Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques
Pr. Philippe Polomé, Université Lumière Lyon 2
M1 APE Analyse des Politiques Économiques M1 RISE Gouvernance des Risques Environnementaux
2020 – 2021
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques
Introduction
I
Le Ch. précédent a présenté des variantes du MRL avec
I des EF ou des EA etI des régresseursstrictement exogènes
E[εit|αi,xi1, ...,xiT] =0, t =1, ...,T I
Ce Ch. : Modèles linéaires en relaxant cette hyp.
I RégresseursendogènesE[εit|xijt]6=0 pour au moins unj
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques
Plan
I
Tous les estimateurs de ce Ch. sont des applications de la Méthode Généralisée des Moments (GMM)
I
Cas général linéaire
I Rappel en coupe transversale
I Disponibilité des instruments en panel I
2 applications
I Hausman-Taylor
I Essayer de récupérer des régresseurs invariants dans le temps I Arrellano-Bond
I p.e.variable dépendante retardée
I endogène en panel puisque autocorrélation
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
Sommaire
Théorie GMM en coupes transversales
GMM linéaire en panel
Application Variable Instrumentale
Application Modèle Hausman–Taylor
Application Modèle dynamique
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
Le principe d’analogie
I
Les estimateurs GMM sont basés sur le principe d’analogie
I On suppose une ou plusieurs conditions sur desmoments dela population
I On trouve des valeurs des paramètres t.q. ces conditions se réalisent dans l’échantillon
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
Exemples classiques de MM
Sommaire
Théorie GMM en coupes transversales Exemples classiques de MM
GMMGMM linéaire en panel
Application Variable Instrumentale Application Modèle Hausman–Taylor Application Modèle dynamique
Estimateurs inconsistants ou inefficients Arellano–Bond
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
Exemples classiques de MM
Estimation de la moyenne de la population (espérance)
I
Soit
yd’espérance
µI
Dans la population
E[y−µ] =0 par définition
I Il s’agit d’une condition sur la population ISoit un échantillon iid
{yi}- non panel
I RemplacerE[·]pour la population parN−1PN
i=1(·)pour l’échantillon définit le moment empirique correspondant :
1
NN
X
i=1
(yi −µ) =
0
IRésoudre pour
µdéfinit l’estimateur MM
ˆ
µMM =N−1
N
X
i=1
yi = ¯y
I L’estimateur MM de l’espérance est la moyenne de l’échantillon
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
Exemples classiques de MM
Régression linéaire en coupe transversale
I
MRL
y =x0β+u;
x&
βsont des vecteurs
K ×1
ISupposons
E[u|x] =0
I Par la loi des espérances itérées :E[u|x] =E[xu]
I =⇒ K conditions de moment inconditionnelE[xu] =0 I Donc, quand l’erreur a zéro moyenne conditionnelle / est
“exogène” / orthogonale Eh
x
y−x0βi
=0
I
Estimateur MM de
β= solution de ces mêmes conditions dans l’échantillon
1
NN
X
i=1
xi
yi−xi0β
=0
I Ça donneβˆMM = P
ixi0xi−1
P
ixi0yi comme MCO
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
Exemples classiques de MM
Estimateur Variable Instrumentale (VI) linéaire
I
Imaginons qu’il y ait endogénéité :
E[u|x]6=0
ISi on a des instruments
zt.q.
E[u|z] =0 et
I Que ces instruments sontbons
I fortement corrélés avec les régresseurs
I Quedim(z) =dim(x): autant d’instruments que de régresseurs
I modèle dit “exactement identifié”
I
Alors
βˆMM = Pizi0xi−1
P
izi0yi = (Z0X)−1Z0y
est consistant
I alors queβˆOLS = P
ixi0xi−1 P
ixi0yi = (X0X)−1X0y est inconsistant
I βˆMM estl’estimateur Variable Instrumentale VI I une application du principe MM
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
GMM
Sommaire
Théorie GMM en coupes transversales
Exemples classiques de MMGMM
GMM linéaire en panel
Application Variable Instrumentale Application Modèle Hausman–Taylor Application Modèle dynamique
Estimateurs inconsistants ou inefficients Arellano–Bond
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
GMM
Conditions de Moments supplémentaires
I
Des moments/instruments additionels peuvent améliorer l’efficience
I mais demande une adaptation de MM I
Considérons que
dim(z)>dim(x)I plus d’instruments que de régresseurs
I Note : lorsquedim(z)<dim(x)“sous-identifié” : on n’a pas d’estimateur consistant
I
Quels instruments prend-t-on ? Toute sélection est arbitraire
I soitz1etz2deux sous-ensembles dez t.q.dim(z1) =dim(z2) =dim(x) I Alors,βˆMM1=
Z10X−1
Z10Y 6=
Z20X−1
Z20Y = ˆβMM2
Définition GMM
I
Si on écrit les conditions de moment
Eh Z
y−X0β i
I Commedim(z)>dim(x): plus de conditions que de paramètres à estimer
I
L’estimateur GMM choisit
βˆde sorte à ce que le vecteur de conditions de moments dans l’échantillon
1
NX
i
zi
yi −xi0β
soit aussi petit que possible en termes quadratiques
IC’est-à-dire
βˆGMMminimise :
QN(β) =
"
1
NX
i
zi
yi −xi0β
#0
W
N"
1
NX
i
zi
yi−xi0β
#
où W
Nest une matrice de poids dépendant de l’application
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
GMM
Comment choisir W
N?
I
Soit
dim(z) =r; W
Nest
r×r, semi-définie positive et ne dépend pas de
βI
Essentiellement,
WNest un choix de pondération des instruments dans une combinaison linéaire pour retrouver
kinstruments pondérés
I
Tout choix de W
Ndéfinit un estimateur consistant
I mais avec différentes variances (quandr>k)I
GMM spécifie le choix optimal de la matrice de poids W
NI selon chaque cas particulier (autocorrélation, hétérocédasticité) I t.q.βˆGMM a la pluspetite variance asymptotique
I 3 cas en panel, qu’on voit dans la section suivante
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques GMM linéaire en panel
Sommaire
Théorie GMM en coupes transversales GMM linéaire en panel
Application Variable Instrumentale
Application Modèle Hausman–Taylor
Application Modèle dynamique
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques GMM linéaire en panel
Hypothèses Panel
I
Soit le modèle linéaire en panel
yit =xitβ+uit
(1)
xitpeut contenir des régresseurs invariants dans le temps et un intercept
IPour le modèle de cette section, simplification :
I pas d’effet individuel αi
I xit comprendseulementdes variables de la période courante I Pas de retard
I On peut voir cette simplification comme si les données étaient transformées
I comme dans le Ch. 1 avec les estimateurs˜
I
En gras on empile les T observations pour le
ieme`agent
yi =Xiβ+ui(2)
EF et EA avec endogénéité
I
Pour cette définition, temporairement on remet les
αiI le modèle (1)yit =xitβ+uit devient
yit =αi+
x
0itβ+it(3)
IDes régresseurs de
xitsont endogènes :
E[xit(αi +it)]6=0
I On appelleEAsi∃instrumentsZi t.q. Eh
Z0i(αi+it)i
=0 I Alors on applique GMM selon les formules présentées + loin I On appelleEFs’il estseulementpossible de trouver des
instruments t.q.Eh Z0iit
i
=0, maisEh Z0iαi
i6=0 I Dans ce cas, il faut éliminer les EFαi par différentiation
comme dans le Ch. 1
I et seuls les coefficients des régresseurs variables dans le temps sont identifiés
I C’est la même discussion qu’au Ch. 1
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques GMM linéaire en panel
Conditions de moment GMM en panel
I
On revient au modèle sans les
αiI Donc on est soit en EA, soit en EF après élimination desαi
I
On suppose une matrice
T ×rd’instruments
ZiI r ≥K est le nbr d’instruments / conditions de moment t.q.
E h
Z0iuii
=
0 (4)
I
L’estimateur panel GMM basé sur ces conditions minimise une forme quadratique :
βˆPGMM ="
X
i
X0iZi
!
WN X
i
Z0iXi
!#−1
X
i
X0iZi
!
WN X
i
Z0iyi
!
I
Cet estimateur est consistant pour autant que les conditions de moment (4) tiennent
I 3 cas
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques GMM linéaire en panel
Cas 1. Panel GMM juste identifié
I
Dans ce cas
r =K, donc
dim(z) =dim(x)I alorsβˆPGMM se simplifieen l’estimateur VIquel que soit WN
βˆVI =
"
X
i
Z0iXi
!#−1
X
i
Z0iyi
!
I On voit bien que c’est la version panel de βˆVI =
Z0X−1
Z0Y en coupe transversale
I S’il y a des régresseurs exogènes, ils sont leurs propres instruments
I
Si
r>K: plus d’instruments que de régresseurs
I Il faut utiliser la formule avec la matrice de poidsWNI Il y a 2 cas (diapos suivantes)
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques GMM linéaire en panel
Cas 2. estimateur 2SLS – MC2E
2SLS “2-Stage Least Squares” – MC2E “MC en 2 étapes”
I
Hyp. pas d’hétéroscédasticité & pas d’autocorrélation
I βˆ2SLS =X0Z
Z0Z−1
Z0X −1
X0Z
Z0Z−1
Z0y I Un estimateur PGMM suridentifié optimal
I
Pourquoi MC en 2 étapes ?
I Étape 1. Éq. d’instrumentationI Chaque régresseurendogènexj est régressé surtousles instrumentsZ et tous les régresseurs exogènesX−j :
xj=Zγj+X−jδj+µj
I Les valeurs ajustéesxˆj=Zγˆj+X−jδˆjsont des instrumens valides pour lesxj endogènes
I Étape 2.y est régressé sur les valeurs ajustéesxˆj
I La formule deβˆ2SLS exprime cela
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques GMM linéaire en panel
Cas 3. estimateur “2-Step GMM”
I
Possible hétéroscédasticité et/ou autocorrélation
I Estimateurrobuste“à la White”I βˆ2SGMM =h
X0ZSˆ−1Z0Xi−1
X0ZSˆ−1Z0y I Sˆ =N1P
iZ0iuˆiuˆ0iZi est un estimateur robuste de type White I Sˆest consistant pour la matricer×r S=plimN1 P
iZ0iuiu0iZi
I C’est l’estimateur GMM en 2 étapes (2-Step GMM) I Première étape est un estimateur consistant deβcomme
βˆ2SLS
I Ensuite on utilise les résidusuˆi =yi−Xiβˆ2SLS pour calculerSˆ I Un estimateur Panel GMM suridentifié optimal
I Sera aussi consistant commeβˆ2SLS, mais plus efficient
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques GMM linéaire en panel
Panel GMM suridentifié
I
Dans beaucoup d’applications,
Ziest composé de valeurs retardées des régresseurs
I endogènes &/ou exogènes
I
Imaginons qu’on dispose de
rinstruments
I On peut souvent supposer que le premier retard de chaque régresseur est non-corrélé avec l’erreur courante
I doncxit−1 est disponible comme instrumentadditionelpourxit
I appeléexogénéité faible/instruments prédéterminés I On peut souvent poursuivre ainsi avec 2 retards, 3 retards...
I On perd chaque fois une période d’observation, l’efficience baisse...
I mais on augmente le nombre d’instruments, l’efficience augmente
I Le modèle est alors très facilementsuridentifié
I Cela fait que même si on n’a pas d’endogénéité, panel GMM peut être plus efficient que panel MC
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques GMM linéaire en panel
Inférence Panel-robuste
I βˆPGMM
est asymptotiquement normal
I avec une matrice de var-cov asymptotique compliquée I
Un estimateur consistant de cette matrice existe
I conditionnellement à un choix deWN
I et l’indépendance entrei est une hypothèse correcte I
Un estimateur robuste de type White existe
I Il permet de calculer des et robustes à l’Het. et l’Autoc.
I Mais ça n’est pas généralement implémenté dans les logiciels I Sauf pour des cas particuliers (+ loin)
I
Alternativement, Bootstrap est faisable
IC’est comme dans le Ch. 1
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Variable Instrumentale
Sommaire
Théorie GMM en coupes transversales GMM linéaire en panel
Application Variable Instrumentale
Application Modèle Hausman–Taylor
Application Modèle dynamique
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Variable Instrumentale
Estimateur Variable Instrumentale
I
Tous les modèles du Ch. 1 peuvent être estimés en ajoutant des VI
I Dans Rplm, les instruments sont spécifiés à la fin de la formule
I Après un signe| I Séparés par des+
I
Si p.e., le modèle est y ~ x1 + x2 + x3
I avec x1 & x2 endogène et z1 & z2 des instruments externes, on écrit
I formula=y~x1+x2+x3 | x3+z1+z2 I OU bien
I formula=y~x1+x2+x3 | .-x1-x2+z1+z2(attention au point .)
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Variable Instrumentale
Estimateur Variable Instrumentale
I
Chaque instrument est conceptuellement associé à son régresseur spécifique
I Mais en réalité, dans les formules, tous les instruments sont utilisés pour tous les régresseurs
I Les variables exogènes du modèle sont leurs propres instruments
I La commande accepte plus d’instruments que de régresseurs, mais n’indique pas comment elle procède
I Cfr MC2E
I
Deux estimateurs sont disponibles avec l’arg.
inst.method I bvk, Balestra & Varadharajan-Krishnakumar (1987), le défaut I baltagi, Baltagi (1981)Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Variable Instrumentale
Application : déforestation amazonienne
Rappel
I
Le fichier de données est en ligne sur le site du cours
IDonnées de 1988 à 2015 - on laisse tomber 1988 ama3
I États de l’Amazone légale (un état n’a pas 1988) I 9 états du bassin brézilien de l’Amazone
I
Modèle CKE
yit =αi +β1
PIBh
it+β2PIBh
2it+γxit+it I On regarde dans x le PPCDAmI Plano para Prevenção e Controle do Desmatamento na Amazônia legal
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Variable Instrumentale
PPCDAm
I
Le Plan est actif à partir de 2004
I On pourrait imaginer le représenter par une dichotomique I
On a le budget 2004-2015 complet pour 3 états
I Amapá, Mato Grosso, Pará
I Parmi lesquels Mato Grosso et Pará sont les 2 gros déforesteurs
I On a donc le principal
I PP <- c("Amapá"","Mato Grosso","Pará") I ama4 <- ama3[ama3$Etat %in% PP,]
I
Ce plan est en réaction à la déforestation
I Donc, c’est un régresseur endogèneI On peut imaginer l’instrumenter par sa valeur passée I Mais il faut tenir compte de la structure panel I On passe ama4 en pama4
I Defor_km2~PIBh2010R+PIBSQR+PPCDAm2010R
|PIBh2010R+PIBSQR+lag(PPCDAm2010R)
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle Hausman–Taylor
Sommaire
Théorie GMM en coupes transversales GMM linéaire en panel
Application Variable Instrumentale
Application Modèle Hausman–Taylor
Application Modèle dynamique
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle Hausman–Taylor
Motivation
I
Habituellement, en panel, l’endogénéité
I vient de régresseurs corrélés avec les effets individuelsαi
I amène à l’inconsistance des estimateurs EA I
L’estimateur within est consistant
I mais alors les coefficients des régresseurs invariants dans le temps ne peuvent être estimés
I alors qu’il y a beaucoup d’études dont ce serait précisément le but
I Par xemple : discrimination(s) dans l’équation de salaire
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle Hausman–Taylor
Spécification
I
Modèle Hausman & Taylor
yit =x01itβ1+x02itβ2+w01iγ1+w02iγ2+αi+it
(5) où
x1it&
w1ine sont pas corrélés avec
αimais
x2it&
w2ile sont
windique les régresseurs invariants dans le temps
IC’est le modèle panel classique
I sauf qu’on précise quels régresseurs sont corrélés avecαi et lesquels sont invariants
I Tous les régresseurs sontnon-corrélésavecεit
I
La transformation Within
z¨it =zit−z¯iélimine la corrélation avec
αi¨
yit = ¨x01itβ1+ ¨x02itβ2+ ¨it
I
Mais aussi les régresseurs invariants dans le temps
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle Hausman–Taylor
Estimateur Hausman–Taylor consistant
I x2i
corrélé avec
αiI mais la transformation withinx¨2it=x2it−x¯2i ne l’est pas I Puisque la corrélation avecαi ne peut être qu’avec la partie
dex2it∀t invariante au temps
I Doncx¨2it peut être utilisé comme instrumentpour x2it
endogène
I
On prend pareillement
x¨1itcomme instrument pour
x1it I plutôt quex1it lui-même comme on ferait d’habitudeI Donc, mêmex1it exogène est instrumenté
I car cela séparex1it de sa partie invariante au tempsx¯1i
I Celle-ci (¯x1i) est utilisée comme instrument pourw2i endogène I pourrait être un instrument faible, ça dépend des cas
I w1i
exogène est utilisé comme instrument pour lui-même
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle Hausman–Taylor
Estimateur Hausman–Taylor
yit= x01itβ1+ x02itβ2+ w01iγ1+ w02iγ2+ αi+it
↓ ↓ ↓ ↓
instrument x¨1it x¨2it w01i x¯1i
I
Identification des coef. des régresseurs invariants dans le temps
γI si # régresseurs exogènes variant dans le tempsx1 ≥# régresseursendogènes invariants dans le temps w2 I c’est-à-dire si # dex1≥# dew2
I C’est-à-dire si # instruments est au moins égal au # de régresseursw2
I
Inefficient car cet estimateur ignore la structure de corrélation
panel de
(αi +it)Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle Hausman–Taylor
Exemple : Baltagi and Khanti-Akom (1990)
I
595 obs. d’individus sur 1976–1982 du Panel Study of Income Dynamics (PSID) – enquête annuelle US sur les reven
lwage log-salaire, supposé fonction de : y
Inst
ed IT années d’éducation w2 x¯1
wks VT le temps que la personne a tavaillé pour la firme
x2 x¨2
exp VT expérience de travail si la personne (0/1)
smsa VT ... vit dans une grande agglomération
x1 x¨1 bluecol VT ... est ouvrier
south VT ... vit dans le sud ind VT ... est dans l’industrie ms VT ... est mariée
x2 x¨2 union VT ... est syndiquée
sex IT ... est un homme
w1 w1 black IT ... est African-American
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle Hausman–Taylor
Endogénéité
I
Les IT
sex,
blacksont exogènes :
w1I
Les VT
exp,
exp2,
wks,
ms,
unionI Peuvent tous être corrélés avec les effets individuels inobservés I = sont endogènes
I Ces variables présentent-elles suffisamment de variation within-panel pour être leurs propres instruments ?
¨
x2it=x2it−x¯2i
I Il faudrait regarder les variations within / between, mais on manque d’une commande dans R
I
On suppose que les VT
bluecol,
south,
smsa,
indsont toutes exogènes :
x1I x¯1est utilisé (un vesteur de 4 variables) comme instrument pour l’endogène ITed :w2
I L’instrument pourx1is¨x1
I Corrélation suffisante pour identifier le coefficient deed?
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle Hausman–Taylor
Régression
I pht(lwage~wks+south+smsa+married+exp+I(exp^2) +bluecol+ind+union+sex+black+ed
| sex+black+bluecol+south+smsa+ind , data=Wages,index=595)
I Donc endog : exp exp2 wks ms union ed
I
Décomposition de la varience en
σµet
σ: 0.975 et 0.025, respectivement
I indiquant qu’une large fraction de la variance totale de l’erreur est attribuée àµi
I
Les variables IT
sexet
blackne sont pas signif
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Sommaire
Théorie GMM en coupes transversales GMM linéaire en panel
Application Variable Instrumentale
Application Modèle Hausman–Taylor
Application Modèle dynamique
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Dynamique
I
Les régresseurs comprennent un retard de la variable dépendante
yit =γyi,t−1+x0itβ+αi +it, i =
1
, . . . ,N, t=1
, . . . ,T(6)
IOn suppose
|γ|<1
I Dans les applications, cela peut être testé en utilisant des tests de racines unitaires panel
I Si on ne rejette pas l’hypothèse de racine unitaire, alorsyit est une marche aléatoire (random walk)
I L’inférence n’est pas valide I Pas dans ce cours
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Corrélation entre y
it& y
i,t−1I
On a à présent une corrélation sérielle dans
yit I directement viayi,t−1I en plus d’indirectement via la persistence donnée parαi I Ces 2 causes amènent àdifférentes interprétationsde la
corrélation dans le temps
I
Du modèle précédent (6) s’il n’y a pas de régresseur
x I yit=γyi,t−1+αi+it, on aCor[yit,yi,t−1] =Cor[γyi,t−1+αi+it,yi,t−1]
=γCor[yi,t−1,yi,t−1] +Cor[αi,yi,t−1]
=γ+
1
−γ1
+ (1
−γ)σ2/(1
+γ)σ2α ILa 2º égalité suppose
Cor[it,yi,t−1] =0
I
La 3º égalité s’obtient dans le cas particulier des EA
I avecit ∼iid0, σ2
& αit ∼iid 0, σα2
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
2 raisons possibles de corrélation entre y
it& y
i,t−11. Véritable dépendance à l’état (True state dependence)
I Quand la corrélation dans le temps est due au mécanismecausal queyi,t−1 détermineyit
I Cette dépendance est relativement grande si I l’effet individuel est relativement petitαi'0 I ou lorsqueσα2 est petit par rapport àσ2car alors
Cor[yit,yi,t−1]'γ
2. Corrélation spurieuse entre
yit&
yi,t−1, sans mécanisme causal,
I due à del’hétérogénéité inobservéeαi
I doncγ=0
I maisˆγOLS6=0 carCor[yit,yi,t−1] =σ2α/ σα2+σ2
comme dans le Ch. 1
I due à des questions deséries temporelles:yit is I(1) I Pas dans ce cours
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Véritable dépendance à l’état vs. hétérogénéité inobservée
I
Les 2 cas permettent une corrélation arbitrairement proche de 1 (100%)
I parce que soitγ→1 ouσα2/σ2 →0
I Mais ces 2 explications ont des implications politiques radicalement différentes
I On prend l’exemple des revenusyit
I
Explication “Véritable dépendance à l’état”
I Les revenusyit sont toujours au-dessus de la moyenne (ou en-dessous)
I même après avoir contrôlé pour les régresseursxit
I car les revenus futurs sont déterminés par les revenus passés
I
Explication hétérogénéité inobservée
I γ est en réalité petit mais des régresseurs important ont été omisde xit,
I ce qui amène à unαi “élevé”
I qui fait queˆγLS semble élevé (facteurs confondants)
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Véritable dépendance à l’état vs. hétérogénéité inobservée
I
C’est-à-dire, les gens sont-ils pauvres (ou riches) parce que
I Ils ont été pauvres (ou riches) ?I Dans ce cas, il faut traiter la pauvreté en transférant de l’argent
I Ou bien ont-ils des caractéristiques individuelles qui font qu’ils sont pauvres ?
I Dans ce cas, la pauvreté pourrait être traitée par exemple en améliorant l’éducation ou la discrimination, selon les régresseurs significatifs
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Estimateurs inconsistants ou inefficients
Sommaire
Théorie GMM en coupes transversales
Exemples classiques de MM GMMGMM linéaire en panel
Application Variable Instrumentale Application Modèle Hausman–Taylor Application Modèle dynamique
Estimateurs inconsistants ou inefficients
Arellano–BondÉconométrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Estimateurs inconsistants ou inefficients
Inconsistance des estimateurs du Ch. 1
I
Tous les estimateurs du Ch.1 sont inconsistants lorsqu’on inclut un retard de la variable dependante
I
p.e. MCO de
yitsur
yi,t−1et
xitI Erreur(αi+it), corrélée avecyi,t−1parαi
I
Estimateur Within :
yit−y¯isur
(yi,t−1−y¯i)et
(xit−x¯i)avec erreur
(it−¯i)I yi,t−1 correlée aveci,t−1et donc avec¯i
I
Inconsistance aussi pour l’estimateur EA du Ch 1
I puisqu’il s’agit d’une combinaison linéaire de within et between
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Estimateurs inconsistants ou inefficients
Modèle différences premières
I
Le modèle dyn. (6) en diff. premières,
t=2
, . . . ,T:
yit−yi,t−1 =γ(yi,t−1−yi,t−2) + (xit−xi,t−1)0β+ (it−i,t−1) I
MCO sur ce modèle est inconsistant parce que
yi,t−1corrélé
avec
i,t−1I donc le régresseur(yi,t−1−yi,t−2)corrélé avec l’erreur (it−i,t−1)
I
Donc l’estimateur D1 du modèle dyn, est aussi inconsistant
IPar contre, on peut utiliser VI
I avecyi,t−2comme instrument pour(yi,t−1−yi,t−2)
I yi,t−2 instrument valide puisque non-corrélé avec(it−i,t−1) I Ça pourrait encore dépendre de la corrélation sérielle des
erreursit, mais en principe on l’a “éteinte” par diff. 1º I yi,t−2 est un “bon” instrument puisque corrélé à
(yi,t−1−yi,t−2)
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Estimateurs inconsistants ou inefficients
Estimation plus efficiente du modèle en différences premières
I
L’estimateur VI précédent est juste identifié
I il demande qu’au moins3 périodes de données soient disponibles pour chaque individu
I
Une estimation plus efficiente est possible
I En utilisant des retardssupplémentairesde la variable dépendante comme instruments
I L’estimateur devient alorssur-identifié I estimation par 2SLS ou 2SGMM
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Arellano–Bond
Sommaire
Théorie GMM en coupes transversales
Exemples classiques de MM GMMGMM linéaire en panel
Application Variable Instrumentale Application Modèle Hausman–Taylor Application Modèle dynamique
Estimateurs inconsistants ou inefficients
Arellano–Bond
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Arellano–Bond
Estimateur Arellano–Bond
I
L’estimateur panel GMM qui fait ça est appelé
Arellano–BondβˆAB =" N X
i=1
X˜
0
iZi
! WN
N
X
i=1
Z0iX˜i
!#−1 N X
i=1
X˜
0
iZi
! WN
N
X
i=1
Z0iy˜i
!
I
avec (
∆est l’opérateur diff. 1º, p. e.
∆yit =yit−yi,t−1) :
I X˜i est une matrice(T −2)×(K +1)avect`eme ligne
∆yi,t−1,∆x0it
, T =3, . . . ,T
I ˜yi est un vecteur(T −2)×1 avecteme` ligne∆yit
I On est bien dans le modèle différences premières I Zi est défini à la prochaine diapo
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Arellano–Bond
Estimateur Arellano–Bond
I Zi
est une matrice
(T −2)
×rd’instruments :
Zi =
z0i3
0
· · ·0 0
z0i4...
... ... 0
0
· · ·0
z0iT
avec souvent
z0it=hyi,t−2,yi,t−3, . . . ,yi1,∆x0iti
I
Donc, un instrument pour chaque période, sauf la 1 et la 2
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Arellano–Bond
Estimateur Arellano–Bond
I
Des retards de
xitou de
∆xitpeuvent de plus être utilisés comme instruments
I et pourT suffisamment grand, on peut limiter le nombre de retards deyit qui sont utilisés comme instruments
I p.e. pas plus queyi,t−5
I
2SLS (“une” étape) et 2SGMM (“deux” étapes) correspondent à différentes matrices de poids
WNI selon le traitement de l’hétéroscédasticité et de l’autocorrélation
I Voir section précédente
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Arellano–Bond
Exemple : données Arellano-Bond
I
firm = firm index (index, devrait être un facteur)
Iyear = t
I
emp = employment
Iwage = real wage
Icapital = gross capital
Ioutput = industry output
I
sector de 1 à 9 (devrait être un facteur)
I très très connuExemple : Estimateur Arellano-Bond
I
commande pgmm
I pgmm(log(emp)~lag(log(emp), 1 :2)+lag(log(wage), 0 :1)+log(capital) +lag(log(output), 0 :1) | lag(log(emp), 2 :99),...)
I lag
I Dans une commande plm, lag a une signification panel I lag(log(emp), 1 :2)= les deux 1º lags de log(emp) :empi,t−1
etempi,t−2
I
Dans gmm estimation, il y a des instruments
I “gmm” : les lag de y, on précise combienI Ces instruments gmm sont indiqués en 2º partie de formule, après une|
I lag(log(emp), 2 :99)veut dire que l’estimateur peut utiliser tous retards de l’endogène
I “normaux” qui sont des instruments qu’on aurait pour desx endogènes, s’il y a en a
I On les écrit après une seconde|, en 3º partie de formule I Par défaut, toutes les variables du modèles qui ne sont pas des
intruments gmm sont des instruments normaux - il n’y a pas besoin de les écrire explicitement
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Application Modèle dynamique
Arellano–Bond
Exemple : Estimateur Arellano-Bond
I
commande pgmm
I effectI Par défaut "twoways", mais peut être aussi "individual" et
“null”
I Si "null", le modèle est estimé en niveaux (permet d’estimer un modèle avec des données qui sont déjà en diff. 1º, sinon on imposerait des trends)
I Si “individual”, le modèle est estimé en différences 1º pour éliminer lesαi
I Si "twoways", le modèle est estimé en différences 1º et on rajoute des trends
I modelpeut être "onestep" (défaut 2SLS) ou "twosteps"
(2SGMM)
I “2SLS” assume pas autocorrélation & homoscé.
I