Ch 2. Introduction aux Modèles Linéaire Dynamiques
Économétrie des Données de Panel
Ch 2. Modèles Linéaire Dynamiques
Pr. Philippe Polomé, Université Lumière Lyon 2
M1 APE Analyse des Politiques Économiques M1 RISE Gouvernance des Risques Environnementaux
2016 – 2017
Ch 2. Introduction aux Modèles Linéaire Dynamiques
Introduction
I
Le Ch. précédent a présenté des variantes du MRL avec
I des EF ou des EA et
I des régressuersstrictement exogènes
E[eit|ai,xi1, ...,xiT] =0, t =1, ...,T
I
Ce Ch. : Modèles linéaires en relaxant cette hyp.
I RégresseursendogènesE[eit|xijt]6=0 pour au moins unj
Ch 2. Introduction aux Modèles Linéaire 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
Ch 2. Introduction aux Modèles Linéaire Dynamiques Théorie GMM en coupes transversales
Outline
Théorie GMM en coupes transversales
GMM linéaire en panel
Application 1. Modèle Hausman–Taylor
Application 2. Modèle dynamique
Ch 2. Introduction aux Modèles Linéaire 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 pls conditions sur des moments de la population
I On trouve des valeurs des paramètres t.q. ces conditions se réalisent dans l’échantillon
I
Exemple classique de MM : estimation de la moyenne de la population (espérance)
I lorsquey est iid d’espéranceµ
I
Dans la population
E[y µ] =0 par définition
I ReplacerE[·]pour la population parN 1PN
i=1(·)pour l’échantillon définit le moment empirique correspondant :
1
NXN i=1
(yi µ) =
0
I
Résoudre pour
µdéfinit l’estimateur MM
ˆµMM =N 1PN
i=1yi = ¯y
I L’estimateur MM de l’espérance est la moyenne de l’échantillon
Ch 2. Introduction aux Modèles Linéaire Dynamiques Théorie GMM en coupes transversales
Régression linéaire en coupe transversale
I
MRL
y =x0 +uI x & sont des vecteursK⇥1
I
Supposons
E[u|x] =0
I Par la loi des espérances itérées (law of iterated expectations)
I K conditions de moment inconditionnelE[xu] =0
I Donc, quand l’erreur a zéro moyenne conditionnalle / est
“exogène” / orthogonale Eh
x⇣
y x0 ⌘i
=0
I
Estimateur MM de = solution de ces mêmes conditions dans l’échantillon
1
NXN i=1
xi
⇣yi xi0 ⌘
=0
I Ça donne ˆMM =⇣P
ixi0xi⌘ 1P
ixi0yi
Ch 2. Introduction aux Modèles Linéaire Dynamiques Théorie GMM en coupes transversales
Estimateur Variable Instrumentale (VI) linéaire
I
Imaginons qu’il y ait endogénéité :
E[u|x]6=0
I
Si 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): exactement un instrument par régresseur
I modèle dit “exactement identifié”
I
Alors
ˆMM =⇣Pizi0xi
⌘ 1P
izi0yi
est consistant
I alors que ˆOLS =⇣P
ixi0xi⌘ 1P
ixi0yi est inconsistant
I ˆMM estl’estimateur Variable Instrumentale VI
I une application du principe MM
Ch 2. Introduction aux Modèles Linéaire Dynamiques Théorie GMM en coupes transversales
Conditions de Moments supplémentaires
I
des moments/instruments additionels peuvent améliorer l’efficiencen
I mais demande une adaptation de MM
I
Considérons que
dim(z)>dim(x)I plus d’instruments que de régresseurs
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, ˆMM1=⇣
Z10X⌘ 1
Z10Y 6=⇣
Z20X⌘ 1
Z20Y = ˆMM2
Ch 2. Introduction aux Modèles Linéaire Dynamiques Théorie GMM en coupes transversales
Conditions de Moments supplémentaires
I
Si on écrit les conditions de moment
EhZ⇣
y X0 ⌘i
I Donc : plus de conditions que de paramètres à estimer
I
L’estimateur GMM choisit
ˆde sorte à ce que le vecteur de conditions de moments dans l’échantillon
1
NX
i
zi
⇣yi xi0 ⌘
soit aussi petit que possible en termes quadratiques
I
C’est-à-dire
ˆGMMminimise :
QN( ) =
"
1
NX
i
zi
⇣yi xi0 ⌘#0
W
N"
1
NX
i
zi
⇣yi xi0 ⌘#
où W
Nest une matrice de poids dépendant de l’application
Ch 2. Introduction aux Modèles Linéaire Dynamiques Théorie GMM en coupes transversales
Conditions de Moments supplémentaires
I
Comment choisir W
N?
I Soitdim(z) =r;WN estr⇥r , sdp et ne dépend pas de
I Essentiellement,WN est un choix de pondération des instruments
I Pour retrouverkinstruments pondérés
I Tout choix deWN définit un estimateur consistant
I mais avec différentes variances (quandr>k)
I GMM spécifie le choixoptimalde la matrice de poidsWN I selon chaque cas particulier (autocorrélation,
hétérocédasticité)
I t.q. ˆGMM a la pluspetite variance asymptotique
I 3 cas en panel
Ch 2. Introduction aux Modèles Linéaire Dynamiques GMM linéaire en panel
Outline
Théorie GMM en coupes transversales
GMM linéaire en panelApplication 1. Modèle Hausman–Taylor
Application 2. Modèle dynamique
Ch 2. Introduction aux Modèles Linéaire Dynamiques GMM linéaire en panel
Hypothèses Panel
I
Soit le modèle linéaire en panel
yit =xit +uit
(1)
xitpeut contenir des régresseurs invariants dans le temps et un intercept
I
Pour le modèle de cette section, simplification :
I pas d’effet individuel ↵i
I xitcomprendseulementdes variables de la périodes courantes
I Pas de retard
I On peut voir cette simplification comme si les données étaient transformées
I comme dans le Ch. 1 avec les lestimateurs˜
I
En gras on empile les T observations pour le
ieme`agent
y
i =X
i +u
i(2)
Ch 2. Introduction aux Modèles Linéaire Dynamiques GMM linéaire en panel
EF et EA avec endogénéité
I
Temporairement on remet les
↵iI le modèle (1)yit =xit +uit devient
yit =↵i +
x
0it +✏it(3)
I
Certains régresseurs dans
xitsont supposés endogène, donc
E[xit(↵i +✏it)]6=0
I On appelleEAsi9instrumentsZi t.q. Eh
Z0i(↵i+✏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
Z0i✏it
i=0, maisEh Z0i↵i
i6=0
I Dans ce cas, il faut éliminer les EF↵i 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
Ch 2. Introduction aux Modèles Linéaire Dynamiques GMM linéaire en panel
Conditions de moment GMM en panel
I
On revient au modèle sans les
↵iI Donc on est soit en EA, soit en EF après élimination des↵i I
On suppose une matrice
T ⇥rd’instruments
ZiI r K est le nombre d’instruments / de conditions de moment t.q.
Eh
Z
0iu
ii=
0 (4)
I
L’estimateur GMM basé sur ces conditions minimise une forme quadratique :
ˆPGMM ="
X
i
X
0iZ
i!
W
NX
i
Z
0iX
i!# 1 X
i
X
0iZ
i!
W
NX
i
Z
0iy
i!
I
Cet estimateur est consistant pour autant que les conditions de moment (4) tiennent
I 3 cas
Ch 2. Introduction aux Modèles Linéaire Dynamiques GMM linéaire en panel
Cas 1. Panel GMM juste identifié
I
Dans ce cas
r =K, donc
dim(z) =dim(x)I alors ˆPGMM se simplifieen l’estimateur VIquel que soitWN
ˆVI =
"
X
i
X0iZi
!# 1
X
i
Z0iyi
!
I On voit bien que c’est la version panel de ˆVI =⇣
X0Z⌘ 1
Z0Y
I
S’il y a des régresseurs exogènes
I Ils sont leurs propres instruments
I
Imaginons que
r >K: plus d’instruments que de régresseurs
I Il faut utiliser la formule avec la matirce de poidsWN I Il y a 2 cas (diapo suivante)
Ch 2. Introduction aux Modèles Linéaire Dynamiques GMM linéaire en panel
Cas 2 & 3. estimateurs PGMM suridentifiés optimaux
I
Hyp. pas d’hétéroscédasticité & pas d’autocorrélation
I ˆ2SLS =
X0Z⇣
Z0Z⌘ 1
Z0X
1
X0Z⇣ Z0Z⌘ 1
Z0y
I C’est le cas équivalent à MC en 2 étapes (MC2E / 2SLS)
I Stataivregou menu stat!Panel!Endogenous covariates!IV regression
I Gretl menu Model!Panel!Panel IV models I
Pas de telle hyp. (robust)
I ˆ2SGMM =h
X0ZˆS 1Z0Xi 1
X0ZˆS 1Z0y
I ^S= N1P
iZ0i^ui^u0iZi est un estimateur robuste de type White
I Sˆest consistant pour la matricer⇥r S=plimN1P
iZ0iuiu0iZi I C’est l’estimateur GMM en 2 étapes (2-Step GMM)
I Premier pas est un estimateur consistant de comme ˆ2SLS
I Ensuite on utilise les résidus^ui=yi Xiˆ2SLSpour calculer^S
I R dans le package plm
Ch 2. Introduction aux Modèles Linéaire Dynamiques GMM linéaire en panel
Panel GMM suridentifié
I
Dans beaucoup d’applications Z
iest 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 sont disponible comme instrumentsadditionels pourxit
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 sera un estimateur plus efficient que MC
Ch 2. Introduction aux Modèles Linéaire Dynamiques GMM linéaire en panel
Inférence Panel-robuste
I ˆPGMM
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 on peut supposer l’indépendance entrei
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 Pas dans Stata en général, sauf pour des cas particuliers (+
loin)
I On ne verra que ces cas particuliers I
Alternativement, Bootstrap est faisable
I
C’est comme dans le Ch. 1
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 1. Modèle Hausman–Taylor
Outline
Théorie GMM en coupes transversales GMM linéaire en panel
Application 1. Modèle Hausman–Taylor
Application 2. Modèle dynamique
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 1. Modèle Hausman–Taylor
Motivation
I
Habituellement, en panel, l’endogénéité
I vient de régresseurs corrélés avec les effets individuels↵i 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
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 1. Modèle Hausman–Taylor
Spécification
I
Modèle Hausman & Taylor
yit =
x
01it 1+x
02it 2+w
01i 1+w
02i 2+↵i+✏it(5) où x
1it& w
1ine sont pas corrélés avec
↵imais x
2it& w
2ile sont ;
windique les régresseurs invariants dans le temps
I
C’est le modèle panel classique
I sauf qu’on précise quels régresseurs sont corrélés avec↵i et lesquels sont invariants
I Tous les régresseurs sontnon-corrélésavec"it
I
La transformation Within
z¨it =zit z¯iélimine la corrélation avec
↵i¨
yit = ¨
x
01it 1+ ¨x
02it 2+ ¨✏itI
Mais aussi les régresseurs invariants dans le temps
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 1. Modèle Hausman–Taylor
Estimateur Hausman–Taylor consistant
I
x
2icorrélé avec
↵iI mais pas avec la transformation withinx¨2it=x2it x¯2i
I Puisque la corrélation avec↵i ne peut être qu’avec la partie dex2it8t invariante au temps
I Doncx¨2it peut être utilisé comme instrumentpour x2it endogène
I
On prend pareillement
x¨1itcomme instrument pour
x1itI plutôt quex1it lui-même comme on ferait d’habitude
I 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
I w1i
exogène est utilisé comme instrument pour lui-même
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 1. Modèle Hausman–Taylor
Estimateur Hausman–Taylor
yit =
x
01it 1+ x02it 2+w
10i 1+ w02i 2+ ↵i +✏it# # # #
¨x1it ¨
x
2itw
1i0 ¯x1iI
Identification des coef. des régresseurs invariant dans le temps
I si # régresseurs exogènes variant dans le temps # régresseursendogènes invariant dans le temps
I c’est-à-dire si # dex1 # dew2
I C’est-à-dire si # instruments est au moins égal au # de régresseursw2
I
Inefficient puisque cet estimateur ignore la structure de corrélation panel de
(↵i+✏it)I
HT est implémenté dans Stata
I Mais apparemment sans les et panel-robustes
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 1. Modèle Hausman–Taylor
Exemple : Baltagi and Khanti-Akom (1990)
I
595 obs. d’individus sur 1976–1982
I Du Panel Study of Income Dynamics (PSID)
I use http ://www.stata-press.com/data/r11/psidextract
I r11 pour moi car j’ai Stata 11
lwage log-salaire, supposé fonction de : y
Inst
ed IT années d’éducation w2 ¯x1
wks VT le temps que la personne a tavaillé pour la firme
x2 ¨
x
2exp VT expérience de travail
occ VT occupation - type de fonction je suppose x1 ¨x1 si la personne (0/1)
smsa VT ... vit dans une grande agglomération
x1 ¨x1
south VT ... vit dans le sud ind VT ... est dans l’industrie ms VT ... est mariée
x2 ¨
x
2union VT ... est syndiquée fem TI ... est un homme
w1 w1
blk TI ... est African-American
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 1. Modèle Hausman–Taylor
Endogénéité
I
Les IT
fem,blksont exogènes :
w1I
Les VT
exp,exp2,
wks,
ms, et 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 On regarde les variations within / between
I xtsum exp exp2 wks ms union!assez faible, mais ok I
On suppose que les VT
occ,
south,smsa,indsont toutes
exogènes :
x1I x¯1est utilisé comme instrument pour l’endogène ITed :w2
I L’instrument pourx1is¨x1
I Corrélation suffisante pour identifier le coefficient deed?
I correlate occ south smsa ind ed!risque instrument faible
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 1. Modèle Hausman–Taylor
Régression
I xthtaylor lwage occ south smsa ind exp exp2 wks ms union fem blk ed, endog(exp exp2 wks ms union ed)
I
Décomposition de la varience en
µet
✏: 0.9418 et 0.1518, respectivement
I indiquant qu’une large fraction de la variance totale de l’erreur est attribuée àµi
I Les statz indique que plusieurs coefficients pourraient ne pas être significativement différent de zéro
I Les coefficients des variables ITfemetblk ont des et relativement grands
I L’et du coefficient deed est relativement petit
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Outline
Théorie GMM en coupes transversales GMM linéaire en panel
Application 1. Modèle Hausman–Taylor
Application 2. Modèle dynamiqueCh 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Dynamique
I
Les régresseurs comprennent un retard de la variable dépendante
yit = yi,t 1+
x
0it +↵i+✏it, i =1, . . . ,
N, t=1, . . . ,
T(6)
I
On suppose
| |<1
I Dans les applications, cela peut être testé en utilisant des tests de racines unitaires panel
I ¬R racine unitaire, alorsyit est une marche aléatoire (random walk)
I L’inférence n’est pas valide
I Pas dans ce cours
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Corrélation entre y
it& y
i,t 1I
On a à présent une corrélation sérielle dans
yitI directement viayi,t 1
I en plus d’indirectement via la persistence donnée par↵i I Ces 2 causes amènent àdifférentes interprétationsde la
corrélation dans le temps
I
Du modèle (6) avec
=0
I yit= yi,t 1+↵i+✏it, on a
Cor[yit,yi,t 1] =Cor[ yi,t 1+↵i+✏it,yi,t 1]
= Cor[yi,t 1,yi,t 1] +Cor[↵i,yi,t 1]
= +
1
1
+ (1 ) 2✏/(1+ ) 2↵I
La 2º égalité suppose
Cor[✏it,yi,t 1] =0
I
La 3º égalité s’obtient dans le cas particulier des EA
I avec✏it ⇠iid⇥ 0, ✏2
⇤& ↵it ⇠iid⇥ 0, ↵2
⇤
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
2 raisons possible 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 mécanisme causal queyi,t 1 détermineyit
I Cette dépendance est relativement grande si
I l’effet individuel est relativement petit↵i'0
I ou lorsque ↵2 est petit par rapport à ✏2car alors Cor[yit,yi,t 1]'
2.
Corrélation spurieuse entre
yit&
yi,t 1, sans mécanisme causal,
I due à del’hétérogénéité inobservée↵i I donc =0
I maisˆOLS6=0 carCor[yit,yi,t 1] = 2↵/ ↵2+ ✏2 comme dans le Ch. 1
I due des question deséries temporelles:yit is I(1)
I Pas dans ce cours
Véritable dépendance à l’état vs. hétérogénéité inobservée
I
Les 2 cas permettent une corrélation arbitrairement proche de 1 (100%)
I parce que soit !1 ou ↵2/ 2✏ !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
Expication hétérogénéité inobservée
I est en réalité petit mais des régresseurs important ont été omisde xit,
I ce qui amène à un↵i élevé
I qui fait queˆLS semble élevé (facteurs confondants)
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
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Inconsistance des estimateurs du Ch. 1
I
Tous les estimateurs du Ch.1 sont inconsistants lorsqu’on inclue un retard de la variable dependante
I
p.e. MCO de
yitsur
yi,t 1et x
itI Erreur(↵i+✏it), corrélée avecyi,t 1par↵i
I
Estimateur Within :
yit y¯isur
(yi,t 1 y¯i)et
(xitx
¯i)avec erreur
(✏it ✏¯i)I yi,t 1 correlée avec✏i,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
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Modèle différences premières
I
Le modèle dyn. (6) en diff. premières,
t=2
, . . . ,T:
yit yi,t 1 = (yi,t 1 yi,t 2) + (xit
x
i,t 1)0 + (✏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
I
Par 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 erreurs✏it
I yi,t 2 est un “bon” instrument puisque corrélé à (yi,t 1 yi,t 2)
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Estimation plus efficiente du modèle en différences premières
I
L’estimateur VI précédent est juste identifié
I il demande qu’au moins3 périods of data 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
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Estimateur Arellano–Bond
I
L’estimateur panel GMM qui fait ça est appelé
Arellano–Bond ˆAB =" N X
i=1
X
˜0iZ
i!
W
NXN i=1
Z
0iX
˜i!# 1 XN i=1
X
˜0iZ
i!
W
NXN i=1
Z
0iy
˜i!
I
avec
I X⇣˜i est une matrice (T 2)⇥(K +1)avecteme` 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 Zest défini à la prochaine diapo
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Estimateur Arellano–Bond
I
Z
iest une matrice
(T2)
⇥rd’instruments :
Z
i = 2 66 66 4z
0i30
· · ·0
0 z
0i4...
... ... 0
0
· · ·0 z
0iT3 77 77 5
avec souvent z
0it =hyi,t 2,yi,t 3, . . . ,yi1,
x
0itiI
Donc on rajoute un instrument à chaque période
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Estimateur Arellano–Bond
I
Des retards de x
itou de x
itpeuvent de plus être utilisé comme instruments
I et pourT suffisamment grand, on peut limiter le nombre de retards deyit qui sont utilisés comme instrument
I p.e. pas plus queyi,t 4
I
2SLS et 2SGMM correspondent à différentes matrices de poids
WNI selon le traitement de l’hétéroscédasticité et de l’autocorrélation
I Voir section précédente
Ch 2. Introduction aux Modèles Linéaire Dynamiques Application 2. Modèle dynamique
Exemple
I
Données Arellano-Bond disponible par
webuse abdataI Year = t, n = log of employment, w = log of real wage, k = log of gross capital, ys = log of industry output, unit = firm index (id)
I
Structure panel comprise par Stata
I Vérification par Menu : Panel data : Declare dataset to...
I Panel ID = id ; time=year I
Estimateur Arellano-Bond
I Menu : panel data : Dynamic... :
I xtabond n w k ys, lags(1) vce(robust) artests(2)
I Différence importante avec “robust vce”
I C’est GMM “2SLS” pour panel
I assume pas autocorrélation & homoscé.
I comme vu + haut
I Pour 2SGMM utilisrxtdpd(linear dynamic PD)
I On verra ça en M2