Rappel sur la rgression partage Oprateurs BETWEEN et WITHIN Spcification du modle effets individuels L estimateur LSDV Tests Modle avec effets temporels Modle avec effets individuels et temporels
Y( N ,1)
1( N , K1 )
F1( K1 ,1)
2( N , K 2 )
F 2( K2 ,1) I ( N ,1)
Remarque : F 2 est quivalent l estimateur des MCO sur le modle transform par M1 :
M 1 y ! M 1 X 1F1 M 1 X 2 F 2 M 1I M 1 y ! M 1 X 2 F 2 M 1I car M 1 X 1 ! 0 % % % y ! X F I modle pur des variables X
2
Oprateur between :
Lorsqu il est appliqu une variable, BN permet de calculer les moyennes par individu de cette variable. Cet oprateur est donc appel oprateur interindividuel ou oprateur between .
Oprateur within :
Oprateur :
WN ! I NT BN
' ' WN ! I N ( IT ST ST T ) ou WN ! I NT I N ST ST T
Lorsqu il est appliqu une variable, WN permet de calculer les carts de chaque observation aux moyennes individuelles. Cet oprateur est donc appel oprateur intraindividuel ou oprateur within .
yit ! E i x F I it
' it
yi ! ST E i X i F I i
Y ! DN E X F I
rang ?DN X A ! N K
Les erreurs :
I it : iid (0,
Le modle Y ! DN E X F I est un modle de rgression en forme partage. On peut donc appliquer le thorme FW:
! ( X 'WN X ) 1 X 'WN Y F ' E ! 1 T
DN (Y X F )
i ! yi. xi'. F E
L estimateur de l effet individuel est donc gal la moyenne des rsidus du i me groupe.
Les rsultats s obtiennent galement en appliquant les MCO sur le modle transform par WN :
Le modle global implique l inversion d une matrice (N + K, N + K) Le modle transform ne ncessite que l inversion d une matrice (K, K) Attention : la transformation n est pas non-singulire, on perd N ddl (ddl = NT N K)
On veut savoir si les effets fixes sont diffrents d une quation l autre :
H 0 : Ei ! E H A : Au moins 2 coefficients sont diffrents
Procdure de test :
Procdure de Chow Comparaison modle contraint/modle noncontraint Le modle contraint est le modle I (rgression ordinaire).
Htroscdasticit :
Arellano (1987) a montr qu on pouvait, de faon similaire White (1980), estimer de faon robuste une htroscdasticit de forme inconnue la variance de l estimateur intra-individuel. On peut aussi effectuer les tests de White (1980) ou de Breusch-Pagan. S il y a autocorrlation des erreurs : Une extension du test de Durbin-Watson a t propose au cadre du modle effets fixes partir des rsidus estims du modle intra-individuel.
Autocorrlation :
I i ,t ! VI i ,t 1 uit
yit ! Pt x F I i ,t
' it
yi ! IT P X i F I i
Cet estimateur s obtient comme l estimateur des MCO sur le modle transform :
W T Y ! WT X F WT I ' ( yit y.t ) ! ( xit x.'t ) F erreur
Il s crit :
Y ! DN E DT P X F I
Cependant, les paramtres E et P ne sont pas tous identifiables car la matrice [D N D T] n est pas de rang complet (multicolinarit) Pour des raisons de symtrie, on propose :
d inclure N - 1 variables muettes individuelles d inclure T 1 variables muettes temporelles d ajouter un terme constant global
Y ! DK X F I (NT N T 1 K ddl)
Spcification (1)
Spcification (2)
u2 2 E (I it I js ) ! u 0
2 w
si i ! j et t ! s si i ! j et t { s sinon
Interprtation :
Autocorrlation temporelle individu par individu, constante quel que soit le nombre de priodes sparant deux perturbations Pas de corrlations entre les individus
Spcification (3)
W u2
W u2 W 2 K M O W u2
K
2 Wu !A M 2 2 Wu W W u2
Spcification (4)
K K O K
*V (I ) ! (II ') !
A 0 soit : V (I ) ! M 0
0 K A K M O 0 K
0 0 ! IN A M A
On dmontre que :
V ! IN A
2 2 V ! (W w T W u2 ) BN W wWN
V apparat comme la combinaison linaire des matrices between et within. Les quantits 2 2 2 P1 ! W w T W u et P2 ! W w sont les valeurs propres de cette matrice (resp. de multiplicit N et NT N).
Remarque 2 : soit Alors F est la matrice permettant d effectuer une transformation qui ramne au MCO car : 2 'VF ! W w I
Le modle :
' yit ! E xit F I i ,t
y ! S NT E X F I ! Z K I
Il s agit de l estimateur des MCO appliqu au modle sur les moyennes ' individuelles : yi . ! xi . F erreur Il correspond l estimateur appliqu au modle transform par B N :
BN y ! BN Z K BN I b ! ( Z ' BN Z ) 1 Z ' BN y K
Cette mthode n utilise que la variance interindividuelle des individus privilgiant les diffrences permanentes entre individus. Estimateur sans biais et convergent (pour N et T p ou N p et T fix).
Il s agit de l estimateur des MCO appliqu au modle sur les moyennes individuelles :
WN y ! WN Z K WN I
KW ! ( X 'WN X ) 1 X 'WN y
Cette mthode n utilise que la variance intraindividuelle des individus, excluant toute variabilit attribuable aux diffrences permanentes entre individus. Estimateur sans biais et convergent (pour N et T p ou N p et T fix). En outre, il est asymptotiquement efficient.
Compte tenu de la dfinition de V, cet estimateur se rcrit comme : KMCG ! ( X 'WN X U X ' BN X )1 ( X 'WN y U X ' BN y )
2 2 avec U ! W w (W w T W u2 )
Cet estimateur combine donc les variabilits inter- et intraindividuelles dans une proportion particulire.
Il est l quivalent l estimateur des MCO du modle o les donnes sont transformes par F (transformation quasi-dviation la moyenne). Cet estimateur est sans biais, convergent (pour N et T p ou N p et T fix) et efficient.
Comme la valeur de U est inconnue, il faut l estimer de faon convergente. Swamy et Arora (1972) ont propos d utiliser les variances estimes des rsidus des rgressions intra- et interindividuelles.
2 Un estimateur centr de W w est donn par :
2 ' W w ! (uwuw ) /( NT N K )
o uW ! WN y WN ZKW sont les rsidus de la rgression intra.
' W b2 ! (u B u B ) /( NT TK )
o u B ! BN y BN ZKB sont les rsidus de la rgression inter. Un estimateur convergent de U se dduit de ces 2 2 deux estimations : U ! W w T W b On applique enfin les MCG avec U au lieu de U
Le but est de tester : 2 0 :Wu ! 0 H H A : W u2 { 0 Test de Fisher ou du multiplicateur de Lagrange ( partir du modle contraint estim par les MCO), suivant asymptotiquement une loi du G2 1 ddl. Honda (1985) a propos une version unilatrale de ce test.
Selon Mundlak (1978), les effets spcifiques alatoires ont de grandes chances d tre corrls avec les variables explicatives = corrlation entre les caractristiques inobservables des individus et les caractristiques observables (rgresseurs). Dans ce cas, il montre que seul l estimateur within reste sans biais et convergent. Il en dduit galement un test de corrlation entre les effets spcifiques et les variables explicatives.
un estimateur convergent et efficace sous l hypothse nulle de bonne spcification mais non convergent sous l hypothse alternative et un estimateur convergent sous les deux hypothses
L hypothse nulle correspond au modle erreurs composes alors que l hypothse alternative correspond au modle de Mundlak (o les effets spcifiques sont corrls avec les variables explicatives) Dans ce cas, l estimateur des MCG est convergent et efficace sous H 0 mais non convergent sous H a. Au contraire, l estimateur within est convergent dans les deux cas.
q ! KW KMCG
La quantit :
(K ) V (K ) q : G2 w Q ! q' V MCG K
as
Remarque : on peut galement tester l exognit des effets spcifiques en comparant deux quelconque des estimateurs suivants : K MCO , K MCG , K w et K b
Si la corrlation ne peut pas tre rejete, il faut considrer un modle effets individuels corrls :
estimateur within ou, estimateur MCO ou MCG sur le modle en diffrences premires (pour liminer l effet individuel) ou, estimateurs des variables instrumentales
Hypothses :
i : iid (0, W u2 ) u 2 v t : iid (0, W v ) 2 wit : iid (0, W w ) , v , w mutuellement indpendants u i t it
si i ! j et t ! s si i ! j et t { s si i { j et t ! s sinon
Interprtation :
Autocorrlation temporelle individu par individu, constante quel que soit le nombre de priodes sparant deux perturbations Covariance contemporaine entre les individus
W v2 0 0 W v2 * (I iI 'j ) ! M M 0 0
K K O K
0 0 ! B ! W v2 I T M 2 Wv
0 B 0 B A B K M O M M 0 K A B B ' ! I N ( A B) ( ST ST ) B
B K B K M O B K
B B M B
Soit le modle :
' yit ! zit K i I it
Les hypothses :
Sur les variables explicatives : on suppose Z i fixe, de rang complet K+1 Sur les erreurs : I it : iid (0, W i2 )
K i ! K Hi
K est la partie fixe et H i sont les effets individuels alatoires. On admet que H i : iid (0, ) o ( est une matrice dfinie-positive
Le modle de Swamy est donc un modle de rgression multiple avec perturbations autocorrles et htroscdastiques.
% E (I i ) ! 0 % ! Z i (Z i' W i2 IT ! Ai V (I i ) %% Cov(I i , I j ) ! 0
% % % V (I ) ! (II ') !
A1 0 0 A 2 soit : V (I ) ! M M 0 0
0 0 d !V M AN
Par dfinition :
MCG ! ( Z 'V 1Z ) 1 Z 'V 1 y K
Ci1Ki
o Ci ! ( W i2 ( Z i' Z i )
Interprtation : il s agit d une moyenne pondre matricielle des Ki . La moyenne est pondre en fonction inverse de la variance : les individus pour lesquels l estimation est la plus prcise psent plus dans l estimation globale que les autres. Cependant, puisque C i n est pas connue, cette mthode n est pas applicable.
Pour WM, on utilise la somme des carrs des rsidus des rgressions individuelles. Pour (, on utilise l estimateur :
(!
On peut ensuite remplacer WM et ( par leurs estimations dans V pour la 2me tape des MCGR. On obtient un estimateur convergent et asymptotiquement efficace pour N p et T fixe.
On teste :
H 0 : K 1 ! K 2 ! ... ! K N ! K
Puisque l htrognit des coefficients induit une forme d htroscdasticit, cette dernire peut tre teste l aide de l approche Breusch-Pagan.