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
2016 – 2017
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 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
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
Estimateur Variable Instrumentale Modèle Hausman–Taylor
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 pls conditions sur des moments de la 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
Estimateur Variable Instrumentale Modèle Hausman–Taylor
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
lorsque
yest iid d’espérance
µI
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
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 =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
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
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
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 MM
GMM
GMM linéaire en panel
Estimateur Variable Instrumentale Modèle Hausman–Taylor
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
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
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Théorie GMM en coupes transversales
GMM
Définition GMM
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
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, sdp et ne dépend pas de
I
Essentiellement,
WNest un choix de pondération des instruments
I Pour retrouverk instruments 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. ˆGMM a la pluspetite variance asymptotique
I 3 cas en panel
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques GMM linéaire en panel
Sommaire
Théorie GMM en coupes transversales
GMM linéaire en panelEstimateur Variable Instrumentale Modèle Hausman–Taylor
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 =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 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 lestimateurs˜
I
En gras on empile les T observations pour le
ieme`agent
y
i =X
i +u
i(2)
Économétrie des Données de Panel Ch 2. Modèles Linéaires 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
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
↵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 nbr d’instruments / 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
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 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
Si
r>K: plus d’instruments que de régresseurs
I Il faut utiliser la formule avec la matrice de poidsWN
I Il y a 2 cas (diapo suivante)
Économétrie des Données de Panel Ch 2. Modèles Linéaires 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
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
Économétrie des Données de Panel Ch 2. Modèles Linéaires 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 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 MC
Économétrie des Données de Panel Ch 2. Modèles Linéaires 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 Sauf pour des cas particuliers (+ loin) I
Alternativement, Bootstrap est faisable
I
C’est comme dans le Ch. 1
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Estimateur Variable Instrumentale
Sommaire
Théorie GMM en coupes transversales GMM linéaire en panel
Estimateur Variable Instrumentale
Modèle Hausman–Taylor
Modèle dynamique
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Estimateur Variable Instrumentale
Estimateur Variable Instrumentale
I
Tous les modèles du Ch. 1 peuvent être estimés en ajoutant des VI
I Les instruments sont spécifiés à la fin de la formule
I Après un signe|
I Séparés par des+
I Dans la commandeplm
I
On écrit, si p.e., le modèle est y ~ x1 + x2 + x3
I avec x1 & x2 endogène et z1 & z2 des instruments externes
I formula=y~x1+x2+x3 | x3+z1+z2
I OU bien
I formula=y~x1+x2+x3 | .-x1-x2+z1+z2
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Estimateur Variable Instrumentale
Estimateur Variable Instrumentale
I
Chaque instrument est conceptuellement associé à son régresseur spécifique
I Mais en pratique, tous les instruments sont utilisés pour toutes les régresseurs
I Les variables exogènes du modèle sont leurs propres instruments
I La commande accepte plus d’instrument que de régresseurs, mais n’indique pas comment elle procède
I
Deux estimateurs sont disponibles avec l’arg.
inst.methodI bvk, Balestra & Varadharajan-Krishnakumar (1987), le défaut
I baltagi, Baltagi (1981)
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Estimateur Variable Instrumentale
Application : déforestation amazonienne
Rappel
I
Le fichier de données est en ligne sur le site du cours
I
Données 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 =↵i + 1
PIBh
it+ 2PIBh
2it+ xit+✏itI On regarde dans x le PPCDAm
I Plano para Prevenção e Controle do Desmatamento na Amazônia legal
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Estimateur 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 endogène
I 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 Modèle Hausman–Taylor
Sommaire
Théorie GMM en coupes transversales GMM linéaire en panel
Estimateur Variable Instrumentale
Modèle Hausman–TaylorModèle dynamique
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Modèle Hausman–Taylor
Estimateur Hausman–Taylor
yit =
x
01it 1+ x02it 2+w
1i0 1+ w02i 2+ ↵i +✏it# # # #
¨x1it ¨
x
2itw
10i ¯x1iI
Identification des coef. des régresseurs invariants dans le temps
I si # régresseurs exogènes variant dans le temps # régresseursendogènes invariants 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)Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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)
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
2 exp VT expérience de travailsi la personne (0/1)
smsa VT ... vit dans une grande agglomération
x1 ¨x1
bluecol VT ... est ouvrier south VT ... vit dans le sud ind VT ... est dans l’industrie ms VT ... est mariée
x2 ¨
x
2union 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 Modèle Hausman–Taylor
Endogénéité
I
Les IT
sex,
blacksont exogènes :
w1 ILes 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 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 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
µet
✏: 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 Modèle dynamique
Sommaire
Théorie GMM en coupes transversales GMM linéaire en panel
Estimateur Variable Instrumentale Modèle Hausman–Taylor
Modèle dynamique
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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 précédent (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
⇤
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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 à des questions deséries temporelles:yit is I(1)
I Pas dans ce cours
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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 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 ou la discrimination, selon les régresseurs significatifs
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Modèle dynamique
Estimateurs inconsistants ou inefficients
Sommaire
Théorie GMM en coupes transversales
Exemples classiques de MM GMMGMM linéaire en panel
Estimateur Variable Instrumentale Modèle Hausman–Taylor
Modèle dynamique
Estimateurs inconsistants ou inefficients
Arellano–BondÉconométrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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 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
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Modèle dynamique
Estimateurs inconsistants ou inefficients
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)
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques 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 Modèle dynamique
Arellano–Bond
Sommaire
Théorie GMM en coupes transversales
Exemples classiques de MM GMMGMM linéaire en panel
Estimateur Variable Instrumentale Modèle Hausman–Taylor
Modèle dynamique
Estimateurs inconsistants ou inefficients
Arellano–Bond
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Modèle dynamique
Arellano–Bond
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
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Modèle dynamique
Arellano–Bond
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
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Modèle dynamique
Arellano–Bond
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 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 Modèle dynamique
Arellano–Bond
Exemple : données Arrellano-Bond
I
firm = firm index (index, devrait être un facteur)
I
year = t
I
emp = employment
I
wage = real wage
I
capital = gross capital
I
output = industry output
I
sector de 1 à 9 (devrait être un facteur)
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Modèle dynamique
Arellano–Bond
Exemple : 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 1ºlags de log(emp) :empi,t 1
etempi,t 2 I Instruments
I Dans gmm estimation, il y a des instruments “normaux” et des instruments “gmm” instruments
I Les instruments gmm sont indiqués en 2ºpartie de formule
I lag(log(emp), 2 :99)veut dire que l’estimateur peut utiliser tous retards de l’endogène – mais 3 :99 ?
I Par défaut, toutes les variables du modèles qui ne sont pas des intruments gmm sont des instruments normaux, avec la même structure de retard
I Des instruments normaux peuvent être rajoutés dans une 3º partie de la formule (après un nouveau | )
Économétrie des Données de Panel Ch 2. Modèles Linéaires Dynamiques Modèle dynamique
Arellano–Bond
Exemple : Estimateur Arellano-Bond
I
commande pgmm
I effect
I Par défaut "twoways", mais peut être aussi "individual" et
“null”
I Si "null", le modèle est estimé en niveaux (permet d’estimer une modèle avec des données en différences 1º, sinon on imposerait des trends)
I Si “individual”, le modèle est estimé en différences 1ºpour éliminer les↵i
I Si "twoways", le modèle est estimé en différences 1ºet on rajoute des trends
I modelpeut être "onestep" (défaut 2SLS) ou "twosteps"
(2SGMM)
I “2SLS” assume pas autocorrélation & homoscé.
I