pouvons le remarquer, la principale différence entre ces deux
mesures de dispersion est la norme utilisée. La variance se base sur la distance
euclidienne (ℓ2 ) tandis que la GMD utilise la "city block" distance (ℓ1 ). La première
des propriétés qu’elles partagent est le fait que ces deux mesures peuvent être
écrites en covariance :

75
 Var(x) = Cov(x, x), (2.6)

GM D(x) = 4Cov(x, Fx (x)). (2.7)

Ainsi, on peut exprimer la GMD comme la pente d’une régression par MCO.
En effet, puisque Fx (x) est une fonction cumulative, elle est distribuée selon une
loi uniforme sur [0 ;1], alors Var(Fx (x)) = Cov(Fx (x), Fx (x)) = 1/12. Par consé-
quent :

1 Cov(x, Fx (x))
GM D(x) = 4Cov (x, Fx (x)) = . (2.8)
3 Var(Fx (x))
En outre, comme on peut le voir à partir de (2.4) et (2.5), les deux indices peuvent
être définis sans référence à un paramètre de localisation spécifique, tel que la
moyenne. Cette propriété peut expliquer pourquoi il est possible de contraindre
les régressions MCO et Gini à passer par la médiane (Yitzhaki et al., 2003).
Une autre similarité entre ces deux mesures de dispersion est le fait que la
décomposition de la variance peut être vue comme un cas particulier de la dé-
composition de la GMD. En effet, comme nous allons le voir dans la sous-section
suivante, la décomposition de la GMD est très similaire à celle de la variance, la
différence fondamentale tient au fait qu’elle fait intervenir un terme additionnel.
En réalité, lorsque la distribution des données est normale la GMD et la variance
sont quasiment identiques. Lorsque x suit une loi normale on a :
√
π
Var(x) = GM D(x). (2.9)
2
Cette dernière expression nous permet de comprendre pourquoi les estimateurs
sont identiques dans le cas des MCO et du Gini lorsque la distribution des ré-
gresseurs est normale. Pour une présentation plus générale des similitudes et des
différences entre la GMD et la variance le lecteur intéressé pourra se référer à
(Yitzhaki et al., 2003) et (Yitzhaki and Schechtman, 2013, p. 21-22).
Plus généralement, la GMD peut être vue comme un élément d’un ensemble
ou d’une famille de paramètres que l’on appelle l’indice de Gini généralisé (”the
extended Gini”) :

EG(x; r) = E |xi − xj |r , r > 0. (2.10)

76
Lorsque r = 1, on retrouve la GMD et lorsque r = 2 nous retrouvons deux fois la
variance ; ce qui nous permet de comprendre que la variance est un cas particulier
de l’indice de Gini généralisé. Notons que ce dernier peut aussi s’écrire sous la
forme suivante :

EG(x; ν) = −(ν + 1)Cov[x, (1 − Fx (x))ν ], ν > 0. (2.11)

Traditionnellement, le Gini généralisé est utilisé en finance (Shalit and Yitzhaki,

1984) ou pour modéliser la distribution des revenus 2 (Stark et al., 1988; Moyes,
2007; Tibiletti and Subramanian, 2015). Dans chaque cas, respectivement, ν repré-
sente le degré d’aversion au risque de l’investisseur (ou d’aversion aux inégali-
tés du décideur public). Lorsque ν → 0, l’investisseur est riscophile (le décideur
aime les inégalités), ν = 1 traduit un décideur qui à un comportant d’aversion
au risque (le décideur respecte le principe de transferts de Pigou-Dalton), et en-
fin ν → ∞ décrit un investisseur complètement averse au risque (un décideur
Rawlsian qui ne redistribuerait des revenus qu’à l’individu le plus pauvre de la
société).
L’avantage principal d’utiliser l’indice de Gini généralisé dans une régression
réside dans la possibilité de tester l’ajustement aux données en changeant le para-
mètre ν. Il est à noter qu’il existe plusieurs autres définitions alternatives du GMD
– et du Gini généralisé– que le lecteur intéressé pourra retrouver dans Yitzhaki
(1998) et (Yitzhaki and Schechtman, 2013, chap2 et chap6). L’intérêt essentiel que
présente la multiplicité de ces définitions est de montrer l’avantage d’utiliser la
GMD. Chaque définition ouvre la voie à de nombreux développements ainsi qu’à
de nombreuses interprétations. Par exemple, la définition basée sur la covariance
permet de définir la covariance au sens de Gini (que nous nommerons co-Gini
ou Cog). Cette dernière introduite par Schezhtman and Yitzhaki (1987) n’est pas
symétrique. En effet,
Cog(x, y) = Cov [x, Fy (y)] (2.12)

et
Cog(y, x) = Cov [y, Fx (x)] (2.13)

où Cog(x, y) et Cog(y, x) ne sont pas forcément égales. En réalité, elles per-

mettent d’avoir une idée sur la dépendance entre les variables aléatoires x et y.
2. Notons que le Gini généralisé est très proche de l’indice d’Atkinson Stark et al. (1988).

77
Elles s’expriment aussi de la manière suivante :
Ú Ú
Cog(x, y) = 2 x(2Fy (y) − 1)dF(x, y), (2.14)
Ú Ú
Cog(y, x) = 2 y(2Fx (x) − 1)dF(x, y). (2.15)

Traditionnellement, deux approches ont été développées dans la littérature

pour étudier la relation entre deux variables aléatoires x et y. La première ap-
proche se base sur la covariance entre ces deux variables (Cov(x, y)). Cette ap-
proche a conduit naturellement à la variance et au coefficient de corrélation de
Pearson. La seconde considère la covariance entre les fonctions cumulatives de
x et de y : Cov(Fx (x), Fy (y)). Cette approche a conduit au coefficient de corré-
lation de Spearman. Plus récemment, des statisticiens ont proposé une troisième
approche. Cette dernière se présente comme une combinaison des deux précé-
dentes. En effet, elle se base sur la covariance entre la variable et la fonction cu-
mulative de l’autre variable, c’est-à-dire la co-Gini 2.12 et 2.13
Avant de présenter la régression Gini, les recherches sur la décomposition
en sous-groupes de l’indice de Gini doivent être présentées car elles permettent
de découvrir des estimateurs robustes basés sur l’ANOGI, cf. Ka and Mussard
(2015). De même, les propriétés de la corrélation au sens de Gini basée sur la
co-Gini doivent être analysées.

2.1.2 Corrélation au sens de Gini : la G-corrélation

Il existe plusieurs mesures d’association dans la littérature. Les plus connues
sont le coefficient de corrélation de Pearson, le coefficient de corrélation de Spear-
man et le tau de Kendall. Dans cette sous-section nous présenterons la corrélation
au sens de Gini.
Le coefficient de corrélation de Pearson est :

Cov(x, y) E [x − E(x)] E [y − E(y)]

ρx,y = = . (2.16)
Var(x)Var(y) Var(x)Var(y)

Lorsqu’il est égal à 1(−1), on peut conclure qu’il existe une relation affine
croissante (décroissante) entre les variables. Une corrélation égale à 0 signifie que
les variables ne sont pas corrélées (la réciproque est fausse). En effet, le coeffi-
cient de Pearson indique une dépendance linéaire. Par conséquent, il est inap-

78
proprié pour étudier des relations qui ne seraient pas linéaire et non linéarisable
(exponentielle, puissance, etc.). En outre, il est extrêmement sensible aux points
aberrants.
D’une manière générale, un coefficient de corrélation proche de (±1) est asso-
cié à une forte association entre les variables. Au contraire, un coefficient de corré-
lation proche de 0 indique une absence d’association. Malheureusement, ces deux
assertions posent problèmes. Tout d’abord, un coefficient de corrélation proche de
0 ne correspond pas toujours à une absence d’association, cf. Denuit and Dhaene
(2003). Par exemple, il peut arriver que deux variables aléatoires aient un coeffi-
cient de corrélation proche de (0) alors qu’elles sont liées par une transformation
monotone. Ensuite, les distributions multivariées peuvent avoir naturellement
des coefficients de corrélation compris dans l’intervalle [−1/3; 1/3].
Le coefficient de corrélation de Spearman qui est une mesure non paramé-
trique permet de rendre compte de l’intensité de la relation entre des variables
non linéaires (ou linéaires) et monotone. Il est fondé sur le rang des variables
et est préférable au coefficient de Pearson lorsque la distribution comporte des
valeurs extrêmes. En réalité, il est un cas particulier du coefficient de Pearson,
en effet, c’est le coefficient de Pearson lui-même appliqué au rang des variables.
Notons Ri (x) le rang de la ième observation de la variable aléatoire x. Ainsi, le
coefficient de corrélation de Spearman (Rs) entre les variables x et y est :

qn 1 21 2
n+1 n+1 qn
i=1 Ri (x) − 2
Ri (y) − 2 6 i=1 (Ri (x) − Ri (y))2
Rsx,y = n(n2 −1)
= 1− . (2.17)
n2 − n
12

Le coefficient de corrélation de Spearman est compris entre −1 et 1, il s’inter-

prète comme le coefficient de Pearson, excepté qu’il tient compte des relations
non linéaires entre les variables aléatoires x et y.
La corrélation au Sens de Gini a été introduite et popularisée par Schezhtman
and Yitzhaki (1987). Elle peut être définie comme le rapport entre la co-Gini et la
GMD appropriée. Comme nous l’avons vu précédent, il existe deux co-Gini entre
deux variables aléatoires x et y. Par conséquent, il existe deux Gini-corrélations
(G-corrélation) lorsque les variables x et y sont permutées. Les G-corrélations
sont définies comme suit :

79
 Cov(x, Fy (y)) Cov(y, Fx (x))
Gx,y = ; Gy,x = . (2.18)
Cov(x, Fx (x)) Cov(y, Fy (y))
Lorsque que Gx,y ou Gy,x est égale à 1 ou (−1), on peut dire que y est une
fonction monotone croissante (décroissante) de x. Des coefficients égaux à zéro
indiquent une indépendance statistique entre x et y. Gx,y est invariant à toute
transformation strictement monotone de y. Pour terminer :

1. −1 ≤ Gx,y ≤ 1.
2. Lorsque x est une fonction monotone croissante (décroissante) de y alors
Gx,y et Gy,x sont égaux à 1(−1).
3. Si y et x sont indépendantes alors Gx,y = Gy,x = 0.
4. Gx,y = −Gx,−y = −G−x,y = G−x,−y .
5. Gx,y est invariant à toute transformation monotone stricte de y.
6. Gx,y = Gy,x si et seulement si Gx,y est symétrique en (x, y) lorsque ax + B
et cy + D sont permutées.
7. Lorsque (x, y) suit une loi normale bivariée alors Gx,y = Gy,x = ρx,y .

2.1.3 Décomposition de la différence moyenne du Gini

Aujourd’hui, la littérature sur la décomposition de la différence moyenne de
Gini et plus généralement de l’indice de Gini est extrêmement élaborée. Comme
nous le savons plusieurs méthodes statistiques telles que les MCO sont basées sur
la décomposition de la variance. Cette dernière fréquemment utilisée présente
une limite majeure. Elle n’est applicable que lorsque les populations échantillon-
nées sont distribuées selon la loi de Laplace-Gauss. Or, en réalité cette condition
n’est qu’approximativement remplie, bien que certains travaux tentent de mon-
trer que l’analyse de la variance est peu sensible à la non normalité. Il est souvent
préférable d’utiliser une autre décomposition non soumise à l’hypothèse de nor-
malité, comme l’ANOGI. Il existe deux méthodes de décomposition de la GMD :
la décomposition d’une combinaison linéaire de variables aléatoires et la décom-
position en sous-groupes (ANOGI). 3
3. Notons qu’une combinaison de ces deux méthodes de décomposition est possible, cf. Mus-
sard and Richard (2012).

80
Décomposition d’une combinaison linéaire de variable

Soit une variable aléatoire y à valeurs réelles décomposable linéairement

comme suit :
K
Ø
y= βk xk , (2.19)
k=1

avec βk un paramètre réel donné et xk des variables aléatoires à valeurs réelles.

L’écart-type de xk est noté σk , ainsi la variance de y est donnée par l’expression
suivante :
K
Ø Ø
Var(y) = βk2 xk Var(xk ) + βk βj σk σj ρjk , (2.20)
k=1 kÓ=j

où ρjk représente le coefficient de corrélation linéaire (de Pearson) entre les va-
riables xj et xk . En utilisant les propriétés de la covariance nous pouvons égale-
ment décomposer la GMD. Il faudra toutefois noter que contrairement à la va-
riance il existe deux types de décomposition qu’on appelle habituellement la dé-
composition marginale (”one step decomposition”) et la décomposition complète
(”two-step décomposition”).

1. Décomposition marginale du GMD :

A
K
B K
1 Ø Ø
GM D βk xk = βk Cog(xk , y) (2.21)
4 k=1 k=1
K
Ø Cov(xk , Fy (y))
= βk Cov(xk , Fxk (xk )) (2.22)
k=1 Cov(xk , Fxk (xk ))
ØK
= βk Gxk ,y Cog(xk , xk ) (2.23)
k=1
ØK
1
= βk Gxk ,y GM D(xk ). (2.24)
4 k=1

Ce type de décomposition du Gini est généralement utilisé dans le domaine

de la finance et des inégalités et particulièrement dans le cas de la taxation.
Par exemple, ce type de décomposition peut nous permettre d’appréhen-
der l’impact de la variation du revenu suite à une taxation de l’une de ses
composantes (salaires, primes, etc.).

81
 2. Décomposition complète du GMD :
AK B K
Ø Ø Ø
2
GM D βk xk = βk2 GM D2 (xk ) + βk βj GM D(xk )GM D(xj )Gxk ,xj .
k=1 k=1 kÓ=j
(2.25)
Cette décomposition plus complexe que la première est basée sur une imi-
tation de la décomposition de la variance, cf. Wodon et al. (2003).

Décomposition en sous-groupes

Soient yi , µ et pk représentant respectivement le revenu de l’individu i, la

moyenne des revenus de la population et la part de population du sous-groupe k
dans la population totale. Soit Sk = pk × µk /µ la part que représente le revenu du
groupe k dans le revenu total avec µk le revenu moyen du groupe k. La popula-
tion est décomposée en k groupes exclusifs et exhaustifs tels que k = 1, . . . , K.
La décomposition du Gini de la population totale noté Gu peut être présentée
de la manière suivante :
K
Ø
Gu = Sk G k Ok + G b , (2.26)
k=1

où,
2Cov(ȳ, Fy )
Gb = (2.27)
µ
représente le Gini intergroupe (l’inégalité entre les groupes k), Gk représente le
Gini intragroupe (l’inégalité dans le groupe k) et,

Cov(y, Fy (y))
Ok = (2.28)
Cov(y, Fyk (yk ))

représente le chevauchement entre les densités de probabilités des différents

groupes k. Comparée à l’analyse de la variance qui décompose la variance to-
tale en variance intragroupe et variance intergroupe, l’ANOGI fait intervenir un
terme additionnel qui représente en réalité le dégrée de stratification entre les
distributions des différents groupes. Le terme d’interaction (stratification) est nul
lorsque les distributions ne se chevauchent pas, par exemple, lorsque la popu-
lation est divisée en quantiles. L’indice de chevauchement total est composé de
l’indice de chevauchement du groupe k avec toutes les autres groupes, k inclus

82
également :
n
Ø Ø Ø
Ok = pj Okj = pk Okk + pj Okj = pk + pj Okj (2.29)
j=1 jÓ=i jÓ=i

avec,
Cov(y, F(y))
Okj = (2.30)
Cov(y, Fyk (y))
Le terme Okj représente le chevauchement du groupe k avec le groupe j, et
Okk = 1 puisqu’il représente l’indice de chevauchement du groupe k avec lui-
même. Pour une description plus complète de l’indice de chevauchement et ses
propriétés voir Dagum (1997) et Frick et al. (2006). Nous pouvons toutefois no-
ter que Okj ≥ 0, l’indice est égal à zéro lorsqu’il y a une stratification parfaite
entre le groupe k et le groupe j, autrement dit, l’indice est nul lorsque les deux
distributions ne se chevauchent pas.
Plus généralement, plus la variabilité intragroupe est faible plus la stratifi-
cation est élevée (moins le terme d’interaction est important). Une dernière re-
marque peut être faite sur l’indice de Gini intergroupe (Gb ). Ce dernier, introduit
par Yitzhaki and Lerman (1991), est défini comme le double de la covariance entre
le revenu moyen de chaque groupe et son rang moyen dans la population globale
rapportée au revenu moyen. Par conséquent, l’indice de Gini intergroupe Gb dif-
fère de celui qui est traditionnellement retenu dans la littérature, cf. (Pyatt, 1976,
entre autres), Mookherjee and Shorrocks (1982), Silber (1989). La différence ré-
side dans le rang des revenus choisi. En effet, l’indice de Gini intergroupe Gbp
est traditionnellement défini comme étant deux fois la covariance entre le revenu
moyen de chaque groupe et le rang des moyennes de chaque groupe rapporté
au revenu moyen, tel que Gbp ≥ Gp . Lorsque les sous-groupes ne se chevauchent
pas, alors Gbp = Gp . Par ailleurs, Gb peut être négatif dans certaines situations,
par exemple, lorsqu’un groupe est composé d’individus avec de faibles revenus
et qu’un autre groupe possède des revenus extrêmement élevés. C’est pour cette
raison, qu’il n’est pas véritablement un indice de Gini. La décomposition peut
être réécrite de la manière suivante :
K
Ø K
Ø
Gu = Sk G k + Sk Gk (Ok − 1) + Gbp + (Gb − Gbp ). (2.31)
k=1 k=1

Pour conclure, l’indice de Gini est à la fois sensible à la distribution des reve-

83
nus et à la distribution des rangs, c’est-à-dire à la stratification. C’est principale-
ment pour cette raison qu’on dit que la décomposition de l’indice de Gini est plus
complète que celle de la variance. Par conséquent, l’ANOGI semble plus appro-
priée que l’ANOVA lorsque la stratification a des implications sur l’interprétation
des résultats. L’ANOGI peut donc être pertinente pour l’analyse des régressions.

2.2 La régression Gini

La méthode des moindres carrés ordinaires (MCO) qui consiste à minimiser la
variance des erreurs est une technique fondamentale. Les estimateurs des MCO
jouissent de bonnes propriétés tant à distance finie qu’asymptotiquement. Néan-
moins, le recours à d’autres estimateurs n’est pas sans intérêt, dans la mesure
où les estimateurs des MCO reposent sur des hypothèses assez fortes : linéarité,
la stricte exogénéité des régresseurs, homoscédasticité, etc. Les estimateurs des
MCO sont par ailleurs extrêmement sensibles aux points aberrants et aux erreurs
de mesures. Aussi, une transformation monotone des données peut changer le
signe des estimateurs des MCO. Une approche alternative qui surmonte ces diffi-
cultés est la régression Gini, introduite par Olkin and Yitzhaki (1992). Elle consiste
à utiliser la GMD comme mesure de dispersion.
Comme nous le verrons dans cette section, la régression Gini peut être vue
comme une méthode par variable instrumentale où le rang des variables re-
présente les instruments. L’idée d’utiliser le rang comme instrument n’est pas
nouveau, en réalité, elle a été proposée par Durbin (1954). Malheureusement, ce
dernier n’avait pas remarqué que l’utilisation du rang comme instrument était
équivalent à utiliser la GMD comme mesure de dispersion des erreurs. Il existe
deux types de régressions Gini. La première est basée sur la minimisation de la
GMD des erreurs. Dans ce cadre, lorsque les erreurs sont indépendantes et nor-
malement distribuées alors l’estimateur converge vers la vraie valeur du para-
mètre. Cette première approche correspond donc à une méthode paramétrique
car l’estimateur découle de la minimisation de la dispersion choisie. Comme la
régression par quantile, l’estimateur obtenu par cette approche n’a pas d’expres-
sion explicite, il ne peut être obtenu que de manière numérique. La seconde ap-
proche consiste à construire l’estimateur en question de sorte qu’il soit moins
sensible aux outliers. Cette seconde approche, puisqu’elle ne découle pas d’un

84
programme de minimisation, ne requiert pas de définir une forme fonctionnelle
quelconque et est qualifiée de régression semi-paramétrique. Une combinaison
de ces deux approches permet de tester l’hypothèse de linéarité du modèle.

2.2.1 Sensibilité de l’estimateur des MCO aux transformations

monotones et aux points aberrants
La régression par les MCO couramment utilisée dans les travaux empiriques a
ses limites. Comme le montre Yitzhaki (1990), une transformation monotone des
données peut affecter le signe de l’estimateur. Cependant, la limite la plus grave
est certainement le fait que l’estimateur des MCO est extrêmement sensible aux
points aberrants.
Rappelons que l’objectif d’une régression est de trouver la pente de la droite
de régression. Plusieurs procédés sont possibles pour déterminer cette pente. Mi-
nimiser la variance des erreurs en est une. Cette technique, dans le cas d’une
régression simple d’une variable y sur une variable de même taille x, conduit à
l’estimateur suivant :
Cov(x, y)
β̂ = . (2.32)
Cov(x, x)
S’il existe, alors Cov(x, x) > 0, et le signe de β̂ dépend de Cov(x, y). Par ailleurs,
étant donné que la covariance est une moyenne pondérée d’éléments positifs et
négatifs, une transformation monotone T (·) peut croître ou décroître certaines
valeurs, ce qui peut affecter le signe de Cov(T (y), x) et donc du nouvel estimateur
β̂ qui en découle. L’exemple suivant tiré de Yitzhaki (1990) illustre bien ce fait.

Exemple 2.2.1 Soit x = (−4, −3, −2, −1, 0, 10),

y = (2.48, 0.73, −0.43, −1.44, −1.32, 0) et T (y) = ln(y + 1.45) ≡ z, une
transformation monotone de y. Régressons y sur x puis z sur x. Ceci conduit à :
y = −0.076x + 0.008 avec R2 = 0.07 ;
z = 0.003x − 0.68 avec R2 = 0.00.

Cet exemple suffit à montrer que les MCO sont sensibles aux transformations
monotones des données. Ceci cache un problème plus général qui est que les es-
timateurs des MCO sont fortement sensibles aux formes fonctionnelles choisies.
Formellement, une mauvaise spécification de la forme fonctionnelle d’un mo-
dèle peut avoir de lourdes conséquences comme : l’autocorrélation des erreurs,

85
des estimateurs imprécis, des variances biaisées et donc des tests d’hypothèses
probablement erronés. Cependant, dans certains cas, utiliser les logarithmes des
variables ou ajouter des termes quadratiques est suffisant pour détecter un bon
nombre de relations non linéaires. Toutefois, il peut être difficile dans certaines si-
tuations d’identifier la raison pour laquelle une forme fonctionnelle est mal spéci-
fiée. C’est pour cette raison qu’il paraît préférable d’utiliser une technique moins
sensible à la spécification du modèle.
Parallèlement, la pente de la droite des MCO, β̂ peut être vue comme une
moyenne pondérée de tangentes. Pour cela, il faut l’exprimer sous une nouvelle
forme :

q
Cov(x, y) n
(yi − ȳ)(xi − x̄)
β̂ = = i=1qn
Cov(x, x) i=1 (xi − x̄)
2
n
Ø (xi − x̄)2 (yi − ȳ)
= q . . (2.33)
i=1 (xi − x̄)2 (xi − x̄)
ü ûú ý ü ûú ý
wi bi0

Ainsi, nous pouvons remarquer que lorsqu’une observation s’écarte de la

moyenne d’une valeur égale à c, alors son poids sera sur-pondéré de c2 /n. Ceci
accroît l’influence des poids extrêmes. Nous pouvons aller plus loin dans la dé-
composition de la covariance. En réalité, cette pente peut être vue comme une
autre moyenne pondérée. En effet, comme le montrent Olkin and Yitzhaki (1992) :

n n n
1Ø 1Ø 1 Ø Ø
Cov(x, y) = xi yi − x̄ȳ = xi yi − 2 xi yi (2.34)
n i=1 n i=1 n i=1
1Ø 1 Ø 2 Ø
= xi yi − 2 xi yi − 2 xi yj
n n n i>j
(n − 1) Ø 2 Ø 1 èØ é 2 Ø
= 2
x y
i i − 2
x y
i j = 2
x y
i i (n − 1) − 2 xi yj
n n i>j n n i>j
1Ø 1Ø 1Ø
= [xi yi + xj yj ] − [xi yj + xj yi ] = [xi yi + xj yj − xi yj − xj yi ]
n n n
1Ø
= (xi − xj )(yi − yj ).
n

Par analogie avec la précédente démonstration on a :

86
 n
1Ø
Cov(x, x) = (xi − xj )(xi − xj ). (2.35)
n i=1
D’où :
qn
(xi − xj )(yi − yj )
β̂ = qi=1
n
i=1 (xi − xj )(xi − xj )
n
Ø (xi − xj )2 (yi − yj )
= qn .
2 (x − x )
. (2.36)
i=1 i=1 (xi − xj ) i j
ü ûú ý ü ûú ý
wij bij

L’estimateur β̂ apparaît ainsi comme une moyenne pondérée de toutes les tan-
gentes possibles entre les paires de points (xi , yj ). Une méthode de régression
non paramétrique peut donc consister à trouver une pente β̂ sans recourir aux
méthodes d’optimisation.
Par ailleurs, d’après cette nouvelle formule de β̂, on remarque bien que plus
les données sont hétérogènes, c’est à dire plus les écarts xi − xj sont élevés plus
les poids wij seront volatiles, du fait que les xi − xj sont élevés au carré. Ceci
accroît l’influence exercée par les points aberrants, conduisant à des variances
trop élevées et donc à des estimateurs instables.
Il existe deux approches pour surmonter cette extrême sensibilité de l’estima-
teur des MCO aux observations isolées. La première consiste à utiliser une autre
mesure de la dispersion des résidus moins sensibles aux valeurs aberrantes que
la variance. Dans ce cadre lorsque les erreurs sont indépendantes et normalement
distribuées alors l’estimateur converge vers la vraie valeur du paramètre. Cette
première approche correspond donc à une méthode paramétrique car l’estima-
teur découle de la minimisation de ce nouvel indicateur de dispersion choisi. La
seconde approche consiste à construire l’estimateur en question de sorte qu’il soit
moins sensible aux outliers. Cette seconde approche puisqu’elle ne découle pas
d’un programme de minimisation – et par conséquent ne requiert pas de définir
une forme fonctionnelle – est qualifiée de régression semi-paramétrique.

2.2.2 L’approche paramétrique

L’approche paramétrique de la régression Gini consiste à minimiser le Gini
des erreurs. Soit le modèle linéaire simple suivant :

87
 y = α + βx + ε. (2.37)

Supposons que l’estimateur passe par le point moyen et que E(ε) = 0. Ainsi, en
notant e le vecteur des résidus, et R(x) = nF(x) le vecteur rang de x, l’estimateur
β̂ P qui minimise la GMD des résidus est l’estimateur de la régression paramé-
trique suivant :

 
Øn Ø
n  ; <
P 1
β̂ = arg min  |ei − ej | = arg min Cov(e, R(e)) . (2.38)
i=1 j=1 n

Notons que cet estimateur ne peut être obtenu que numériquement et corres-
pond en réalité à la R-régression de Jureckova (1971), Jaeckel (1972), McKean and
Hettmansperger (1976). En effet, minimiser la GM D des erreurs est équivalent
qn
à minimiser 4 i=1 ei Ri (e), ce qui montre que la R-régression est une régression
Gini.
Néanmoins, puisque la GMD des erreurs n’est pas une fonction continue l’es-
timateur β̂ P qui le minimise n’est pas forcément unique. Pour simplifier suppo-
sons que cette dérivée existe et est unique :

∂GM D(e, R(e)) ∂ {Cov(y, R(e)) − βP Cov(x, R(e))}

P
= = −Cov(x, R(e)).
∂β ∂β P
(2.39)
Au minimum la dérivée est nulle, donc Cov(x, R(e)) = 0, ce qui correspond à la
condition d’orthogonalité de la régression Gini. Pour conclure sur cette approche,
notons que :

Cov(ŷ, R(e)) = Cov(α̂ + β̂x, R(e)) = β̂Cov(x, R(e)) = 0, (2.40)

Cov(y, R(e)) = Cov(α + βx + e, R(e)) = Cov(e, R(e)). (2.41)

Au même titre que la régression par quantile, l’estimateur obtenu par cette
4. En effet,
n n n n
1Ø 1 Ø Ø 1Ø
Cov(e, R(e)) = ei Ri (e) − 2 ei Ri (e) = ei Ri (e)
n i=1 n i=1 i=1 n i=1

88
approche n’a pas d’expression explicite et il ne peut être obtenu que de manière
numérique. Cet estimateur est toutefois convergent et a l’avantage d’être optimal
puisqu’il découle d’un programme de minimisation.

2.2.3 L’approche semi-paramétrique

Comme nous l’avons souligné précédemment, la pente de la droite des MCO
peut être vue comme une moyenne pondérée des pentes issues de toutes les
paires de points (xi , yi ). En effet,

Cov(x, y) 1/2E [(xi − xj ) (xi − yj )]

β= = î ï
Cov(x, x) 1/2E (xi − xj )2
IA B J
1 yi − yj 2
= î ïE (xi − xj )
E (xi − xj )2 xi − xj
I J
(xi − xj )2 yi − yj
=E . (2.42)
E {(xi − xj )2 } xi − xj

D’où, sur un échantillon, l’estimateur s’écrit :

Ø (xi − xj )2 (yi − yj )
β̂ = q 2
. . (2.43)
i<j i<j (xi − xj ) (xi − xj )
ü ûú ý ü ûú ý
wij bij

D’après cette formule, plus les données sont hétérogènes, c’est-à-dire plus les
écarts xi − xj sont élevés, plus les wij sont volatiles, puisque les xi − xj sont
élevés au carré. Ceci accroît l’influence des points aberrants, conduisant à des
variances trop élevées et donc à des estimateurs peu fiables ou instables. Pour
surmonter cette limite, Olkin and Yitzhaki (1992) proposent de substituer les wij
par les poids vij moins volatiles :

(xi − xj )
vij = q . (2.44)
i<j (xi − xj )

Ainsi, l’estimateur semi-paramétrique de la régression Gini (simple) est donné

par l’expression suivante :

Ø Ø (xi − xj ) (yi − yj )
β̂ sp = vij bij = q . . (2.45)
i<j i<j i<j (xi − xj ) (xi − xj )
ü ûú ý ü ûú ý
vij bij

89
En réalité, la substitution de wij par vij revient à remplacer dans la formule des
MCO chaque covariance par la co-Gini appropriée. En effet, soit le modèle de
régression suivant :

y = α + βx + ε. (2.46)

En utilisant les propriétés de la covariance :

Cov(y, x) = Cov(α + βx + ε, x) = βCov(x, x) + Cov(ε, x). (2.47)

En supposant Cov(ε, x) = 0 (condition d’exogénéité des régresseurs ou condition

d’orthogonalité des MCO), on obtient l’estimateur des MCO :

Cov(y, x)
β̂ M CO = . (2.48)
Cov(x, x)

La régression Gini consiste à adopter la même démarche, en remplaçant chaque

covariance par la co-Gini appropriée et en imposant la condition d’orthogonalité
au sens de Gini, Cov(ε, R(x)) = 0 :

Cov(y, R(x))
β̂ sp = . (2.49)
Cov(x, R(x))
Dans le cas d’une régression multiple, l’estimateur du Gini est donné par l’ex-
pression suivante :
sp
β̂ = (R(X)X)−1 (R(X)y), (2.50)

où X est la matrice des régresseurs de taille n × (K + 1), en tenant compte de la

constante, et où R(X) représente la matrice rang de X (matrice qui fait apparaître
les rangs des régresseurs en colonne) telle que R(X) = nF(X). La Régression
Gini peut être interprétée comme une régression par variables instrumentales où
R(X) correspond à la matrice des instruments Z. En effet,

sp
β̂ = (ZX)−1 (Zy). (2.51)

Ceci permet de montrer que la régression Gini est plus robuste que les MCO
lorsque les instruments R(X) sont appropriés. Rappelons que l’idée d’utiliser le
rang comme instrument n’est pas nouvelle. Elle a été proposée par Durbin (1954).
Ce dernier n’avait pas remarqué que ceci correspondait à la régression Gini.

90
 L’approche est très proche de celle des MCO. En réalité, elle se fonde sur une
imitation des MCO. C’est pour cette raison d’ailleurs que certains concepts uti-
lisés dans le cadre des MCO peuvent être transposés au cadre de la régression
Gini. Parmi ces concepts, nous pouvons citer le coefficient de détermination R2 .
L’équivalent de ce dernier dans la régression Gini est noté GR2 :
A B
Cov(e, R(e))
GR2 = 1 − . (2.52)
Cov(y, R(y))
Toutefois, puisque le décomposition du Gini est plus complexe que la décomposi-
tion de la variance, les propriétés du GR2 diffèrent de ceux du R2 . Le GR2 obtenu
dans l’approche par minimisation est toujours plus élevé que celui obtenu par
l’approche semi-paramétrique. Plus généralement, les estimateurs obtenus dans
ces deux approches diffèrent, mais ils sont équivalents lorsque le modèle est li-
néaire. Dans ce cas les GR2 sont aussi identiques. Par conséquent, nous pouvons
tester l’hypothèse de linéarité en comparant les estimateurs, ou les GR2 , des deux
types de régression Gini. Lorsque les deux estimateurs convergent vers la même
limite alors nous pouvons accepter l’hypothèse de linéarité du modèle. Olkin and
Yitzhaki (1992) ont proposé une formalisation de ce test de linéarité. Reconsidé-
rons le modèle de régression simple suivant :

y = α + βx + ε. (2.53)

Soient β p et β sp les estimateurs de β obtenu respectivement par l’approche par

minimisation et par l’approche semi-paramétrique. Soit εsp = y − α − β sp x. L’ap-
proche semi-paramétrique implique que Cov(εsp , R(x)) = 0, β p = β sp = β si et
seulement si εsp vérifie également la condition d’orthogonalité de l’approche par
minimisation Cov(R(x), εsp ) = 0, si le modèle est linéaire.
L’idée de ce test est relativement simple : on estime le modèle par l’approche
semi-paramétrique et on vérifie si les résidus vérifient la condition d’orthogona-
lité de l’approche par minimisation. Plus formellement, Olkin and Yitzhaki (1992)
proposent la procédure suivante pour tester la linéarité du modèle de régression.
(i) Utiliser l’approche semi-paramétrique de la régression Gini pour estimer
les paramètres afin de récupérer les résidus et d’avoir la condition d’orthogona-
lité.
(ii) Utiliser ces résidus pour tester l’hypothèse :

91
 .
.
. H0 : Cov(x, Fε (εsp )) = 0
.
. (2.54)
. H1 : Cov(x, Fε (εsp )) Ó= 0.
Lorsque H0 est acceptée, l’hypothèse de linéarité du modèle est acceptée. Comme
nous allons le voir dans la section suivante, Cov(x, Fε (εsp )) est une U-statistique.
Elle peut être estimée de manière convergente par l’estimateur Un :

Øn
1
Un = xi Ri (e). (2.55)
n(n − 1) i=1
Pour conclure sur cette procédure de test nous pouvons souligner qu’il est
possible d’inverser cette démarche en commençant par estimer le modèle par
l’approche paramétrique puis vérifier la condition orthogonalité de l’approche
semi-paramétrique. Toutefois, nous suggérons la procédure ci-dessus pour les
raisons suivantes.

1. Tout d’abord, l’approche semi-paramétrique ne requiert pas d’hypothèse de

linéarité.
2. Contrairement à l’approche par minimisation, avec cette approche il n’y a
pas de problème d’unicité des paramètres estimés.
3. Les estimateurs de cette approche sont faciles à mettre en œuvre, alors que
les estimateurs de l’approche par minimisation découlent de lourds pro-
grammes de minimisation.
4. Enfin les estimateurs de cette approche peuvent être obtenus de manière
numérique et peuvent être vus comme des estimateurs par variables instru-
mentales.

2.2.4 Similarités et différences entre la régression Gini et les

MCO
Dans cette sous-section nous revenons sur les similarités et les différences
entre les régressions Gini et MCO.
La première ressemblance est que toutes les deux sont basées sur une approxi-
mation linéaire de la courbe de régression. Elles peuvent être vues comme des
moyennes pondérées de tangentes. La différence fondamentale tient au poids.
Tandis que le Gini utilise la distance entre les points adjacents, les MCO utilise

92
cette distance au carré. Autrement dit, dans le cas de la méthode Gini les poids
sont issus de la norme ℓ1 alors que dans le cas des MCO ils sont issus de la norme
ℓ2 . Par conséquent, la régression Gini donne de meilleurs résultats en présence de
points aberrants.
Parallèlement, la décomposition en sous-groupes du Gini est plus informative
que celle de la variance. En effet, le Gini est à la fois sensible à la distribution et
à la stratification. En utilisant les propriétés de la covariance, nous allons tenter
de décomposer les coefficients de régression du Gini et des MCO en estimateurs
intragroupes et intergroupes. Soient :
– (y, x) un couple de variables aléatoires représentatif de la distribution totale
d’une population et (ym , xm ) avec m = 1, . . . , M , M couples de variables
représentant les M sous-groupes disjoints de la population totale.
– (ymj , xmj ) m = 1, . . . , M et j = 1, . . . , nm un couple de variables aléatoires
représentatif du groupe m.
qM
– N= m=1 nm
– β̂ sp
l’estimateur sémi-paramétrique obtenu dans la population totale et βm
le coefficient de régression obtenu dans le groupe m,
– ymj la jéme observation de ym , y.. la moyenne de y et ym. la moyenne de
ym
– Fx (x)) la fonction cumulative de x et F.. la moyenne des Fx (x).
– pm = nm
N
Ainsi, l’estimateur de la régression Gini peut être réécrit (voir preuve en an-
nexe 3.3.2) :

I M J
1 Ø
sp
β̂ = pm Covm (y, F(x)) + CovB (ym. , Fm. (x))
Cov(x, F(x)) m=1
I M
1 Ø Covm (y, F(x)) Covm (x, F(x))
= pm Covm (x, Fm (x))
Cov(x, F(x)) m=1 Covm (x, F(x)) Covm (x, Fm (x))
+CovB (ym. , Fm. (x))} . (2.56)

Soit :
sp Covm (y, F(x))
β̂m = (2.57)
Covm (x, F(x))

93
l’estimateur sémi-paramétrique dans le groupe m. Et

Covm (x, F(x))

Om = (2.58)
Covm (x, Fm (x))

l’indice de chevauchement entre le groupe m et la population totale.

On a :

M
Ø
β̂ sp = sp
Vn βm + Vb βbsp (2.59)
m=1

pm Om GM Dm (x)
Avec Vn = GM D(x)
la part du groupe m dans la distribution totale. La pre-
mière partie 2.59 peut être interprétée comme l’intra et la seconde partie l’inter.
La décomposition de l’estimateur des MCO est :

M
Ø
β= Wn βm + Wb βb . (2.60)
m=1

La régression Gini fait intervenir un terme additionnel qui est le terme d’in-
teraction. Les deux régressions sont identiques dans les termes intragroupes et
intergroupes. La différence fondamentale tient au terme d’interaction. Lorsque
les distributions ne se chevauchent pas la décomposition du coefficient de régres-
sion Gini est identique à celle de la variance. Par contre lorsque les distributions
se chevauchent, la part de la composante intergroupe dans le Gini est totalement
différente de celle de la variance. Comme le note Frick et al. (2006), plus le che-
vauchement entre les groupes est important moins la composante intergroupe est
faible, ce qui n’est pas le cas des MCO.
Après avoir introduit les (éléments) fondamentaux de la régression Gini, nous
allons à présent nous intéresser aux conditions requises pour assurer le ”bon
comportement” de la régression Gini.

2.2.5 Les conditions de "Grenander modifiées"

Dans la littérature sur la régression Gini aucune condition particulière n’a été
proposée sur la matrice rang R(X) alors que nous savons, qu’à l’évidence, cer-
taines conditions sont nécessaires. Ces dernières, que nous nommons conditions
de "Grenander modifiées", ont été proposées par Ka and Mussard (2016). Nous
montrons aussi comment les ex-aequo doivent être traités.

94
 Soit un modèle de régression à plusieurs régresseurs, avec X la matrice des
variables exogènes de taille n × (K + 1), R(X) la matrice rang associée et xk est la
kième colonne de X .
(G’1) Aucune variable ne doit dégénérer en une séquence de zéros :

lim R′ (xk )xk Ó= 0, ∀k ∈ {1, . . . , K}. (2.61)

n→+∞

Autrement dit, R′ (X)X continue à augmenter avec la taille de l’échantillon.

(G2) Lorsque n −→ ∞, les observations individuelles deviennent moins im-
portantes. De plus, aucune valeur ne doit dominer xk′ xk . Dans le cas de la régres-
sion Gini basée sur la norme ℓ1 , les moments d’ordre 2 ne sont pas nécessaires.
Ainsi, la condition Grenander classique (G2) n’est pas sine qua non.
(G’3) La matrice X ne doit pas être comonotone. Deux vecteurs x et y sont
comonotones si et seulement si R(x) = R(y). Lorsque deux régresseurs sont
comonotones alors la matrice R′ (X)X n’est pas inversible. Notons que l’absence
de comonotonicité implique l’hypothèse de rang plein mais la réciproque n’est
pas vraie. Soit Mc l’ensemble des matrices comonotones avec au moins deux
vecteurs comonotones, alors (G’3) devient :

/ Mc , pour tout X ∈ Rn×(K+1) .

X∈

Exemple 2.2.2 Prenons un exemple de matrice comonotone :

   

2 3 
1 1
X=
7 4

=⇒ R(X) = 2 2 . 
(2.62)
   
10 11 3 3

Par conséquent :  
46 44
R′ (X)X =  . (2.63)
46 44
Donc
det(R′ (X)X) = 0, et donc R′ (X)X est non inversible. (2.64)

95
2.2.6 Traitement des ex aequo
Une autre remarque importante peut être faite sur la manière de traiter les
ex aequo. Dans la pratique trois possibilités ont été avancées pour traiter cette
question.
(i) La première possibilité est de prendre le rang supérieur. Malheureuse-
ment cette procédure pose problème dans la mesure où elle conduit à une sur-
pondération des poids et donc un biais vers le haut des estimateurs :
   
1
   
3
   
1 3
   
   
x= 5
 
=⇒ R(x) = 6 .
 
(2.65)
   
2 4
   
3 5
(ii) La seconde possibilité est de prendre le rang inférieur. Cette option en-
traîne une sous-pondération des poids et donc des estimateurs biaisés vers le
bas :
   
1
   
1
   
1 1
   
   
x= 5
 
=⇒ R(x) = 5 . (2.66)
 
   
2 3
   
3 4
(iii) La dernière option consiste à prendre le rang du point moyen. L’intérêt
essentiel que présente cette dernière démarche est qu’elle conduit à des estima-
teurs non biaisés contrairement aux deux précédentes Yitzhaki and Schechtman
(2013) :
   
2
  
1.5
   
2 1.5
   
   
x= 5 =⇒ R(x) =  5 . (2.67)
   
   
3  3 
   
4 4
Autre exemple :

96
    
1
  
1.5
   
x = 1 =⇒ R(x) = 1.5 (2.68)
   
7 3
Ce dernier cas correspond à ce qui se fait avec la régression Gini. Notons que
le rang n’est qu’une approximation de la fonction cumulative. Cependant, seul
le dernier cas permet de retrouver Fx (x) = R(x)/n. Rappelons tout de même
que des pistes de recherche peuvent être effectuées sur les approches non para-
métriques par noyau avec les estimateurs d’Epanechnikov notamment. Mais ceci
n’est pas l’objet de la thèse.
 

30 
 
 30 
 
 
F(x) = 100 = R(x)/n. (2.69)
 
 
 60 
 
80

2.2.7 La régression Gini-VI

Yitzhaki and Schechtman (2004) ont proposé la régression Gini avec variables
instrumentales, nommée Gini-VI. Elle permet de prendre en compte les points
atypiques mais aussi de corriger simultanément les erreurs de mesures ou pro-
blèmes d’endogéneité. Considérons le modèle linéaire suivant :

y = α + βx + ε. (2.70)

Supposons par ailleurs que la matrice colonne x soit endogène et que la matrice
colonne z soit un instrument valide de ce modèle. De sorte que le modèle se ré-
écrit comme suit :

y = α + β1 x + β2 z + ε. (2.71)

Selon Yitzhaki and Schechtman (2004), l’estimateur Gini avec variables instru-
mentales est :
Cov(y, Fz (z))
β̂ GIV = , (2.72)
Cov(x, Fz (z))
où Fz (z) représente la fonction cumulative de z, qui peut être approximée par la

97
matrice rang de z. Par ailleurs, tout comme l’estimateur βˆG de la régression Gini,
l’estimateur de la régression Gini avec variables instrumentales β̂ GIV peut être
exprimé comme une moyenne pondérée :
n
Ø
β̂ GIV = Vi bi . (2.73)
i=1

La seule différence concerne les poids Vi . Ces derniers s’écrivent dans le cas de la
régression Gini-VI comme suit :
5 6
p∆xi n+1
Vi = − R̄(z) , (2.74)
nCov(x, R(z)) 2

d’où : 5 6
p∆xi n+1 (yi+1 − yi )
β̂ GIV = − R̄(z) , (2.75)
nCov(x, R(z) 2 (xi+1 − xi )
avec p = i/n, ∆xi = xi+1 − xi et R̄(z) représentant la moyenne des rangs.
Dans le cas de la régression multiple, l’estimateur Gini-VI est donné par la
formule suivante :
GIV
β̂ = (R′ (Z)X)−1 R′ (Z)Y, (2.76)

où R(Z) représente la matrice rang des instruments.

L’estimateur Gini-VI est moins sensible aux observations extrêmes et à la vio-
lation de l’hypothèse de linéarité que les méthodes standards. Ceci découle direc-
tement des caractéristiques de la régression Gini. Cette propriété (non sensibilité
à la violation de l’hypothèse de linéarité) est aussi très importante car d’après
la littérature empirique sur les inégalités de revenu, les résultats des estimations
dépendraient fortement de la forme fonctionnelle retenue. La régression Gini per-
met de contourner ce problème puisqu’elle ne requiert pas de définir une forme
fonctionnelle précise. En outre, une transformation monotone des variables ins-
trumentales z n’affecte pas l’estimation, contrairement aux méthodes standards,
où une transformation monotone de z modifie considérablement les résultats. Par
ailleurs, comme nous allons le voir dans la sous-section suivante, tous les estima-
teurs utilisés dans la régression Gini sont basés sur la théorie des U-statistiques.
Par conséquent, ils sont convergents (après normalisation appropriée).

98
2.2.8 Inférence et variance des estimateurs
L’objectif d’une régression ne se limite pas simplement à trouver l’estimateur
des paramètres de la régression mais également de déterminer ses propriétés et
de s’assurer notamment de sa convergence. D’après Yitzhaki and Schechtman
(2013), tous les estimateurs développés dans le cadre de la régression Gini sont
des U-statistiques. La théorie des U-statistiques a été introduite par Hoeffding
(1948). 5 L’un des principaux avantages de montrer que les paramètres découlant
de la régression Gini sont des U-statistiques, ou des fonctions de U-statistiques,
réside dans le fait que cette propriété garantit l’absence de biais et la convergence
de l’estimateur et permet de calculer facilement sa variance. Nous ne dévelop-
perons pas en détail la théorie des U-statistiques ci-après, le lecteur intéressé par
cette littérature pourra se référer à Denker (1985), (Serfling, 2009, Chapitre 5) et
(Lehmann, 1999, Chapitre 6). Nous nous intéressons dans cette section aux pro-
priétés des U-statistiques et leurs liens avec la GMD.
Soit {x1 , x2 , . . . , xn } une séquence de n variables aléatoires i.i.d. d’une famille
P . Les estimateurs de cette famille peuvent s’écrire

ϑ = E[h(x1 , x2 , . . . , xn )], (2.77)

avec h une fonction symétrique, que l’on appelle le noyau. Dans ce cas, il est
possible de montrer qu’un estimateur sans biais de ϑ est donné par l’expression
suivante :
Ø Ø
Un = (nm )−1 ... h(xi1 , xi2 . . . xim ). (2.78)
i1 ,i2 ...im

La statistique Un est une U-statistique de noyau h et de degré m. Par ailleurs, Un

est le seul estimateur symétrique sans biais de ϑ et sa variance est la plus faible
parmi les autres estimateurs de ϑ, cf. (Lehmann, 1999, Chapitre 6). Par ailleurs, il
converge asymptotiquement vers la loi normale.
Sans perte de généralité, nous pouvons étendre cette statistique à l’ordre 2,
voire à l’ordre K. Pour cette dernière voir (Lehmann, 1999, Chapitre 6). Soient
xi1 , xi2 . . . xim et yi1 , yi2 . . . yim des variables aléatoires indépendamment distri-
5. On pourra noter que U désigne Unbiaised (absence de biais).

99
buées. Considérons la statistique

ϑ = E [h (xi1 , xi2 . . . xim , yi1 , yi2 . . . yim )] (2.79)

avec,
h (xi1 , xi2 . . . xim , yi1 , yi2 . . . yim ) (2.80)

son noyau. Alors :

1 2 1 2 Ø Ø
n1 −1 n2 −1
Un1 ,n2 = m1 m2 ... h(xi1 , xi2 . . . xim , yi1 , yi2 . . . yim ). (2.81)
i1 ,i2 ...im

Un1 ,n2 est une "two" U-statistique de noyau h et de degré 2.

Exemple 2.2.3 Prenons quelques exemples simples de U-statistiques.

(i) L’espérance : ϑ = E(X), m = 1 et h(x) = x. La U-statistique correspondante est
la moyenne arithmétique :

Ø 1Ø
U1 = (n1 )−1 xi = xi . (2.82)
n
(ii) La Variance : ϑ = 21 E(xi − xj )2 , m = 2 et h(xi , xj ) = 12 (xi − xj )2 . La U-statistique

correspondante est :
n
A B
2 Ø (xi − xj )2 1 Ø
U2 = = x2 − nU21 . (2.83)
n(n − 1) i<j 2 (n − 1) i=1 i

(iii) La GMD : ϑ = E |xi − xj | avec h(xi , xj ) = |xi − xj | et m = 2. La U -statistique

correspondante est :

2 Ø
U3 = |xi − xj |. (2.84)
n(n − 1) i<j

A ce niveau, il faudra noter qu’il existe plusieurs autres définitions alternatives de U3 .

En effet,
n n
1 Ø 1 Ø n(n + 1)
U3 = n
(2i − 1 − n) x(i) = n
ix(i) − x̄. (2.85)
4(2 ) i=1 4(2 ) i=1 2
avec x(i) la statistique d’ordre i de x. Autrement dit, x(i) est la i-ième plus petite valeur de
x cf. Yitzhaki and Olkin (1991). Pour plus d’exemples de U-statistique voir annexe3.3.1

100
 La variance d’une U-statistique, Var(U), pour le paramètre ϑ est donnée par :
m
Ø 1 2
Var(U) = (nm )−1 (m
i )
n−m
m−i ξi , (2.86)
i=1

où ξi = Var[hi (x1 , x2 , . . . , xn )] = E[h2i (x1 , x2 . . . xn )] − θi2 et où θi est donné par ,

θi = E[hi (x1 , x2 , . . . , xn )]. (2.87)

Ainsi, 1 21 21 2
m2 ( m1 n1 −m1 m2 n2 −m2
m1 Ø
Ø i ) m1 −i j m2 −j
Var(Un1 ,n2 ) = 1 2−1 1 2−1 ξij .
i=1 i=1 n1 n2
m1 m2

avec,
ξij = Var[h (xi1 , xi2 . . . xim , yi1 , yi2 . . . yim )]. (2.88)

L’expression de cette variance est assez complexe et son utilisation pratique est
de ce fait très délicate. En effet, elle peut conduire à des formes complexes surtout
lorsque m > 1. Une approche alternative pour obtenir la variance asymptotique
d’une U-statistique consiste à utiliser la méthode du Jackknife. En effet, Arvesen
(1969) a montré que cette dernière permet d’obtenir une estimation convergente
de la variance d’une U-statistique :

N N
C D2
N −1Ø 1 Ø
V ar(U) = U−i − U−i ,
N i=1 N i=1

avec U−i l’estimateur de U basé sur l’échantillon de taille N sans la iéme observa-
tion.
Comme nous l’avons souligné précédemment, les U-statistiques jouissent de
bonnes propriétés à savoir l’absence de biais et la convergence asymptotique.
Malheureusement, la principale difficulté est de montrer qu’une statistique est
bien une U-statistique et de déterminer son degré et son noyau. Heureusement,
Lenth (1983) d’abord (pour l’ordre 1) puis Schechtman and Schechtman (2002)
(généralisation à l’ordre m) ont proposé une manière très simple de vérifier si une
statistique est une U-statistique. En effet, selon eux Un en est une, si et seulement
si, pour n suffisamment grand et Un une fonction symétrique, cette dernière est
invariante par Jackknife. Intuitivement, puisque la technique du Jackknife per-
met de réduire le biais et qu’une U-statistique est toujours sans biais alors, tout

101
U-statistique est invariante au Jackknife.
Après avoir introduit les généralités de la régression Gini, nous allons à pré-
sent proposer une extension de cette méthode à l’économétrie des données de
Panel.

2.3 L’estimateur Gini en Données de Panel

Le recours grandissant à l’utilisation des données de panel est l’un des aspects
marquants de l’évolution de l’économétrie au cours de ces dernières années. Elles
sont de plus en plus utilisées en économie appliquée, en sociologie, en finance,
etc. Comme le souligne Hsiao (2003), l’utilisation de données de panel présente
plusieurs avantages. La double dimension des données de panel et leurs grands
nombres permettent d’obtenir plus de variabilité, plus de degré de liberté, moins
de colinéarité et permettent également de contrôler l’hétérogénéité des compor-
tements. Mais surtout cette double dimension permet de tenir compte de l’in-
fluence de caractéristiques non observables des individus sur leur comportement,
cf. Baltagi (2008). En outre, un avantage décisif des données de panel par rapport
aux autres types de données tient au fait qu’elles sont souvent extrêmement nom-
breuses. En panel, il est très facile de disposer d’échantillons de plusieurs milliers
d’observations. L’intérêt essentiel que présente la grande taille de ces échantillons
et qu’ils conduisent à des estimations dont les propriétés peuvent être assimilées
aux propriétés asymptotiques des méthodes utilisées. Ainsi, la mise en œuvre
d’un estimateur convergent conduit à un estimateur très proche de la vraie va-
leur des paramètres. En effet, le nombre élevé des observations permet alors de
supposer que le biais et la variance de l’estimateur tendent vers zéro. De fait,
l’une des caractéristiques importantes des estimations basées sur un très grand
nombre d’observations est leur grande précision.
Puisqu’un échantillon de données de panel contient un très grand nombre
d’observations, on peut penser a priori que cet ensemble d’observations est ca-
pable de ”neutraliser” l’influence de quelques points aberrants. En réalité, ce n’est
pas vraiment le cas. Huber (1980) a montré que seulement 3% de valeurs aty-
piques dans un ensemble d’observations suffisent à perturber significativement
la qualité des estimations. Plus généralement, tous ceux qui ont pratiqué l’écono-
métrie sur données de panel (et comme nous le verrons d’ailleurs dans le chapitre

102
suivant) savent que quelques points atypiques peuvent suffire à modifier consi-
dérablement les résultats d’une estimation.
Par ailleurs, il faut signaler que, jusqu’à une période récente, il était d’usage
d’éliminer toutes les observations relatives à un individu, dès lors que l’une
d’elles apparaissait comme aberrante. Une telle pratique (qu’on appelle cylin-
drage) conduisait en effet souvent à éliminer une très forte proportion d’observa-
tions et donc, à perdre beaucoup d’informations ; ceci induisant, au mieux, une
moindre précision des estimations et au pire, un risque de biais. C’est pourquoi
d’ailleurs certains chercheurs ont préféré corriger ces points aberrants au lieu de
les éliminer. Malheureusement, dans ce cas aussi il est indispensable que l’infor-
mation disponible soit suffisante pour que la correction soit acceptable.
Pour toutes ces raisons évoquées, il serait tout-à-fait préférable d’utiliser une
technique d’estimation moins sensible aux points aberrants comme la régression
Gini. En effet, la correction des points aberrants quoi qu’intéressante conduit
souvent à des erreurs de mesure dommageables à la qualité des estimations. En
outre, le fait de développer la régression Gini en panel présente plusieurs autres
avantages : la régression Gini est une méthode par variable instrumentale donc
plus robuste que les méthodes standards : moins sensible aux erreurs et à la spé-
cification du modèle. Ainsi, cette section se propose d’étendre la réflexion sur la
régression Gini en panel, notamment, nous y développons l’estimateur par ef-
fet fixe en utilisant la GMD comme mesure de dispersion, cf.(Ka and Mussard
(2016)). Nous proposons également le test de l’existence de spécificités indivi-
duelles. 6
6. Koenker and Bassett Jr (1978) avait déjà proposé une technique d’estimation particulière-
ment adaptée lorsque les données sont contaminées par des points aberrants. Il s’agit de la régres-
sion par quantile. L’objectif est de minimiser une fonction de perte absolue différente en positive
ou en négative :
îØ Ø ï
min q |yi − xi′ β| + (1 − q) |yi − xi′ β| . (2.89)

Cette méthode peut être vue comme un cas particulier de l’approche paramétrique de la régres-
sion Gini, cf. Olkin and Yitzhaki (1992).

103
2.3.1 L’estimateur Gini du modèle à effets fixes
Dans cette sous-section nous proposons une nouvelle technique de régression,
la régression Gini en panel. Considérons le modèle à effets fixes suivant :

ynt = β0 + βn + β xnt + εnt , (2.90)

avec n représentant la dimension individuelle et t la dimension temporelle, ynt

est la variable expliquée, xnt la variable explicative, β0 une constante, βn les ef-
fets fixes individuels et εnt les perturbations aléatoires. Nous supposons que ces
dernières sont i.i.d., d’espérance nulle et de variance constante.
L’estimateur des MCO du modèle précédent est donné par :

C N T D−1 C N T D
ØØ ØØ
′
β̂ W M CO = (xnt − xn. )(xnt − xn. ) (xnt − xn. )(ynt − yn. ) .
n=1 t=1 n=1 t=1
(2.91)

Il s’agit de l’estimateur des MCO appliqué au modèle écrit en écarts par rapport
aux moyennes individuelles :

ynt − yn. = β ′ (xnt − xn. ) + εnt − εn. , (2.92)

avec
1 1 1
yn. = ynt xn. = xnt et εn. = εnt . (2.93)
T T T
L’estimateur par effet fixe couramment appelé l’estimateur "intra" résulte de la
décomposition de la variabilité totale en variabilité intragroupe et en variabilité
intergroupe. Une décomposition semblable peut être envisagée dans le cas du
Gini.
Soit , x.. le vecteur (K × 1) des moyennes des variables explicatives contenu
dans X soit Rx =: (R′11 (X), . . . , R′nt (X), . . . , R′N T (X)) la matrice rang de X avec
R ′nt (X) la nt-iéme ligne Rx , qui est , un vecteur 1 × K . Soient R n. (X) le vecteur
rang des moyennes individuelles K × 1, R .. (X) le vecteur des rangs moyens (de
qT
dimension K × 1 ), R n. (X) = t=1 R nt (X), le vecteur rang des moyennes indi-
1
T
1 qN qT
viduelles et R.. (X) = N T n=1 t=1 Rnt (X), le vecteur rang des moyennes totales.

104
Alors, la décomposition de la matrice des co-Gini, Rx′ X, est :

N Ø
Ø T
Gtotal
xx = (xnt − x.. )(Rnt (X) − R.. (X))′ (2.94)
n=1 t=1
ØN Ø T
= (xnt + xn. − xn. − x.. )R′nt (X)
n=1 t=1
ØN Ø T N Ø
Ø T
= (xnt − xn. )R′nt (X) + (xn. − x.. )R′nt (X)
n=1 t=1 n=1 t=1
ØN Ø T N Ø
Ø T
′
= (xnt − xn. )[ Rnt (X) − Rn. (X)] + (xn. − x.. )[ Rnt (X) − R.. (X)]′ .
n=1 t=1 n=1 t=1
ü ûú ý ü ûú ý
Variabilité intragroupe : Ginter
xx Variabilité intergroupe : Ginter
xx

De manière toute à fait équivalente nous pouvons décomposer R′ y en variabilité

intra-individuelle et inter-individuelle :
N Ø
Ø T
Gtotal
xy = (ynt − yn. )[ Rnt (X) − Rn. (X)] (Gintra
xy )
n=1 t=1
ØN Ø T
+ (yn. − y.. )[ Rnt (X) − R.. (X)]. xy )
(Ginter
n=1 t=1

Comme dans le cas des MCO, il est possible de vérifier que :

Gtotal intra
xx = Gxx + Ginter
xx et Gtotal
xy = Gintra
xy + Ginter
xy . (2.95)

La décomposition précédente conduit aux estimateurs intragroupe et inter-

groupe :

WG
β̂ = [Gintra
xx ]
−1
[Gintra
xy ]. (2.96)

Soit Rc la matrice rang de taille N × K des données centrées

Rc = ((R11 (X) − R1. (X))′ , . . . , (Rnt (X) − Rn. (X))′ , . . . , (RN T (X) − RN. (X))′ ) .
(2.97)
L’estimateur intragroupe peut être réécrit comme suit :

WG
β̂ = (Rc′ Xc )−1 Rc′ yc . (2.98)

Et l’estimateur inter est donné par la forme suivante :

105
 BG è é−1 è é
β̂ = Ginter
xx Ginter
xy . (2.99)

Introduisons les notations suivantes :

è é−1
Fintra = Gintra
xx + Ginter
xx Gintra
xx (2.100)
è é−1
Finter = Gintra
xx + Ginter
xx Ginter
xx . (2.101)

L’estimateur Gini du modèle total peut être décomposé comme suit :

G è é−1 è é
β̂ = [Gtotal −1 total intra
xx ] [Gxy ] = Gxx + Ginter
xx Gintra
xy + Ginter
xy
è é−1 5 6
WG BG
= Gintra
xx + Ginter
xx Gintra
xx β̂ + Ginter
xx β̂
WG BG
= Fintra β̂ + Finter β̂ . (2.102)

Comme nous l’a suggéré Yihzhaki dans une communication privée, une se-
conde famille d’estimateurs intragroupes et intergroupes peuvent être détermi-
née avec le Gini. En effet, puisque la co-Gini n’est pas symétrique, (Cog(x, y) =
Cov(y, F(x)) Ó= Cov(x, F(y)) = Cog(y, x), nous pouvons décomposer aussi Gtotal
yx
et donc déduire les estimateurs intragroupes et intergroupes de la second ap-
proche de la régression Gini. Toutefois, pour simplifier la présentation de nos ré-
sultats, cette seconde approche ne sera pas présentée, nous pouvons néanmoins
souligner que ces deux estimateurs convergent vers la même limite lorsque la
taille de l’échantillon est importante.

2.3.2 Inférence sur l’estimateur intragroupe

Comme nous l’avons souligné précédemment, tous les estimateurs basés sur
la régression Gini sont des U-statistiques. Deux stratégies d’estimation de la va-
riance sont donc possibles : l’estimation directe (la variance d’une U-statistique)
et l’estimation indirecte (en utilisant la méthode du Jackknife). La première (l’es-
timation directe), Var(U), pour un paramètre φ∗ de degré m est donnée par :

106
 1 2−1 Ø
m 1 2
N
Var(U) = m (m ) N −m ξ i m−i i.
i=1

L’estimation indirecte qui consiste à estimer la variance de la U-statistique en

utilisant la méthode du Jackknife est :

N N
C D2
N −1Ø 1 Ø
Var(U) = U−i − U−i , (2.103)
N i=1 N i=1
avec U−i l’estimateur basé sur l’échantillon de taille N privé de la iéme observa-
tion. L’estimation indirecte est en pratique assez souvent retenue dans la mesure
où elle est plus simple d’utilisation surtout lorsque le degré de la U-statistique est
supérieur à 1.
WG
Afin de montrer que β̂ est une fonction de U-statistiques, considérons R ck
la kéme colonne de la matrice Rc et xkc la kéme colonne de la matrice Xc , k =
WG
1, . . . , K. Puisque l’estimateur intragroupe est β̂ = (β̂1W G , . . . , β̂K
WG
) alors,

yc = β̂1W G x1c + · · · + β̂K

WG c
xK + ε, (2.104)

ainsi l’identité suivante est vérifiée :

Cov(yc , Rc1 ) = β̂1W G Cov(x1c , Rc1 ) + · · · + β̂K

WG c
Cov(xK , Rc1 ) + Cov(ε, Rc1 ) (2.105)
Cov(yc , Rck ) = β̂1W G Cov(x1c , Rck ) + · · · + β̂K
WG c
Cov(xK , Rck ) + Cov(ε, Rck ) (2.106)
Cov(yc , RcK ) = β̂1W G Cov(x1c , RcK ) + · · · + β̂K
WG c
Cov(xK , RcK ) + Cov(ε, RcK ). (2.107)

Cov(ε,Rcj ) Cov(yc ,Rcj ) Cov(xkc ,Rcj )

Soient β̂εj := Cov(xjc ,Rcj )
, β̂0j := Cov(xjc ,Rcj )
et β̂kj := Cov(xjc ,Rcj )
, en divisant
les trois équations précédentes respectivement par, Cov(x1c , Rc1 ), Cov(xkc , Rck ) et
Cov(xK
c
, RcK ) alors :

β̂01 = β̂1W G + · · · + β̂K

WG
β̂K1 + β̂ε1 (2.108)
WG
β̂0k = β̂1W G β̂1k + · · · + β̂K β̂Kk + β̂εk (2.109)
WG
β̂0K = β̂1W G β̂1K + · · · + β̂K + β̂εK . (2.110)

107
Soit le vecteur colonne suivant b̂0 := (β̂01 , . . . , β̂0K ) and b̂ε := (β̂ε1 , . . . , β̂εK ), alors :
   −1  
β̂ W G 1 β̂21 . . . β̂K1 β̂01 − β̂ε1
 1
 .. 

 .. .. .. 


 .. 

è é
 .  = . . ... .   .  =: B̂−1 b̂0 − b̂ε .
     
WG
β̂K β̂1K β̂2K . . . 1 β̂0K − β̂εK
(2.111)

L’estimateur intra-individuel est une fonction de coefficients de la régression

Gini semi-paramétrique. D’après (Yitzhaki and Schechtman, 2013, chapitre 9), β̂0k ,
β̂εk et β̂kh sont des U-statistiques. En outre, puisque B̂ est une matrice de rang
WG
plein, alors β̂ est une fonction de U-statistiques. En utilisant le théorème de
WG
Slutzky, β̂ est un estimateur convergent de β W G , d’où :

WG a
β̂ ∼ N (β, Var(U)). (2.112)

2.3.3 Simulations
Dans l’objectif d’illustrer l’avantage de nos estimateurs intragroupe et inter-
groupe nous proposons une simulation dont l’algorithme est décrit ci-dessous.
Elle consiste à estimer le modèle (2.90) et comparer à chaque fois les MSE.

Simulation de référence

• Boucle de b = 1, . . . , B = 10, 000 ;

֒→ les régresseurs sont générés
 selon uneloi normale multivariée x ∼ N (µ, Σ)
1 0.5 0.2
tel que µ = (0, 10, 4), Σ =  1 0.15 , ε ∼ N (0, 1), β = (0.7, 1.23, 0.13) et
1
l’effet fixe βn ∼ N (0, 5), β0 = 0.75 ;
֒→ la variable dépendante y est déduite de (2.90) ;
֒→ y est régressé sur x [MCO (2.92) et Gini (2.98)] ;
q 1 22
֒→ [ M SEj = 1 N T βˆj − β ] ;
B j=1
֒→ Des points aberrants sont introduits (xo ), puis y est régressé sur xo [MCO
M CO G
(2.92) et Gini (2.98)] : les estimateurs β̂ b et β̂ b sont déduits pour tout b avec
b = 1, . . . , B ;
• Fin b ;
• Les moyennes des estimateurs du Gini et des MCO ainsi que les MSE sont
¯
calculés. La moyenne des estimateurs Gini et MCO sont respectivement β̂ W G et

108
¯ ¯ ¯ ¯ ¯
β̂ W M CO (β̂ BG et β̂ BM CO sont les moyennes des estimateurs inter enfin β̂ G et β̂ M CO
la moyenne des estimateurs globaux).

Comme nous pouvons le voir, les estimations globales (table2.1) et inter-

groupes (table2.2) sont biaisées. Ce résultat est très connu dans la mesure où la
variabilité inter-individuelle représente l’essentiel de la variabilité totale en pa-
nel. Ainsi, même si la régression Gini semble être meilleure, l’estimation reste de
très mauvaise qualité et peu fiable. Ce qui nous paraît intéressant, ce sont les esti-
mations avec contamination. Ces dernières soulignent que la régression Gini est
plus robuste à l’influence des points aberrants.

G
TABLE 2.1 – Estimateur Gini Global β̂

Estimates → Sans points extrêmes Sans points extrêmes

¯ M CO ¯ ¯ M CO ¯
β= β̂ (MSE) β̂ G (MSE) β̂ (MSE) β̂ G (MSE)
0.75 5.0423 (226.478 ) 4.78504 (256.621) 6.856 (443.18 ) 5.0832 (301.12)
0.7 0.773 (5.116 ) 0.7537 (5.559) 1.1022 (10.147) 0.8998 (6.961 )
1.23 1.273 (0.886) 1.259 (1.047) 1.3430 (1.945 ) 1.2896 (1.094)
0.13 0.1221 (0.211 ) 0.127 (0.253 ) 0.1267 (0.1909) 0.1195 (0.839)

BG
TABLE 2.2 – Estimateur Gini intergroupe β̂

Estimates → Sans points extrêmes Avec points extrêmes

¯ BM CO ¯ ¯ BM CO ¯
β= β̂ (MSE) β̂ BG (MSE) β̂ (MSE) β̂ BG (MSE)
0.7 0.7873 (0.03926) 0.7677 (0.03905) 0.6390 (0.0523) 0.6891(0.0301)
1.23 1.2534 (0.0797) 1.25470 (0.0784) 1.0315 (0.082) 1.1929 (0.049)
0.13 0.14570 (0.030) 0.1455 (0.033) 0.09517 (0.056) 0.1195(0.021)

A présent nous nous intéressons aux estimateurs non biaisés. Comme nous
le savons l’estimateur intragroupe est sans biais. Nous pouvons remarquer une
forte similarité entre les estimations obtenues par l’application des MCO et du
Gini en l’absence de points extrêmes. Ce résultat est usuel puisque lorsque la
distribution des régresseurs est normale multivariée, la régression Gini est équi-
valente à celle des MCO. Par contre, les estimations avec contamination sont no-
tablement différentes. Une dernière remarque peut être faite quant à la procédure

109
de contamination. Dans la table 2.3 ci-dessous, nous avons contaminé p = 1% des
observations au hasard en remplaçant ces p observations par 2 fois le maximum
des régresseurs. Même si cette procédure conduit à des résultats biaisés vers le
haut, le Gini est plus robuste (voir les MSE).

WG
TABLE 2.3 – Estimateur Gini intragroupe β̂

Estimateurs → Sans points extrêmes Avec points extrêmes

¯ W M CO ¯ ¯ W M CO ¯
β= β̂ (MSE) β̂ W G (MSE) β̂ (MSE) β̂ W G (MSE)
0.7 0.70022 (0.000388) 0.70013 (0.000432) 0.95150 (0.01724) 0.7514 (0.001012)
1.23 1.22991 (0.000062) 1.22989 (0.000067) 1.31870 (0.26722) 1.26013 (0.00253)
0.13 0.13018 (0.000119) 0.13023 (0.000124) 0.22851 (0.17871) 0.140152(0.001948)

TABLE 2.4 – Estimateur Gini intragroupe : outliers positifs

Estimateurs→ Sans points extrêmes Avec points extrêmes

¯ W M CO ¯ ¯ W M CO ¯
β= β̂ (MSE) β̂ W G (MSE) β̂ (MSE) β̂ W G (MSE)
0.7 0.70011 (0.000263) 0.70012 (0.000279) 0.9702 (0.02014) 0.78135 (0.00100)
1.23 1.22993 (0.000442) 1.22989 (0.000475) 1.3243 (0.10242) 1.2679 (0.00351)
0.13 0.13017 (0.000864) 0.13021 (0.000909) 0.2391 (0.19280) 0.1471(0.00315)

Dans la table 2.5 ci-dessous une valeur aberrante négative de 50 est ajoutée à
1% de l’échantillon tiré au hasard. Il est évident que toutes les estimations intra-
groupes sont biaisées vers le bas. Il est également important de noter que les MSE
des MCO sont très élevés par rapport à ceux de Gini.

TABLE 2.5 – Estimateur Gini intragroupe : outliers négatifs

EEstimateurs→ Sans points extrêmes Avec points extrêmes

¯ W M CO ¯ ¯ W M CO ¯
β= β̂ (MSE) β̂ W G (MSE) β̂ (MSE) β̂ W G (MSE)
0.7 0.70011 (0.000263) 0.70012 (0.000279) 0.5189 (0.45601) 0.6598 (0.00287)
1.23 1.22993 (0.000442) 1.22989 (0.000475) 0.9978 (0.5223) 1.1589 (0.00843)
0.13 0.13017 (0.000864) 0.13021 (0.000909) 0.0851 (0.287650) 0.10991(0.00498)

Enfin, nous nous intéressons aux distributions non gaussienne (table 2.7). ,20) ;

110
 • x2 ∼ Weibull(10, 15) ;
• x2 ∼ Exponentielle(15) ;
• l’effet individuelle βn ∼ U [5, 20]).

TABLE 2.6 – Distribution non normale : sans outlier

Estimates → β̂ W G β̂ W OLS
0.7 0.7032 (0.0099) 0.8501 (1.07564)
1.23 1.2312 (0.0081) 1.29012 (2.74206)
0.13 0.1308 (0.0531) 0.199 (4.4869)

Ces résultats constituent une bonne illustration de l’avantage de la régression

Gini. Toutefois, il ne faudrait surtout pas réduire la régression Gini a une simple
méthode de traitement des points aberrants. En effet, comme nous l’avons vu
précédemment cette technique de régression jouit de plusieurs autres avantages :
estimateurs sans biais, convergents, moins sensibles à la spécification du modèle
et aux erreurs de mesures.
En réalité, l’insensibilité des estimations de la régression Gini aux points aber-
rants n’est qu’une propriété de la régression Gini. Et cette propriété découle du
fait que la GMD est plus adaptée lorsque l’hypothèse de normalité n’est pas rem-
plie et plus généralement lorsque le processus générateur des données a une
queue épaisse (Carcea and Serfling, 2015). Par ailleurs, la régression Gini est une
méthode par variable instrumentale 7 .

2.3.4 Test de l’existence de spécificités individuelles

L’utilisation du modèle à effets fixes et plus généralement de la structure de
panel suppose l’existence d’une hétérogénéité inter-individuelle des comporte-
ments. Cette dernière est prise en compte par l’adjonction d’effets fixes indivi-
duels au modèle. Les estimateurs en données de panel sont généralement biaisés
lorsque l’hypothèse d’homogénéité des comportements est rejetée. Nous propo-
sons donc une procédure de test afin de prouver l’existence d’une telle hypothèse
7. more precise variable is obtained by ranking the x’s in order, and putting z equal to the rank
order. If the ranking is relatively unaffected by errors the rank should be a good instrumental
variable. Even if the errors are large, the bias should be a good deal smaller than for the original
observations Durbin (1954)

111
dans le cadre des régressions sur indice de Gini. Ceci revient à discriminer entre
le modèle,
Ø
k
ynt = β0 + βk xnt + εnt , (2.113)

et le modèle avec effets individuels,

Ø
k
ynt = αn + βk xnt + εnt . (2.114)

Il s’agit d’un test joint :

.
.
. H0 : α1 = α2 = α3 = . . . = αn (= β0 )
.
. (2.115)
. H1 : ∃i, j ∈ {1, . . . , n} tel que αi Ó= αj .

Dans le cas des MCO, cette hypothèse H0 est testée en utilisant un test de Fisher.
Ce dernier conduit à comparer la statistique F ci-dessous au fractile de la loi de
Fischer à (N − 1, N (T − 1) − K) degrés de liberté :

SCRo − SCR N (T − 1) − k
F = . ∼ F(N − 1, N (T − 1) − K), (2.116)
SCR N −1

où SCRo représente la somme des carrés résiduels associée à l’estimateur du mo-

dèle contraint (2.113), sous l’hypothèse H0 , et SCR celle associée au modèle à
effets individuels (2.114). L’une des limites de ce test est que les statistiques de
tests sont basées sur la norme ℓ2 . Le test est donc sensible aux points aberrants et
à la transformation monotone des données. Ici nous proposons un test alternatif
basé sur la GMD.

Formellement, deux modèles sont identiques lorsque les variabilités expli-

quées sont égales. Ainsi, tester H0 est équivalent à tester l’égalité de la variabilité
expliquée dans deux modèles. La variabilité totale peut être décomposée, pour
chaque modèle, en variabilité expliquée et résiduelle en suivant l’analyse du Gini
(ANOGI) :

Covc (y, Fy (y)) = Covc (ŷ, Fy (y)) + Covc (e, Fy (y)), (2.117)
Cov(y, Fy (y)) = Cov(ŷ, Fy (y)) + Cov(e, Fy (y)), (2.118)

où Covc représente la covariance issue du modèle avec contrainte sur les para-

112
mètres, i.e., le modèle (2.113). Tester l’égalité de la variabilité expliquée entre les
deux modèles revient à tester :
.
.
. H0′ : Covc (ŷ, Fy (y)) = Cov(ŷ, Fy (y))
.
. (2.119)
. H1′ : Covc (ŷ, Fy (y)) Ó= Cov(ŷ, Fy (y)).

L’égalité H0′ implique :

Covc (y, Fy (y)) − Covc (e, Fy (y)) = Cov(y, Fy (y)) − Cov(e, Fy (y)). (2.120)

Puisque sous H0 , Covc (y, Fy (y)) = Cov(y, Fy (y)), on a :

Covc (e, Fy (y)) = Cov(e, Fy (y)). (2.121)

Notons que e et y peuvent être permutés, voir Olkin and Yitzhaki (1992), alors
pour le modèle (2.114) :

Cov(e, Fy (y)) Cov(y, Fy (e))

= , (2.122)
Cov(e, Fy (e)) Cov(y, Fy (y))

d’où

Cov(ŷ, Fy (e)) + Cov(e, Fy (e))

Cov(e, Fy (y)) = Cov(e, Fy (e)). (2.123)
Cov(y, Fy (y))

Puisque Cov(ŷ, R(e)) = 0 8 alors la précédente équation peut être réécrite comme
suit :
{Cov(e, F(e))}2
Cov(e, Fy (y)) = . (2.124)
Cov(y, Fy (y))
De même pour le modèle contraint (2.113) :

{Covc (e, F(e))}2

Covc (e, Fy (y)) = . (2.125)
Covc (y, Fy (y))

Puisque sous H0 , Covc (y, Fy (y)) = Cov(y, Fy (y)) alors tester Cov(ε, Fy (y)) =
Covc (ε, Fy (y)), i.e. H0 : α1 = α2 = α3 = . . . = αi = β0 , est tout à fait équivalent
à tester Covc (ε, F(ε)) = Cov(ε, F(ε)). Ainsi nous pouvons construire un test basé
8. Cov(ŷ, R(e)) = Cov(â + β̂x, R(e)) = β̂Cov(x, R(e)) = 0.

113
sur la différence entre les GMD des deux modèles :
.
.
. H0′′ : Covc (ε, F (ε)) − Cov(ε, F (ε)) = 0
.
. (2.126)
. H1′′ : Covc (ε, F (ε)) − Cov(ε, F (ε)) Ó= 0.

Notons que U1 = Covc (e, R(e)) et U2 = Cov(e, R(e)) sont deux U-statistiques.
Il s’agit d’estimateurs sans biais de respectivement, Covc (ε, F(ε)) et Cov(ε, F(ε)),
dont la forme est donnée pour chacun des modèles par :

Øn
1
U= ei Ri (e). (2.127)
n(n − 1) i=1

Par conséquent nous pouvons estimer la variance de leur différence, U1 − U2 = Ŝ,

en utilisant la méthode du Jackknife. La statistique de test est alors donnée par
l’expression suivante :
Ŝ
T =ñ . (2.128)
V̂ (Ŝ)
Comme dans le cas du test de Fischer nous pouvons montrer que tester l’égalité
des GMD des erreurs est équivalent à comparer les coefficients de détermination
de Gini (Gρ2 ) des deux modèles (Gρ2 et Gc ρ2 ). Le GR2 est un estimateur de Gρ2 .
Nous pouvons montrer qu’il est une fonction de U-statistiques, par conséquent
il s’agit d’une U-statistique. Notons que Cov(e, R(y)) − Covc (e, R(y)) = 0 im-
plique :
A B2 A B2
Cov(e, R(e)) Covc (e, R(e))
Ẑ = − = 0. (2.129)
Cov(y, R(y)) Covc (y, R(y))
Aussi la statistique précédente issue de la population est :
 A B2   A B2 
 Covc (ε, F(ε))  Cov(ε, F(ε)) 
Z = 1− − 1 − (2.130)
 Covc (y, Fy (y))   Cov(y, Fy (y)) 

= Gc ρ2 − Gρ2 . (2.131)

Ainsi, une troisième possibilité de test est donnée par :

.
.
. H0′′′ : Gc ρ2 − Gρ2 = 0
.
. (2.132)
. H1′′′ : Gc ρ2 − Gρ2 Ó= 0.

114
Pour réaliser le test, il faut un estimateur convergent de Z. Puisque
Cov(y, Fy (y)) = Covc (y, Fy (y)), ce dernier se réécrit :

U22 − U21
Ẑ = , (2.133)
U23
q q
avec U3 = (n2 )−1 i<j |yi − yj |. Donc la statistique de test permettant de tester
H0′′′ est donnée par :
Ẑ
T′ = ñ , (2.134)
V̂ (Ẑ)

avec V̂ (Ẑ) la variance de la U-statistique Ẑ estimée par Jackknife. En effet T ′

est une fonction de U -statistiques, il s’agit donc d’une U-statistique convergente.
Ainsi, pour un échantillon suffisamment large, la normalité asymptotique est ob-
tenue :
Ẑ a
T′ = ñ ∼ N (0, 1). (2.135)
V̂ (Ẑ)

2.4 Les perturbations non sphériques

Depuis les travaux fondateurs de Olkin and Yitzhaki (1992), l’utilisation de
la méthodologie Gini à été employée dans de nombreux développements théo-
riques et économétriques. Comme nous l’avons vu précédemment cette réflexion
sur la régression Gini a été étendue aux variables instrumentales par Yitzhaki
and Schechtman (2004), aux séries temporelles par Carcea and Serfling (2015) et
par Shelef and Schechtman (2011)et plus récemment au test de racine unitaire par
Shelef (2014). D’après cette dernière, le test de Dickey et Fuller fournit de faibles
puissances lorsque les données sont contaminées par des valeurs aberrantes. Sur
le plan empirique, ce test semble être à la fois robuste et valide pour une large
gamme de distributions. Toutefois, il semble que sa puissance soit faible lorsque
l’hypothèse d’absence d’autocorrélation des erreurs n’est plus satisfaite. Dans
cette section, nous proposons l’estimateur Aïtken Gini. L’une des particularités
de cet estimateur est justement de prendre en compte les problèmes d’hétéroscé-
dasticité et d’autocorrélation. Soit le modèle suivant :

y = Xβ g + εg , (2.136)

115
où X est de taille n × (K + 1). Notons Var(εg ) la variance du terme d’erreur de
telle sorte que Var(εg ) = σg2 Ω, avec Ω une matrice de taille n × n, donnée par
1
Ω = CΛC′ où Ω−1 = P′ P et P′ = CΛ− 2 . Soit y∗ := Py, X∗ := PX et ε∗g := Pεg il
en résulte que :

Py = PXβ g + Pεg ⇐⇒ y∗ = X∗ β g + ε∗g . (2.137)

Ainsi
′
E[ε∗g ε∗g ] = Pσg2 ΩP′ = σg2 In . (2.138)
æ′ := R∗ P. L’application de la
De plus X∗ := PX, R∗ := Rx′ ∗ , y∗ := Py et X
régression Gini semi-paramétrique donne estimateur Aïtken Gini :

æ′ X)−1 X
β̂ g = (Rx′ ∗ X∗ )−1 Rx′ ∗ y∗ = (R∗ PX)−1 R∗ Py = (X æ′ y. (2.139)

Comme nous l’a suggéré Yitzhaki lui-même, cet estimateur dépend de la va-
riance. Un réel estimateur de type Aïtken devrait être obtenu en utilisant l’indice
de Gini comme mesure de variabilité. C’est ce que nous proposons un peu plus
loin.
L’objectif principal de cette section est d’illustrer l’intérêt de cette méthode par
deux exemples d’applications théoriques : améliorer le test de Shelef et proposer
l’estimateur à effets aléatoires.

2.4.1 Test de Shelef (2014)

Shelef (2014) a montré que le test de Dickey-Fuller fournit de faibles puis-
sances en présence de valeurs aberrantes. Elle a proposé un test de racine uni-
taire basé sur l’estimation du processus AR(1) à l’aide de la régression Gini. Soit
le processus autorégressif d’ordre 1 suivant :

yt = β0 + β1 yt−1 + εt . (2.140)

L’ estimateur de la régression Gini de l’équation (2.140) est donné par :

Cov(yt , Ry (yt−1 ))
b̂G
1 = . (2.141)
Cov(yt−1 , Ry (yt−1 ))

Puisque b̂G
1 est une U-statistique, nous pouvons estimer son écart-type de manière

116
convergente en utilisant la procédure du Jackknife :
ö
õ
õn − 1 Ø 1 G 22
ŜD(b̂G
1) =
ô b̂ G
1(−i) − b̂1(.) , (2.142)
n i

avec bG
1(.) l’estimateur de la régression Gini calculé sur l’ensemble de l’échantillon
et bG
1(−i) l’estimateur de la régression Gini calculé après suppression d’une obser-
vation (i = 1, . . . , n). La statistique de test de Shelef (2014) est :

b̂G
1 −1
GDF = . (2.143)
ŜD(b̂G
1)

Pour réussir à faire une approche pratique du test, nous avons décidé de partir
sur un modèle autorégressif d’ordre 1 avec l’hypothèse que le processus d’inno-
vation est un bruit blanc, comme la procédure de Shelef l’indique. Le but étant
de vérifier la puissance de ce test par le biais de plusieurs étapes détaillées de la
façon suivante :
– Génération d’une série yt = β0 + β1 yt−1 + εt avec εt suivant une loi normale.
– Calcul de la statistique de test GDF .
– Calcul des résidus de la régression Gini eG G1
t = yt − (β0 + β̂1 yt−1 ).
1

– Via la méthode du rééchantillonnage consistant à faire des tirages successifs

avec remise, on prélève des échantillons Y B sur la base desquels on calcule
le bootstrap des résidus.
– Sur la base de la nouvelle série obtenue Y B à l’aide de la méthode bootstrap,
on constitue la série Y ∗ de sorte que ytG1∗ = yt−1
G1∗
+ etG1 ∗ .
– Calcul de la statistique GDF ∗ .
– Répétition de la procédure M fois, ce qui nous permet d’aboutir à M statis-
tiques GDF ∗ .
– Calcul de la statistique de test dont la règle de décision est la suivante. Si
GDF < wα∗ , on rejette l’hypothèse nulle : pas de présence de racine unitaire,
avec wα∗ le fractile associé au risque α. Le fractile est obtenu à partir des
M GDF ∗ que l’on classe par ordre croissant et ainsi on trouve le wα∗ au
rang de la distribution GDF ∗ . Par exemple w.10
∗
est obtenu au rang 10 de la
distribution GDF ∗ .
– On répète M fois la totalité des étapes citées ci-dessus pour calculer la pro-
portion de rejet de l’hypothèse nulle.

117
 Notons que les valeurs critiques sont obtenues en calculant les résidus de la
régression Gini eG
t
t∗
de telle sorte que la série bootstrap est ensuite calculée sous
l’hypothèse nulle H0 avec β = 1 :

ytG1∗ = yt−1
G1∗
+ eG
t
1∗
, (2.144)

où y0G1 ∗ est la valeur médiane de l’échantillon initial. La procédure de rééchan-

tillonnage consistant à faire des tirages avec remise de l’ensemble des résidus
estimés conduit à construire un processus qui permet de calculer l’estimateur
bootstrap. Ainsi la statistique de test bootstrap basée sur la régression Gini est :

β̂1G1 ∗ − 1
GDF = ∗
, (2.145)
ŜD(β̂1G1 ∗ )

où φ̂G
1 ∗ est l’estimateur de régression Gini, calculé sur l’échantillon bootstrap,
1

G∗ Cov(yt∗ , R(yt−1
∗
))
β̂1 1 = . (2.146)
Cov(yt−1 , R(yt−1 ))
∗ ∗

Cette procédure GDF ∗ est employée pour imiter la distribution de test sous l’hy-
pothèse nulle (H0 : β1 = 1) afin d’obtenir les valeurs critiques.
Globalement, ce test semble être à la fois robuste et valide pour une large
gamme de distributions. Toutefois, comme nous pouvons le voir dans le tableau
ci-dessous, ce test souffre d’une perte de puissance lorsque l’hypothèse d’absence
d’autocorrélation n’est plus satisfaite. La prise en compte de l’autocorrélation im-
pacte directement la puissance du test. Soit le modèle auto-corrélé

yt = φ0 + φ1 yt−1 + εt , (2.147)

avec εt = ρεt−1 + ut . On montre ainsi que la puissance n’est plus constante, elle
baisse au fur et à mesure que le coefficient de corrélation ρ augmente, passant
ainsi de 0.07 à 0.05. Ces résultats nous permettent d’observer les limites du test
de Shelef en présence d’autocorrélation. En effet, la significativité du test s’en voit
considérablement altérée. Les résultats auxquels nous aboutissons avec différents
coefficients d’autocorrélation sont les suivants.

118
 TABLE 2.7 – Perte de puissance du Test de Shelef

coefficient de corrélation Puissance du test

ρ = 0.2 0.075
ρ = 0.5 0.0655
ρ = 0.7 0.0501

2.4.2 Extension du test de Shelef (2014)

Considérons le processus autorégressif ci-dessous :

εt = ρ1 εt−1 + ut , (2.148)

avec E(ut ) = 0, E(u2t ) = σu2 et Cov(ut , us ) = 0 pour tout t Ó= s. Traditionnellement,

le coefficient d’autocorrélation habituel ρ est tel que :

Cov(εt , εt−1 )
ρ1 = ñ . (2.149)
Var(εt )Var(εt−1 )
Suivant Shelef and Schechtman (2011), si εt est strictement stationnaire, deux
fonctions d’autocorrélation Gini peuvent être définies à partir de deux co-Gini :
Cog(εt , εt−s ) := Cov(εt , F(εt−s )) et Cog(εt−s , εt ) := Cov(εt−s , F(εt )). La première
est la suivante :

Cov(εt , F(εt−s ))
ρG
s =
1
, (2.150)
Cov(εt , F(εt ))
La seconde est donnée par :

Cov(εt−s , F(εt ))
ρG
s =
2
. (2.151)
Cov(εt−s , F(εt−s ))

Comme le soulignent Carcea and Serfling (2014), la prise en considération de ces

deux fonctions d’autocorrélation au sens de Gini présente un avantage considé-
rable : si un moment de toute série (εt ou εt−s ) est inconnu, l’identification du
processus ARMA reste possible ; si le second moment de εt n’existe pas où si
Var(εt ) > ∞ à cause des valeurs aberrantes, le recours à la fonction d’autocorré-
lation Gini apparaît comme une solution.

Hypothèse 2.4.1 – Stationnarité au sens de Gini – Carcea and Serfling (2015)

119
Le processus εt est dit stationnaire au sens de Gini si :

Cog(εt+s , εt ) = Cog(ε1+s , ε1 ) pour tout s = 0, ±1, ±2, . . .

Cog(εt , εt+s ) = Cog(ε1 , ε1+s ) pour tout s = 0, ±1, ±2, . . .
= Cog(ε1−s , ε1 ) pour tout s > 1.

Hypothèse 2.4.2 – Indépendance au Sens de Gini –

Les processus εt et ut sont indépendants au sens de Gini si :

Cog(ut , εr ) = 0 ∀t, r = 1, . . . , T.

Il est intéressant de noter que l’estimateur de la régression Gini du processus

auto-régressif est donné par :

Cog(ut−r , εt−s )
=: bG
r,s , (2.152)
Cog(εt−s , εt−s )

avec

s−1
Ø
εt = [ρG s
1] + [ρG r
1 ] ut−r . (2.153)
r=0

Par conséquent, en posant Cog(εt , εt ) = Cov(εt , F(εt )) =: g0 on obtient :

s−1
Ø
Cog(εt , εt−s ) = E(ε′t F(εt−s )) = [ρG s
1 ] g0 + Cog(ut−r , εt−s ) = [ρG s
1 ] g0 . (2.154)
r=0

Maintenant, nous pouvons définir la matrice d’autocorrélation :

 

1 ρG
1 [ρG
1]
2
··· [ρG
1]
T −1

 

 ρG
1 1 ρG
1 ··· [ρG
1]
T −2 

E(εF′ (ε)) ≡ ΩG = g0 
 .. .. .

(2.155)
 . . 
 è éT −1 
ρG
1 [ρG
1]
T −2
[ρG
1]
T −3
··· 1

Rappelons que Var(εg ) := σg2 Ω, avec Ω étant une matrice n × n. Il en résulte que :

Ω−1/2 y = Ω−1/2 Xβ g + Ω−1/2 εg ⇐⇒ y∗ = X∗ β g + ε∗g . (2.156)

120
Ainsi l’application de la régression Gini semi-paramétrique conduit à l’estima-
teur Aïtken Gini :

æ′ X)−1 X
β̂ g = (Rx′ ∗ X∗ )−1 Rx′ ∗ y∗ = (Rx′ ∗ Ω−1/2 X)−1 Rx′ ∗ Ω−1/2 y = (X æ′ y. (2.157)

Ainsi, nous obtenons un estimateur semblable à ceux des variables instru-

mentales. Cet estimateur dérivé de la régression Gini permet de tenir compte du
problème que pose l’autocorrélation et les valeurs aberrantes. Par conséquent,
l’application du test de Shelef (2014) avec processus autocorrélé ne pose plus
aucun problème de perte de puissance. Toutefois, cet estimateur nécessite une
estimation convergente de Ω. Nous proposons d’estimer Ω par ΩG qui est une
U-statistique. Avec
Cov(et , R(et−s )) U′
ρˆG
1 = = ′1 (2.158)
Cov(et , R(et )) U2
U′1 et U′2 sont les U-statistiques, correspondant respectivement aux estimateurs
convergents et sans biais de Cov(et , F(et−s )) et Cov(et , F(et )), données par les ex-
pressions suivantes :

T
Ø T
Ø
U′1 = [1/ (T − 1) T ] Rt (et−s )et et U′2 = [1/ (T − 1) T ] Rt (et )et . (2.159)
t=1 t=1

Ainsi, l’estimateur Aïtken Gini, β̂ g , est donné par l’expression suivante :

−1/2 −1/2
∗
β̂ g = (RG ΩG X)−1 RG
∗
ΩG ∗
y = (RG X∗ )−1 RG
∗ ∗
y (2.160)

−1/2
avec RG
∗
= R(ΩG X).

TABLE 2.8 – Correction du Test de Shelef

coefficient de corrélation Puissance du test

ρ = 0.2 0.873
ρ = 0.5 0.867
ρ = 0.7 0.858

Ainsi, comme nous pouvons l’observer dans la table 2.8 ci-dessus, l’applica-
tion du test de Shelef (2014) avec processus autocorrélé ne pose plus aucun pro-

121
blème de perte de puissance lorsque les erreurs sont autocorrélées.

2.4.3 L’estimateur Gini du modèle à effets aléatoires

Dans la section précédente, nous avons introduit l’estimateur à effets fixes au
sens de Gini. Dans cette sous-section nous nous intéressons aux modèles à effets
aléatoires. Puisque dans ce modèle, les spécificités individuelles apparaissent au
niveau de la variance des variables endogènes l’estimateur du Gini serait inap-
proprié. Ainsi, nous utiliserons l’Aïtken Gini.
Soit le modèle élémentaire à erreurs composées :

K
Ø
ynt = β0 + βxknt + εnt , (2.161)
k=1

avec
εnt = Un + Wnt (2.162)

où ynt est la variable expliquée, xnt le vecteur des variables explicatives, β0 la

constante et εnt le terme d’erreur composé de deux éléments : une perturbation
idiosyncratique Wnt (de variance σw2 ) et un effet individuel Un (de variance σu2 ).
Ces effets sont supposés non autocorrélés. On suppose également qu’ils sont non
corrélés avec les xnt . Ainsi, ce modèle apparaît comme un modèle de régression
dont les perturbations exhibent une forme particulière d’autocorrélation. Il en
résulte que l’estimateur des MCO serait inapproprié. En supposant que la matrice
de variance covariance Ω est connue, l’estimateur des moindres carrés généralisés
(MCG) est donné alors par l’expression suivante :

β̂ M CG = (X′ Ω−1 X)−1 (X′ Ω−1 y). (2.163)

Avec  
E(ε1 ε′1 ) E(ε1 ε′2 ) . . . E(ε1 ε′N )
 
 
 E(ε2 ε′1 ) E(ε2 ε′2 ) . . . E(ε2 ε′N ) 
Ω = E(εε′ ) = 
 .. .. ... ..

 (2.164)

 . . . 

E(εN ε′1 ) E(εN ε′2 ) . . . E(εN ε′N )
L’estimateur MCG peut être vu comme une combinaison linéaire des variabilités
inter et intra-individuelles des observations. En effet

122
 î ï−1 î ï
β̂ M CG = Sintra
xx + θSinter
xx Sintra
xy + θSinter
xy , (2.165)

avec Sintra
xx et Sinter
xx les variabilités intra et inter-individuelles :

N Ø
Ø T
Sintra
xx = (xnt − xn. )(xnt − xn. ) (2.166)
n=1 t=1
N Ø T
Ø σw2
Sinter
xx = (xn. − x.. )(xn. − x.. ) et θ = (2.167)
n=1 t=1 σw2 + T σu2

Ceci montre que β̂ M CG est une moyenne pondérée des estimateurs intra et inter-
individuels. En effet
intra inter
β̂ M CG = F1 β̂ + F2 β̂ , (2.168)

avec
è é−1
F1 = Sintra
xx + θSinter
xx Sintra
xx (2.169)
è é−1 1 2
F2 = Sintra
xx + θSinter
xx θSinter
xx . (2.170)

L’estimateur des MCG considère la même pondération pour les variabilités in-
tragroupes et intergroupes, cf. [Link] (2008). Bien que l’estimateur des MCG
jouit de très bonnes propriétés, il ne résout en rien les problèmes des points aber-
rants et peut être affecté par une transformation monotone des données. En effet,
Sintra
xx et Sintra
xy (respectivement Sinter
xx et Sinter
xy ) restent très sensibles aux outliers.
Comme nous le savons une approche alternative pour surmonter cette difficulté
serait d’utiliser une autre mesure de dispersion comme la GMD. Reconsidérons
le modèle à erreurs composées précédent :

K
Ø
ynt = β0 + βxknt + εnt . (2.171)
k=1

Comme l’estimateur MCG, l’estimateur Aïtken Gini s’obtient en appliquant la

régression Gini au modèle transformé suivant :

Ω−1/2 ynt = Ω−1/2 βxnt + Ω−1/2 εnt , (2.172)

123
Ce qui conduit à :
î ï−1 î ï
β̂ AG = R(Ω−1/2 x)Ω−1/2 x R(Ω−1/2 x)Ω−1/2 y . (2.173)

Comme nous l’a recommandé Yithzaki un estimateur convergent de Ω peut être

obtenu en utilisant la matrice ΩG suivante que nous nommerons matrice de Gini-
Cog :

 
E(ε1 F(ε′1 )) E(ε1 F(ε′2 )) . . . E(ε1 F(ε′N ))
 
 
 E(ε2 F(ε′1 )) E(ε2 F(ε′2 )) . . . E(ε2 F(ε′N )) 
ΩG = E(εF(ε′ )) = 
 .. .. .. ..

 (2.174)

 . . . . 

E(εN F(ε′1 )) E(εN F(ε′2 )) . . . E(εN F(ε′N ))

Ainsi, l’estimateur β̂ AG du modèle à effets aléatoires s’écrit comme suit :

î ï−1 î ï
−1/2 −1/2 −1/2 −1/2
β̂ AG = R′ (ΩG x)ΩG x R′ (ΩG x)ΩG y = (Rx′ ∗ x∗ )−1 Rx′ ∗ y∗ (2.175)

−1/2 −1/2 −1/2

Avec x∗ = ΩG x; y∗ = ΩG y et Rx′ ∗ = R′ (ΩG x). Nous prouvons dans
les lignes qui suivent que β̂ AG peut être vu comme une combinaison linéaire des
variabilités inter et intra-individuelles des observations. Soient JT une matrice
carrée (T ×T ) composée uniquement de 1 et xn le vecteur (T ×1) des observations
de x pour le niéme individu. Ainsi,
 
xn1 − xn.
 
  3 4
 xn2 − xn.  JT
x − xn. =   = IT − xn
 .. 
T

 . 

xnT − xn.

Il s’en suit que

5 3 46
JT
X − Xn. = IN ⊗ IT − Xn .
T
è 1 2é
JT
Ainsi, Wn = IN ⊗ IT − T
permet de calculer les écarts de chaque observa-
tion aux moyennes individuelles qu’on appelle habituellement "l’opérateur intra-
individuel". Par analogie, nous pouvons déduire "l’opérateur inter-individuel" Bn

124
donné par l’expression suivante :

JT
Bn = IN T − Wn = IN ⊗
T

. En utilisant ces deux opérateurs nous pouvons réécrire β̂ AG comme suit (voir
annexe 3.3.3 pour la démonstration) :
è é−1 è é
βAG = G ∗intra
xx +θ′ G∗inter
xx G ∗intra
xy +θ′ G∗inter
xy , (2.176)

√
avec θ′ = φ. Ainsi, tout comme les MCG, l’estimateur Aïtken Gini peut
être considéré comme une combinaison optimale des estimateurs intra et inter-
groupes.

2.5 Conclusion
L’objectif premier de ce chapitre était de revenir sur les généralités de la ré-
gression Gini. La variance est la mesure de dispersion la plus populaire. Toute-
fois, elle suppose l’hypothèse de symétrie des distributions marginales. Ce qui
peut apparaître restrictif dans la mesure où l’analyse économique considère sou-
vent des relations non symétriques. L’utilisation de la différence moyenne du
Gini permet de surmonter cet obstacle. Il semble qu’il existe plus d’une douzaine
de représentations alternatives du GMD (Yitzhaki, 1998). L’intérêt essentiel que
présente la multiplicité de ces définitions est de montrer l’avantage d’utiliser la
GMD. Chaque définition ouvre la voie à de nombreux développements et inter-
prétations. Par exemple, la définition basée sur la covariance permet de définir la
co-Gini, la G-corrélation, l’ANOGI, la régression Gini, etc.
La GMD partage plusieurs propriétés avec la variance et la principale diffé-
rence entre ces deux mesures est la norme utilisée : la variance se base sur la
distance euclidienne tandis que la GMD utilise la "city block" distance (norme
ℓ1 ). En outre, le Gini est à la fois sensible à la distribution des revenus et à la dis-
tribution des rangs c’est-à-dire à la stratification. C’est principalement pour cette
raison qu’on dit que la décomposition du Gini est plus complète que celle de la
variance. Par conséquent, l’ANOGI serait plus appropriée que l’ANOVA lorsque
la stratification a des implications sur l’interprétation des résultats. Par ailleurs,
comme nous l’avons vu, la co-Gini n’est pas symétrique. C’est cela qui explique

125
d’ailleurs le fait qu’il existe deux types de régression Gini. La première est ba-
sée sur la minimisation du GMD des erreurs. Comme la régression par quantile,
l’estimateur obtenu n’a pas d’expression explicite et il ne peut être obtenu que nu-
mériquement. La seconde approche consiste à construire l’estimateur en question
de sorte qu’il soit moins sensible aux outliers. Les estimateurs obtenus dans ces
deux approches sont généralement différents et ils sont équivalents uniquement
lorsque le modèle est linéaire. Ainsi, nous pouvons tester l’hypothèse de linéarité
en comparant les estimateurs de ces deux approches de la régression Gini. En
outre, cette dernière est moins sensible que les MCO aux transformations mono-
tones des données et aux points aberrants. Ainsi, elle est plus robuste et peut être
vue comme une méthode par variable instrumentale (Ka and Mussard, 2015).
Par ailleurs, contrairement aux MCO qui imposent trois conditions (conditions
de Grenander) pour garantir le bon comportant de la matrice des moments, la
régression Gini n’impose que deux conditions. Ces dernières que nous avons in-
troduit dans Ka and Mussard (2016) sont moins restrictives.
Le second objectif de ce chapitre, qui est le principal d’ailleurs, était d’étendre
cette réflexion sur la régression Gini à l’économétrie des données de panels. La
principale difficulté de cette tâche était de décomposer la variabilité totale au sens
de Gini en variabilité intragroupe et en intergroupe sans l’indice de chevauche-
ment. Nous avons montré qu’il était possible de réaliser une telle décomposition.
Ainsi, nous avons pu définir les estimateurs intragroupes et intergroupes dans
le cadre du Gini. Comme tout estimateur basé sur le Gini, nos estimateurs sont
des U-statistiques et donc convergent vers la loi normale. Nous avons également
proposé un test de l’existence des effets individuels et plusieurs autres dévelop-
pements théoriques.
Pour terminer, notons que ces dernières décennies, plusieurs travaux ont tenté
de proposer des estimateurs du modèle à effets fixe moins sensible que les MCO
aux points aberrants. Nous pouvons citer entre autres la M-estimation, la S-
estimation (Verardi and Wagner, 2011). La particularité de notre estimateur est
qu’il est en plus d’être moins sensible que les MCO aux points extrêmes, il n’im-
pose pas de forme fonctionnelle particulière. Cette propriété est particulièrement
importante dans le domaine de la croissance pro-pauvre où plusieurs travaux
ont montré la sensibilité des résultats d’estimations aux formes fonctionnelles re-
tenues.

126
Chapitre 3

Estimation de la croissance
pro-pauvre

Ce chapitre revient sur l’approche économétrique de la croissance pro-pauvre.

Son objectif est double. Tout d’abord, nous revenons sur les limites de l’approche
par les indices. A l’heure actuelle, on doit admettre que les résultats obtenus
par cette dernière approche ne peuvent pas être considérés comme réellement
convaincants. En effet, comme nous allons le voir dans ce chapitre, cette approche
peut conduire parfois à des résultats contradictoires. En outre, beaucoup de cher-
cheurs s’indignent du caractère partiel des indices de croissance pro-pauvre et du
fait qu’ils ne nous permettent pas de conclure dans certaines situations. Ensuite,
nous nous intéresserons à l’approche économétrique. Cette dernière, bien qu’elle
représente une alternative très intéressante, souffre de certaines difficultés. Les
travaux empiriques sur la croissance pro-pauvre sont généralement sujets à deux
types de biais que sont le biais de sélection et le biais d’endogenéité. Ces der-
niers s’expliquent principalement par les limitations inhérentes aux données. En
effet, malgré les améliorations considérables de ces dernières années, les données
sur la croissance pro-pauvre continuent de poser de sérieux problèmes aux cher-
cheurs. Ces derniers déplorent le nombre élevé d’observations manquantes, les
erreurs de mesures et la présence de points aberrants. Par ailleurs, dans la plu-
part des travaux empiriques les échantillons sont composés d’une soixantaine de
pays parmi lesquels les pays développés sont surreprésentés et les pays pauvres
surtout ceux d’Afrique sub-saharienne presque inexistants. Ceci conduit à des
échantillons très hétérogènes et à une sélection drastique. A cela s’ajoute, le fait

127
que la dimension temporelle des données est extrêmement limitée. Ce qui fait que
la variance inter-individuelle est très supérieure à la variance inter-temporelle
(Cogneau et al., 2002; White and Anderson, 2001; Ghura et al., 2002, entre autres).
Par ailleurs, il serait nécessaire de tester la robustesse des conclusions en ana-
lysant les canaux de transmission et de voir aussi si les résultats restent valables
dans d’autres échantillons et également avec des combinaisons différentes de va-
riables explicatives. C’est pourquoi, nous avons construit deux échantillons en
données de panel. L’avantage des données de panels est qu’elles permettent de
tenir compte de l’hétérogénéité entre les pays. Mais également, la double dimen-
sion des données de panel et leurs grands nombres permettent d’obtenir plus de
variabilité, plus de degré de liberté et moins de colinéarité.
La première section revient sur les limites de l’approche par les indices. Elle
propose une étude comparative des mesures de la croissance pro-pauvre. Plus
précisément, nous allons étudier le caractère inclusif de la croissance Thaïlan-
daise en utilisant plusieurs indices : CIC, CPP, IPCC et TECP. Le cas de la Thaï-
lande est particulièrement intéressant. Ce pays a connu une croissance écono-
mique régulière durant les années 80, ce qui a conduit à réduire très sensiblement
l’incidence de la pauvreté. Mais, en même temps les inégalités de revenu ont été
très fortes. D’ailleurs, elle a été longtemps considérée comme l’un des pays les
plus inégalitaires en terme de distribution de revenu. Malheureusement, ces in-
égalités de revenu pourraient limiter l’impact de la croissance sur la réduction de
la pauvreté. En effet, la théorie de la croissance pro-pauvre soutient que la lutte
contre les inégalités de revenu est un vecteur important de lutte contre la pau-
vreté. Ainsi, nous pourrons légitimement nous demander en présence d’inégalité
de revenu aussi importante dans quelle mesure la croissance Thaïlandaise est-elle
pro-pauvre ? Plusieurs études se sont intéressées à cette question. La particularité
de celle-ci est qu’elle utilise un ensemble d’indices de croissance pro-pauvre.
La seconde section s’intéresse aux conséquences de la limitation des données,
aux choix de spécification et de la méthode d’estimation. La sensibilité des es-
timateurs par effets fixes standards aux outliers, aux erreurs de mesures et aux
formes fonctionnelles fait que nous privilégierons l’utilisation de notre estimateur
intragroupe de la régression Gini. Ce dernier est plus robuste que l’estimateur in-
tra basé sur les MCO Ka and Mussard (2016). Par ailleurs, pour tenir compte du
biais de sélection, nous avons construit deux échantillons en données de panels.

128
Un premier échantillon qui couvre la période 2003-2007 et comportant 69 pays
dont 37 sont des pays développés ou en transition et 32 sont des pays en voie de
développement. Et un deuxième échantillon à partir du premier en considérant
uniquement les pays en voie de développement et en transition. Ce traitement
nous permet d’avoir un second échantillon constitué de données homogènes.

3.1 Limites de l’approche par les indices de crois-

sance pro-pauvre
A l’heure actuelle, il n’existe pas de mesure de la croissance pro-pauvre faisant
l’unanimité. L’une des principales limites de ces indices est qu’ils se focalisent
uniquement sur la dimension monétaire de la pauvreté, ce qui peut paraître très
restrictif bien que nous reconnaissons le lien entre la dimension monétaire et non
monétaire de la pauvreté. En outre, comme nous allons le voir à travers l’exemple
ci-dessous, ces indices présentent des limites plus sérieuses. Tout d’abord, parfois
ils ne nous permettent pas de conclure. De plus, il faut également faire atten-
tion sur le fait que ces derniers peuvent aboutir à des conclusions contradictoires.
Cela s’explique par le fait que chaque indice de croissance pro-pauvre se rattache
à une définition donnée : globale, absolue et relative. Malheureusement, les tra-
vaux empiriques ne prennent généralement pas en compte ces limites. Afin, de
mieux illustrer ces insuffisances, nous allons dans cette section utiliser un en-
semble d’indices pour étudier le caractère inclusif de la croissance Thaïlandaise
des années 90.
L’exemple de la Thaïlande est particulièrement intéressant. Ce pays a connu
durant les années 80 et jusqu’au milieu des années 90 une forte croissance écono-
mique mais également une forte augmentation des inégalités de revenu. En effet,
durant cette période le taux de croissance annuel moyen a été de 9.5%. Ces perfor-
mances économiques s’expliquent notamment par une globalisation commerciale
et un ensemble de réformes économiques : stabilité macroéconomique, une déré-
glementation commerciale, une plus grande diversification de ses activités indus-
trielles (textile, montage électronique, l’agroalimentaire etc). Mais également à un
développement fulgurant du secteur des services (tourisme notamment). Cette
croissance régulière des années 80 a permis de réduire très significativement l’in-
cidence de la pauvreté (Krongkaew, 1996; Kakwani and Krongkaew, 2000). En

129
effet, cette dernière est passée de 27% au début des années 90 à environ 16% en
1999 (Table 3.1).

TABLE 3.1 – Incidence de la pauvreté en Thaïlande 1990-2000

Années 1990 1992 1994 1996 1998 2000

Incidence de la pauvreté 27,2 23,2 16,3 11,4 12,9 15,9
Nombre des pauvres (million) 15,3 13,5 9,7 6,8 7,9
Source Krongkeaw (2000)

Cette croissance économique soutenue a été la principale explication de la ré-

duction de l’incidence de la pauvreté. Toutefois, comme nous l’avons souligné
dans le premier chapitre, une erreur courante est de croire qu’une croissance éco-
nomique forte conduit nécessairement à une croissance pro-pauvre. En effet, cette
dernière dépend également du niveau de la distribution des revenus et pour la
Thaïlande les inégalités de revenu ont été très importantes. Ainsi, il nous paraît
essentiel de se demander si cette forte performance économique a pleinement
bénéficié aux pauvres ? Cette section se donne pour objectif de répondre à cette
question. Notons que plusieurs travaux (Kakwani et al., 2003; Son, 2007) se sont
déjà intéressés à cette question. La particularité de cette étude est qu’elle pro-
pose d’utiliser un ensemble de mesures de la croissance pro-pauvre : la courbe
d’incidence de la croissance (CIC) de Ravallion and Chen (2003), la courbe de
croissance pro-pauvre (CPP) de Son (2004), le taux de croissance équivalent à la
pauvreté (TCEP) de Kakwani and Son (2002) et l’indice de croissance pro-pauvre
(ICPP) de Kakwani et al. (2000). Nous utiliserons les dépenses de consommations
déflatées de l’indice harmonisé des prix comme indicateur de bien-être. Les don-
nées utilisées dans ce travail proviennent du Socio-Economic Surveys (SES).

3.1.1 Croissance pro-pauvre en Thaïlande avec la CIC.

Le choix de cet indicateur est principalement guidé par le fait que la CIC
(courbe d’incidence de la croissance) est la mesure la plus utilisée dans les tra-
vaux sur la croissance pro-pauvre. Cela s’explique certainement par sa simpli-
cité de mise en œuvre mais également par le fait qu’elle peut être utilisée pour
n’importe quel indicateur de bien être : monétaire et non monétaire. Par exemple

130
Grosse et al. (2008) l’utilise dans la dimension non monétaire de la pauvreté. Elle
ne nécessite pas non plus de définir un seuil de pauvreté, ce qui constitue un
avantage considérable. Selon cette méthode la croissance est pro-pauvre si, pour
tout centile p, la courbe se situe au-dessus de l’axe des abscisses. On dit alors qu’il
y a dominance stochastique de premier ordre de la distribution à la période t sur
la distribution à la période t − 1. Toutefois, si la CIC change de signe ou plus pré-
cisément s’il n’y a pas de dominance stochastique de premier ordre on ne pourra
pas conclure avec cet indice.
Pour construire la courbe d’incidence de la croissance (CIC) pro-pauvre, nous
avons calculé les taux de croissance des centiles des dépenses de consommation
sur la période 1990-2000.

F IGURE 3.1 – Courbe d’incidence de la croissance

La croissance est pro-pauvre lorsque la courbe est au-dessus de l’axe des abs-
cisses. Ainsi, globalement nous pouvons conclure que la croissance a été favo-
rable aux pauvres sur la période 1990-2000. Cela signifie que la croissance a été
favorable à toutes les couches de la population, notamment aux deuxième et der-
nier déciles, sur cette période.

131
3.1.2 Croissance pro-pauvre en Thaïlande avec la CPP.
Une approche alternative pour étudier la croissance pro-pauvre en Thaïlande
est possible en utilisant la CPP (courbe de croissance de la pauvreté) de Son
(2004). Et contrairement à la CIC, la courbe de Son (2004) est issue à partir des
conditions de dominance stochastique de deuxième ordre 1 . D’après cette courbe
la croissance est pro-pauvre au sens absolu lorsque cette courbe se situe au-dessus
de l’axe des abscisses. Ainsi, nous pouvons conclure que la pauvreté a décliné du-
rant la période 1998-2000 en Thaïlande avec la même conclusion que l’approche
par la CIC à savoir une amélioration des conditions de vie des premiers et der-
niers déciles.

F IGURE 3.2 – La courbe de croissance de la pauvreté

1. Rappelons que l’ordre 1 de la dominance stochastique est relatif au critère de Pareto donc
non compatible avec les principes redistributifs. L’ordre 2 permet en revanche des transferts de
type Pigou-Dalton.

132
3.1.3 Croissance pro-pauvre en Thaïlande avec le TCEP.
Une autre mesure de la croissance pro-pauvre est le TCEP (Taux de croissance
équivalent à la pauvreté). Ce dernier tel que défini par Kakwani and Son (2002)
correspond au taux de croissance qui engendre une baisse de la pauvreté dans la
même proportion que celle obtenue avec le taux de croissance du revenu moyen
(TCRM), lorsque l’on suppose les inégalités de revenu inchangées, c’est-à-dire
lorsque chaque individu reçoit la même proportion des bénéfices de la croissance.
Selon cette mesure la croissance sera considérée comme étant pro-pauvre (pro-
riche) au sens relatif lorsque le TCEP est supérieur (inférieur) au taux de crois-
sance du revenu ou des dépenses de consommation moyennes et pro-pauvre au
sens absolu si le TCEP est positif sur toute la période.

TABLE 3.2 – Taux de Croissance Équivalent à la Pauvreté en Thaïlande 1990-

2000

Années Taux de croissance Taux de Croissance Équivalent à la Pauvreté

TCEP Absolue Relative
1990-1992 7.49 4.27 Oui Non
1992-1994 7.65 8.82 Oui Oui
1994-1996 5.75 7.34 Oui Oui
1996-1998 -1.00 -2.67 Non Non
1998-2000 -0.85 -2.32 Non Non
Source nos propres calculs

Dans le tableau ci-dessus, nous pouvons constater que (comme chez Kak-
wani et al. (2004)) durant la période 1990-92 le taux de croissance par tête est de
7,49 ; alors que le TCEP est de 4,27. Cela signifie que 3,22% du taux de croissance
est perdu parce que les pauvres n’ont pas pleinement bénéficié de la croissance.
Ainsi, la croissance n’a pas été pro-pauvre sur cette période et sur la période 1992-
1993 ; la croissance a été favorable aux plus pauvres. Cela s’explique par l’effet
combiné de la croissance économique et de la baisse des inégalités de revenu. Et
très globalement, sur toute la période, la croissance économique thaïlandaise n’a
pas été pro-pauvre. Elle a entraîné une hausse des dépenses des ménages riches
plus que proportionnelle à celles des ménages pauvres de 1990 à 2000 2 .
2. Sur la période 1988-2000, Kakwani et al. (2004) concluent que la croissance économique
Thaïlandaise n’a pas été pro-pauvre.

133
3.1.4 Croissance pro-pauvre au Thaïlande avec l’ICPP.
Une dernière mesure utilisée pour évaluer le caractère pro-pauvre de la crois-
sance Thaïlande est l’ICPP (Indice de croissance pro-pauvre). Ce dernier introduit
par (Kakwani et al., 2000) correspond au rapport entre la réduction totale de la
pauvreté et la réduction de la pauvreté obtenue en supposant les inégalités de re-
venu inchangées. Ainsi, avec cette mesure, la croissance sera pro-pauvre au sens
relatif lorsque l’indice est supérieur à l’unité et pro-pauvre au sens absolu lorsque
qu’il est positif. Signalons toutefois, que cet indice ne respecte pas l’axiome de
monotonie. Cela signifie que l’indice n’augmente pas de valeur lorsque le taux
de réduction de la pauvreté est plus élevé.

TABLE 3.3 – Indice de croissance pro-pauvre en Thaïlande 1990-2000

Années Taux de croissance ICPP

ICPP Absolue Relative
1990-1992 7.49 0.57 Oui Non
1992-1994 7.65 1.18 Oui Oui
1994-1996 5.75 1.29 Oui Oui
1996-1998 -1.00 2.67 Oui Oui
1998-2000 -0.85 1.35 Oui Oui
Source nos propres calculs

Il peut être surprenant de constater que la croissance a été pro-pauvre avec la

CIC et la CCP et non pro-pauvre avec le TCEP et ICPP. D’où vient cette apparente
contradiction ? En réalité, ce type de résultat est très fréquent. Il s’explique princi-
palement par le fait que ces indices se basent sur des définitions différentes de la
croissance pro-pauvre : absolue (baisse du taux de pauvreté), relative (baisse des
inégalités) et globale (baisse de la pauvreté et des inégalités). Comme la réalité le
montre, une baisse du taux de pauvreté peut s’accompagner dans certaines situa-
tions d’une aggravation des inégalités de revenu. C’est le cas de la Thaïlande et
de la Chine durant ces dernières décennies. En effet, la croissance rapide Thaïlan-
daise des années 80 et des années 90 a permis de réduire la pauvreté absolue mais
s’est accompagnée d’une aggravation des inégalités (et donc d’une pauvreté rela-
tive, voir Table 3.4 ci-dessous). D’après Mazumdar and Son (2002), la faible mobi-
lité de la main d’œuvre du secteur agricole au secteur industriel est la principale

134
responsable de cette explosion des inégalités de revenu durant cette période de
forte croissance économique. D’ailleurs, cette faible mobilité de la main d’œuvre
a expliqué pourquoi la crise économique de 1997 n’a pas eu d’impact significatif
sur la distribution des revenus en Thaïlande (voir Table 3.4). Le premier quantile
a faiblement évolué durant la crise de 1996 (4.3 en 1996, 4.3 en 1998 et 4.2 en 2000)
et les écarts entre les différents quantiles sont restés stables.

TABLE 3.4 – L’évolution des inégalités en Thaïlande 1990-2000

Années Indice de Gini Quintile

1 2 3 4 5
1990 0.481 4.4 7.6 11.7 19.4 54.9
1992 0.499 4.1 7.2 11.2 18.8 58.7
1994 0.486 4.1 7.4 11.7 19.6 57.1
1996 0.477 4.3 7.6 11.9 19.8 56.5
1998 0.486 4.3 7.8 11.9 19.7 56.3
2000 0.509 4.2 7.7 12.1 19.8 56.2
Source Krongkeaw (2000)

Globalement, cette étude a le mérite de montrer les limites des indices de la

croissance pro-pauvre mais également de l’importance de prendre en compte la
distribution du revenu dans les politiques pro-pauvres. L’incidence de la pau-
vreté a diminué de façon continue durant cette période malheureusement l’am-
pleur aurait été plus importante en l’absence d’inégalités de revenu. Ainsi, bien
qu’elle revête une grande importance, la croissance n’explique pas l’ensemble de
l’évolution de la réduction de l’incidence de la pauvreté. D’où l’importance de
prendre en compte l’inégalité de revenu dans toute politique de croissance pro-
pauvre. 3

3. La forte croissance chinoise, des années 2000, a été la principale cause du rapide baisse
de la pauvreté. En effet, en 2001 l’indice de croissance pro-pauvre chinoise était environ de 17%
contre 64% au début des années 80 Ravallion (2009). Pourtant d’après Kakwani cette croissance
n’a pas été favorable aux pauvres mais, au contraire, elle leur a été défavorable puisqu’elle s’est
accompagnée d’une augmentation des inégalités.

135
3.2 Analyses économétriques de la croissance pro-
pauvre
Cette section s’intéresse respectivement à l’impact de la croissance, des inéga-
lités de revenu et des mécanismes de redistribution sur la réduction de la pau-
vreté. Son originalité est de tenter de mesurer l’impact de ces différents éléments
sur les quantiles inférieurs. Ainsi, elle permet de faire des recommandations plus
ciblées. En effet, pour élaborer une politique de croissance pro-pauvre, il serait
indispensable d’identifier les mécanismes permettant d’accroître le revenu des
quantiles inférieurs. En outre, cette technique présente plusieurs avantages : elle
permet d’évaluer plus facilement le caractère pro-pauvre de la croissance et les es-
timations obtenues sont insensibles au seuil de pauvreté choisi. Ce dernier point
est particulièrement important. Comme nous l’avons souligné précédemment es-
timer une ligne de pauvreté pour l’ensemble des pays de notre échantillon est un
exercice assez délicat.
Nous nous intéresserons également aux conséquences des choix de spécifi-
cation et de la méthode d’estimation. Par ailleurs, au-delà de la technique d’es-
timation utilisée, il est important de ne pas perdre de vue les problèmes liés à
la sélection de l’échantillon. La littérature empirique récente est largement re-
venue sur les conséquences d’un tel problème. Par exemple, Ghura et al. (2002)
montrent la fragilité des résultats de Dollar and Kraay (2002). Bien que leurs tra-
vaux ne soient pas facilement comparables à ceux de Dollar and Kraay (2002) du
fait que les échantillons sont différents, ils montrent tout de même leurs limites
et la nécessité d’utiliser des méthodes d’estimation plus robustes. Sur ce point la
régression Gini semble être une méthode d’estimation particulièrement adaptée
aux travaux sur la croissance pro-pauvre. Comme nous l’avons vu dans le précé-
dent chapitre, ce type de régression présente plusieurs avantages : une moindre
sensibilité que les méthodes traditionnelles aux erreurs de mesures et aux points
aberrants. Mais aussi, elle est plus robuste car les estimateurs obtenus par cette
approche sont moins sensibles à la sélection de l’échantillon et plus généralement
aux erreurs de spécification.
Cette section conclut aux limites des mécanismes de redistribution et à la né-
cessité de prendre en compte les inégalités de revenu dans toutes politiques pro-
pauvres. Et elle est organisée en quatre sous-sections. La première présente notre

136
modèle. La seconde et la troisième présentent respectivement les données et les
méthodes d’estimation et enfin la dernière nos différents résultats.

3.2.1 Spécification de notre modèle

Dans l’objectif de modéliser la croissance pro-pauvre, nous avons régressé les
taux de croissance des différents quantiles sur un ensemble de variables comme la
croissance et les inégalités de revenu. L’originalité de cette spécification est mul-
tiple. Tout d’abord, contrairement aux approches traditionnelles, ce type de spé-
cification nous évite de définir un seuil de pauvreté. En effet, estimer une ligne de
pauvreté pour l’ensemble des pays de notre échantillon est un exercice risqué : les
informations disponibles ne sont pas souvent suffisantes pour définir des seuils
de pauvreté rigoureusement fondés sur la technique des coûts et des besoins de
base. En outre, la plupart des travaux empiriques sur la croissance pro-pauvre
tente d’estimer l’élasticité du taux de pauvreté. Bien évidemment, nous recon-
naissons qu’il est important d’estimer cette élasticité mais malheureusement elle
n’est pas suffisamment informative. En effet, elle ne nous dit rien sur la profon-
deur de la pauvreté. Enfin, cette spécification répond mieux à la question de sa-
voir si les pauvres ont bénéficié de la croissance ?
Plus concrètement, l’équation retenue suppose une relation linéaire entre le
taux de croissance de chaque quantile (Qi ) et la croissance globale (Txc). Elle fait
intervenir outre l’indice de Gini, un ensemble de variables explicatives parmi les-
quelles figurent les taux de scolarisations primaire (Eduprim) et secondaire (Edu-
secon), le taux d’inflation (Txinf), le log du Pib agricole log(Piba), les dépenses
publiques de santé (DP de santé), un terme d’interaction [(1- Gini)*Txc] et la part
des dépenses publiques (DP du Gov). Elle se présente de la manière suivante :

Qi = β0 + β1 Txc + β2 Gini + β3 Eduprim + β4 Edusecon + β5 DP de santé

+ β6 (1- Gini)*Txc + β7 log(Piba) + β8 (DP du Gov) + β9 Txinf + ε (3.1)

Le terme d’interaction, [(1- Gini)*Txc], correspond à l’impact de la croissance

sur la réduction de la pauvreté si la distribution du revenu est constante.
Plusieurs procédures d’estimation sont envisagées dans ce document. Tout

137
d’abord, nous allons estimer ce modèle par les approches traditionnelles (l’esti-
mateur par effet fixe et aléatoire). Cependant, la sensibilité des estimateurs par
MCO aux outliers, aux erreurs de mesures et aux formes fonctionnelles fait que
cette technique reste peu adaptée à ce type de données. Le traitement qui consiste
à supprimer les observations aberrantes bien qu’intéressant n’est pas pleinement
satisfaisant car il conduit à supprimer beaucoup d’observations et donc à perdre
de l’information ce qui n’est pas sans conséquence sur les résultats. Pour toutes
ces raisons, nous avons préféré la régression Gini. L’un des intérêts que présente
cette dernière méthode réside dans la possibilité de corriger à la fois ces trois li-
mites : points aberrants, erreurs de mesure et moins de sensibilité aux formes
fonctionnelles.

3.2.2 Les données

Dans ce document les inégalités de revenu sont mesurées par l’indice de Gini.
Ce dernier, provient de la nouvelle version de la "World Income Inequality Data-
base : WIID 4 3c. Celle-ci constitue une amélioration incontestable par rapport à la
base de données de Deininger and Squire (1996). D’abord, plus récente, elle per-
met de disposer de beaucoup plus d’observations (7175 observations contre 2634
pour la base de Deininger and Squire (1996) et 5314 par rapport à la première ver-
sion du WIID). En outre, la procédure conduisant à la sélection des données y est
beaucoup moins contrainte et permet ainsi un recoupement plus fiable avec les
autres bases de données (la Luxembourg Income Study notamment). Une autre
particularité de cette dernière version est qu’elle contient, en plus des indice de
Gini, les déciles, les quantiles et les centiles P5 et P100 . Cependant, à l’image des
autres bases de données sur les inégalités, les observations non renseignées sont
extrêmement nombreuses dans la WIID3c.
Les variables PIB agricole par tête et taux de croissance proviennent de la base
de données du ”United States Department of Agriculture” (USDA). Ces données
ont été compilées par ”Economic Research Service (ERS)”. Cette base de données
contient le PIB et le taux de croissance de plus de 194 pays et couvre la période
1969 − 2015. Par ailleurs, toutes ces observations sont corrigées de l’inflation et
ont été rapportées au dollar américain de 2015.
4. UNU-WIDER, ’World Income Inequality Database (WIID3c)’, September 2015,
https ://[Link]/project/wiid-world-income-inequality-database

138
 Les variables éducation secondaire et primaire proviennent de la base de don-
nées de Barro and Lee (2013). Les trois autres variables d’analyse proviennent
des bases de données de la Banque Mondiale : le taux d’inflation, les dépenses
publiques de santé et la part des dépenses publiques.
Sur un plan purement économétrique, nous devons admettre que les résultats
empiriques obtenus ne sont pas réellement satisfaisants. En effet, il serait néces-
saire de tester la robustesse des conclusions en analysant si elles restent valables
dans d’autres échantillons et également avec des combinaisons différentes de va-
riables explicatives. C’est pourquoi, nous avons construit deux échantillons en
données panels dont les statistiques descriptives sont présentées dans la table 3.5
ci-dessous.

TABLE 3.5 – Statistiques descriptives

Echantillon 1 Echantillon 2

A. Nombre de période 2003-2007 2003-2007

B. Nombre de pays 69 32

C. Nombre d’observations 345 170

D. Moyennes
Indice de Gini 38.08 34.53
Q1 6.53 7.248
Q2 11.126 12.120
Q3 15.327 16.238
Q4 21.423 22.00
Q5 45.436 42.18
Eduprim 84.112 99.33
Edusecon 102.563 101.683
Taux d’inflation 6.00 4.51
DP de santé 7.01 7.78
taux de croissance (Txc) 5.506 5.14
log(PIBagr) 4.51 4.58
DP du Gov 5.88 4.22
[1-Gini]*Txc -208.59 -179.301

139
 Rappelons que la double dimension des données de panel et leurs grands
nombres permettent d’obtenir plus de variabilité, plus de degré de liberté, moins
de colinéarité et permettent également de contrôler l’hétérogénéité des compor-
tements. Mais surtout cette double dimension permet de tenir compte de l’in-
fluence de caractéristiques non observables des individus sur leur comportement,
cf. Baltagi (2008). 5 Par ailleurs, comme nous l’avons souligné dans l’introduction
de ce document, modéliser la croissance pro-pauvre ne consiste pas simplement
à régresser le taux de croissance et les inégalités sur les quantiles inférieurs ou sur
l’incidence de la croissance. En effet, la logique requiert que l’on considère uni-
quement les épisodes de croissance (donc taux de croissance positif). Ainsi, dans
nos échantillons nous avons considéré les pays qui ont des taux de croissance
positifs.
Un premier échantillon qui couvre la période 2003 − 2007 et comportant 69
pays dont 37 sont des pays développés ou en transition et 32 sont des pays en
voie de développement a été construit. Pour ces cinq périodes d’analyse, ce panel
est cylindré et comporte 345 observations. Toutefois, au-delà des tests de robus-
tesse que l’on peut effectuer, il est très probable que les résultats obtenus avec ce
premier échantillon soient sujets au biais de sélection. Cette question de sélection
de l’échantillon constitue selon notre point de vue un problème crucial. En effet,
ce premier échantillon regroupe des pays très hétérogènes en terme d’organisa-
tion économique et sociale. Ainsi, afin de tenir compte de ce biais de sélection,
nous avons construit un deuxième échantillon à partir du premier en considérant
uniquement les pays en voie de développement et en transition. Ce traitement
nous permet d’avoir un second échantillon constitué de données homogènes. Ce
deuxième échantillon couvre la même période et est non cylindré et il comporte
170 observations.

5. En outre, un avantage décisif des données de panel par rapport aux autres types de données
tient au fait qu’elles sont souvent extrêmement nombreuses ce qui conduit à des estimations dont
les propriétés peuvent être assimilées aux propriétés asymptotiques des méthodes utilisées.

140
3.2.3 Analyse et interprétation des résultats
Concernant l’impact de la croissance sur les quantiles inférieurs, le lien appa-
raît positif dans le cas de l’estimateur par effets fixes basé sur les MCO (Table3.7).
Selon cette première procédure d’estimation une hausse d’un point supplémen-
taire du taux de croissance favoriserait une augmentation de 0,14% (20%) du re-
venu des 0,20% (des 40%) les plus pauvres de notre de notre échantillon. En outre,
les inégalités de revenu seraient particulièrement défavorables aux plus démunis.
En effet, plus les inégalités de revenu sont importantes moins la croissance profite
aux pauvres. Cependant, nous devons être extrêmement prudents sur ce premier
résultat obtenu. En réalité, même si la plupart des paramètres sont significatifs,
l’estimation reste de très mauvaise qualité et peu robuste. C’est principalement
pour ces raisons que nous considérons que l’estimation par MCO est imprécise
et de faible qualité également. Cette instabilité de l’estimateur par les MCO pro-
vient de la présence de points aberrants dans notre échantillon 1. Pour s’en rendre
compte nous allons tester très brièvement la présence de points aberrants.
Il existe une multitude de manière de déceler la présence de points aberrants.
Les tests les plus connus sont : le Test de Dixon et le Test de Grubbs et à côté,
il existe plusieurs grandeurs permettant de détecter la présence de points aber-
rants dans l’échantillon : la distance de Cook, Résidu studentisé, Dffits, Dfbetas,
Covratio etc.

• Test de Dixon et le Test de Grubbs.

Le test de Dixon est le test le plus utilisé mais il a une très faible puissance
lorsque le nombre d’observations n’est pas élevé. Le principe de ce test est très
simple : il consiste à comparer les observations les plus éloignées du modèle et les
observations les plus proches de l’étendue totale des résidus. Plus concrètement,
on commence tout d’abord par classer les résidus du modèle par ordre croissant
(e1 < e2 < . . . en ). Ensuite, on calcule les rapports ci-dessus.

e2 − e1 en − en−1
Si3 ≤ n ≤ 7 Q1 = et Q1 = (3.2)
en − R1 en − e1

e2 − e 1 en − en−1
Si8 ≤ n ≤ 12 Q1 = et Q1 = (3.3)
en − e1 en − e2

141
 e3 − R1 en − en−2
Sin ≻ 12 Q1 = et Q1 = (3.4)
en−2 − e1 en − e3
Si la valeur de ces rapports est inférieure à la valeur critique (lue dans la table
de Dixon), on conclut qu’il y’a des points aberrants dans notre échantillon. L’in-
convénient majeur de ce test est sa faible puissance lorsque le nombre d’observa-
tion est peu élevé. Dans ce dernier cas, on privilégie le test de Grubbs.
• Le levier : il correspond à la iéme valeur de la matrice H définit (qu’on
appelle habituellement la Hat matrice) ci-dessous.

H = X(X′ X)−1 X′ le levier est hi = xi (X′ X)−1 xi′ (3.5)

Lorsque
K +1
hi > 2
n
alors on conclut que l’observation i est aberrante.
• Le Press (Predicted Residuals Sum of Squares) : plus elle s’éloigne de la
somme des carrés des résidus, plus on suspecte l’existence de points extrêmes.
n
Ø 2
Press = (Ŷi − Ŷi ) (3.6)
i=1

• La distance de Cook : pour l’estimateur des paramètres.

Elle calcule l’écart entre l’estimateur du paramètre et ce même estimateur cal-
culé sur le modèle privé de la ième observation :

(β̂ − βˆi )′ (X′ X)(β̂ − βˆi )

Di = (3.7)
σ̂ 2 (K + 1)
Lorsque Di > 1, on conclut que l’observation i a beaucoup d’influence sur
l’estimation du paramètre β.
• Dfbetas : pour l’estimateur du paramètre j.
Même principe que la distance de Cook mais sur un seul paramètre :

βˆj − β iˆ, j
Dfbetasij = ñ (3.8)
σ̂i (X′ X)−1 jj

Lorsque |Dfbetasij | > √2 ,

n
on conclut que l’observation i à beaucoup d’in-
fluence sur l’estimation du paramètre β.

142
 En appliquant ces différents tests, nous trouvons une vingtaine de points aber-
rants dans notre échantillon (Table3.6). Bien que ces points représentent 5% seule-
ment de notre échantillon 1, ils peuvent compromettre la validité de nos conclu-
sions basées sur les MCO.

TABLE 3.6 – Tests d’outliers

Obs Distance DFBETAS

de
Cook
Eduprim Edusecon Txinf DP de Indice log(PIBa)
santé de Gini
25 2.630 -5.0939 0.3027 -0.2006 0.7317 -0.4146 1.1881
35 3.130 -2.309 0.504 -0.306 1.031 -0.298 1.952
.. .. .. .. .. .. .. ..
. . . . . . . .

237 1.226 1.101 0.712 0.502 2.018 0.0181 1.012

C’est pour cela que nous allons estimer à nouveau notre modèle en utilisant
notre estimateur par effet fixe au sens de Gini. Ce qui nous amène à la Table3.8.
Les estimateurs par effets fixes MCO et Gini conduisent à des évaluations de
l’impact des variations des taux de croissance et des inégalités assez sensible-
ment différentes. On note même une opposition de signe pour les paramètres
estimés du coefficient de Gini (en couleur grise). Ces divergences ainsi observées
s’expliquent principalement par la sensibilité de l’estimateur habituelle au spéci-
fication du modèle, mais également aux importantes erreurs de mesures et à la
présence de points aberrants.
Ces deux résultats d’estimation qui viennent d’être présentés constituent une
bonne illustration de l’avantage que présente l’utilisation de la régression Gini.
Toutefois, au-delà des tests de robustesse que l’on peut effectuer, il est très pro-
bable que les résultats obtenus soient sensibles à la sélection de l’échantillon et
aux outliers (Table 3.6). Ces questions concernant les outliers et la sélection de
l’échantillon constituent de notre point de vue un problème à ne pas négliger. En

143
effet, ce premier échantillon regroupe des pays très différents en terme d’organi-
sation économique et sociale. Et nous pouvons très légitimement nous interroger
sur la pertinence d’un tel regroupement. Bien évidemment, nous pouvons utiliser
des méthodes robustes à la présence d’effets fixes. Toutefois, bien que certaines
différences organisationnelles et sociales peuvent être fixes sur une période don-
née, elles ont souvent des effets non négligeables sur la constitution du revenu
des plus pauvres dans le moyen et le long terme. Par exemple, dans les pays
riches, il existe souvent un ensemble de systèmes de protection sociale qui aident
assez efficacement les plus démunis à se protéger contre les effets des chocs ma-
croéconomiques. C’est pour cela que nous avons construit un second échantillon
à partir du premier en considérant uniquement les pays en voie de développe-
ment. Ce traitement nous permet d’avoir un échantillon constitué de données
homogènes dont les résultats sont présentés dans la sous-section suivante.

144
 TABLE 3.7 – Estimation de notre modèle par les MCO

Estimateur par effet fixe (MCO)

β= Q1 Q2 Q3 Q4 Q5

Edu prim −0.041⊘ −0.047⊘ −0.027⊘ 0.051⊘ 0.234⊘

(0.069) (0.066) (0.099) (0.058) (0.194)

Edu secon 0.013⊘ 0.08⊘ 0.027⊘ 0.05⊘ 0.029⊘

(0.010) (0.09) (0.034) (0.08) (0.028)

Taux d’inflation −0.04∗ −0.051∗ −0.045∗ −0.025∗∗ 0.021⊘

(0.011) (0.010) (0.026) (0.015) (0.031)

DP de santé −0.088⊘ −0.069⊘ −0.089⊘ 0.034⊘ 0.198⊘

(0.072) (0.067) (0.002) (0.06) (0.199)

Indice de Gini 10−1 −0.19∗ −0.018∗ −0.037∗ −0.052∗ 0.087∗∗

(0.018) (0.017) (0.025) (0.015 ) (0.069)

Log(PIBagri) 0.087∗∗ 0.021∗∗ 0.032∗∗ 0.023∗∗ −0.055∗∗

(0.105) (0.095) (0.087) (0.04) (0.14)

Taux de croissance 0.145∗ 0.207∗ 0.226∗ 0.100∗ 0.190∗

(0.071) (0.067) (0.101) (0.059) (0.200)

(1-Gini)*Txc 10−2 0.044∗ 0.052∗ 0.048∗ 0.0295∗ 0.821∗

(0.002) (0.002) (0.003) (0.002) (0.005)

DP du Gov 10−2 0.15 0.06⊘ 0.115⊘ 0.084⊘ −0.33⊘

(0.02) (0.067) (0.021) (0.081) (0.045 )

R2 0.3330 0.3230 0.3907 0.3599 0.3909

Durbin Watson 0.324 0.042 0.002 0.017 0.093

Breusch-Pagan 12.25 9.75 24.12 14.36 13.15

• Les valeurs entre parenthèses correspondent aux écarts-types 6 .

• Les paramètres avec un exposant ⊘ sont non significatifs.
6. Les écarts-types dans le cas du Gini sont calculés en utilisant la méthode du Jackknife.

145
 TABLE 3.8 – Estimation de notre modèle par le Gini

Estimates → Estimateur par effet fixe (Gini)

β= Q1 Q2 Q3 Q4 Q5

Edu prim −0.080⊘ −0.015⊘ 0.061⊘ 0.052⊘ 0.041⊘

(0.091) (0.021) (0.075) (0.055) (0.047)

Edu secon 0.024∗ 0.030∗ 0.050∗ 0.04∗ 0.057∗∗

(0.006) (0.007) (0.010) (0.021) (0.045)

Taux d’inflation −0.053∗ −0.075∗ −0.052∗ −0.017∗ −0.012⊘

(0.022) (0.031) (0.024) (0.010) (0.020)

DP de santé −0.066⊘ −0.096⊘ −0.054⊘ 0.008⊘ 0.025⊘

(0.055) (0.089) (0.044) (0.06) (0.023)

Indice de Gini 10−1 −0.130∗ −0.135∗ −0.031∗ −0.108∗ 0.051∗

(0.071) (0.094) (0.012) (0.094 ) (0.015)

Log(PIBagri) 0.016∗ 0.022∗∗ 0.061∗∗ 0.071⊘ −0.0374⊘

(0.056) (0.013) (0.038) (0.047) (0.029)

Taux de croissance 0.12∗∗ 0.130∗ 0.153∗ 0.160∗ 0.140∗

(0.052) (0.045) (0.098) (0.045) (0.01)

(1-Gini)*Txc 10−2 0.066∗ 0.036∗ 0.018∗ 0.041∗ 0.012∗

(0.002) (0.001) (0.002) (0.001) (0.003)

DP du Gov 10−2 0.015⊘ 0.021⊘ −0.028⊘ −0.024⊘ −0.074⊘

(0.091) (0.072) (0.041) (0.051) (0.069 )

GR2 0.301 0.343 0.351 0.320 0.405

Durbin Watson 1.78 1.25 0.99 1.35 1.56

• Les paramètres avec un exposant ∗ sont significatifs à 5%.

• Les paramètres avec un exposant ∗∗ sont significatifs à 10%.

146
3.2.4 Estimations de notre modèle sur notre second échantillon
Les tables 3.9 et 3.10 ci-dessous présentent respectivement les résultats de nos
estimations avec les MCO et le Gini sur notre second échantillon. Comparer aux
résultats précédents l’amélioration de la qualité de l’estimation est particulière-
ment frappante. Une simple observation de ces tableaux nous permet de consta-
ter l’évolution de certains paramètres estimés et l’importance de tenir compte
des spécificités des pays. Globalement, la croissance s’accompagne d’une réduc-
tion de la pauvreté. En outre, on voit bien, en comparant les résultats obtenus
par la régression Gini dans les deux échantillons que l’impact de la croissance
agricole sur la réduction de la pauvreté serait supérieur dans les pays à faibles
revenus. Selon les estimations sur notre premier échantillon le PIB agricole n’a
pas une influence significative sur le caractère pro-pauvre de la croissance. Pour
rappel, dans le chapitre 1 de ce document, nous avons vu que l’agriculture joue
un rôle important dans la réduction de la pauvreté. D’ailleurs, plusieurs travaux
ont montré qu’à dépense égale c’est la recherche agricole qui a le plus permis de
réduire la pauvreté dans les pays en voie de développement. D’après nos esti-
mations, ce type de résultats reste vrai dans les pays pauvres caractérisés par des
économies fondées généralement sur l’agriculture. C’est pour cette raison, que
le PIB agricole n’a pas une incidence significative sur la réduction les quantiles
inférieurs de notre premier échantillon 7 . Par ailleurs, comme le souligne à juste
titre Wiggins and Higgins (2008), il est important de réduire les distorsions des
marchés agricoles afin de pouvoir favoriser l’impact de la croissance agricole sur
la réduction de la pauvreté.
Par ailleurs, durant ces dernières décennies, une abondante littérature est re-
venue sur l’importance de l’accès à l’éducation dans la lutte contre la pauvreté. En
effet, l’éducation joue un rôle essentiel pour trouver un emploi et atteindre l’au-
tonomie personnelle. Toutefois, bien que le taux de scolarisation secondaire joue
favorablement à la réduction de la pauvreté, l’analyse révèle que le taux de sco-
larisation primaire n’a pas une influence significative sur les quantiles inférieurs.
La principale explication de ce résultat est que stimuler l’accès à l’éducation pri-
maire n’est efficace pour réduire la pauvreté qu’à condition que les populations
7. La grande majorité des pays de notre premier échantillon sont des pays industrialisé ou en
transition et leurs économies ne reposent pas sur l’agriculture. Ce qui fait que la réduction de la
pauvreté n’est pas clairement due à la croissance agricole

147
concernées puissent poursuivre leurs formations afin de bénéficier pleinement
des rendements marginaux élevés associés à la formation longue.
Sans surprise l’inflation a un impact négatif sur les quantiles inférieurs. Elle
érode le pouvoir d’achat des pauvres. Une hausse de dix pourcent du taux d’in-
flation réduit la croissance du premier quantile d’environ six points. En réalité,
l’inflation peut être considérée comme une taxe régressive qui affecte davantage
les plus pauvres. En effet, ces derniers sont souvent moins outillés que les autres
pour se protéger contre l’inflation. Ils n’ont pas souvent accès aux produits finan-
ciers qui permettent de protéger la valeur de leur patrimoine.
Globalement, même si la croissance s’accompagne d’une amélioration du re-
venu des plus pauvres, ces derniers ont moins bénéficié des résultats de la crois-
sance que les riches. En outre, ces résultats mettent en évidence l’importance de
ne pas négliger la lutte contre les inégalités. L’analyse montre que ces dernières
agissent négativement sur le taux de croissance des quantiles inférieurs. Malheu-
reusement, les politiques de lutte contre les inégalités sont souvent négligées dans
la lutte contre la pauvreté. D’ailleurs, les estimations ci-dessus montrent que c’est
la croissance corrigée des inégalités qui a le plus d’influence sur la réduction de
la pauvreté. Ce paramètre est plus important chez les quantiles inférieurs.

148
 TABLE 3.9 – Estimation de notre modèle par les MCO

Estimates → Estimateur par effet fixe (MCO)

β= Q1 Q2 Q3 Q4 Q5

Edu prim −0.075⊘ −0.056⊘ −0.051⊘ 0.041⊘ 0.027⊘

(0.081) (0.083) (0.027) (0.055) (0.0233)

Edu secon 0.070∗ 0.056∗ 0.062∗ 0.020∗∗ 0.05∗∗

(0.012) (0.012) (0.017) (0.014) (0.026)

Taux d’inflation −0.034∗ −0.021∗ −0.014∗ −0.014∗ 0.010∗∗

(0.0021) (0.0022) (0.0033) (0.0014) (0.0061)

DP de santé 0.013⊘ −0.065⊘ −0.013⊘ −0.012⊘ 0.038⊘

(0.016) (0.083) (0.0158) (0.068) (0.029)

Indice de Gini 10−1 −0.117∗ −0.111∗ 0.037∗∗ 0.077∗∗ 0.062⊘

(0.026) (0.027) (0.019) (0.043) (0.052)

Log(PIBagri) 0.04∗ 0.053∗ 0.048∗∗ 0.027∗∗ −0.093⊘

(0.002) (0.027) (0.026) (0.015) (0.056)

Taux de croissance 0.145∗ 0.157∗ 0.205∗ 0.154∗ 0.183∗

(0.097) (0.099) (0.052) (0.066) (0.079)

(1-Gini)*Txc 10−2 0.055∗ 0.041∗ 0.095∗ 0.037∗ 0.013∗∗

(0.03) (0.03) (0.04) ((0.02) (0.08)

DP du Gov 10−2 0.011⊘ 0.693⊘ 0.529⊘ 0.055⊘ −0.017⊘

(0.08) (0.09) (0.023) (0.06) (0.024)

R2 0.4627 0.4021 0.4558 0.3396 0.4722

Durbin Watson 1.02 0.96 1.024 0.77 1.24

Breusch-Pagan 8.25 10.15 14.12 18.76 15.24

149
 TABLE 3.10 – Estimation de notre modèle par le Gini

Estimates → Estimateur par effet fixe (Gini)

β= Q1 Q2 Q3 Q4 Q5

Edu prim −0.011⊘ −0.035⊘ 0.029⊘ 0.045⊘ 0.024⊘

(0.07) (0.065) (0.051) (0.054) (0.031)

Edu secon 0.087∗ 0.065∗ 0.054∗ 0.061∗ 0.104∗

(0.0010) (0.0009) (0.0011) (0.0009) (0.0054)

Taux d’inflation −0.089∗ −0.097∗ −0.049∗ −0.048∗ 0.050∗

(0.001) (0.0012) (0.003) (0.003) (0.001)

DP de santé −0.011∗∗ −0.119∗∗ 0.066∗∗ 0.009∗∗ 0.017∗∗

(0.046) (0.071) (0.039) (0.005) (0.011)

Indice de Gini 10−1 −0.116∗ −0.130∗ −0.092∗ −0.129∗ 0.05∗∗

(0.009) (0.012) (0.011) (0.021) (0.025)

Log(PIBagri) 0.097∗ 0.011∗ 0.010∗ 0.014∗ 0.008∗

(0.005) (0.006) (0.009) (0.004) (0.0022)

Taux de croissance 0.110∗ 0.108∗ 0.135∗ 0.109∗ 0.150∗

(0.007) (0.0019) (0.0012) (0.009) (0.0019)

(1-Gini)*Txc 10−2 0.039∗ 0.025∗ 0.014∗ 0.029∗ 0.04∗

(0.001) (0.001) (0.002) ((0.001) (0.004)

DP du Gov 10−2 0.013⊘ 0.014⊘ 0.038⊘ 0.019⊘ −0.086⊘

(0.05) (0.09) (0.03) (0.05) (0.094)

GR2 0.512 0.569 0.612 0.491 0.641

Durbin Watson 1.34 1.16 1.74 0.84 1.65

150
3.2.5 D’autres méthodes d’estimations
Afin de mieux illustrer l’avantage de la régression Gini nous allons nous
concentrer sur notre second échantillon. L’objectif est de comparer les résultats
obtenus avec cet échantillon à partir des deux méthodes d’estimation. Plus préci-
sément, nous allons tout d’abord présenté dans la table3.11, outre les estimations
usuelles (MCO, inter, intra), l’estimateur MCQG et l’estimateur MCO du modèle
en différence première (DP). Ce dernier représente une solution alternative à l’es-
timateur intra, lorsque l’on est confronté à un problème de corrélation des effets
individuels. Ensuite, nous présenterons dans la table3.12, l’équivalent de ces es-
timateurs dans le cadre de la régression Gini, il s’agit notamment de l’estimateur
de la régression Gini, de l’inter Gini, l’intra Gini, l’Aïtken Gini et enfin l’estima-
teur Gini du modèle en différence première (DP). Toutefois, pour une question de
présentation, nous ne présentons ici que les résultats relatifs au premier quantile.
Les résultats complets sont disponibles en annexe (p173 à p175).

151
 TABLE 3.11 – Estimation de notre modèle sur le premier quintile MCO

Estimates → Estimateur MCO

β= Intra individuel Inter individuel MCO MCQG DP

Edu prim −0.075⊘ −0.050⊘ −0.037⊘ −0.014⊘ −0.011⊘

(0.081) (0.051) (0.042) (0.015) (0.012)

Edu secon 0.070∗ 0.048∗ 0.021∗ 0.019∗ 0.15∗

(0.012) (0.010) (0.011) (0.009) (0.075)

Taux d’inflation −0.034∗ −0.056∗ −0.016∗ −0.007∗ −0.001∗

(0.0024) (0.035) (0.01004) (0.014) (0.061)

DP de santé 10−2 0.013⊘ 0.035⊘ 0.011⊘ 0.012⊘ 0.026⊘

(0.016) (0.073) (0.027) (0.06875) (0.029)

Indice de Gini 10−1 −0.117∗ −0.065∗ −0.224∗ −0.017∗ −0.162∗

(0.026) (0.029) (0.012) (0.018) (0.075)

Log(PIBagri) −0.04∗ −0.182∗ −0.086∗∗ −0.007∗∗ −0.063∗∗

(0.002) (0.153) (0.019) (0.005) (0.023)

Taux de croissance 0.145∗ 0.181∗ 0.098∗ 0.057∗ 0.23∗

(0.097) (0.0201) (0.017) (0.036) (0.027)

(1-Gini)*Txc 10−2 0.055∗ 0.056∗ 0.070∗ 0.097∗ 0.12∗∗

(0.03) (0.05) (0.019) ((0.02) (0.08)

DP du Gov 10−2 0.011⊘ 0.099⊘ 0.055⊘ 0.142⊘ 0.087⊘

(0.08) (0.06) (0.018) (0.06) (0.024)

R2 0.4627 0.887 0.889 0.856 0.47

• Les paramètres avec un exposant ⊘ sont non significatifs.

• Les paramètres avec un exposant ∗ sont significatifs à 5%.
• Les paramètres avec un exposant ∗∗ sont significatifs à 10%.

152
 TABLE 3.12 – Estimation de notre modèle sur le premier quintile Gini

Estimates → Estimateur Gini

β= Intra Gini Inter Gini Gini Aïtken Gini DP Gini

Edu prim −0.011⊘ −0.012⊘ −0.011⊘ −0.013⊘ −0.009⊘

(0.07) (0.051) (0.085) (0.058) (0.003)

Edu secon 0.087 0.094 0.091 0.079 0.065

(0.0010) (0.011) (0.009) (0.009) (0.024)

Taux d’inflation −0.089∗ −0.099∗ −0.097∗ −0.095∗ −0.101∗

(0.001) (0.003) (0.0012) (0.003) (0.001)

DP de santé 10−1 −0.011∗∗ −0.013⊘ −0.120∗∗ −0.014⊘ −0.009⊘

(0.046) (0.089) (0.911) (0.042) (0.120)

Indice de Gini 10−1 −0.116∗ −0.13∗ −0.141∗ −0.129∗ −0.15∗

(0.009) (0.011) (0.012) (0.021) (0.025)

Log(PIBagri) 0.097∗ 0.119∗ 0.117∗ 0.014∗∗ 0.179⊘

(0.005) (0.009) (0.006) (0.004) (0.022)

Taux de croissance 0.110∗ 0.095∗ 0.086∗ 0.109∗ 0.120∗

(0.0070) (0.012) (0.017) (0.009) (0.019)

(1-Gini)*Txc 10−2 0.039∗ 0.045∗ 0.042∗ 0.044∗ 0.021∗

(0.001) (0.002) (0.001) (0.001) (0.004)

DP du Gov 10−2 0.013⊘ 0.016⊘ 0.014⊘ 0.012⊘ 0.026⊘

(0.05) (0.03) (0.05) (0.05) (0.014)

GR2 0.512 0.751 0.792 0.779 0.761

Dans un premier temps, nous observons une relative similarité entre l’esti-
mateur total et l’estimateur inter. Ce type de résultat est très connu en écono-
métrie. En effet, comme nous l’avions souligné dans le chapitre 2, en panel la
variabilité inter-individuelle représente l’essentiel de la variabilité totale. A l’op-
posé, les estimations intra, MCQG et en différence première sont sensiblement
différentes des précédentes. L’impact de la croissance sur le premier quantile est

153
nettement plus faible que celui obtenu précédemment. Pourtant, logiquement,
ces estimateurs devraient être convergents et relativement proches. Bien évidem-
ment, sous l’hypothèse que le modèle soit correctement spécifié et que toutes les
hypothèses standards soient remplies. Par conséquent, nous pouvons en conclure
qu’au moins le modèle n’est pas correctement spécifié. Au passage nous pouvons
souligner que le R2 du modèle intra est plus faible que les autres. L’explication
principale de ce résultat est que ce modèle ne comporte pas de constante 8 et donc
l’analyse de la variance n’est plus vérifiée.
Les problèmes d’autoccorélation (ou d’hétéroscédasticité) des erreurs ne
conduisent pas à des estimateurs biaisés. Nous pouvons dire que les divergences
précédemment obtenues dans le cadre des MCO ne sont pas dues à la non vali-
dité de ces deux hypothèses. Elles sont probablement dues à une éventuelle en-
dogeneité des variables explicatives ou plus généralement à une mauvaise spé-
cification de la forme fonctionnelle retenue. Comme nous le savons un problème
d’endogénéité induit la non convergence de l’estimateur MCQG alors que l’esti-
mateur intra reste lui convergent. Ainsi, il est tout à fait possible d’envisager un
test d’endogéneité à la Hausman en comparant l’estimateur MCQG et l’estima-
teur intra-individuelle.

H = (β̂intra − β̂mcqg )′ (V̂ (β̂intra ) − V̂ (β̂mcqg ))−1 (β̂intra − β̂mcqg ) (3.9)

Cette statistique suit asymptotiquement un khi-deux à dimb(β) degrés de liberté.

L’application de ce test, pour les équations considérées, nous conduit à rejeter
systématiquement l’exogénéité de l’effet individuel.

TABLE 3.13 – Tests d’endogéneité

Test de Hausman
Q1 Q2 Q3 Q4 Q5

H 72 56 81 69 78

χ2 (9) 16.919 16.919 16.919 16.919 16.919

Sans effectuer ce test, une simple observation de la table 3.11 pouvez nous
8. Si il n’y a pas de constante dans le modèle, le R2 peut devenir négatif.

154
permettre de conclure à une éventuelle endogéneité des regresseurs. Toutefois,
il faudra noter que l’écriture du modèle en intra ou en inter interdit l’estima-
tion des coefficients des variables constantes dans la dimension temporelle. En
outre, la divergence entre les estimateurs intra et MCQG peut provenir plus gé-
néralement d’une erreur de spécification. C’est pourquoi, il est important de re-
courir à des techniques d’estimation alternatives moins sensible aux erreurs de
spécifications. L’endogéneité est un problème classique en économétrie et la mé-
thode des variables instrumentales demeure une solution efficace. Le problème
se ramène alors à trouver des variables qui soient de bons instruments. Sur ce
point, plusieurs pistes de recherche ont été envisagées dans la littérature : par
exemple, Hausman and Taylor (1981) ont proposé d’utiliser les variables expri-
mées en écarts aux moyennes individuelles. Nous utilisons ici la proposition de
Durbin (1954) qui consiste à utiliser le rang des variables explicatives comme
instruments ce qui correspond à la régression Gini. L’utilisation de cette dernière
permet de surmonter les problèmes d’endogénéité. C’est pour cela que nous nous
intéressons à présent aux estimations obtenues dans les différentes dimensions
de la variabilité en utilisant cette régression. Ceci nous amène au tableau3.12 ci-
dessus.
Contrairement aux MCO les résultats obtenus dans les différentes dimensions
de la variabilité au sens de Gini nous conduisent à des estimations relativement
proches. En effet, les estimations Gini, inter et intra conduisent à des évaluations
de l’impact de la croissance et des inégalités sur les quantiles assez identiques,
ce qui constitue un argument supplémentaire en faveur de la régression Gini.
En réalité, la relative proximité des estimateurs découlant des différentes mé-
thodes de centrage constitue en généralement une validation de la spécification
du modèle. Ainsi, il ne faudrait pas réduire la régression Gini à une simple tech-
nique de traitement des points aberrants. Comme nous l’avons vu précédemment
cette technique de régression jouit de plusieurs autres avantages : estimateur sans
biais, convergent, moins sensible à la spécification du modèle et aux erreurs de
mesures 9 .
9. D’ailleurs, l’insensibilité des estimations de la régression Gini aux points aberrants n’est
qu’une propriété de la régression Gini. Et cette dernière découle du fait que la GMD est plus
adaptée lorsque l’hypothèse de normalité n’est pas remplie et plus généralement lorsque la dis-
tribution sous-jacente des données a une queue épaisse.

155
3.3 Conclusion
L’objectif premier de ce chapitre était de revenir sur les limites des mesures
traditionnelles de la croissance pro-pauvre. Comme nous l’avons bien vu, dans
la première section de ce chapitre, l’approche par les indices présente des limites
qu’on devrait prendre plus au sérieux. En effet, en plus de leur caractère par-
tiel, ces méthodes conduisent souvent à des résultats contradictoires. En outre,
dans certaines situations, elles ne nous permettent pas conclure. Au vu de cela,
l’approche économétrique représente une belle alternative mais cette dernière est
sujette à deux types de biais : le biais de sélection et le biais d’endogéneité. Paral-
lèlement, elle souffre aussi de la sensibilité des résultats d’estimations à la forme
fonctionnelle choisie voir Alesina and Rodrik (1994). Par ailleurs, les erreurs de
mesures sur certaines variables explicatives comme l’indice de Gini constituent
une autre préoccupation qu’on devrait prendre plus au sérieux. Malgré, les efforts
visant à améliorer (ou élargir) les données existantes, elles restent insatisfaisantes.
Les données sur la croissance pro-pauvre diffèrent entre les pays en termes de
couverture géographique (couverture nationale, urbaine ou rurale), d’unités sta-
tistiques (familles, ménages ou individus) et de définition du revenu (dépenses
de consommation, revenu disponible ou revenu brut). Et très globalement, ces
erreurs de mesure engendrent une sous-estimation, en valeur absolue, de la vraie
valeur du paramètre de la variable sujette à cette erreur de mesure. Cette sous-
estimation est d’autant plus importante que la part de la variance de l’erreur de
mesure dans la variance totale de la variable observée est élevée et/ou que le
coefficient estimé est lui même élevé. Ainsi, il y’a une très bonne raison de privi-
légier la régression Gini. D’ailleurs, comme nous l’avons vu dans ce chapitre, les
estimateurs qui découlent du Gini sont en général plus robustes.
Une autre conclusion importante de ce chapitre est que globalement le proces-
sus de croissance favorise la réduction de la pauvreté à condition que les inégali-
tés de revenu soient maîtrisées. L’analyse nous conduit à affirmer également que
les mécanismes de redistribution jouent un rôle assez mineur (à quelques excep-
tions près). Par ailleurs, d’après nos résultats, l’impact de la croissance agricole
sur la réduction de la pauvreté varie en fonction du niveau de développement
du pays. Dans les pays à faible revenu l’incidence de la pauvreté a tendance à
être extrêmement sensible à la croissance du secteur agricole. Pour terminer, une
politique de croissance favorable aux pauvres doit s’appuyer sur un ensemble de

156
mesures de nature à générer une croissance économique forte et soutenue. Cela
passe nécessairement par une stabilité macro-économique, une faible inflation,
des progrès massifs en scolarisation surtout dans le secondaire.

157
Conclusion Générale
Le propos de notre thèse était de modéliser la croissance pro-pauvre. Elle
présente des apports théoriques et empiriques. Dans un premier temps, nous
nous sommes attachés à évaluer la pertinence des arguments théoriques et empi-
riques avancés par la littérature sur la croissance pro-pauvre. Depuis les travaux
fondateurs de Kuznets dans les années 50, la littérature économique a pendant
longtemps soutenu que seule la promotion de la croissance économique suffit,
à terme, pour favoriser la réduction de la pauvreté (grâce au trickle down no-
tamment). Plus récemment, les théoriciens de la croissance pro-pauvre ont remis
en cause cette vision. L’efficacité de la croissance comme vecteur de réduction
de la pauvreté dépend en partie des inégalités de revenu. C’est pour cette raison
que deux grandes approches se sont développées pour définir la croissance pro-
pauvre : l’approche relative et l’approche absolue. Selon notre avis, la distinction
entre ces deux approches est beaucoup moins claire qu’il n’y paraît. Dans la réa-
lité, l’ampleur de la réduction de la pauvreté sous l’impulsion de la croissance
dépend du niveau de départ de la distribution du revenu. De plus, l’objectif prin-
cipal n’est pas tant celui d’une réduction du taux de pauvreté que celui de la
promotion d’une distribution plus égalitaire. La préoccupation majeure est celle
qui consiste à accroître l’influence de la croissance sur la réduction de la pauvreté.
Modéliser la croissance pro-pauvre nécessite de développer des méthodes
d’estimations robustes au biais d’endogénéité et au biais de sélection. Ainsi, dans
un second temps, cette thèse propose d’étendre la réflexion sur la régression Gini
à l’économétrie des données de panels. Nous sommes d’abord revenus sur les
fondamentaux de la régression Gini : la différence moyenne du Gini, la cova-
riance au sens de Gini (co-Gini), la corrélation au sens de Gini (G-corrélation),
le Gini généralisé et l’analyse au sens de Gini (l’ANOGini). Ensuite, nous avons
montré qu’il était possible de décomposer la variabilité totale au sens de Gini en
variabilité intragroupe et en intergroupe sans l’indice de chevauchement. Ainsi,
nous avons pu définir les estimateurs intragroupes et intergroupes dans le cadre
du Gini. Comme tout estimateur basé sur le Gini, nos estimateurs sont des U-
statistiques et donc convergents vers la loi normale. Les Tables 2.3, 2.4 et 2.5 illus-
trent de façon concrète la pertinence de nos estimateurs intragroupes et inter-
groupes au sens de Gini en présence de points aberrants. En outre, nos nouveaux
estimateurs sont moins sensibles que les méthodes standards aux erreurs de me-

158
sure et aux formes fonctionnelles choisies. Cette dernière propriété est particu-
lièrement importante dans l’étude de la croissance pro-pauvre. D’ailleurs, plu-
sieurs travaux sont revenus sur les conséquences des choix de spécification et de
la méthode d’estimation. Nous avons également proposé un test de l’existence
des effets individuels.
Une autre contribution théorique de cette thèse réside dans l’introduction de
nouvelles conditions afin de garantir "bon comportement" de la matrice des mo-
ments. Dans la littérature sur la régression Gini aucune hypothèse particulière n’a
été posée sur cette matrice alors que nous savons, qu’à l’évidence, certaines condi-
tions sont nécessaires. En effet, nous avons montré que lorsque les régresseurs
sont comonotones il devient impossible d’appliquer la régression Gini puisque
la matrice des moments n’est plus inversible. Nous avons également montré que
l’absence de comonotonie implique l’hypothèse de rang plein et que la seconde
condition de Grenander n’était pas indispensable dans le cas de la régression
Gini. Ainsi, contrairement aux MCO qui imposent trois conditions (conditions
de Grenander) pour garantir le bon comportant de la matrice des moments, la
régression Gini n’impose que deux conditions.
Par ailleurs, d’après les travaux de Shelef (2014), le test de Dickey et Fuller
fournit de faible puissance lorsque les données sont contaminées par des valeurs
aberrantes. Afin de surmonter cette limite, elle propose un test basé sur le GMD.
Nous avons montré que ce dernier test donne des estimateurs robustes et va-
lides pour une large gamme de distributions. Toutefois, nos simulations montrent
aussi que ce test Shelef (2014) a une faible puissance lorsque l’hypothèse d’ab-
sence d’autocorrélation des erreurs n’est plus satisfaite. En effet, nos résultats
indiquent une diminution de la puissance de ce test au fur et à mesure que le
coefficient de corrélation augmente. Afin de tenir de cette limite, nous avons in-
troduit une extension Aïtken Gini. L’estimateur qui découlent de cette dernière
méthode nous permet d’appliquer le test de Shelef (2014) avec processus autocor-
rélé sans perte de puissance.
Une autre application de l’estimateur Aïtken Gini au modèle à effets aléatoires
a été envisagée. Pour ce dernier, un certain nombre d’extensions pourraient être
nécessaires. Il existe plusieurs possibilités pour estimer la matrice de variance co-
variance de l’erreur. Yithzaki nous suggère d’utiliser la matrice de Gini−Cog pour
l’estimer. Dans cette thèse, nous avons privilégié cette dernière méthode. Toute-

159
fois, nous reconnaissons que d’autres options (Swamy and Arora, 1972; Ame-
miya, 1971, par exemple) pourraient être envisagées. IL serait ainsi important
d’analyser, par des simulations par exemple, l’impact du choix d’une méthode
particulière sur les estimations obtenues.
Enfin, cette thèse présente des applications empiriques qui illustrent les li-
mites des indices de croissance pro-pauvre et l’avantage de nos estimateurs ba-
sés sur le Gini. A l’issue d’une étude comparative des indices de croissance pro-
pauvre, nous avons montré que les mesures traditionnelles de croissance pro-
pauvre peuvent conduire à des résultats contradictoires. Ensuite, il montre que le
processus de croissance favorise la réduction de la pauvreté à condition que les
inégalités de revenu soient maîtrisées. L’analyse nous conduit à affirmer égale-
ment que l’impact de la croissance agricole sur la réduction de la pauvreté varie
en fonction du niveau de développement du pays. Dans les pays à faible revenu
l’incidence de la pauvreté a tendance à être extrêmement sensible à la croissance
du secteur agricole. Pour terminer, les pouvoir publics qui cherchent à accroître
la croissance du revenu des plus pauvres doivent s’appuyer sur un ensemble de
mesures de nature à générer une croissance économique forte et soutenue. Cela
passe nécessairement par une stabilité macro-économique, une faible inflation,
des progrès massifs en scolarisation surtout dans le secondaire.

160
Bibliographie

Adelman, I. and Morris, C. T. (1973). Economic growth and social equity in developing
countries. Stanford University Press.

Adelman, I., Robinson, S., et al. (1989). Income distribution and development.
Handbook of development economics, 2(949) :1003.

Aghion, P., Caroli, E., and Garcia-Penalosa, C. (1999). Inequality and economic
growth : The perspective of the new growth theories. Journal of Economic litera-
ture, 37(4) :1615–1660.

Ahluwalia, M. S. (1976). Inequality, poverty and development. Journal of develop-

ment economics, 3(4) :307–342.

Alesina, A. and Perotti, R. (1996). Income distribution, political instability, and

investment. European economic review, 40(6) :1203–1228.

Alesina, A. and Rodrik, D. (1994). Distributive politics and economic growth. The
Quaterly Journal of Economics, 104(4) :465–490.

Amemiya, T. (1971). The estimation of the variances in a variance-components

model. International Economic Review, pages 1–13.

Anand, S. and Kanbur, S. R. (1993a). Inequality and development a critique. Jour-

nal of Development economics, 41(1) :19–43.

Anand, S. and Kanbur, S. R. (1993b). The kuznets process and the inequality-
development relationship. Journal of development economics, 40(1) :25–52.

Arellano, M. and Bond, S. (1991). Some tests of specification for panel data :
Monte carlo evidence and an application to employment equations. The review
of economic studies, 58(2) :277–297.

161
Arvesen, J. N. (1969). Jackknifing u-statistics. The Annals of Mathematical Statistics,
40(6) :2076–2100.

Atkinson, A. and Brandolini, A. (1999). Promise and pitfalls in the use of secon-
dary data-sets : A case study of oecd income inequality. Ronéo, Nuffield College.

Atkinson, A. B. (1970). On the measurement of inequality. Journal of economic

theory, 2(3) :244–263.

Baltagi, B. (2008). Econometric analysis of panel data. John Wiley & Sons.

Banerjee, A. V. and Duflo, E. (2003). Inequality and growth : What can the data
say ? Journal of economic growth, 8(3) :267–299.

Banerjee, A. V. and Newman, A. F. (1993). Occupational choice and the process

of development. Journal of political economy, pages 274–298.

Barro, R. J. (2000). Inequality and growth in a panel of countries. Journal of econo-

mic growth, 5(1) :5–32.

Barro, R. J. and Lee, J. W. (2013). A new data set of educational attainment in the
world, 1950–2010. Journal of development economics, 104 :184–198.

Becker, G., Murphy, K., and Tamura, R. (1990). Economic growth, human capital
and population growth. Journal of Political Economy, 98(5) :S12–S137.

Benabou, R. (1996). Inequality and growth. In NBER Macroeconomics Annual 1996,

Volume 11, pages 11–92. MIT Press.

Bhalla, S. S. (2002). Imagine there’s no country : Poverty, inequality, and growth in the
era of globalization. Peterson Institute.

Boccanfuso, D. and Ménard, C. (2009). La croissance pro-pauvre : un aperçu ex-

haustif de la «boîte à outils». Cahier de recherché. Working Paper, pages 09–06.

Bourguignon, F. (2003). The growth elasticity of poverty reduction : explaining

heterogeneity across countries and time periods. Inequality and growth : Theory
and policy implications, pages 3–26.

Bourguignon, F. (2004). Le triangle pauvreté-croissance-inégalités. Afrique contem-

poraine, (3) :29–56.

162
Carcea, M. and Serfling, R. (2014). A gini autocovariance function for heavy tailed
time series modeling. Technical report, Citeseer.

Carcea, M. and Serfling, R. (2015). A gini autocovariance function for time series
modelling. Journal of Time Series Analysis, 36(6) :817–838.

Chataîgner, J.-M. and Rafinot, M. (2005). La croissance pro-pauvres : Définitions

et politiques. Lettre des économistes de l’AFD. Paris Cedex. 9 : 2, 9.

Chen, S. and Ravallion, M. (2004). Welfare impacts of china’s accession to the

world trade organization. The world bank economic review, 18(1) :29–57.

Cling, J.-P., De Vreyer, P., Razafindrakoto, M., and Roubaud, F. (2004). La

croissance ne suffit pas pour réduire la pauvreté. Revue française d’économie,
18(3) :137–187.

Cogneau, D., Guénard, C., et al. (2002). Les inégalités et la croissance : une relation
introuvable. Document de travail DT, 3.

Cord, L. (2005). Pro-poor growth. présentation à la session de synthÚse, 3.

Dagum, C. (1997). Decomposition and interpretation of gini and the generalized

entropy inequality measures. Statistica, 57(3) :295–308.

Datt, G. and Ravallion, M. (1992). Growth and redistribution components of

changes in poverty measures : A decomposition with applications to brazil and
india in the 1980s. Journal of development economics, 38(2) :275–295.

Deininger, K. and Squire, L. (1996). A new data set measuring income inequality.
The World Bank Economic Review, 10(3) :565–591.

Deininger, K. and Squire, L. (1998). New ways of looking at old issues : inequality
and growth. Journal of development economics, 57(2) :259–287.

Denker, M. (1985). Asymptotic distribution theory in nonparametric statistics. Sprin-

ger.

Denuit, M. and Dhaene, J. (2003). Simple characterizations of comonotonicity

and countermonotonicity by extremal correlations. Belgian Actuarial Bulletin,
3 :22–27.

163
Dollar, D. and Kraay, A. (2002). Growth is good for the poor. Journal of economic
growth, 7(3) :195–225.

Duclos, J.-Y. (2009). What is "pro-poor" ? Social choice and welfare, 32(1) :37–58.

Duclos, J.-Y. and Araar, A. (2006). Poverty and equity. Measurement, Policy and
Estimation with DAD», New York et Ottawa, Springer-IDRC-CRDI.

Duclos, J.-Y., Makdissi, P., and Araar, A. (2014). Pro-poor indirect tax reforms,
with an application to mexico. International Tax and Public Finance, 21(1) :87–
118.

Durbin, J. (1954). Errors in variables. Revue de l’institut International de Statistique,

pages 23–32.

Durlauf, S. N. (1994). Spillovers, stratification, and inequality. European Economic

Review, 38(3-4) :836–845.

Easterly, W. and Rebelo, S. (1993). Fiscal policy and economic growth. Journal of
monetary economics, 32(3) :417–458.

Fan, S., Huong, P. L., and Long, T. Q. (2004a). Government spending and poverty
reduction in vietnam.

Fan, S., Zhang, X., Rao, N., et al. (2004b). Public expenditure, growth, and poverty
reduction in rural uganda. Technical report, International Food Policy Research
Institute (IFPRI).

Fishlow, A. (1996). Inequality, poverty and growth where do we stand. In OPS

Document Reproduction Series, number 65. World Bank.

Forbes, K. J. (2000). A reassessment of the relationship between inequality and

growth. American economic review, pages 869–887.

Foster, J., Greer, J., and Thorbecke, E. (1984). A class of decomposable poverty
measures. Econometrica : Journal of the Econometric Society, pages 761–766.

Frick, J. R., Goebel, J., Schechtman, E., Wagner, G. G., and Yitzhaki, S. (2006).
Using analysis of gini (anogi) for detecting whether two subsamples represent
the same universe the german socio-economic panel study (soep) experience.
Sociological Methods & Research, 34(4) :427–468.

164
Galbraith, J. K. (2009). Inequality, unemployment and growth : New measures
for old controversies. The Journal of Economic Inequality, 7(2) :189–206.

Galor, O. and Tsiddon, D. (1997). Technological progress, mobility, and economic

growth. The American Economic Review, pages 363–382.

Galor, O. and Zeira, J. (1993). Income distribution and macroeconomics. The

review of economic studies, 60(1) :35–52.

Ghura, D., Leite, C., and Tsangarides, C. G. (2002). Is growth enough ? Macroecono-
mic policy and poverty reduction, volume 2. International Monetary Fund.

Grosse, M., Harttgen, K., and Klasen, S. (2008). Measuring pro-poor growth in
non-income dimensions. World Development, 36(6) :1021–1047.

Günther, I., Marouani, M. A., Raffinot, M., et al. (2006). La croissance est-elle
propauvres au mali. Notes et documents.

Hausman, J. A. and Taylor, W. E. (1981). Panel data and unobservable individual

effects. Econometrica : Journal of the Econometric Society, pages 1377–1398.

Hibbs, D. A. (1973). Mass political violence : A cross-national causal analysis, volume

253. Wiley New York.

Hoeffding, W. (1948). A class of statistics with asymptotically normal distribu-

tion. The annals of mathematical statistics, pages 293–325.

Hsiao, C. (2003). Analysis of panel data (vol. 34). Econometric Society Monographs.

Huber, P. J. (1980). Robust statistics. John Wiley and Sons.

Jaeckel, L. A. (1972). Estimating regression coefficients by minimizing the disper-

sion of the residuals. The Annals of Mathematical Statistics, pages 1449–1458.

Jain, S. et al. (1975). Size distribution of income ; a compilation of data.

Jha, S. and Srinivasan, P. (2001). Taking the pds to the poor : Directions for further
reform. Economic and Political Weekly, pages 3779–3786.

Jureckova, J. (1971). Nonparametric estimate of regression coefficients. The Annals

of Mathematical Statistics, pages 1328–1338.

165
Ka, N. and Mussard, S. (2015). Book review of the gini methodology : A primer
on a statistical methodology. The Journal of Economic Inequality, 13(2) :321–324.

Ka, N. and Mussard, S. (2016). l1 regressions : Gini estimators for fixed effects
panel data. Journal of Applied Statistics, 43(8) :1436–1446.

Kakwani, N. (1980). Income inequality and poverty. Oxford University Press.

Kakwani, N. (1993). Poverty and economic growth with application to côte

d’ivoire. Review of Income and Wealth, 39(2) :121–139.

Kakwani, N. (2000). On measuring growth and inequality components of poverty

with application to thailand. Journal of Quantitative Economics, 16(1) :67–80.

Kakwani, N., Khandker, S., and Son, H. (2002). Poverty equivalent growth rate :
with applications to korea and thailand. economic commission for africa. Tech-
nical report, mimeo.

Kakwani, N., Khandker, S., and Son, H. (2003). Poverty equivalent growth rate :
with applications to korea and thailand. economic commission for africa. Tech-
nical report, mimeo.

Kakwani, N., Khandker, S., and Son, H. (2004). Pro-poor growth : concepts and
measurement with country case studies. brasília : International poverty centre.
Technical report, PNUD, 2004 (Working Paper, n. 1).

Kakwani, N. and Krongkaew, M. (2000). Analysing poverty in thailand. Journal

of the Asia Pacific Economy, 5(1-2) :141–160.

Kakwani, N., Pernia, E. M., et al. (2000). What is pro-poor growth ? Asian develop-
ment review, 18(1) :1–16.

Kakwani, N. and Son, H. (2002). Pro-poor growth and poverty reduction : the
asian experience. The Poverty Center, Office of Executive Secretary, ESCAP, Bang-
kok.

Kakwani, N. C. (1977). Applications of lorenz curves in economic analysis. Eco-

nometrica : Journal of the Econometric Society, pages 719–727.

Klasen, S. (2004). In search of the holy grail : how to achieve pro-poor growth ?
Toward pro poor policies-aid, institutions, and globalization, pages 63–94.

166
Klasen, S. (2005). Economic growth and poverty reduction : measurement and
policy issues.

Koenker, R. and Bassett Jr, G. (1978). Regression quantiles. Econometrica : journal

of the Econometric Society, pages 33–50.

Kraay, A. (2006). When is growth pro-poor ? evidence from a panel of countries.

Journal of development economics, 80(1) :198–227.

Krongkaew, M. (1996). The changing urban system in a fast-growing city and

economy : the case of bangkok and thailand.

Krongkeaw, M. (2000). Changes in poverty and income inequality in thailnd,

1988 to 1998. Bangkok, session C-pa 6b, Institute of East Asian Studies, Thammasat
University.

Kuznets, S. (1955). Economic growth and income inequality. The American econo-
mic review, 45(1) :1–28.

Lecaillon, J., Paukert, F., Morrisson, C., and Germidis, D. (1984). Income distribu-
tion and economic development ; an analytical survey.

Lehmann, E. L. (1999). Elements of large-sample theory. Springer Science & Business

Media.

Lenth, R. V. (1983). Some properties of u statistics. The American Statistician,

37(4a) :311–313.

Levine, R. and Renelt, D. (1992). A sensitivity analysis of cross-country growth

regressions. The American economic review, pages 942–963.

Li, H., Squire, L., and Zou, H.-f. (1998). Explaining international and intertempo-
ral variations in income inequality. The Economic Journal, 108(446) :26–43.

Lindert, P. H. (1996). What limits social spending ? Explorations in Economic His-

tory, 33(1) :1–34.

Lopez, J. H. (2004). Pro-poor growth : a review of what we know (and of what

we don’t). The world bank.

167
Mazumdar, D. and Son, H. H. (2002). Vulnerable groups and the labor market in
thailand : impact of the asian financial crisis in the light of thailand’s growth
process. Toronto : University of Toronto, April.

McCulloch, N. and Baulch, B. (1999). Tracking pro-poor growth. new ways to

spot the biases and benefits. Insights, (31) :3.

McKean, J. W. and Hettmansperger, T. P. (1976). Tests of hypotheses based on

ranks in the general linear model. Communications in statistics-theory and me-
thods, 5(8) :693–709.

Mellor, J. W. (2000). Faster more equitable growth : The relation between growth in agri-
culture and poverty reduction. Harvard Institute for International Development.

Mookherjee, D. and Shorrocks, A. (1982). A decomposition analysis of the trend

in uk income inequality. The Economic Journal, 92(368) :886–902.

Moyes, P. (2007). An extended gini approach to inequality measurement. The

Journal of Economic Inequality, 5(3) :279–303.

Mussard, S. and Richard, P. (2012). Linking yitzhaki’s and dagum’s gini decom-
positions. Applied Economics, 44(23) :2997–3010.

OCDE (2001). Rapport annuel de l’ocde.

Olkin, I. and Yitzhaki, S. (1992). Gini regression analysis. International Statistical

Review/Revue Internationale de Statistique, pages 185–196.

Osmani, S. et al. (2005). Defining pro-poor growth. Technical report.

Papanek, G. F. and Kyn, O. (1986). The effect on income distribution of develop-

ment, the growth rate and economic strategy. Journal of Development Economics,
23(1) :55–65.

Paukert, F. (1973). Income distribution at different levels of development : A

survey of evidence. Int’l Lab. Rev., 108 :97.

Perotti, R. (1992). Income distribution, politics, and growth. The American Econo-
mic Review, 82(2) :311–316.

168
Perotti, R. (1993). Political equilibrium, income distribution, and growth. The
Review of Economic Studies, 60(4) :755–776.

Perotti, R. (1994). Income distribution and investment. European Economic Review,

38(3) :827–835.

Perotti, R. (1996). Growth, income distribution, and democracy : what the data
say. Journal of Economic growth, 1(2) :149–187.

Persson, T. and Tabellini, G. (1994). Is inequality harmful for growth ? The Ameri-
can Economic Review, pages 600–621.

Pyatt, G. (1976). On the interpretation and disaggregation of gini coefficients. The

Economic Journal, 86(342) :243–255.

Ravallion, M. (1995). Growth and poverty : evidence for developing countries in

the 1980s. Economics letters, 48(3) :411–417.

Ravallion, M. (1997). Can high-inequality developing countries escape absolute

poverty ? Economics letters, 56(1) :51–57.

Ravallion, M. (2004). Pro-poor growth : A primer. World Bank policy research wor-
king paper, (3242).

Ravallion, M. (2009). Définition de la croissance favorable aux pauvres : une ré-

ponse nanak kakwani. Technical report, International Policy Centre for Inclu-
sive Growth.

Ravallion, M. and Chen, S. (2003). Measuring pro-poor growth. Economics letters,

78(1) :93–99.

Ravallion, M. and Datt, G. (1996). How important to india’s poor is the sectoral
composition of economic growth ? The World Bank Economic Review, 10(1) :1–25.

Ray, D. (1998). Development economics. Princeton University Press.

Saint Paul, G. and Verdier, T. (1996). Inequality, redistribution and growth : A

challenge to the conventional political economy approach. European Economic
Review, 40(3) :719–728.

169
Schechtman, E. and Schechtman, G. (2002). On characterization of two-sample
u-statistics. Statistics & probability letters, 58(1) :53–59.

Schezhtman, E. and Yitzhaki, S. (1987). A measure of association based on gin’s

mean difference. Communications in statistics-Theory and Methods, 16(1) :207–231.

Serfling, R. (2010). Fitting autoregressive models via yule-walker equations allo-

wing heavy tail innovations. Preprint. Available at www. utdallas. edu/ serfling.

Serfling, R. J. (2009). Approximation theorems of mathematical statistics, volume 162.

John Wiley & Sons.

Shalit, H. and Yitzhaki, S. (1984). Mean-gini, portfolio theory, and the pricing of
risky assets. The journal of Finance, 39(5) :1449–1468.

Shelef, A. (2014). A gini-based unit root test. Computational Statistics & Data Ana-
lysis.

Shelef, A. and Schechtman, E. (2011). A gini-based methodology for analyzing

time series.

Silber, J. (1989). Factor components, population subgroups and the computation

of the gini index of inequality. The Review of Economics and Statistics, pages 107–
115.

Son, H. H. (2004). A note on pro-poor growth. Economics Letters, 82(3) :307–314.

Son, H. H. (2007). Pro-poor growth : concepts and measures.

Stark, O., Taylor, J. E., and Yitzhaki, S. (1988). Migration, remittances and inequa-
lity : A sensitivity analysis using the extended gini index. Journal of Development
Economics, 28(3) :309–322.

Swamy, P. and Arora, S. S. (1972). The exact finite sample properties of the estima-
tors of coefficients in the error components regression models. Econometrica :
Journal of the Econometric Society, pages 261–275.

Tarozzi, A. (2005). The indian public distribution system as provider of food

security : Evidence from child nutrition in andhra pradesh. European Economic
Review, 49(5) :1305–1330.

170
Tibiletti, L. and Subramanian, S. (2015). Inequality aversion and the extended gini
in the light of a two-person cake-sharing problem. Journal of Human Develop-
ment and Capabilities, 16(2) :237–244.

Venieris, Y. P. and Gupta, D. K. (1986). Income distribution and sociopolitical

instability as determinants of savings : a cross-sectional model. The Journal of
Political Economy, pages 873–883.

Verardi, V. and Wagner, J. (2011). Robust estimation of linear fixed effects panel
data models with an application to the exporter productivity premium. Jahrbü-
cher für Nationalökonomie und Statistik, 231(4) :546–557.

Watts, H. W. (1968). An economic definition of poverty. Institute for Research on

Poverty.

White, H. and Anderson, E. (2001). Growth versus distribution : does the pattern
of growth matter ? Development Policy Review, 19(3) :267–289.

Wiggins, S. and Higgins, K. (2008). Pro-poor growth and development. Linking

economic growth and poverty reduction. Overseas Development Institute Briefing Pa-
per, 33 :2014–2020.

Windmeijer, F. (2005). A finite sample correction for the variance of linear efficient
two-step gmm estimators. Journal of econometrics, 126(1) :25–51.

Wodon, Q., Yitzhaki, S., et al. (2003). Inequality and the accounting period. Eco-
nomics Bulletin, 4(36) :1–8.

Wooldridge, J. M. (2015). Introductory econometrics : A modern approach. Nelson

Education.

Yitzhaki, S. (1990). On the sensitivity of a regression coefficient to monotonic

transformations. Econometric Theory, 6(02) :165–169.

Yitzhaki, S. (1998). More than a dozen alternative ways of spelling gini. Research
in economic inequality, 8.

Yitzhaki, S. et al. (2003). Gini’s mean difference : A superior measure of variability

for non-normal distributions. Metron, 61(2) :285–316.

171
Yitzhaki, S. and Lerman, R. I. (1991). Income stratification and income inequality.
Review of income and wealth, 37(3) :313–329.

Yitzhaki, S. and Olkin, I. (1991). Concentration indices and concentration curves.

Lecture Notes-Monograph Series, pages 380–392.

Yitzhaki, S. and Schechtman, E. (2004). The gini instrumental variable, or’the

double iv estimator’. Metron, LXII(3) :287–313.

Yitzhaki, S. and Schechtman, E. (2013). The Gini methodology : A primer on a statis-

tical methodology, volume 272. Springer Science & Business Media.

172
Annexes

3.3.1 Quelques U-statistiques

TABLE 3.14 – Quelques U-statistiques

Mesures Paramètre m Estimateur (U−staistique)

q q
L’Espérance E(X) m=1 U1 = (n1 )−1 xi = 1
n
xi
q
GMD E |xi − xj | m=2 U3 = 2
n(n−1) i<j |xi − xj |
qn
Variance 1
2
E(xi − xj )2 m=2 U2 = 1
(n−1)
( i=1 xi2 − nU21 )
qn
Cog Cov(x, F(y)) m = 2 U4 = 4(n1 ) i=1 (2i − 1 − n)xy(i)

Cov(x,Fy (y))
G-corrélation Gx,y = Cov(x,Fx (x))
m=2 U5 = U4
U3

L’indice de Gini GM D
2E(X)
m=2 U6 = U3
2U1

3.3.2 Similarités et différences entre la régression Gini et les

MCO
– (y, x) un couple de variables aléatoires représentatif de la distribution to-
tale d’une population et (ym , xm ) avec m=1,. . . , M, M couples de variables
représentant les M sous-groupes disjoints de la population totale.
– (ymj , xmj ) m = 1, . . . , M et j = 1, . . . , nm un couple de variables aléatoires
représentatif du groupe m.
qM
– N= m=1 nm
– β̂ sp
l’estimateur sémi-paramétrique obtenu dans la population totale βm le
coefficient de régression obtenu dans le groupe m,
– ymj la jéme observation de ym , y.. la moyenne de y et ym. la moyenne de ym
– Fx (x)) la fonction cumulative de x et F.. la moyenne des Fx (x).
– pm = nm
N

173
 Ainsi, l’estimateur de la régression Gini peut être réécrit :
 
Cov(y, F(x)) 1 1 Ø M Ønm 
β̂ sp = = (ymj − y.. ) (F(x) − F.. (x))
Cov(x, F(x)) Cov(x, F(x))  N m=1 j=1 
 
1 1 Ø M Ønm 
= (ymj − ym. + ym. − y.. ) (F(x))
Cov(x, F(x))  N m=1 j=1 

Avec Fx (x) la fonction cumulative de x ;

Par conséquent,
 
1 1 Ø M Ønm
1 ØM Ønm 
β̂ sp = (ymj − ym. ) (F(x)) + (ym. − y.. ) (F(x))
Cov(x, F(x))  N m=1 j=1 N m=1 j=1 

1 1 Ø M Ønm
= (ymj − ym. ) (F(x) − Fm. (x))
Cov(x, F(x))  N m=1 j=1

1 ØM Ønm 
+ (ym. − y.. ) (Fx (x) − Fm. (x))
N m=1 j=1 

(3.10)

En posant, pm = nm
N
, l’expression précédente devient :

I M J
1 Ø
sp
β̂ = pm Covm (y, F(x)) + CovB (ym. , Fm. (x))
Cov(x, F(x)) m=1
I M
1 Ø Covm (y, F(x)) Covm (x, F(x))
= pm Covm (x, Fm (x))
Cov(x, F(x)) m=1 Covm (x, F(x)) Covm (x, Fm (x))
+CovB (ym. , Fm. (x))} . (3.11)

Soient :
sp Covm (y, F(x))
β̂m = (3.12)
Covm (x, F(x))
l’estimateur sémi-paramétrique dans le groupe m. Et

Covm (x, F(x))

Om = (3.13)
Covm (x, Fm (x))

l’interaction entre le groupe m et la population totale.

On a :

174
 M
Ø
β̂ sp = sp
Vn βm + Vb βbsp (3.14)
m=1

pm Om GM Dm (x)
Avec Vn = GM D(x)
est la part du groupe m dans la distribution totale.
La première partie 3.14 peut être interprétée comme l’intra et la seconde partie
l’inter.
La décomposition de l’estimateur des MCO est :

M
Ø
β= Wn βm + Wb βb . (3.15)
m=1

3.3.3 Décomposition de l’Aitken Gini

Soient JT une matrice carrée (T,T) composée uniquement de 1 et xn le vecteur
(T,1) des observations de x pour la niéme individu. Ainsi,
 
xn1 − xn.
 
  3 4
 xn2 − xn.  JT
x − xn. =   = IT − xn
 .. 
T

 . 

xnT − xn.

Il s’en suit que

5 3 46
JT
X − Xn. = IN ⊗ IT − Xn
T
è 1 2é
JT
Ainsi, Wn = IN ⊗ IT − T
permet de calculer les écarts de chaque observa-
tion aux moyennes individuelles qu’on appelle habituellement "l’opérateur intra-
individuel". Par analogie, nous pouvons déduire l’opérateur inter-individuelle Bn
donné par l’expression suivante :

JT
Bn = IN T − Wn = IN ⊗
T

En utilisant ces deux opérateurs nous pouvons réécrire les variabilités intra et
inter :

N Ø
Ø T
Gintra
xx = (xnt − xn. )[ Rnt (x) − Rn. (x)]′ = R(x)Wn x
n=1 t=1

175
et
N Ø
Ø T
Ginter
xx = (xn. − x.. )[ Rnt (x) − R.. (x)]′ = R(x)Bn x
n=1 t=1

Ainsi, sans perte de généralité, nous pouvons réécrire la matrice ΩG :

 
E(ε1 R(ε′1 )) E(ε1 R(ε′2 )) . . . E(ε1 R(ε′N ))
 
 ′
 E(ε2 R(ε1 )) E(ε2 R(ε′2 )) . . . E(ε2 R(ε′N )) 

ΩG = E(εR(ε′ )) =   =
 .. .. .. .. 

 . . . . 

E(εN R(ε′1 )) E(εN R(ε′2 )) . . . E(εN R(ε′N ))
 
ccccgo 0 0 0
 

 0 go 0 0 
 
 .. .. .. 

 . 0 . . 
0 0 0 go
avec  
gu2 + gw2 gu2 ... gu2
 
 
 gu2 gu2 + gw2 . . . gu2 
go = 
 .. .. ... ..

 (3.16)

 . . . 

gu2 gu2 . . . gu2 + gw2

E(εR(ε′ )) = IN ⊗ go = gw2 IN T + gu2 (IN ⊗ JT ) (3.17)

C D
T ∗ gu2
= gw2 (IN T − Bn ) + ( )Bn + Bn (3.18)
gw2

D’où :
C D
g 2 + T ∗ gu2
′
E(εε ) = Wn + ( w 2
gw2 )Bn (3.19)
gw
C D
2 1
= gw Wn + Bn (3.20)
φ
= gw2 Ω, (3.21)

2
gw
avec φ = 2 2
gw +T ∗gu
et gw2 + T ∗ gu2 et gw2 les valeurs propres de la matrice ΩG .

−1/2 1 1 2
ΩG =ñ Wn + φ−1/2 Bn . (3.22)
gw2

176
Par conséquent,
î ï−1 î ï
−1/2 −1/2 −1/2 −1/2
β̂ AG = R(ΩG X)ΩG X R(ΩG X)ΩG y (3.23)
; ñ <−1 ; ñ <
−1/2 −1/2
= R(ΩG X)(Wn + φBn )X R(ΩG X)(Wn + φBn )y
; ñ <−1 ; ñ <
−1/2 −1/2 −1/2 −1/2
= R(ΩG X)Wn X + φR(ΩG X)Bn X R(ΩG X)Wn y + φR(ΩG X)Bn y .

Puisque ΩG est une matrice diagonale définie positive, ΩG = go ∗ IN T avec go

−1/2
définie positive, nous pouvons poser R(ΩG X) ≈ R(X). Il en résulte que :

; ñ <−1 ; ñ <
β̂ AG = R(X)Wn X + φR(X)Bn X R(X)Wn y + φR(X)Bn y (3.24)

Ainsi, tout comme les MCG, l’estimateur Aïtken-Gini peut être considéré
comme une combinaison optimale des estimateurs intra et intergroupes :

è é−1 è é
βAG = Gintra
xx + θ′ Ginter
xx Gintra
xy + θ′ Ginter
xy , (3.25)
√
avec θ′ = φ.

177
3.3.4 Estimation de notre modèle sur les différents quintiles
MCO

TABLE 3.15 – Estimation de notre modèle sur les différents quintiles MCO

Estimates → Total MCO

β= Q1 Q2 Q3 Q4 Q5

Edu prim 0.037 0.044 0.036 0.022 -0.017

(0.042) 0.085 0.071 0.051 0.021

Edu secon 0.021 0.094 -0.066 0.041 -0.019

(0.011) 0.047 0.033 0.021 0.010

Taux d’inflation -0.016 -0.022 0.081 -0.0400 -0.018

(0.010) 0.011 0.021 0.015 0.009

DP de santé 0.011 -0.057 0.056 0.072 0.086

(0.027) 0.041 0.045 0.065 0.079

Indice de Gini -0.224 -0.261 -0.192 -0.063 0.075

(0.012) 0.009 0.013 0.021 0.030

Log(PIBa) 0.086 0.081 0.196 0.219 -0.045

(0.019) 0.022 0.031 0.014 0.012

Taux de croissance 0.098 -0.172 -0.228 -0.125 0.079

(0.017) 0.021 0.014 0.021 0.018

(1-Gini)*Txc 10−2 0.070 -0.025 -0.014 0.016 0.015

(0.019) 0.010 0.008 0.007 0.004

DP du Gov 10−2 0.055 -0.067 -0.030 0.061 0.023

(0.018) 0.021 0.025 0.047 0.064

R2 0.889 0.913 0.891 0.921 0.899

178
TABLE 3.16 – Estimation de notre modèle sur les différents quintiles MCO

Estimates → Inter Individuel (MCO)

β= Q1 Q2 Q3 Q4 Q5

Edu prim 0.05 0.041 0.032 0.094 -0.018

(0.051) (0.071) (0.081) (0.055) (0.028)

Edu secon 0.048 0.0483 0.053 0.061 0.031

(0.010) (0.026) (0.036) (0.022) (0.017)

Taux d’inflation -0.056 -0.055 -0.061 -0.094 -0.095

(0.035) (0.013) (0.027) (0.019) (0.011)

DP de santé 10−2 0.035 0.351 0.460 0.4820 0.271

(0.073) (0.07) (0.05) (0.008) (0.091)

Indice de Gini -0.065 0.065 0.143 0.2816 1.049

(0.029) (0.020) (0.018) (0.031) 0.039

Log(PIBa) 10−2 0.182 -0.183 -0.148203 -0.034 -0.484

(0.053) (0.028) (0.036) (0.021) (0.023)

Taux de croissance 0.181 2.426 2.819 3.0314 2.199

(0.020) (0.026) (0.017) (0.018) (0.019)

(1-Gini)*Txc 10−2 0.070 0.056 0.066 0.072 0.043

(0.019) (0.013) (0.009) (0.014) (0.020)

DP du Gov 10−2 0.099 0.01 0.0159 0.017 0.089

(0.06) (0.031) (0.021) (0.04) (0.069)

R2 0.871 0.864 0.823 0.862 0.896

179
TABLE 3.17 – Estimation de notre modèle sur les différents quintiles Gini

Estimates → Total (Gini)

β= Q1 Q2 Q3 Q4 Q5

Edu prim 0.011 0.035 0.030 0.039 -0.027

(0.085) 0.067 0.048 0.037 0.022

Edu secon 0.091 0.067 0.026 0.038 0.019

(0.009) 0.001 0.0014 0.0011 0.0061

Taux d’inflation -0.097 -0.026 -0.048 -0.050 -0.046

(0.0012) 0.0014 0.007 0.008 0.002

DP de santé 0.120 -0.120 -0.065 -0.011 0.046

(0.911) 0.081 0.041 0.006 0.013

Indice de Gini -0.130 0.11 0.085 0.100 0.046

(0.012) 0.017 0.014 0.025 0.031

Log(PIBa) 0.117 0.010 0.075 -0.063 0.047

(0.006) 0.009 0.011 0.008 0.0027

Taux de croissance 0.086 0.171 0.092 0.011 0.007

(0.017) 0.0025 0.0018 0.012 0.0024

(1-Gini)*Txc 10−2 -0.040 0.025 0.012 0.029 0.003

(0.001) 0.002 0.003 0.002 0.005

DP du Gov 10−2 0.014 0.014 0.039 -0.018 -0.089

(0.05) 0.11 0.038 0.054 0.101

GR2 0.750 0.812 0.781 0.834 0.769

180
TABLE 3.18 – Estimation de notre modèle sur les différents quintiles Gini

Estimates → Inter Gini

β= Q1 Q2 Q3 Q4 Q5

Edu prim 0.012 0.037 0.032 -0.042 -0.027

(0.090) (0.074) (0.051) (0.042) (0.028)

Edu secon 0.094 0.068 0.057 0.063 0.115

(0.011) (0.003) (0.002) (0.003) (0.007)

Taux d’inflation -0.099 -0.012 -0.051 0.049 0.045

(0.003) (0.002) (0.008) (0.01) (0.004)

DP de santé 10−2 0.136 -0.123 0.068 0.012 0.021

(0.089) (0.091) (0.051) (0.007) (0.017)

Indice de Gini -0.22 -0.14 -0.089 -0.109 0.049

(0.014) (0.022) (0.025) (0.031) (0.040)

Log(PIBa) 10−2 0.119 0.012 0.1801 -0.065 -0.501

(0.009) (0.01) (0.013) (0.009) (0.003)

Taux de croissance 0.095 0.112 0.095 0.013 0.009

(0.01ç) (0.003) (0.002) (0.017) (0.003)

(1-Gini)*Txc 10−2 0.045 0.029 0.017 0.032 0.003

(0.002) (0.003) (0.003) (0.004) (0.006)

DP du Gov 10−2 0.016 0.016 0.041 -0.022 -0.090

(0.06) (0.013) (0.043) (0.061) (0.112)

GR2 0.749 0.784 0.801 0.823 0.811

181
 Université de Montpellier
Faculté d’Économie

Résumé : Cette thèse contribue à l’approche économétrique de la croissance pro-pauvre. Elle présente des apports théo-

riques et empiriques. En premier lieu, elle présente les différentes définitions, indices et politiques de croissance pro-

pauvre proposées dans la littérature théorique. Elle examine également les modèles théoriques et empiriques portant sur

les interactions entre distribution du revenu et croissance. Elle montre que les mesures traditionnelles, en plus de leurs

caractères partiels, peuvent conduire à des résultats contradictoires. Pour contourner ces limites, cette thèse privilégie

l’approche alternative qui consiste à utiliser des modèles économétriques. Cette dernière approche, bien qu’elle présente

l’avantage d’inclure l’ensemble des dimensions de la pauvreté, souffre de deux types de biais : le biais de sélection et

le biais d’endogénéité. Ces derniers s’expliquent par les limitations inhérentes aux données : erreurs de mesures, points

aberrants. En outre, les résultats obtenus avec cette approche sont sensibles aux formes fonctionnelles choisies. Ainsi, il y a

de bonnes raisons d’utiliser la régression Gini. Cependant, les régressions de type Gini n’existaient qu’en coupe instanta-

née et en séries temporelles. Ainsi, dans un second temps, cette thèse propose d’étendre la réflexion sur la régression Gini

en panel. Elle introduit les estimateurs intragroupes, intergroupes, le test d’existence de l’effet individuel et l’estimateur

Aitken Gini. Enfin, cette thèse présente des applications empiriques qui illustrent de façon concrète la robustesse de nos

estimateurs. Elle s’intéresse particulièrement aux conséquences de la méthode d’estimation et à la section de l’échantillon.

Elle conclut que le processus de croissance favorise la réduction de la pauvreté à condition que les inégalités de revenu

soient maîtrisées. Mais aussi, que l’impact de la croissance agricole sur la réduction de la pauvreté varie en fonction du

niveau de développement du pays.

Abstract : This thesis contributes to the econometric approach of pro-poor growth. It presents theoretical and em-

pirical contributions. First, it brings out the different definitions, indices and the policies of pro-poor growth proposed

in the theoretical literature. It also examines the theoretical and empirical interactions between income distribution and

growth. It shows that the traditional measures, in addition to their partial characteristics, can lead to contradictory results.

To avoid these limits this thesis lays the amphasis on the alternative approach by using econometric models. The latter

approach, although it has the advantage of including all the dimensions of poverty, suffers from two types of bias : selec-

tion bias and bias of endogeneity. These are due to the limitations of the data : measurement errors, outliers. In addition,

the results obtained with this approach are sensitive to the selected functional forms. So, there are good reasons to use

the Gini regression. However, the Gini regressions existed only for cross sectional data and time series. Thus, in a second

time, this thesis proposes to extend the Gini regression for panel data. It introduces within and between-group estimators,

the individual effect test and the Gini Aitken estimator. Finally, this thesis presents empirical applications that illustrate

the robustness of our estimators. It is particularly interested in the consequences of the estimation method and the sample

section. It concludes that the growth process promotes poverty reduction when income inequalities are overcome. But

also, the impact of agricultural growth on poverty reduction varies depending on the country’s level of development.

LAMETA, Avenue Raymond Dugrand, 34960 Montpellier