Méthode des variables instrumentales

Dr A. NIKIEMA

ISSP/UJKZ

Mai 2024

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 1 / 34

Plan de la présentation

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 2 / 34

Plan de la présentation

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 2 / 34

Plan de la présentation

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 2 / 34

Plan de la présentation

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 2 / 34

Plan de la présentation

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 2 / 34

Plan de la présentation

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 2 / 34

Plan de la présentation

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 2 / 34

Plan de la présentation

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 2 / 34

 Généralités

Plan

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 3 / 34

 Généralités

Généralités

Exemple : le modèle Keynésien simplifié. Notions de variables endogènes et

exogènes. Quelques éléments sur l’exogénéité.


Ct = α + βYt + ut
Yt = Ct + It , It exogène

Hypothèse : cov (It , ut ) = 0 ce qui signifie l’exogénéité de la variable I

Conséquence si cette hypothèse n’est pas vérifiée : cov (Yt , ut ) ̸= 0 ce qui

signifie l’endogénéité de la variable Y dans l’équation de consommation.

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 4 / 34

 Généralités

Généralités

Le problème de l’endogénéité peut etre introduit par :

• Variables omises : des charactéristiques "oubliées" : nous ne savions pas
qu’elles étaient importantes ; des charactéristiques trop compliquées à
mesurer.
• Variables de décision : par exemple suivre une formation est volontaire, la
participation est une variable de decision, donc : une variable endogène.

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 5 / 34

 Le cadre d’analyse

Plan

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 6 / 34

 Le cadre d’analyse

Le cadre d’analyse

y est une variable endogène et x1 , x2 , . . . , xK sont des variables «explicatives»

d’une équation :

K
X
y= xk βk + ϵ = xβ + ϵ, β ∈ R K
k =1
E(ϵ) = 0, ∃k /E(xk ϵ) ̸= 0
On suppose pour simplifier que les observations sur les diverses variables

sont issues de tirages indépendants
: (ϵn , x1n , . . . , xKn ) sont des vecteurs
aléatoires iid du second ordre ∈ L2 .

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 7 / 34

 Non-convergence des MCO

Plan

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 8 / 34

 Non-convergence des MCO

Non-convergence des MCO

−1
β̂MCO = (X ′ X ) X ′Y
−1
= β + (X ′ X ) X ′ϵ
avec les hypotheses ci-dessus on voit que :

 
E β̂MCO ̸= β

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 9 / 34

 Variables instrumentales

Plan

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 10 / 34

 Variables instrumentales

Variables instrumentales

Soit H variables z1 , z2 , . . . , zH telles que :

• E(z ′ ϵ) = 0, ∀h = 1, 2, . . . , H,
• z1 , z2 , . . . , zH est un système indépendant de L2 , (z ′ z)−1 existe,
• rgE(z ′ x) = min(K , H), cette matrice est de rang maximum.

Les variables z1 , z2 , . . . , zH sont des variables instrumentales.

Remarque :
pour sortir du cadre de l’échantillonnage (iid) on recourt à des hypothèses
moins fortes sur les limites en probabilité :

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 11 / 34

 Variables instrumentales

P lim N −1 (z ′ ϵ) = 0, P lim N −1 (z ′ z) = Q/Q −1 existe,

P lim N −1 (z ′ x) = R/rgR = min(H, K ).

Dans la pratique, il est difficile de trouver un bon instrument. On utilise
généralement la théorie et le bon sens pour en trouver un.Nous pouvons
penser à des conceptions qui produisent de bons instruments.

Exemple 1 : yt = αyt−1 + βxt + ϵt , ϵt autocorrélé, xt et xt−1 sont des variables

instrumentales si x est une variable exogène.

Exemple 2 : yn = βxn + un , Eun = 0, Exn ̸= 0, Eun xn ̸= 0 alors zn = 1, ∀n est

une variable instrumentale.

Exemple 3 : modèle à équations simultanées.

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 12 / 34

 Méthode des variables instrumentales

Plan

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 13 / 34

 Méthode des variables instrumentales

Méthode des variables instrumentales

Hypothèse :
(epsilonn , x1n , . . . , xKn , z1n , . . . , zHn ) sont des vecteurs aléatoires iid de carrés
intégrables.
La première caractéristique de variables instrumentales implique :

E(z ′ y ) = E(Z ′ xb) ̸= 0, h = 1, 2, . . . , H, et E(z ′ ϵ) = 0

Le paramètre b vérifie ces conditions de moments.
Soit matriciellement avec des notations standards :

Z ′ y = Z ′ Xb

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 14 / 34

 Méthode des variables instrumentales

• Si H < K le système ci-dessus a une infinité de solution,

• SI H = K le système ci-dessus a une seule solution : b̃ = (Z ′ X )−1 Z ′ y
• Si H > K , le système n’est en général pas compatible ; le problème est
dit suridentifié.
Dans le cas iii), on se ramène au cas ii) en réduisant le nombre d’instruments :
zA = Az où A est une matrice symétrique de taille K × H et on estime b par :
−1
b̃(A) = (AZ ′ X ) AZ ′ y
Ces estimateurs sont appelés estimateurs des variables instrumentales.

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 15 / 34

 Méthode des variables instrumentales

Propriété :
Par construction : b̃(A) −→, N→∞ b.
On a une convergence presque sûre ou en probabilité selon les hypothèses
retenues.
Loi asymptotique des estimateurs des variables instrumentales.
Il faut décrire le modèle jusqu’au second ordre et on le fait ici
conditionnellement aux variables explicatives et aux instruments Z :

y = xb + ϵ
E(ϵ/x) ̸= 0, E(ϵ/z) = 0, V (ϵ/z) = σ 2

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 16 / 34

 Méthode des variables instrumentales

On se place dans le cas iid.

a) Cas H = K :

Propriété :
√ L −1 −1
→ N(0, Σ), Σ = σ 2 (z ′ x) z ′ z (z ′ x)
N(b̃ − b) −

Remarque : la matrice Σ peut être estimée par :

 ′ −1 ′  ′ −1
−1 −1 ∥y −X b̃∥2
Σ̃ = σ̃ 2 ZNX Z Z
N
X Z
N = N σ̃ 2 (Z ′ X ) Z ′ Z (z ′ x) où σ̃ 2 = N
et une « approximation» de la variance de b̃ est
−1 −1
V̂ (b̃) = σ̃ 2 (Z ′ X ) Z ′ Z (Z ′ X ) .

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 17 / 34

 Méthode des variables instrumentales

b) Cas H > K : zA = Az

Propriété :
√ L −1 −1
→ N(0, Σ(A)), Σ(A) = σ 2 (Az ′ x) Az ′ zA (Az ′ x)
N(b̃(A) − b) −

Lorsqu’il y a suridentification le choix de A peut être résolu en minimisant Σ(A)

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 18 / 34

 Estimateur des doubles moindres carrés.

Plan

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 19 / 34

 Estimateur des doubles moindres carrés.

Estimateur des doubles moindres carrés.

Propriété :
−1
Si A∗ = (z ′ x) (z ′ z) alors Σ(A) − Σ (A∗ ) est une matrice semi-définie
positive ∀A, de dimension K × H.

L’estimateur des variables instrumentales optimal est donc fondé sur

−1
zA∗ = (z ′ x) (z ′ z) z.

−1
En pratique on utilise Â∗ = Z ′ X (Z ′ Z ) qui conduit à l’estimateur des
doubles moindres carrés :

 −1
−1 −1
b̂2MC = X ′ Z (Z ′ Z ) Z ′ X X ′ Z (Z ′ Z ) Z ′ y

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 20 / 34

 Estimateur des doubles moindres carrés.

Remarques :
Remplacer A∗ par Â∗ ne modifie pas la loi asymptotique. L’estimateur des

doubles moindres carrés peut être calculé en deux étapes :

• onprojette orthogonalement
 le modèle sur l’espace linéaire engendré par
−1
Z Pz = Z (Z ′ Z ) Z ′ et

• dans une seconde étape on régresse Pz y sur PZ X .

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 21 / 34

 Modèle à erreurs sur les variables

Plan

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 22 / 34

 Modèle à erreurs sur les variables Définition

Définition

Présentation sur le modèle linéaire simple.

yn = a + bxn + un , n = 1, 2, . . . , N

Les observations sont iid et x est indépendant de u ; x est exogène. Mais on

ne mesure pas correctement x.x est mesuré par x ∗ telle que : x ∗ = x + ε où ε
est une perturbation. Il vient donc :

yn = a + bxn ∗ + vn , vn = un − bεn , n = 1, 2, . . . , N
Evn = 0, Eεn = 0, V (εn ) = σε2
cov (xn ∗ , vn ) = −bσε2

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 23 / 34

 Modèle à erreurs sur les variables Biais asymptotique des MCO

Biais asymptotique des MCO

∗
−x̄ ∗ )(yn −ȳ ) cov(x ∗ ,y ) cov(x ∗ ,v ) bσε2
P
(xn
b̂ = nP
∗ −x̄ ∗ )2 → var(x ∗ ) =b+ var(x ∗ ) =b− var(x ∗ )
n (xn

remarques :
on dit que l’estimateur des MCO est biaisé vers zéro.

Ce biais ne dépend pas de l’erreur sur l’équation : un .

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 24 / 34

 Modèle à erreurs sur les variables Problèmes d’identification : modèles gaussiens

Problèmes d’identification : modèles gaussiens

Le modèle : y = a + bx, x ≈ N(Ex, Vx) ⇒ Ey = a + bEx, Vy = b2 Vx

y ∗ = y + u, u ≈ N 0, σu2


Les variables observables : ∗
x = x + ε, ε ≈ N 0, σε2

6 paramètres libres à estimer : a, b, Ex, Vx, σu2 , σε2 . Mais la loi des variables
observables ne dépend que de 5 paramètres libres :
Ey ∗ , Ex ∗ , Vy ∗ , cov (y ∗ , x ∗ ) , Vx ∗ puisque :

 ∗  ∗ 
Vy ∗ cov (x ∗ , y ∗ )

y Ey
≈ N ,
x∗ Ex ∗ cov (x ∗ , y ∗ ) Vx ∗

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 25 / 34

 Modèle à erreurs sur les variables Informations identifiantes :

Informations identifiantes :

Ey ∗ ȳ ∗
a) a = 0 ⇒ b = Ex ∗ , estimable par b∗ = x̄ ∗

b) σε2 = k σu2 , k connu : lorsque k = 1 : régression orthogonale.

c) variable instrumentale :
cov(z,y ∗ )
cov(z, ε) = cov(z, u) = 0 et cov(z, x) ̸= 0 : b = cov(z,x ∗ )

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 26 / 34

 Méthodes des moments généralisés

Plan

1 Généralités

2 Le cadre d’analyse

3 Non-convergence des MCO

4 Variables instrumentales

5 Méthode des variables instrumentales

6 Estimateur des doubles moindres carrés.

7 Modèle à erreurs sur les variables

8 Méthodes des moments généralisés

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 27 / 34

 Méthodes des moments généralisés

Méthodes des moments généralisés

Le modèle de variable instrumentale ne définit l’identification des paramètres
(du premier ordre) que par les conditions dites d’orthogonalités :

Ezhn (yn − xn b) = 0, h = 1, 2, . . . , H
ou en notation vectorielle E (yn − xn b) zn = 0
Ce cadre «linéaire» a été généralisé à des fonctions quelconques pour

l’identification d’un paramètre θ estimable à partir de variables observables wn

telles que il existe un ensemble de fonctions hj (wn , θ) , j = 1, 2, . . . , H
vérifiant :

Ehj (wn , θ) = 0, j = 1, 2, . . . , H
′
ou Eh (wn , θ) = 0, h(..)) = (h1 (. . . .), . . . , hH (. . .))

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 28 / 34

 Méthodes des moments généralisés

Ces H conditions sont supposées conduire à l’identification du paramètre

d’intérêt θ. Lorsque la densité de la loi de wn est f (w, θ0 ) cette condition
d’identification se traduit en :

Z
Ehj (wn , θ) = hj (w, θ)f (w, θ0 ) dw = 0, j = 1, 2, . . . , H ⇔ θ = θ0

Dans le cas du modèle de variables instrumentales où θ = b et

h (wn , θ) = (yn − xn b) zn cette condition impose que : H ≥ K et Ezn xn n soit

de rang maximum.

Pour estimer le paramètre θ on distingue deux cas : le cas juste identifié

(H = K ) et le cas suridentifié (H > K ).

a) H = K : on estime θ par la méthode des moments en résolvant le système

(en général non-linéaire) :

N
X
hj (wn , θ) = 0, j = 1, 2, . . . , H
n=1

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 29 / 34

 Méthodes des moments généralisés

Ces équations ont le plus souvent une seule solution θ̂N .

Exemple :
PN ′ ′ −1 ′
n=1 (yn − xn b) zn = Z (y − Xb) = 0 ⇔ b̂N = (Z X ) Z y.

b) H > K : le système précédent est en général incompatible ; on estime θ par

la méthode des moments généralisées qui consiste à minimiser le critère
suivant :

!′ !
X X
θ̂(S) = arg min h (wn , θ) S h (wn , θ)
θ n n

où S est une matrice symétrique définie positive.

Remarque : la méthode des moments généralisés se réduit à la méthode des

moments lorsque H = K .

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 30 / 34

 Méthodes des moments généralisés

Propriétés asymptotiques :
1) θ̂(S) est un estimateur convergent.

√ L
2) N(θ̂(S) − θ) −
→ N(0, Σ(S))

avec : h i−1 h i−1

′
∂h′ ∂h′
Σ(S) = E ∂h
∂θ SE ∂h
∂θ ′ E ∂θ SVhSE ∂h
∂θ ′ E ∂h
∂θ ′ SE ∂θ

Remarque : la deuxième partie de ce théorème se démontre très facilement

dans le cas iid. Lorsqu’on a affaire à des processus ergodiques ces résultats
restent valables.
P ′ ′ −1
Exemple : n hn = Z (y − Xb), S = (Z Z ) la fonction objectif est
−1
(y − Xb)′ Z (Z ′ Z ) Z ′ (y − Xb) qui conduit à

Propriété d’optimalité asymptotique :

Si S ∗ = Vh−1 alors Σ(S) − Σ (S ∗ ) est semidéfinie positive ∀S symétrique
définie positive.
Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 31 / 34
 Méthodes des moments généralisés

Estimation en deux étapes : L’estimateur optimal fondé sur S ∗ n’est pas

utilisable en pratique. On utilise donc Ŝ ∗ fondé sur une estimation préalable
de la variance Vh. Ainsi on calcule par exemple dans un premier temps θ̂(I)
l’estimateur des moments généralisés avec S = I et on en déduit :

1 X    ′  
V̂ h = h wn , θ̂(I) h wn , θ̂(I) , Ŝ ∗ = V̂ h−1 et θ̂ Ŝ ∗
N n

Cet estimateur de θ possède les même propriétés asymptotiques que celui

fondé sur S ∗ ; il atteint donc la borne de la variance asymptotique des

estimateurs des « MMG » (GMM en anglais).

Exemple : dans le cas des variables instrumentales  : 

−1
b̂(I) = (X ′ ZZ ′ X ) X ′ ZZ ′ y , ûn = yn − xn′ b̂(I), h wn , b̂(I) = n ûn zn ·
P

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 32 / 34

 Méthodes des moments généralisés

On obtient une estimation préalable de Vh :

1 X 2
û zn zn′ = Z ′ D̂Z avec D̂ = diag û12 , û22 , . . . , ûN2


V̂ h =
N n n

L’estimateur en deux étapes de b est finalement égal à :

    −1 −1  −1

∗ ′ ′ ′
b̂ Ŝ = X Z Z D̂Z Z X X ′ Z Z ′ D̂Z Z ′y

C’est l’estimateur optimal des MMG ; il surclasse l’estimateur des doubles

moindres carrés lorsqu’il y a hétéroscédasticité : Vhn dépend de n. Cf.

l’estimation robuste de White pour la variance des MCO.

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 33 / 34

 Méthodes des moments généralisés

Fin

Dr A. NIKIEMA (ISSP/UJKZ) Méthode des variables instrumentales Mai 2024 34 / 34