SSRN Id2891006

conomtrie des donnes de panel
UNIVERSITE DE CARTHAGE
INSTITUT DES HAUTES ETUDES LABORATOIRE DECONOMIE

COMMERCIALES DE CARTHAGE & DE FINANCE APPLIQUEES
MODULE N1
ECONOMETRIE DES DONNEES DE PANEL
SOUS STATA
MAI 2012
Mohamed GOAIED & Seifallah SASSI
1re dition
Electronic copy available at: https://ssrn.com/abstract=2891006

conomtrie des donnes de panel Mohamed GOAIED & Seifallah SASSI
Introduction
Lobjectif de ces modules consiste dmystifier lconomtrie et aider les chercheurs de

tout bord (universitaires et praticiens) se familiariser avec les techniques conomtriques les
plus utilises grce lusage des logiciels conomtriques les plus rpandus, tels que Stata et
E-Views. Pour cela, il est utile de rappeler que lconomtrie reste un outil daide la
dcision et non pas une finalit. Mon professeur , feu Pitro Balestra de lUniversit de
Genve, nous rappelait, juste titre, dans son cours dconomtrie Dijon, quun bon
conomtre doit tre avant tout un bon conomiste ! Par consquent, la maitrise de la thorie
conomique, le dveloppement de lanalyse conomique sont autant datouts pour pouvoir
profiter davantage de loutil conomtrique. Il ne faut pas tomber dans les piges de lattitude
facile des presses-Boutons, aide par la multiplicit des logiciels conomtriques qui nous
offrent aujourdhui des procdures destimation complexes partir de botes de dialogues de
plus en plus conviviales, mais qui ne peuvent en aucun cas remplacer ni lintuition
conomique ni la rigueur scientifique du chercheur.
Je voudrai donner quelques conseils principalement aux jeunes doctorants qui auront dans
leur recherches utiliser les techniques conomtriques afin de russir leur partie empirique
qui constitue une barrire pour plusieurs chercheurs confronts la mise en pratique de leurs
connaissances qui restent trs souvent thoriques. Il sagit l, dune rflexion qui permet, un
tant soit peu, dorienter le chercheur vers le choix appropri des mthodes conomtriques
utiliser, compte tenu de la nature de linformation statistique disponible, tout en gardant
lesprit que tout travail de recherche demeure perfectible. Seul Dieu est parfait !
La dmarche conomtrique.
La disponibilit de linformation statistique et sa nature (coupe instantane, srie

chronologique ou panel) vont conditionner la porte du champ dinvestigation
empirique, ainsi que les mthodes conomtriques retenir.
Une double vision est requise au niveau de la lecture des articles de rfrence. (Type
de donnes, de variables retenues, mthodes destimation, type dinstruments et de
tests,) en plus du cadre conceptuel de la thorie conomique. Economie et
statistique vont de pair.
Les rsultats empiriques sont tributaires de la qualit de linformation statistique et de

la reprsentativit de lchantillon retenu. Do le besoin de sattarder sur la
description de la base statistique.
Une analyse descriptive dtaille de lchantillon est importante avant de se lancer

dans les estimations conomtriques.
Electronic copy available at: https://ssrn.com/abstract=2891006

La transposition (pure est simple) dun modle thorique tir de la littrature et

appliqu dans un contexte qui nest pas le sien peut tre une approximation grossire
de la ralit et peut conduire des rsultats controverss.
Les objectifs de la recherche (lconomique) peuvent tre en conflit avec les

mthodes conomtriques souhaites.
Les mthodes conomtriques sophistiques amliorent souvent la prcision des

estimateurs mais ne remettent pas en question la nature de la relation entre les
variables tudies ! La solution est plutt dordre conomique que statistique.
Cette collection dconomtrie applique sous Stata et/ou E-Views est une srie de modules,
fruit dun travail de recherche assidu dune quipe de jeunes chercheurs passionns du LEFA
que jai eu le privilge de diriger. Pour ce premier module, je tiens particulirement
remercier Seifallah Sassi et Dorsaf El Byr pour leur srieux. La srie N1 est consacre
lconomtrie des donnes de panel sous Stata. Elle fait lobjet de sminaires de formation
pour les doctorants pour leur permettre de manipuler les principales estimations en donnes
de panel, classiques et dynamiques. Dautres modules sont en cours dlaboration et paraitront
sous forme de modules complmentaires. Je peux citer :
- Economtrie des variables qualitatives dpendantes.

- Economtrie des sries temporelles.
Les lecteurs de ce document peuvent tlcharger les bases de donnes, partir du site du
laboratoire dconomie et de finance appliques, LEFA. Nous esprons recevoir vos
commentaires, afin damliorer et de mettre jour, de faon continue les versions proposes.
Mohamed Goaied
Professeur en Economtrie & Statistique

HEC Carthage
Directeur du LEFA, directeur de ldition.
e-mail : mohamed_goaied@yahoo.fr
www.lefa-ihec.com
3
Table des matires
Introduction
I. Initiation Stata
1. Connaissance avec lenvironnement de stata
2. Importation des donnes.
3. Analyse descriptive.
II. Regresion linaire sur donnes de panel

1. Le modle effets fixes individuels.
1.1. Les hypothses.
1.2. Lestimation par les MCO, LSDV.
1.3. Application sous Stata
1.3.1. Modles effets fixes.
1.3.2. Modles effets fixes avec variables instrumentales.
2. Le modle erreurs composes.
2.1. Les hypothses sur les rsidus.
2.2. Lestimation par les MCG.
2.3. Application sous Stata.
2.3.1. Estimation du modles erreurs commposes.
2.3.2. Estimation du modles erreurs commposes avec variables instrumentales.
3. Le test de spcification de Haussman.
3.1. La procdure du test.
4. Mthode de Haussman-Taylor en donnes de panel.
4.1. Les hypothses du test.
5. Quelques tests sur donnes de panel
5.1. Test de normalit des rsidus.
5.2. Test du multiplicateur de Lagrange.
4
5.3. Test de validit des instruments.

6. La mthode GMM en panels dynamiques.
6.1. Le principe de la mthode GMM.
6.1.1. La mthode GMM en diffrences premires.
6.1.2. La mthode GMM en systme.
6.2. Application sous Stata
6.2.1. Application de la mthode GMM en diffrences premires
6.2.2. Application de la mthode GMM en systme.
Rfrences bibliographiques.
5
1. Initiation Stata
1. Connaissance de lenvironnement Stata.

Pour se familiariser avec lenvironnement de Stata, il faut dcouvrir les quatre fentres
de Stata :
- Review : historique des commandes passes

- Variables : liste des variables relative au fichier des donnes utilises.
- Command : permet de saisir les instructions excuter sur Stata
- Stata results : rsultats de lexcution des commandes
6
Dans lordre, les principales icnes :

(1) Ouvrir,
(2) Enregistrer,
(3) Imprimer
(4) Visualiser ou crer un fichier log (fichier rsultats)
(5) Afficher laide et diverses options (mme rsultat avec la commande help)
(6) Afficher un graphique
(7) Ouvrir ou crer un fichier do
(8) Modifier la base de donnes (edit), (data Editor)
(9) Arrter lexcution dune commande
Une instruction utile qui vient juste aprs licne (8) est variables Manager .
Elle permet de dattribuer des tiquettes pour les diffrentes variables du fichier des
donnes.
Exemple, le fichier des donnes ci-dessus contient comme troisime variable, GDP-
Capita qui est le taux de croissance du PIB par tte. Pour lui attribuer une
tiquette, il suffit de cliquer sur licne (variables Manager) , aprs avoir
ouvert le fichier des donnes. Vous aurez la figure suivante :
Pour attribuer une tiquette ou Label une variable, vous cliquez sur la variable, puis
vous indiquez la case label ( droite) : croissance du PIB par tte, puis vous
cliquez sur Apply. Le label indiqu apparait droite de la variable concerne.
Vous pouvez refaire ce principe pour toutes les variables du fichier de
donnes.
7
Vous pouvez crer plusieurs documents, mais les deux principaux sont les suivants :
Data
Fichiers.dta : Base de donnes brutes + Bases de donnes qui intgrent les
modications (transformation logarithmique, nouvelles variables cres, etc.)
Il est fortement conseill de ne pas travailler directement sur la base brute, mais plutt
sur une copie.
Log
Fichiers.log : indiquent toutes les sorties de stata. Ils contiennent tous les
rsultats des commandes stata que vous avez effectu. Il doit tre ouvert, juste aprs
louverture du fichier des donnes afin de contenir tous les rsultats des commandes que
vous allez effectuer.
1. Limportation de fichiers de donnes, Excel.

Limportation des donnes prpares sur un tableur Excel peuvent tre effectues en
utilisant le logiciel daccompagnement de Stata, Stat/Transfert. La dernire version de
Stata 12, permet directement dimporter le fichier excel. Dans cette version(11), on utilise
plutt le logiciel Stat/Transfert car il prsente le mrite de pouvoir transfrer plusieurs
types de donnes (autres que ceux dexcel) et les convertir en fichiers Stata.
Exemple ; On dispose dune base de donnes de panel relative 15 pays de la rgion

MENA observs de manire incomplte sur la priode 1961-2006. (Voir Tableau suivant).
8
Tableau N1. Descriptif de la base de la base de donnes. Source : WDI.
Les principales variables sont la croissance annuelle du PIB par tte (prix
constants). Un Indicateur du dveloppement financier CPS : Lensemble des
crdits allous au secteur priv, en pourcentage du PIB, le taux dinflation, le
degr douverture (importations+Exportations/PIB) et les dpenses
gouvernementales. La base de donnes , se prsente sous forme dun fichier excel,
de ma manire suivante :
9
Tableau N2. Fichier des donnes, panel.xlsx.

On remarque quil existe des donnes manquantes pour certaines variables. Stata les
assimiles des poins manquants, missing points . Lors du calcul de statsitique
descriptive ou destimation, les observations relatives des points manquants seront
automatiquement limines. Par consquent, il ya une perte dinformation. Pour
transferer le fichier excel, cliquez sur Stat/ Transfert, la fentre suivante , apparait :
10
Input file : Le fichier excel rechercher avec Browse. Output file, vous recherchez
la version Stata. Vous cliquez par la suite sur Transfert, pour vous permettre
davoir le fichier.xlsx converti, dans le mme rpertoire en fichier.dta ( exemple ;
Panel.xlsx est converti en fichier stata, panel.dta).
En cliquant sur le logiciel Stata, et en ouvrant le ficher panel.dta, (file/open), on

obtient la fentre suivante qui va nous permettre dentamer lanalyse
conomtrique sur donnes de panel, sur les determinants de la croissance
conomique et rpondre la question principale, savoir si limpact du
dveloppement financier stimule la croissance conomique dans les pays de la
rgion Mna. Des variables de contrle telles que linflation (inf1), les dpenses
publiques (gc) et louverture commerciale (to) seront introduites, aprs
transformation logarithmique.
2. Analyse descriptive sur Stata.
Quelques commandes Stata sont utiles, pour crer de nouvelles variables, calculer des
moyennes, des correlations, etc.
11
Gener nom de la nouvelle variable= ln(ancienne variable). Exemple, on a dans le fichier

des donnes le degr douverture commerciale TO. On souhaite faire une transformation
logarithmique : Dans la case command de Stata, on crit : gener ln_to=ln(to). Le nom
ln_to est arbitraire. Dautres commandes Stata sont utiles :
summarize ..., Calcule pour une variable ou une liste de variables la moyenne, lcart-
type, le minimum, le maximum
tabulate Calcule les frquences des observations dune variable et permet de faire
des tableaux croiss pour deux variables
pwcorr et corr Permet dobtenir la matrice des corrlations et la matrice des
variance-covariances, avec la significativit statsitique du coefficient de
corrlation linaire.
ttest ou sdtest Test de comparaison des moyennes ou des variances
tabulate ..., chi2 Test dindpendance de 2 caractres, test de Pearson
On peut utiliser galement les botes de dialogue de Stata. Par exemple si, on
veut calculer les : moyenne, carts type, minimum et maximum des variables, on
procde de la manire suivante :
Puis on introduit les variables pour le calcul statistique, comme suit :
12
Aprs avoir retenu les variables, dans la case de gauche (variables), on obtient les
rsultats qui suivent :
13
On observe que le nombre dobservations pour les differentes variables, nest pas
identique. Cela est expliqu par le nombre de donnes manquantes pour les
principales variables retenues. Les valeurs minimales et maximales peuvent nous
permettre de dtecter lexistence deventuels points aberrants. Il est possible de
calculer les coeffcients de variation pour chaque variable (ecart-type/ moyenne)
pour voir lhomognit/Htrognit de lechantillon selon la variable tudie. A
titre dexemple, le CV de la variable ln_cps est gal 0.25 < 0.15. Ceci indique
une htrognit de lechantillon par rapport lindicateur du dveloppement
financier. On peut aussi calculer les correlations possibles avec les differentes
variables du modle afin de detecter le risque de multicolinrit, en cas de
correlations fortes entre certaines variables explicatives du modle. On procde
de la manire suivante :
De la mme faon, on choisit par la suite, les variables, pour lesquelles nous
effectuons lanalyse de la correlation, comme suit :
14
Les rsultats sont les suivants :
On observe que le coeffcient de correlation le plus lev (0.528) se situe entre

lindicateur du dveloppement financier (ln_cps) et celui des dpenses publiques
(ln_gc). Les variables tant toutes exprimes en logarithme.
15
Les rgressions linaires sur donnes de panel
Introduction
Les donnes utilises en conomtrie sont le plus souvent des sries

chronologiques, telles que le nombre dentres de touristes par mois, la croissance
annuelle du PIB, etc. Par ailleurs, on peut disposer de donnes en coupe instantane
concernant une priode donne, telle que la valeur ajoute des entreprises du secteur
manufacturier pour lexercice 2011.
Les donnes de panel, ou donnes longitudinales possdent les deux dimensions
prcdentes (individuelle et temporelle) et rapportent les valeurs des variables
considres releves pour un ensemble, ou panel, d'individus sur une priode donne.
Par consquent, le modle en donnes de panel scrit comme une modle double indice
qui prend la forme suivante :
yit k X kit p z pi it i=1N t=1Ti

k p
On utilise une notation deux indices, i pour l'individu i et t pour le temps. Les variables
explicatives Xkit sont variables dans le temps, alors que les variables z pi sont des facteurs
invariants dans le temps. La double dimension quoffrent les donnes de panel est un
atout majeur. En effet, si les donnes en sries temporelles permettent dtudier
lvolution des relations dans le temps, elles ne permettent pas de contrler
lhtrognit entre les individus. A linverse, les donnes en coupes transversales
permettent danalyser lhtrognit entre les individus mais elles ne peuvent pas tenir
compte des comportements dynamiques, puisque la dimension temporelle est exclue du
champ danalyse.
16
En utilisant des donnes de panel, on pourra exploiter les deux sources de variation de
linformation statistique : Temporelle o variabilit intra-individuelle et individuelle ou
variabilit inter-individuelle. Laugmentation du nombre dobservations permet de
garantir une meilleure prcision des estimateurs, de rduire les risques de multi
colinarit et surtout dlargir le champ dinvestigation. De nombreux modles
conomtriques, exploitant essentiellement des donnes d'entreprise, peuvent tre
confronts des donnes croises, le caractre particulier de celles-ci invite considrer
des spcifications et des mthodes d'estimation adaptes. Le panel considr nest pas
ncessairement complet (cylindr) o toutes les units statistiques sont observs durant
la priode considre. Il peut sagir dun panel incomplet, non cylindr, o les individus
ne sont pas observs sur toute la priode de lanalyse du fait du problme dentre/sortie.
A titre dexemple si on dispose dun panel incomplet de 1500 entreprises observes sur la
priode 1991-2010, certaines entreprises nexistaient pas en 1991 et ont t cres par la
suite. Par ailleurs, dautres entreprises qui existaient en 1991 ont pu disparatre de
lchantillon avant 2010, pour diverses raisons (fusion, acquisition, banqueroute, etc).
Dans ce cas de figure, le cylindrage de lchantillon nest pas conseill cause du risque
de biais de slectivit, puisque les entreprises que nous liminerons de lchantillon, pour
raisons dinformations temporelle incomplte, peuvent ne pas avoir la mme typologie
que celle qui sont observes sur toute la priode indique.
Ce chapitre prsente les techniques les plus courantes de modlisation des donnes de
panel. Thoriquement, les mthodes proposes dans ce cadre supposent que la dimension
individuelle est infinie (des centaines, voire des milliers dentreprises) et la dimension
temporelle est finie (bilans annuels observs sur quinze vingt ans). Do lintrt de
contrler lhtrognit des individuelle qui peut tre suppose fixe ou alatoire.1
1
Dans notre exemple empirique, on retient pour des raisons de commodit un panel de 15 pays observs sur 46
ans.
17
Tableau N3. Contrle de lhtrognit individuelle, en donnes de panel.
Le tableau prcdent, montre quelques exemples dhypothses sur lhtrognit

des individus qui peuvent orienter au niveau des problmatiques retenus pour le choix
de la modlisation conomtrique entreprendre lors de lusage des donnes de panel.
1. Le modle effets fixes
Le modle effets fixes suppose que les relations entre la variable dpendante et
les variables explicatives sont identiques pour tous les individus. Si lon considre N
individus, observs sur Ti priodes de temps et K variables explicatives, le modle scrit
alors :
yi,t = i + k Xk,i,t + i,t , i =1,.,N et t =1,., Ti (4.1)
Pour k = 4, le modle scrit :

Yi,t = i + 1 X1i,t + 2 X2i,t + 3 X3i,t + 3 X4i,t + i,t (4.1.1)
i reprsente la spcificit individuelle, suppose fixe.
18
1.1 Les hypothses (H1)
On suppose que les rsidus i,t sont i.i.d. et satisfont les conditions suivantes, et
[1;N] ; [1;Ti] :
E (i,t) = 0
E (i,t i,s) = ,
ce qui implique E (i 'i)= o dsigne la matrice identit (Ti, Ti).
E (i,t j,s) = 0 , ,
Le modle effets fixes individuels prsente une structure des rsidus qui vrifient les
hypothses standards des MCO. Il sagit en fait dun modle classique avec variables
indicatrices individuelles.
1.2 Lestimateur MCO ou LSDV (Least Square Dummy Variables)
Lestimateur des Moindres Carrs Ordinaires (MCO) des paramtres i et dans

le modle effets fixes est appel aussi estimateur variables muettes indicatrices,
LSDV. Les estimateurs de ce modle par la mthode des MCO sont sans biais. Dans la
pratique, lestimateur des MCO ou LSDV est obtenu partir dun modle transform o
les diffrentes variables du modle sont centres par rapport leurs moyennes
individuelles respectives. Ceci privilgie lexploitation de la variabilit intra-individuelle
(dimension temporelle) dans lestimation des paramtres structurels du modle. Aussi,
on retient la spcification suivante:
K
yit i k xkit it i =1,.,N et t =1,.,Ti (4.2)
k 1
Les ralisations des estimateurs des constantes i sont dduites au point moyen, aprs
estimation des paramtres k selon la relation qui suit :
K
i yi k xki
k 1
Lestimateur MCO des coefficients k est obtenu en centrant les diffrentes (variables
endogne et exognes) sur leur moyenne individuelle respective. Ainsi, on obtient

lestimateur MCO en utilisant le modle transform suivant :
19
K
yit k xkit it
k 1
Ti
Avec yit yit yi , xkit xkit xki , it it i . On note que yit 1
Ti y
t 1
it .
Les variables xkit et it , tant dfinies de faon analogue. Il est conseill dans le cas o le panel
est non cylindr dutiliser loption robuste de manire tenir compte de lhtroscdasticit
des erreurs, puisque la variance des erreurs du modle transform nest pas constante. En
effet, on vrifie que : v( it ) 2 TiTi 1 .
Outre le fait que la variabilit inter-individuelle nest pas exploite pour estimer les
paramtres structurels du modle, une limite inhrente au modle effets fixes rside
dans le fait que limpact des facteurs invariants travers le temps ne peut tre identifi.
Ceci constitue une limite au niveau de lanalyse conomique, puisquil revient
restreindre le champ danalyse conomique de ltude.
1.3 Application sous STATA
Pour toutes les applications sous STATA sur des donnes de panel, on utilise la
mme base de donnes panel.dta, prsente dans la section prcdente.
Avant d'utiliser les commandes sur donnes de panel, il faut indiquer Stata la variable prcisant la
dimension individuelle et celle relative la dimension temporelle. Cela se fait par la commande tsset.
Exemple : tsset id tps dclare des donnes de panel ; o id est la variable indicatrice de la dimension
individuelle et tps l'indicatif de la dimension temporelle.
Pour les commandes qui suivent, il est sous-entendu que la commande tsset doit les prcder.
Dans cette application, lindicateur de la dimension individuelle est le code_pays, celui de la dimension
temporelle est la variable anne.
20
Il est possible avant de procder des rgressions linaires en panel, deffectuer un

calcul des variances intra-individuelle (temporelle) et interindividuelle (individuelle).
Prenons, titre indicatif, la variable croissance du PIB par tte.
Dans la bote de dialogue suivante, on retient la variable : gdp_capita
21
Les rsultats sont les suivants :
La croissance moyenne du PIB par tte, sur lensemble de lchantillon est de 1.98%. La
variance inter-individuelle (between) est gale 3.9, alors que la variance intra-
individuelle (temporelle) est gale 60.1 sur une variance totale de 63.9, soit 94% de la
variance totale. Ceci sexplique par limportance de la dimension temporelle dans notre
chantillon (en moyenne 35 ans par pays) par rapport la dimension individuelle (15
pays).
22
1.3.1 Modle effets fixes.

Dans l'exemple qui suit, on estime l'impact du dveloppement financier sur la croissance
conomique, sur un panel incomplet de 15 pays de la rgion MENA, observs sur la
priode 1961-2006. La variable dpendante mesure la croissance du PIB par tte.
Lindicateur du dveloppement financier est mesur par le volume des crdits bancaires
accords au secteur priv, exprims en pourcentage du PIB. On retient trois variables de
contrle : linflation, les dpenses publiques (en % du PIB) et le degr douverture de
lconomie. Le modle thorique scrit, comme suit2 :
Yit = i + 1 ln (CPS) it + 2 ln (INF+1) it + 3 ln(TO) it + 4 ln (GC) it +it
pour i = 1,., N et t =1,. ,Ti
Lestimation dun modle effets fixes sous Stata se fait avec la syntaxe suivante :
xtreg variable dpendante_ variables explicatives , fe
2
On retient un modle double logarithmique de manire pouvoir estimer des lasticits et effectuer lanalyse
en terme relatif.
23
Les rsultats destimation montrent que les coefficients associs lindicateur du

dveloppement financier (CPS), linflation(Inf1) et louverture commerciale (trade)
sont statistiquement significatifs (leur p-value respective < 5%). Toutefois, leffet du
dveloppement financier sur la croissance conomique semble ngatif. En outre, Les
dpenses publiques prsentent, en moyenne, un effet non significatif sur la croissance du
PIB par tte. (p-Value > 5%). La statistique de Fischer : F(14,360)=2.33 confirme
lhtrognit des individus sous la forme dun effet fixe, puisque la p-value < 5%.
L'option robust associe la commande xtreg, corrige les t de student de l'htroscdasticit par la
mthode de White. Mais La commande xtreg..., fe ne permet pas d'option robust pour la correction de
l'htroscdasticit. Pour le faire, il faut utiliser une autre commande nomme areg. (estimation par les MCO
avec variables indicatrices individuelles). La commande areg ncessite de spcifier la dimension individuelle,
mme si la commande tsset est utilise avant. L'option absorb(id) spcifie la variable id comme reprsentant la
dimension individuelle. Ceci permet de crer les 15 variables indicatrices relatives aux pays.
La commande est la suivante :
24
La diffrence entre xtreg..., fe et areg est qu'avec le premier, les donnes sont transformes en
diffrences par rapport a la moyenne individuelle pour liminer les effets fixes, alors que la commande areg
revient a faire des MCO sur un modle dans lequel on introduit une variable muette pour chaque individu ou
pays. On note que les deux mthodes fournissent les mmes valeurs pour les paramtres estims. La diffrence
rside dans les carts-types estims avec la fonction (areg) qui permet de fournir des estimateurs robustes.
Les estimations des paramtres sont identiques que celles du tableau prcdent. Seuls
les carts types estims de ces estimateurs sont plus faibles, cause de linstruction
robuste. Les rsultats montrent quen termes dimpact, louverture commerciale prsente
un effet marginal plus important sur la croissance conomique, quune politique
montaire visant la matrise de linflation. Leffet ngatif du dveloppement financier sur
la croissance peut sexpliquer par plusieurs raisons : (htrognit des pays en matire
de dveloppement financier, la non linarit de la relation, la prsence dun effet seuil,
etc. La recherche dune explication doit tre davantage du ct de la littrature
conomique, plutt que de larsenal conomtrique utiliser !
1.3.2 Modle effets fixes avec variables instrumentales
Pour estimer un modle effets fixes avec des variables instrumentales, il faut utiliser la commande
xtivreg..., fe dont la syntaxe gnrale est:
xtivreg variable_dpendante variables_exognes (variables endognes = instruments), fe
25
Dans l'exemple qui suit, On retient comme variables exognes les trois variables
de contrle. La variable endogne est le ratio des crdits aux secteurs privs par rapport
au PIB, logCPS. On retient comme instrument supplmentaire le trend, (variable year),
sachant que toutes les variables exognes du modle sont utilises comme instruments.
La commande Stata est la suivante :
Lapplication avec variables instrumentales propose dans cette section ne permet pas
damliorer la prcision des estimateurs. Elle est retenue, juste pour la vulgarisation de la
mthode. Le choix des instruments peut ne pas tre pertinent. Dans la pratique, il sagit de
procder des modifications des instruments retenir, jusqu lobtention de rsultats
significatifs.
2. Le modle erreurs composes.
Le modle erreurs composes suppose que la spcificit individuelle est sous
forme alatoire. Le terme constant spcifique lindividu i est alatoire. Il se dcompose
en un terme fixe et un terme alatoire spcifique lindividu permettant de contrler
lhtrognit individuelle. En regroupant les termes alatoires du modle, on obtient
une structure erreurs composes.
Comme nous dcomposons la constante dans le modle effets fixes, il sagit dans
le modle effets alatoires de dcomposer les rsidus. Cest en effet dans ces derniers
quinteragissent les variables explicatives omises. Le modle scrit toujours :
yit i k X kit p z pi it , i =1,.,N et t =1,.,Ti (4.1)

k p
26
Le terme individuel alatoire i est alors dcompos de la manire suivante :

i = + i
dsigne la composante fixe et i la composante stochastique individuelle, non observable

telle que la qualit du management, dans le cadre dun panel dentreprises. Il sen suit un
modle erreurs composes qui sexprime de la manire suivante:
yit k X kit p z pi i it , i =1,.,N et t =1,.,Ti (4.1)

k p
Gnralement, on est conduit faire un certain nombre dhypothses sur cette structure
de rsidus.
2.1 Les hypothses sur les rsidus.
On suppose que les rsidus sont i.i.d. et satisfont les conditions suivantes :
E (ui) = E (i,t) = 0
E (ui i,t) = 0
E (ui u j) = u i j , 0 sinon
E (i,t s,t) = 2 i=j et t=s , 0 sinon.
E (ui x'it) = E (i,t x'it) = 0
Sous ces hypothses, la variance de la variable endogne yi,t conditionnellement
aux variables explicatives xi,t est alors gale u2 2 .3
2.2 Estimateur des Moindres Carrs Gnraliss, MCG.
Contrairement au modle effets fixes, le modle erreurs composes utilise les deux
dimensions du panel. Par consquent, on peut largir le champ de recherche empirique,
en mesurant leffet de facteurs invariants dans le temps, z pi (secteur dactivit de
lentreprise, titre dexemple), en plus des facteurs explicatifs variables dans le temps,
xkit . Puisque les erreurs composes, sont corrles par individu dans le temps, on utilise
la mthode des moindres carrs gnraliss. Il est ais de vrifier que lapplication des
MCG, revient appliquer les MCO sur le modle transform suivant:
3
On retient une structure erreurs composes ou seule la composante individuelle est prise en compte. Il est
possible dinclure une composante temporelle.
27
yit (1 i ) yi i k ( xkit (1 i ) xki ) pi z pi i i it (1 i i )

k p
2
O i
Ti u2 2
Dans la pratique, lorsque le panel est incomplet on, retient o Ti est remplac par T .

2.3.1. Estimation du modle erreurs composes.
Pour estimer un modle a effets alatoires, il suffit de remplacer l'option fe dans la commande xtreg par
l'option re. La syntaxe gnrale est donc la suivante:
xtreg variable_dependante variables_explicatives , re
On applique le modle effets alatoires sur les mmes donnes utilises

prcdemment :
28
La commande :
Les rsultats destimation obtenus par le modle erreurs composes ne sont pas
meilleurs que ceux obtenus par le modle effets fixes. En effet, les coefficients
associs linflation et louverture commerciale ne sont plus significatifs, au
seuil conventionnel de 5%. Cela laisse penser que lhypothse dabsence de
corrlation entre le terme alatoire individuel ui et les variables explicatives du
modle nest pas vrifie. Il sen suit des estimations biaises. Le test de Haussmann
dvelopp la section 3, devrait confirmer ces prsomptions. Toutefois, cette dfaillance
statistique peut galement sexpliquer par le problme dendognit de la variable (CPS).
Do lintrt dutiliser les techniques des variables instrumentales.
2.3.2 Modle effets alatoires avec variables instrumentales
La variable endogne relative lindicateur du dveloppement financier est

prsent instrumente par le logarithme de la population (Log Pop) et le logarithme des
transferts des revenus des travailleurs ltranger,(log_workers).
En ce qui concerne le modle a effets alatoires avec des variables instrumentales, il faut utiliser la
commande xtivreg..., re dont la syntaxe gnrale est la suivante:
xtivreg variable_dependante variables_exognes (var_endogne = instruments) , re
29
La commande :
En traitant le problme dendognit de la variable CPS, les rsultats du MEC avec

variables instrumentales ont gagn en prcision, notamment au niveau de leffet de
linflation, dont le coefficient devient significatif. Toutefois, il est lgitime dappliquer le
test de Hausman afin de valider lhypothse nulle dabsence de corrlation entre le terme
alatoire individuel et les variables explicatives du modle.
3. Le test de Hausman
3.1. La procdure du test.
Le test de spcification dHausman (1978) est un test gnral qui peut tre
appliqu des nombreux problmes de spcification en conomtrie, traitant avec le
problme dendognit. Son application la plus rpandue est celle des tests de
spcification des effets individuels alatoires en panel. Lide gnrale du test
dHausman est simple : Supposons que lon cherche tester la prsence ventuelle dune
corrlation ou dun dfaut de spcification. Admettons que lon dispose de deux types
destimateurs pour les paramtres du modle tudi. Le premier estimateur est suppos
tre lestimateur non biais variance minimale sous lhypothse nulle de spcification
correcte du modle (absence de corrlation). En revanche, sous lhypothse alternative de
mauvaise spcification, cet estimateur est suppos tre biais. Par contre, le second
estimateur, celui du modle effets fixes, est non biais dans les deux cas. Lapplication
30
technique de ce principe suppose tout de mme que lon construise la matrice de variance
covariance de lcart entre les deux estimateurs. Le test de spcification de Haussman
repose sur le corps dhypothses suivant :
H0 : E(ui i) = 0 ( les estimateurs du modle erreurs composes sont efficaces.)
H1 : E(ui i) 0 (les estimateurs du modle erreurs composes sont biaiss).
La statistique du test est la suivante :

1
H = ( MEF MEC ) ' V ( MEF ) V ( MEC ) ( MEF MEC ) 2 ( k )
Sous lhypothse nulle de spcification correcte, cette statistique est asymptotiquement

distribue selon une chi-deux K degrs de libert, soit le Nombre de facteurs variables
dans le temps, introduits dans le modle. Si le test est significatif ( p-value < 5%), on
retient les estimateurs du Modle effets fixes qui sont non biaiss. Dans le cas,
contraire (peu probable), on retient ceux du modle erreurs composes, car ils sont
efficaces.

Le test de spcification de Hausman permet de choisir entre le modle effets
fixes et le modle effets alatoires. On procde en 4 tapes :
1) On applique le modle effets fixes comme dmontr prcdemment
2) On sauvegarde lestimation obtenue du modle effets fixes sous le nom fixed :
3) On applique le modle erreur composes sur les mmes variables.

4) On applique le test dHausman :
31
La dmarche est comme suit :

xtreg...,fe
est store fixed
xtreg..., re
hausman fixed
La premire ligne de commande estime le modle effets fixes. La seconde ligne conserve les rsultats du
modle effets fixes sous le nom fixed. La troisime ligne estime le modle effets alatoire et la quatrime
ligne excute le test de Hausman proprement dit.
Appliquons le test de Hausman pour choisir le modle le plus appropri aux donnes.
Le test de Hausman rfute lhypothse dabsence de corrlation entre le terme alatoire

i et les variables explicatives du modle. ( P-value= 3.4% <5%). Le test de Chi-Deux est
4 degrs de liberts car il ya sous H0 , 4 restrictions relatives lgalit des coefficients
des deux modles pour les facteurs variables dans le temps (CPS, inflation, GC, Trade).
32
Les estimateurs du modle erreurs composes sont biaiss. Il est prfrable de retenir
ceux du modle effet fixes qui sont sans biais. Il est possible de refaire la mme
procdure pour les estimations du modle effets individuels fixes et alatoires dans le
cadre des techniques des variables instrumentales.
4. Mthodes de Hausman-Taylor sur donnes de panel.
Le modle linaire des donnes de panel est fond sur lhypothse de non-
corrlation entre les effets spcifiques non observs, i , les rgresseurs xit et Zi. Hypothse
fortement conteste dans la pratique. Cependant si le modle retenu au dpart, comporte

des facteurs invariants dans le temps, il est lgitime de procder lusage des techniques
des variables instrumentales, dans le cadre dun modle erreurs composes. La
mthode de Hausman-Taylor est approprie pour ce genre de situations o on peut avoir
des facteurs variables dans le temps et des facteurs invariants dans le temps dont
certains prsentent un problme dendognit. Ceci est en violation avec lhypothse
dabsence de corrlation du terme alatoire et des facteurs considrs. Cette mthode
prsente lavantage daugmenter le nombre dinstruments en utilisant la double
dimension du panel. Le modle thorique est le suivant :
yit = x'1it 1 + x'2it 2 + z'1i 1 + z'2i 2 + i +it
o : = ('1, '2) et = ('1, '2i).
Les auteurs dfinissent quatre ensembles de variables observes dans le modle :

x'1it correspond aux K1 variables variantes dans le temps et non corrles avec i .
z'1i correspond aux L1 variables invariantes dans le temps et non corrles avec i .
x'2it correspond aux K2 variables variantes dans le temps et corrles avec i .
z'2i correspond aux L2 variables invariantes dans le temps et corrles avec i .
4.1 Les hypothses.
Les hypothses supplmentaires sur le terme alatoire i sont comme suit:
E ( i x1it ) E ( i z1i ) 0

E ( i x2it ) 0 et E ( i z2i ) 0
33
Sur le plan pratique, la difficult rside dans la partition des facteurs explicatifs
(variant et invariants dans le temps) entre variables endognes et exognes. La
mthode destimation est celle des MCG avec variables instrumentales.
La commande :
La syntaxe gnrale de la commande sur Stata est la suivante:
xthtaylor var_dep var_explicatives ,endo(listel) cons(liste2) small
listel est la liste des variables endognes du modle (spares par un espace) y compris
les variables endognes invariantes dans le temps. Ici le terme endogne dsigne une
corrlation uniquement avec l'effet spcifique i et non avec le terme rsiduel it.
liste2 est la liste de l'ensemble des variables invariantes dans le temps. Cette option est
facultative car Stata dtecte automatiquement les variables constantes dans le temps et
celles qui varient selon les individus et le temps.
small est l'option qui permet de reporter les t de student au lieu des statistiques z de la
loi normale centre rduite, et la statistique F de Fisher au lieu de la statistique de chi2.
Cette dmarche est valide dans les chantillons de petites tailles, en labsence de
convergence asymptotiques en lois. Dans cette application, nous avons introduit 2
variables supplmentaires invariantes dans le temps (une variable rgionale, exogne:
Middle East=1, pour les pays du moyen orient, 0 sinon) et ressources naturelles,
suppose endogne, gale 1 pour les pays producteurs de ptrole, 0 sinon). Par
consquent, pour lobjet de cet exercice, on a 2 variables endognes : le dveloppement
34
financier et Production du ptrole. La dcomposition des 6 variables explicatives

introduites dans le modle se prsente, comme suit :
X1it= [ln_inf1, ln_to, ln_gc] X2it=[ln_CPS]
Z1i= [middle_East] Z2i= [petrol]
Les rsultats destimation avec la mthode de Hausman-Taylor permettent damliorer

la significativit statistique de certains paramtres, principalement, celle de louverture
commerciale, linflation, ct de lindicateur de dveloppement financier (CPS,
endogne) dont limpact demeure ngatif et significatif. Toutefois, lintroduction de
facteurs invariants dans le temps, (Middle_East, exogne) et Petrol (endogne),
fournissent des coefficients qui ne sont pas significatifs. Dans ce cas de figure, il est
possible de se restreindre aux rsultats du modle effets fixes, avec variables
instrumentales. Le gain en efficacit que procurent les techniques des variables
instrumentales est un exercice long qui exige beaucoup de persvrance afin de trouver
les bons instruments.
35
5. Quelques tests sur donnes de panel

5.1 Le test de normalit des rsidus.4
Le test de Jarque-Bera est utilis pour dterminer si les rsidus d'une rgression
linaire suivent une distribution normale. On pose :
H0: les rsidus suivent une loi normale.
H1: les rsidus ne suivent pas une loi normale.
Avec
Avec:
n = Nombre d'observations
k = Nombre de variables explicatives si les donnes proviennent des rsidus d'une
rgression linaire. Sinon, k=0.
S = Coefficient d'asymtrie : Moment d'ordre 3 d'une variable centre-rduite
K = Kurtosis : Moment d'ordre 4 d'une variable centre-rduite
Le test de Jarque-Bera ne teste pas proprement parler si les donnes suivent une loi
normale, mais plutt si les coefficients de kurtosis et d'asymtrie des donnes sont les
mmes que ceux d'une loi normale, de mme esprance et variance. On a donc:
H0: S = 0 et K = 3
H1: S 0 et K 3
Une loi normale a un coefficient d'asymtrie = 0 et un coefficient de kurtosis = 3. Par
consquent, si les donnes suivent une loi normale, le test s'approche alors de 0 et on
accepteHo, au seuil . Le rsidu prdit, provient d'un modle estim par xtreg..., fe ou
xtreg..., re selon l'estimateur choisi. Choisissons le modle effets fixes tester : Aprs
avoir appliqu le modle effets fixes, puis on rcupre les valeurs prdites du rsidu :
4
Ce test peut aussi sappliquer si on ne dispose pas de donnes de panel.
36
Et on applique le test de normalit des rsidus :
La commande du test de normalit des rsidus est sktest :
La probabilit du test est 0.80 > 0.05, on accepte l'hypothse nulle Ho de normalit des
rsidus.
5.2. Le test deffets individuels alatoires.
Le test de Breusch-Pagan ou test du multiplicateur de Lagrange permet de valider

empiriquement le choix dune structure erreurs composes. Le corps dhypothses
tester est le suivant :
H 0 : 2 0
H 0 : 2 0
37
O 2 dsigne la variance de lerreur spcifique lindividu, i N (0, u2 ) .
La statistique du test est base sur les rsidus estims par les MCO. Elle prend la forme
suivante :
2
N Ti 2

2
it
NT i 1 t 1
LM 1 2 (1)
2(T 1) N Ti
it2
i 1 t 1
Pour les rgressions en panel, le test d'htroscdasticit de Breush-Pagan est donn

seulement par la commande xttest0 aprs xtreg..., re sans loption robust.
La probabilit du test est 0.0707 > 5%, on accepte l'hypothse nulle. Le test rejette la
spcification dune structure erreurs composes. Ce test doit prcder celui de
Hausman, qui traite du problme de corrlation du terme alatoire et des variables
explicatives du modle.
La bote de dialogue de ce test deffet alatoire individuel est la suivante:
38
5.3 Le test de validit des instruments
Le test de suridentification de Sargan permet de tester la validit des

instruments utiliss dans les rgressions en donnes de panel.
Le test est bas sur la statistique :
O Zit dsigne la matrice des instruments. La statistique du test suit la loi de chi-deux
IP degrs de libert, avec I le nombre des instruments et P le nombre de paramtres
estimer.
Pour un niveau de significativit , le corps dhypothses tester est le suivant:
H0 : Les instruments sont valides.
H1 : Les instruments ne sont pas valides.
5.4. Application sous STATA
Stata permet de tester la validit des instruments partir de la commande : overidxt.
Reprenons toujours le modle de l'impact du dveloppement financier sur la

croissance conomique. Une condition ncessaire pour raliser le test de Sargan est que
39
le modle soit suridentifi : le nombre d'instruments doit tre strictement suprieur au

nombre de variables endognes. On retient, titre illustratif, comme instruments, un
trend et la population.
La probabilit du test est de 0.63 > 0.05. On ne peut donc pas rejeter l'hypothse nulle
Ho, de validit des instruments. Le test de chi-deux est de 1 degr de libert ( I=5, P=4),
dans le modle effets fixes, il ny a pas de terme constant.
6. La mthode des moments gnraliss (GMM) en panels dynamiques.
Un modle dynamique est un modle dans lequel un ou plusieurs retards de la

variable dpendante figurent comme variables explicatives. A l'inverse des GMM en
panel dynamique, les techniques conomtriques standards comme les MCO ne
permettent pas d'obtenir des estimations sans biais d'un tel modle, cause de la
prsence de la variable dpendante retarde droite de l'quation. Il sen suit des
estimations biaises. La mthode GMM repose sur les conditions dorthogonalit entre
les variables retardes et le terme derreur, aussi bien en diffrences premires quen
niveau. Lorsque le modle dynamique est exprim en diffrences premires, les
40
instruments sont en niveau, et vice versa. Dans le modle estimer, l'utilisation des
variables retardes comme instruments diffre selon la nature des variables explicatives:
(a) Pour les variables exognes, leurs valeurs courantes sont utilises comme
instruments.
(b) Pour les variables prdtermines ou faiblement exognes (des variables qui
peuvent tre influences par les valeurs passes de la variable dpendante, mais
qui restent non corrles aux ralisations futures du terme d'erreur), leurs
valeurs retardes d'au moins une priode peuvent tre utilises comme
instruments.
(c) Pour les variables endognes, leurs valeurs retardes de deux priodes et plus
peuvent tre des instruments valides.
La validit des instruments retenus peut tre confirme ou infirme, partir des
tests de Hansen et de Sargan. Il existe deux variantes d'estimateur des GMM en panel
dynamique: L'estimateur GMM en diffrences premires et l'estimateur GMM en
systme.
6.1. Le principe de la mthode GMM.

6.1.1. GMM en diffrences premires.
L'estimateur GMM en diffrences premires d'Arellano et Bond (1991) consiste

prendre pour chaque priode la premire diffrence de l'quation estimer pour liminer
les effets spcifiques individuels. On obtient : yi,t = yi,t-1 + Xi,t + i,t
Il sagit ensuite d instrumenter la variable endogne retarde par ses valeurs passs de
2 priodes et plus. Cependant, cette mthode ne permet pas didentifier leffet des
facteurs invariants dans le temps. De plus, Blundel et Bond (1998) ont montr l'aide
des simulations de Monte Carlo que l'estimateur GMM en systme est plus performant
que celui en diffrences premires, ce dernier donne des rsultats biaiss dans des
chantillons finis lorsque les instruments sont faibles.
6.1.2. GMM en systme.

Lestimateur GMM en systme de Blundel et Bond (1998), combine les quations
en diffrences premires avec les quations en niveau. Les instruments dans lquation
en diffrences premires sont exprims en niveau, et vice versa.
41
Les principaux tests en panels dynamiques, reposent sur les hypothses suivantes,
accepter.
- Test de Sargan : H 0 . Les instruments sont valides.
- Absence de corrlation srielle des rsidus.

H 1 : Corrlation ngative dordre 1 des rsidus.
H 0 : Absence de corrlation dordre 2 des rsidus.
6.2. Application sous STATA
Cet exemple est la suite logique du modle de croissance conomique retenu dans
la premire partie. On introduit la variable endogne retarde dune priode dans les
variables explicatives notamment le PIB par tte t-1 , de manire tester leffet de
Comportements dynamiques. Dans cette application, on retient le revenu initial comme
proxy de la croissance du PIB par tte, dcal dune priode, pour tester leffet de
convergence. Le modle scrit :
Yit = i + 1 ln(IIC)it + 2 ln (CPS) it + 3 ln(INF+1) it + 4 ln(TO) it + 5 ln (GC) it +it

i = 1,., N t = 1,. ,T
La syntaxe gnrale est la suivante:

xtabond2 var_dep var_explicatives, noleveleq gmm(varendo, lag(a b)]) iv(varinstrum) two robust small
L'option noleveleq permet de spcifier l'estimateur GMM en diffrences premires. Lorsque cette option est
omise, alors c'est l'estimateur GMM en systme qui est utilis, de manire automatique.
er
gmm(varendo, lag(a b)): varendo est la variable endogne, instrumenter. Lag ( a b) sont les retards (du 1 au
dernier retard) de la variable endogne utiliser en tant quinstruments. Le nombre dinstruments est (b-a)+1,
( a 2 ) On ajoute linstruction collapse lorsque le nombre de retard est fix. Dans le cas contraire (lag(2 .), il ny
a pas lieu de la rajouter, puisquon ne spcifie pas la borne suprieure du retard des instruments qui commencent
partir du retard dordre 2. Pour iv(varinstrum), varinstrum, indique la liste des variables exognes du modle qui
sont utilises comme instruments. L'option small reporte les t de student la place des statistiques de la loi
normale centre rduite z. Loption two permet davoir un estimateur en 2 tapes, plus prcis que celui en une
tape (sans two), car lestimateur MM en deux tapes tient compte de la structure de la matrice des variances
covariances des erreurs.
42
6.2.1. GMM en diffrences premires.

La commande :
On voit quon accepte la prsence dun effet AR(1) pour les rsidus et on accepte labsence
dun effet AR(2). Ceci est en conformit avec les hypothses formules. Par ailleurs, les tests
de Sargan ou de Hansen valident le choix des instruments. De plus les variables explicatives
sont statistiquement significatives, avec un effet ngatif de lindicateur du dveloppement
financier, de linflation et un effet positif de louverture commerciale. Si on se base sur la
littrature des modles de convergence, en matire de croissance, lhypothse de convergence,
suppose un effet ngatif du revenu initial. Pour la variable endogne revenu initial, on a
retenu de manire arbitraire les retards dordre 4 8 comme instruments, soit 5 instruments.
Pour lindicateur du dveloppement financier, on retient les retards dordre 4 9 comme
instruments, soit 6 instruments. En plus de ces instruments, les 3 variables exognes (ln_inf,
ln_gc, ln_to) sont utiliss comme instruments. Le nombre total des instruments est gal 14
Instruments, comme il est mentionn. Par ailleurs, le nombre de paramtres est gal P=5.
Par consquent les tests de Sargan et Hansen, suivent une chi-deux 14-5=9 degrs de
liberts.
43
6.2.2. GMM en systme.

En liminant, loption noleveleq, on obtient les rsultats destimation du GMM en
systme, en deux tapes. Ils prsentent des tests conformes, en termes de processus
autorgressifs et de validation des instruments.
De plus, les rsultats des paramtres estims sont meilleurs et conformes lintuition
conomique. Un effet positif et significatif de louverture commerciale sur la croissance
du PIB par tte, un effet ngatif et significatif de linflation, indiquant quune politique
montaire qui vise la maitrise de linflation permet daccroitre le PIB par tte. Le
comportement dynamique de la croissance capt par le revenu initial, prconise un effet
de convergence. Seule fausse note, leffet ngatif, toujours significatif de lindicateur de
dveloppement financier sur la croissance du PIB par tte et ce, malgr les diffrentes
procdures conomtriques retenues. La solution est plutt dordre conomique que
44
statistique ! Une faon de contourner ce problme consiste supposer que leffet du

dveloppement financier sur la croissance conomique dpend de la qualit des
institutions, principalement de la corruption, de manire inclure dans le modle un
effet crois, pour rompre avec lhypothse de linarit de leffet du dveloppement
financier sur la croissance conomique.
Rfrences bibliographiques
Greene W.H.(2003). Econometric Analysis. 5th Edition. Prentice Hall.
Greene W.H.(2005). Economtrie. 5me dition. Traduction franaise dirige par

Schlacther. D., Azomahou. T., Couderc.N., Monjon .S., Nguyen Van . P. Editions Pearson
Education.
Baltagi B.H.(2009). A companion to Econometric Analysis of Panel data. John Wiley and
Sons.
45

SSRN Id2891006

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

SSRN Id2891006

Hochgeladen von

Copyright:

Verfügbare Formate

conomtrie des donnes de panel

INSTITUT DES HAUTES ETUDES LABORATOIRE DECONOMIE

ECONOMETRIE DES DONNEES DE PANEL

Mohamed GOAIED & Seifallah SASSI

Electronic copy available at: https://ssrn.com/abstract=2891006

Lobjectif de ces modules consiste dmystifier lconomtrie et aider les chercheurs de

La disponibilit de linformation statistique et sa nature (coupe instantane, srie

Les rsultats empiriques sont tributaires de la qualit de linformation statistique et de

Une analyse descriptive dtaille de lchantillon est importante avant de se lancer

Electronic copy available at: https://ssrn.com/abstract=2891006

La transposition (pure est simple) dun modle thorique tir de la littrature et

Les objectifs de la recherche (lconomique) peuvent tre en conflit avec les

Les mthodes conomtriques sophistiques amliorent souvent la prcision des

- Economtrie des variables qualitatives dpendantes.

Professeur en Economtrie & Statistique

Table des matires

II. Regresion linaire sur donnes de panel

5.3. Test de validit des instruments.

1. Connaissance de lenvironnement Stata.

- Review : historique des commandes passes

Dans lordre, les principales icnes :

1. Limportation de fichiers de donnes, Excel.

Exemple ; On dispose dune base de donnes de panel relative 15 pays de la rgion

Tableau N1. Descriptif de la base de la base de donnes. Source : WDI.

Tableau N2. Fichier des donnes, panel.xlsx.

En cliquant sur le logiciel Stata, et en ouvrant le ficher panel.dta, (file/open), on

2. Analyse descriptive sur Stata.

Gener nom de la nouvelle variable= ln(ancienne variable). Exemple, on a dans le fichier

Puis on introduit les variables pour le calcul statistique, comme suit :

Les rsultats sont les suivants :

On observe que le coeffcient de correlation le plus lev (0.528) se situe entre

Les rgressions linaires sur donnes de panel

Les donnes utilises en conomtrie sont le plus souvent des sries

yit k X kit p z pi it i=1N t=1Ti

Tableau N3. Contrle de lhtrognit individuelle, en donnes de panel.

Le tableau prcdent, montre quelques exemples dhypothses sur lhtrognit

1. Le modle effets fixes

Pour k = 4, le modle scrit :

i reprsente la spcificit individuelle, suppose fixe.

1.1 Les hypothses (H1)

ce qui implique E (i 'i)= o dsigne la matrice identit (Ti, Ti).

1.2 Lestimateur MCO ou LSDV (Least Square Dummy Variables)

Lestimateur des Moindres Carrs Ordinaires (MCO) des paramtres i et dans

endogne et exognes) sur leur moyenne individuelle respective. Ainsi, on obtient

1.3 Application sous STATA

Il est possible avant de procder des rgressions linaires en panel, deffectuer un

Dans la bote de dialogue suivante, on retient la variable : gdp_capita

Les rsultats sont les suivants :

1.3.1 Modle effets fixes.

Les rsultats destimation montrent que les coefficients associs lindicateur du

La commande est la suivante :

La commande Stata est la suivante :

yit i k X kit p z pi it , i =1,.,N et t =1,.,Ti (4.1)

Le terme individuel alatoire i est alors dcompos de la manire suivante :

dsigne la composante fixe et i la composante stochastique individuelle, non observable

yit k X kit p z pi i it , i =1,.,N et t =1,.,Ti (4.1)

E (i,t s,t) = 2 i=j et t=s , 0 sinon.

E (ui x'it) = E (i,t x'it) = 0

Sous ces hypothses, la variance de la variable endogne yi,t conditionnellement

aux variables explicatives xi,t est alors gale u2 2 .3

2.2 Estimateur des Moindres Carrs Gnraliss, MCG.

yit (1 i ) yi i k ( xkit (1 i ) xki ) pi z pi i i it (1 i i )

2.3 Application sous STATA