Econométrie
de données de
panel
Prof. Omonga
Introduction
aux données
de panel
Econométrie de données de panel
Définition et
particularités de
Avec utilisation de Stata
données de panel
Intérêt de données
de panel
Modélisation
générale Professeur Omonga M. Karim
Présentation du
modèle des données
de panel
Modèle linéaire Université Protestante au Congo – DEA
multiple : une
analyse limitée
Effets
individuels 17 avril 2020
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Plan sommaire
Econométrie
de données de
panel 1 Introduction aux données de panel
Prof. Omonga Définition et particularités de données de panel
Intérêt de données de panel
Introduction
aux données
de panel
2 Modélisation générale
Définition et Présentation du modèle des données de panel
particularités de
données de panel Modèle linéaire multiple : une analyse limitée
Intérêt de données
de panel
Modélisation 3 Effets individuels
générale Décomposition de la variance
Présentation du
modèle des données Modèles à effets fixes et effets aléatoire
de panel
Modèle linéaire Modèles à effets fixes
multiple : une
analyse limitée Modèles à effets aléatoires
Effets
individuels
Décomposition de la
4 Tests
variance Tests de spécification sur données de panel
Modèles à effets
fixes et effets Tests sur les hypothèses standards
aléatoire
Modèles à effets
fixes
Modèles à effets
Définition et particularités de données de panel
Econométrie
de données de
panel Définition
Prof. Omonga
Les données de panel combinent :
Introduction 1 une série temporelle : on suit les individus à travers le
aux données
de panel temps ; on a des observations répétées, on prend donc en
Définition et
particularités de
compte la dimension temporelle pour un individu ;
données de panel
Intérêt de données
2 une coupe transversale : on a des observations pour
de panel
plusieurs individus à une même date ; on prend en compte
Modélisation la dimension individuelle i.e les différences qu’il peut y
générale
Présentation du avoir entre les individus.
modèle des données
de panel
Modèle linéaire On suppose que les observations peuvent être corrélées à
multiple : une
analyse limitée
travers le temps pour un individu mais que ces
Effets
individuels observations sont indépendantes entre les individus
Décomposition de la
variance
(exemple : le revenu pour un individu est corrélé dans le
Modèles à effets
fixes et effets temps mais indépendant des revenus des autres individus).
aléatoire
Modèles à effets
fixes
Modèles à effets
Définition et particularités de données de panel
Econométrie
de données de
panel
Prof. Omonga
Définition
Introduction
aux données Ce qui implique deux variables particulières :
de panel
Définition et
1 une variable temps t : années, mois, semaines, jours
particularités de
données de panel t = 1, 2, ..., T
Intérêt de données
de panel 2 une variable individuelle i : entreprises,ménages,
Modélisation individus,pays i = 1, 2, ..., N
générale
Présentation du
modèle des données
Différents types de panel :
de panel
Modèle linéaire
1 panel court : un grand nombre d’individus et peu d’années
multiple : une
analyse limitée (le plus courant) ;
Effets 2 panel long : un grand nombre d’années et peu d’individus.
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Définition et particularités de données de panel
Econométrie
de données de
panel
Définition
Prof. Omonga
On peut avoir deux types de panel :
Introduction
aux données
1 panel équilibré ou cylindré (balanced panel) : T
de panel observations sont disponibles pour les n individus (i.e il n’y
Définition et
particularités de
données de panel
a pas de données manquantes) ;
Intérêt de données 2 panel non-équilibré ou non-cylindré (unbalanced panel) :
de panel
toutes les informations ne sont pas disponibles.
Modélisation
générale
Présentation du
Exemple : dans le cas d’étude des entreprises d’un secteur
modèle des données
de panel particulier sur 10 ans, certaines peuvent avoir fait faillite
Modèle linéaire
multiple : une
analyse limitée
ou fusionner (pour cet individu il n’y aura donc plus
Effets d’observations après une certaine période) et d’autres se
individuels
Décomposition de la
créent au cours du temps (les observations ne
variance
Modèles à effets
commenceront donc qu’après une certaine date).
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Définition et particularités de données de panel
Econométrie
de données de
panel
Les données de panel permettent d’identifier des
Prof. Omonga
paramètres que l’on n’aurait pas pu identifier par ailleurs :
Introduction en général la corrélation entre les variables explicatives et
aux données
de panel les résidus sont dues à l’hétérogénéité non-observée.
Définition et
particularités de
données de panel
Avec le modèle sur coupe transversale (donnée
Intérêt de données
de panel mono-dimensionnelle), si les caractéristiques inobservables
Modélisation des individus influencent la variable expliquée (y ) alors ces
générale
Présentation du caractéristiques se trouvent dans la perturbation (ε).
modèle des données
de panel
Modèle linéaire
En revanche, si ces caractéristiques non-observables sont
multiple : une
analyse limitée corrélées avec les variables explicatives (x ),les MCO sont
Effets
individuels
non-convergents.
Décomposition de la
variance
⇒ Il faut alors utiliser les variables instrumentales ou les
Modèles à effets
fixes et effets
données de panel.
aléatoire
Modèles à effets
fixes
Modèles à effets
Données et application sur Stata
Econométrie
de données de
panel
Prof. Omonga
Dans la suite, nous utilisons le fichier [Link]
Introduction
aux données
contenant 4165 observations portant sur les salaires de
de panel 595 individus sur 7 périodes (1976-1982).
Définition et
particularités de
données de panel Ces données peuvent être obtenues comme sui :
Intérêt de données
de panel 1 net from http ://[Link]/data/mus
Modélisation 2 net install mus
générale
Présentation du
3 net get mus
modèle des données
de panel
4 ou soit télécharger sur
Modèle linéaire
multiple : une [Link]/data/[Link].
analyse limitée
5 les données peuvent être alors utilisées :
Effets
individuels use "[Link]", clear
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Données et application sur Stata
Econométrie
de données de
panel
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Données et application sur Stata
Econométrie
de données de
panel
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Présentation du modèle des données de panel
Econométrie
de données de Modèle des données de panel
panel
Prof. Omonga
L’équation du modèle des données de panel s’écrit de la
manière suivante :
Introduction
aux données yi,t = b0 + Xi,t b + εi,t avec εi,t = αi + δt + ui,t
de panel
Définition et
particularités de
données de panel La prise en compte de l’hétérogénéité non-observée se fait
Intérêt de données
de panel dans la perturbation.
Modélisation
générale Les différentes composantes de l’erreur sont :
Présentation du
modèle des données
1 αi : l’effet spécifique individuel qui est fixe dans le temps ;
de panel
Modèle linéaire il correspond à l’hétérogénéité non-observée.
multiple : une
analyse limitée 2 δt : une composante temporelle (ou hétérogénéité
Effets inter-temporelle).
individuels
Décomposition de la
3 ui,t : une erreur idiosyncratique ⇒ une composante
variance
Modèles à effets
spécifique à l’individu qui varie dans le temps et à travers
fixes et effets
aléatoire les individus (hétérogénéité intra-temporelle
Modèles à effets
fixes intra-individuelle), avec ui,t IID(0, σu2 )
Modèles à effets
Présentation du modèle des données de panel
Econométrie
de données de
panel
Prof. Omonga Dans la forme plus générale du modèle à erreurs
Introduction
composées, on inclut dans la perturbation un effet
aux données
de panel
spécifique temporel (δt ). Cet effet correspond à l’omission
Définition et
particularités de
dans la liste des variables explicatives de variables dont la
données de panel
Intérêt de données
la valeur est identique pour tous les individus au moment
de panel
t.
Modélisation
générale
Présentation du
Dans la suite, on considèrera que l’erreur a deux
modèle des données
de panel composantes :
Modèle linéaire
multiple : une
analyse limitée
εi,t = αi + ui,t
Effets Le modèle est donc le suivant :
individuels
Décomposition de la yi,t = b0 + Xi,t b + αi + ui,t
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Modèle linéaire multiple : une analyse limitée
Econométrie
de données de
panel
Prof. Omonga
Introduction Lorsque l’on applique les MCO sur des données de panel,
aux données
de panel on parle de MCO sur données empilées (pooled OLS).
Définition et
particularités de
données de panel
On considère alors que les données de panel sont un
Intérêt de données
de panel
groupe d’observations qui n’ont pas forcément de lien
Modélisation entre elles.
générale
Présentation du
modèle des données
Cela revient à estimer le modèle suivant :
de panel
Modèle linéaire
yi,t = b0 + Xi,t b + ui,t
multiple : une
analyse limitée
Spécifique individuel (αi ) disparait.
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Modèle linéaire multiple : une analyse limitée
Econométrie
de données de
panel
Prof. Omonga
On estime le modèle suivant :
lwagei = b0 + b1 experience + b2 experiencei2 + b3 weeksworkedi +
Introduction
aux données
b4 educationi + ui
de panel
Définition et
particularités de
données de panel
Table – Estimation results : regress
Intérêt de données
de panel
Modélisation
Variable Coefficient (Std. Err.)
générale
Présentation du
exp 0.045 (0.002)
modèle des données
de panel exp2 -0.001 (0.000)
Modèle linéaire
multiple : une
analyse limitée
wks 0.006 (0.001)
Effets ed 0.076 (0.002)
individuels
Décomposition de la
Intercept 4.908 (0.067)
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Modèle linéaire multiple : une analyse limitée
Econométrie
de données de
panel
Prof. Omonga
Introduction
Pourquoi le modèle linéaire multiple ne convient pas ?
aux données
de panel 1 Economiquement : car on ne prend pas en compte
Définition et
particularités de
données de panel
l’hétérogénéité qui existe entre les individus.
Intérêt de données
de panel
2 Econométriquement : car le terme constant et les
Modélisation paramètres sont les mêmes pour toutes les observations.
générale
Présentation du On obtient des estimateurs convergents, efficaces et
modèle des données
de panel
Modèle linéaire
asymptotiquement normaux mais ils ne sont plus BLUE
multiple : une
analyse limitée (Best Linear Unbiased Estimator )
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Décomposition de la variance
Econométrie
de données de La variance totale peut se décomposer de la manière
panel
suivante :
Prof. Omonga
variance totale = variance inter-individuelle + variance
Introduction intra-individuelle.
aux données
de panel
Définition et
La variance inter-individuelle est due aux écarts de niveaux
particularités de
données de panel moyens entre les individus et correspond surtout à des
Intérêt de données
de panel différences permanentes ;
Modélisation
générale La variance intra-individuelle est liée aux fluctuations des
Présentation du
modèle des données niveaux moyens et incorpore surtout l’information d’ordre
de panel
Modèle linéaire
multiple : une
temporel ou transitoire ;
analyse limitée
⇒ Permet de voir ce qui explique la différence entre les
Effets
individuels observations : est ce que cette différence est due à la
Décomposition de la
variance variance entre les individus ou entre les dates ? Est-ce que
Modèles à effets
fixes et effets
aléatoire
c’est un effet permanent (between) ou transitoire
Modèles à effets
fixes
(within) ?
Modèles à effets
Décomposition de la variance
Econométrie
de données de
panel Estimateur inter-individuel : estimateur des moyennes des
Prof. Omonga groupes, i.e à partir des données, on fait les moyennes des
observations pour chaque individu (estimateur between),
Introduction
aux données puis on fait une régression des moyennes. On s’intéresse
de panel
Définition et
particularités de
aux variations de la moyenne des groupes autour de la
données de panel
Intérêt de données
moyenne totale de l’échantillon : ȳi. = b0 + X̄i. b + ε̄i.
de panel
(Le terme fixe est conservé)
Modélisation
générale Estimateur intra-individuel : on prend la différence entre la
Présentation du
modèle des données
de panel
variable observée pour un individu à une certaine date et
Modèle linéaire
multiple : une la moyenne des observations pour cet individu (estimateur
analyse limitée
Effets
within). On s’intéresse alors uniquement à la matrice b,
individuels i.e on ne s’intéresse qu’aux variations des observations
Décomposition de la
variance
Modèles à effets
autour des moyennes des groupes :
fixes et effets
aléatoire yit − ȳi. = (Xit − X̄i. )b + (εit − ε̄i. )
Modèles à effets
fixes
Modèles à effets
Décomposition de la variance : Exemple
Econométrie
de données de
panel
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
Les données en coupe instantanée : Variation entre les
analyse limitée
individus (différence entre les individus)
Effets
individuels Données en panel : 2 sources de variation : between et
Décomposition de la
variance
Modèles à effets
within
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Décomposition de la variance : Exemple
Econométrie
de données de
panel On ignore que nous avons les données répétées :
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du Table – Estimation results : regress
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Variable Coefficient (Std. Err.)
Effets
NbreEfts 0.530 (1.391)
individuels
Décomposition de la
Intercept 5.997 (5.847)
variance
Modèles à effets
fixes et effets
aléatoire
⇒ Plus d’enfants, plus de revenu.
Modèles à effets
fixes
Modèles à effets
Décomposition de la variance : Exemple
Econométrie
de données de
Estimateur within : L’individu A a 2 enfants à la période 1 et
panel 3 enfants à la période 2, quel effet a ce changement sur son
Prof. Omonga revenu ?
Introduction Variance analysée : within
aux données
de panel
Définition et Table – Estimation results : regress
particularités de
données de panel
Intérêt de données
de panel Variable Coefficient (Std. Err.)
Modélisation
générale
NbreEfts -0.500 (0.115)
Présentation du
modèle des données
Intercept 7.067 (0.359)
de panel
Modèle linéaire
multiple : une
analyse limitée
Table – Estimation results : regress
Effets
individuels
Décomposition de la
variance
Variable Coefficient (Std. Err.)
Modèles à effets
fixes et effets
NbreEfts -4.500 (0.289)
aléatoire
Modèles à effets Intercept 33.167 (1.462)
fixes
Modèles à effets
Décomposition de la variance : Exemple
Econométrie
de données de
panel
Prof. Omonga Solution : Effectuez les regressions séparées et calculez la moyenne
Introduction
des coefficients obtenus ; (regress Revenu NbreEfts if id==1 et
aux données
de panel
regress Revenu NbreEfts if id==2)
Définition et
particularités de
Estimateur within : xtreg....,fe
données de panel
Intérêt de données
de panel
Table – Estimation results : xtreg
Modélisation
générale
Présentation du
modèle des données
Variable Coefficient (Std. Err.)
de panel
Modèle linéaire NbreEfts -2.500 (1.162)
multiple : une
analyse limitée
Intercept 18.117 (4.742)
Effets
individuels
Décomposition de la
⇒ Moins d’enfants, plus de revenu.
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Décomposition de la variance : Exemple
Econométrie
de données de Estimateur Between : L’individu A a en moyenne 3 enfants et
panel
l’individu B a en moyenne 5 enfants, quel effet a cette différence
Prof. Omonga
sur leur revenu ?
Introduction Variance analysée : Between
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Table – Estimation results : regress
Modèle linéaire
multiple : une
analyse limitée
Effets
Variable Coefficient (Std. Err.)
individuels
Décomposition de la
NbreEfts 2.550 (0.000)
variance
Modèles à effets
Intercept -2.083 (0.000)
fixes et effets
aléatoire
Modèles à effets
fixes
⇒ Plus d’enfants, plus de revenu.
Modèles à effets
Modèles à effets fixes et effets aléatoires
Econométrie
de données de Comment choisir entre un modèle à effets fixes et un
panel
modèle à effets aléatoires ?
Prof. Omonga
Cela dépend des hypothèses que l’on fait sur la forme de
Introduction l’effet individuel (αi ) :
aux données
de panel 1 Si l’on suppose que l’effet spécifique individuel (αi ) est
Définition et
particularités de
données de panel
corrélé avec les variables indépendantes (Xit ) alors αi est
Intérêt de données un paramètre inconnu fixe pour chaque individu ⇒ on a
de panel
Modélisation
des effets fixes.
générale 2 Si l’on suppose que l’effet spécifique individuel (αi ) n’est
Présentation du
modèle des données pas corrélé avec les variables indépendantes (Xit ) alors αi
de panel
Modèle linéaire est un paramètre aléatoire suivant une loi de probabilité de
moyenne 0 et de variance σα2 ⇒ on a des effets aléatoires.
multiple : une
analyse limitée
Effets
individuels La principale distinction entre les modèles à effets fixes et
Décomposition de la
variance aléatoires repose sur la corrélation (ou non) des effets
Modèles à effets
fixes et effets
aléatoire
individuels non-observés avec les variables explicatives (et
Modèles à effets
fixes
non pas de savoir si ces effets sont stochastiques ou pas).
Modèles à effets
Modèles à effets fixes
Econométrie
de données de Si les effets fixes individuels ne sont pas observables mais
panel
corrélés avec les paramètres alors l’estimateur des MCO
Prof. Omonga
est biaisé et non-convergent (à cause de l’omission de
Introduction variables).
aux données
de panel
Définition et
Le modèle à effets fixes considère que l’effet spécifique aux
particularités de
données de panel individus est un terme fixe, i.e il est considéré comme fixe
Intérêt de données
de panel dans le temps mais varie entre les individus ⇒ c’est ce qui
Modélisation
générale
nous permet de prendre en compte l’hétérogénéité des
Présentation du
modèle des données
individus.
de panel
Modèle linéaire
multiple : une
Modèle de données de panel à effet fixe :
analyse limitée
Effets
yi,t = Xi,t b + αi + ui,t
individuels
Décomposition de la
variance Remarque : on n’a plus de terme constant (b0 ) commun à
Modèles à effets
fixes et effets
aléatoire
toutes les observations mais on a maintenant des effets
Modèles à effets
fixes
fixes individuels (αi ).
Modèles à effets
Modèles à effets fixes
Econométrie
de données de
panel A partir d’une régression par MCO, on peut reformuler
Prof. Omonga l’équation pour prendre en compte les effets individuels.
Introduction
aux données
Modèle Least Square Dummy Variables :
de panel (
Définition et Pn 1 si i = j
particularités de
yi,t = j=1 (αj dij ) + bit Xit + uit avec dij =
données de panel
Intérêt de données
sinon
de panel
Modélisation
générale Cela revient à attribuer à chaque individu "individu" une
Présentation du
modèle des données
de panel
variable indicatrice (qui prendrait la valeur 1 pour cet
Modèle linéaire
multiple : une
"individu" et 0 pour les autres).
analyse limitée
Effets
Pour résumer :
individuels
Décomposition de la
Modèle à effets fixes = Modèle within (intra-individuel) ;
variance
Modèles à effets
Estimateur à effets fixes = Estimateur within =
fixes et effets
aléatoire Estimateur LSDV.
Modèles à effets
fixes
Modèles à effets
Modèles à effets fixes
Econométrie
de données de on estime le modèle à effets fixes suivant :
panel
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Modèles à effets fixes
Econométrie
de données de
panel
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Modèles à effets aléatoires
Econométrie
de données de
panel
On suppose généralement dans les régressions que les
Prof. Omonga
facteurs qui ont un effet sur la variable expliquée mais qui
ne font pas partie des régresseurs sont inclus dans le terme
Introduction
aux données d’erreur.
de panel
Définition et
particularités de
Cela revient à supposer que l’effet individuel est aléatoire
données de panel
Intérêt de données
et i.i.d à travers les individus.
de panel
Modélisation Modèle de données de panel à effet aléatoires :
générale
Présentation du yi,t = b0 + Xi,t b + αi + ui,t
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Remarque : on conserve une constante (b0 ) et des effets
Effets spécifiques individuels aléatoires (αi ).
individuels
Décomposition de la Le modèle à effets aléatoires est utilisé dans le cas où l’on
variance
Modèles à effets
fixes et effets
suppose que l’hétérogénéité non-observée des individus
aléatoire
Modèles à effets
n’est pas corrélée avec les variables explicatives.
fixes
Modèles à effets
Modèles à effets aléatoires
Econométrie
de données de
uit : ce sont les mêmes que dans les modèles MCO
panel (suposées indépendants du temps) ⇒ ui,t IID(0, σu2 )
Prof. Omonga
αi : ce sont les effets aléatoires spécifiques pour chaque
Introduction individu (qui ne varient pas dans le temps)
aux données
de panel ⇒ αi IID(0, σα2 )
Définition et
particularités de La corrélation entre le terme d’erreur (εit = αi + uit ) et le
données de panel
Intérêt de données
de panel
temps n’est dû qu’à l’effet individuel.
Modélisation
Les deux composantes du terme d’erreur sont toutes deux
générale
Présentation du
individuellement indépendantes des variables explicatives,
modèle des données
de panel ce qui explique que les estimateurs sont non-biaisés et
Modèle linéaire
multiple : une
analyse limitée
convergents. Néanmoins, la structure du terme d’erreur
Effets
implique une forme particulière d’autocorrélation des
individuels
Décomposition de la
résidus. Les MCO ne sont plus corrects et il existe des
variance
Modèles à effets
estimateur plus efficaces qui permettent de prendre en
fixes et effets
aléatoire compte la structure de la matrice de variance-covariance :
Modèles à effets
fixes les estimateurs obtenus par les MCG.
Modèles à effets
Modèles à effets aléatoires
Econométrie
de données de
panel
Les estimateurs des MCO et des MCG sont tous deux des
Prof. Omonga
combinaisons linéaires des estimateurs intra et
Introduction
aux données
inter-individuels (within et between).
de panel
Définition et
Dans le cas où les variables explicatives ne sont pas
particularités de
données de panel
corrélées avec les effets fixes individuels (modèle à effets
Intérêt de données
de panel
aléatoires) alors l’estimateur des MCG est non-biaisé :
Modélisation
1 l’estimateur des MCO n’est pas le plus efficace ;
générale
Présentation du
2 l’estimateur des MCG est non biaisé et est donc le plus
modèle des données
de panel
efficace.
Modèle linéaire
multiple : une
analyse limitée
Etant donné que les variances de α et ε ne sont pas
Effets connues, on peut utiliser l’estimateur MCQG dans le cadre
individuels
Décomposition de la
des modèles à effets aléatoires (appelés aussi modèles à
variance
Modèles à effets erreurs composées).
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Modèles à effets aléatoires
Econométrie
de données de
panel
on estime le modèle à effets aléatoires suivant :
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Estimateurs pour les données en panel
Econométrie
de données de
En résumé, dans le cas des données de panel, on a plusieurs types
panel d’estimateurs possibles :
Prof. Omonga
L’estimateur between : exploite les différences entre les
Introduction individus. Il correspond à un estimateur des MCO dans
aux données
de panel une équation avec les moyennes des observations pour
Définition et
particularités de chaque individu.
données de panel
Intérêt de données
de panel
L’estimateur à effets fixes (within) : exploite les différences
Modélisation
pour chaque individu (dans le temps). Il correspond à un
générale
Présentation du
estimateur des MCO dans une équation en écart avec les
modèle des données
de panel moyennes des observations pour chaque individu.
Modèle linéaire
multiple : une
analyse limitée
L’estimateur des MCO : exploite les deux dimensions
Effets (between et within) mais qui n’est pas efficace.
individuels
Décomposition de la
L’estimateur à effets aléatoires : qui combine les deux
variance
Modèles à effets dimensions (between et within) de manière efficace. Il
fixes et effets
aléatoire s’agit d’une combinaison linéaire pondérée entre les
Modèles à effets
fixes
Modèles à effets
estimateurs inter et intra-individuels.
Comparaison des estimateurs
Econométrie
de données de
panel
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Tests de spécification sur données de panel
Econométrie
de données de
panel
Prof. Omonga
Test d’inclusion d’effets fixes
Introduction (
aux données
de panel H0 : αi = αj , ∀i =6 j
Définition et
particularités de H1 : αi 6= αj , ∀i =6 j
données de panel
Intérêt de données
de panel
Modélisation On compare les modèles à effets fixes et MCO.
générale
Présentation du
modèle des données
On teste la significativité des effets de groupe : on teste si
de panel
Modèle linéaire
tous les αi sont égaux, ce qui reviendrait à un modèle
multiple : une
analyse limitée estimé par MCO classiques dans lequel les effets
Effets
individuels
individuels ne seraient pas pris en compte.
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Tests de spécification sur données de panel
Econométrie
de données de
panel
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire ⇒ Le test rejette l’hypothèse nulle d’absence d’effets spéci
Modèles à effets
fixes
Modèles à effets
ques individuels fixes.
Tests de spécification sur données de panel
Econométrie
de données de
panel
Prof. Omonga
Introduction Test d’inclusion d’effets aléatoires
aux données (
de panel
Définition et
H0 : σα2 = 0
particularités de
données de panel H1 : σα2 6= 0
Intérêt de données
de panel
Modélisation
générale On compare les modèles à effets aléatoires et MCO.
Présentation du
modèle des données
de panel
On fait un test de corrélation contemporaine (appelé aussi
Modèle linéaire
multiple : une
de dépendance transversale) : on teste si les effets
analyse limitée
spécifiques individuels sont nuls.
Effets
individuels
Décomposition de la
variance
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Tests de spécification sur données de panel
Econométrie
de données de
panel
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Effets
individuels ⇒ Le test rejette l’hypothèse nulle d’absence d’effets spéci
Décomposition de la
variance
Modèles à effets
ques individuels aléatoires.
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
Tests de spécification sur données de panel
Econométrie
de données de
panel Une fois que l’on sait que l’on doit intégrer des effets
Prof. Omonga individuels, la question est alors de savoir si ceux-ci sont
Introduction
fixes ou aléatoires.
aux données
de panel Test d’Hausman
Définition et
particularités de
données de panel On effectue un test d’Hausman pour choisir entre le modèle à
Intérêt de données
de panel effets fixes ou le modèle
( à effets aléatoires.
Modélisation
générale
H0 : E [αi /Xit ] = 0
Présentation du
modèle des données
H1 : E [αi /Xit ] 6= 0
de panel
Modèle linéaire
multiple : une
analyse limitée Sous H0 , le modèle peut être spécifié avec des effets
Effets
individuels
individuels alétoires. Sous l’hypothèse alternative H1 , le
Décomposition de la
variance
modèle doit être spécifié avec des effets individuels fixes.
Modèles à effets
fixes et effets
aléatoire
Pour des détails, consultez Greene (2008).
Modèles à effets
fixes
Modèles à effets
Tests de spécification sur données de panel
Econométrie
de données de
panel
Prof. Omonga
Introduction
aux données
de panel
Définition et
particularités de
données de panel
Intérêt de données
de panel
Modélisation
générale
Présentation du
modèle des données
de panel
Modèle linéaire
multiple : une
analyse limitée
Effets
individuels
Décomposition de la
variance ⇒ Le modèle spécifié doit l’être avec des effets individuels fixes.
Modèles à effets
fixes et effets
aléatoire
Modèles à effets
fixes
Modèles à effets
