Scribd Logo
Importer

Bienvenue sur Scribd !

  • 123 vues

    Chapitre 4: Econométrie Des Données de Panel-Tests de Spécification

    Transféré par

    smati

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Chapitre 4: Econométrie Des Données de Panel-Tests de Spécification

    Transféré par

    smati
    123 vues16 pages

    Titre original

    Chapitre4EconomtriedesDonnesdePanel-TestsdeSpcification

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    123 vues16 pages

    Chapitre 4: Econométrie Des Données de Panel-Tests de Spécification

    Transféré par

    smati

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 16

    See discussions, stats, and author profiles for this publication at: https://www.researchgate.

    net/publication/358128865

    Chapitre 4: Econométrie des Données de Panel-Tests de Spécification

    Chapter · January 2022

    CITATIONS READS

    0 6,831

    1 author:

    Islem Khefacha
    University of Monastir Faculty of Economics and Management of Mahdia
    80 PUBLICATIONS 112 CITATIONS

    SEE PROFILE

    All content following this page was uploaded by Islem Khefacha on 23 June 2023.

    The user has requested enhancement of the downloaded file.


    Université de Monastir
    Faculté des Sciences Economiques et de Gestion de Mahdia

    Econométrie
    des Données de Panel
    2èmes Années Masters de Recherche
    Finance & Banque et Finance Internationale

    Chapitre 4:
    Les Tests de Spécification
    Pr. Islem KHEFACHA
    [email protected]

    Année Universitaire: 2022/2023


    Introduction

    En admettant que nous ayons déjà la certitude de la présence de


    spécificités individuelles, se pose maintenant la question de la nature
    de ces spécificités.

    doit-on retenir une spécification de type « effets fixes »


    ou, au contraire, de type « effets aléatoire »?

    La question n’est pas sans importance.

    © Islem KHEFACHA
    Introduction

    Critique de Mundlack
    On se souvient du résultat selon lequel l’estimateur des MCG est
    l’estimateur « optimal » du modèle à effets aléatoires... à la condition
    que l’erreur du modèle (et, notamment, sa composante
    spécifique) ne soit pas suspecte de corrélation avec les
    différentes variables explicatives.

     Si, malheureusement, tel n’était pas le cas, l’estimateur des MCG


    est alors biaisé... ce qui est évidemment très gênant. Or, si on peut être
    disposé à admettre l’absence de corrélation entre la composante non
    spécifique de l’erreur et les variables explicatives, on éprouve quelque
    réticence à admettre ce même postulat d’absence de corrélation entre la
    composante spécifique et les variables explicatives qui sont elles-
    mêmes sensées rendre compte, justement, des caractéristiques propres
    de chaque individu.

    © Islem KHEFACHA
    Introduction
    On commence par expérimenter
    1. si l’erreur spécifique est corrélée avec l’une au moins des variables
    explicatives: l’estimateur des MCQG est biaisé et l’estimateur
    within est non biaisé,
     Dans ce cas, il existe une différence significative entre les estimations
    engendrées par ces deux estimateurs
    2. si l’erreur spécifique n’est pas corrélée avec les variables explicatives:
    les deux estimateurs within et MCQG sont non biaisés.
     Dans ce cas, il n’y a pas de différence significative entre les
    estimations engendrées par ces deux estimateurs.
     On privilégiera toutefois, dans ce contexte, l’usage de l’estimateur des
    MCQG dont on vérifie qu’il est alors plus efficace que l’estimateur
    within.
    © Islem KHEFACHA
    Introduction

     On définit ensuite la statistique de test de Hausman pour

    l’hypothèse nulle d’absence de corrélation entre erreur

    spécifique et variables explicatives.

     Du résultat de ce test dépend le choix de la méthode

    d’estimation qui sera finalement retenue.

    © Islem KHEFACHA
    Test de HAUSMAN

    Procédure du Test de Hausman

     Le test de spécification d’Hausman (1978) est un test général qui


    peut être appliqué à des nombreux problèmes de spécification en
    économétrie, traitant avec le problème d’endogénéité.

     Son application la plus répandue est celle des tests de


    spécification des effets individuels aléatoires en panel.

    © Islem KHEFACHA
    Test de HAUSMAN
    Idée Générale
    Supposons que l’on cherche à tester la présence éventuelle d’une
    corrélation ou d’un défaut de spécification. Admettons que l’on
    dispose de deux types d’estimateurs pour les paramètres du modèle
    étudié. Le premier estimateur est supposé être l’estimateur non
    biaisé à variance minimale sous l’hypothèse nulle de spécification
    correcte du modèle (absence de corrélation). En revanche, sous
    l’hypothèse alternative de mauvaise spécification, cet estimateur est
    supposé être biaisé. Par contre, le second estimateur, celui du
    modèle à effets fixes, est non biaisé dans les deux cas. L’application
    technique de ce principe suppose tout de même que l’on construise la
    matrice de variance covariance de l’écart entre les deux estimateurs.

    © Islem KHEFACHA
    Test de HAUSMAN
    La statistique de test de Hausman
     On veut éprouver l’hypothèse nulle d’exogénéité des variables
    explicatives par rapport à l’erreur spécifique du modèle... étant bien
    entendu que, du résultat de ce test, dépend la mise en œuvre d'un
    estimateur ou d’un autre.
    L’intuition du test est que :
     s’il y a une différence significative entre les estimations within et
    MCQG c’est que, vraisemblablement, l’une au moins des variables
    explicatives est corrélée avec l’erreur spécifique.
     Dans ce cas il convient de privilégier l’usage de
    l’estimateur within qui garantit des estimations sans biais
    des coefficients βj
     s’il n’y a pas de différence significative entre les estimations
    within et MCQG c’est que les variables sont exogènes par rapport
    à l’erreur spécifique
     Dans ce cas on privilégie l’usage de l’estimateur
    MCQG qui est alors sans biais et plus efficace que
    l’estimateur within.
    © Islem KHEFACHA
    Test de HAUSMAN

    Les Hypothèses

    Le test de spécification de Haussman repose sur le corps d’hypothèses

    suivant :

    H0 : E(ui/Xi) = 0 ou bien

     les estimateurs du modèle à erreurs composées sont efficaces

    H1 : E(ui/Xi) ≠ 0 ou bien

     les estimateurs du modèle à erreurs composées sont biaisés

    © Islem KHEFACHA
    Test de HAUSMAN

    La Statistique du Test
    La statistique du test est la suivante :

    : est la matrice des variances – covariances des


    différences entre les deux estimateurs.

    Sous l’hypothèse nulle de spécification correcte, cette statistique est


    asymptotiquement distribuée selon une chi-deux à K degrés de liberté,
    soit le nombre de composantes du vecteur β des coefficients.

     Si le test est significatif ( p-value < 5%), on retient les estimateurs du


    Modèle à effets fixes qui sont non biaisés. Dans le cas, contraire, on
    retient ceux du modèle à erreurs composées, car ils sont efficaces.

    © Islem KHEFACHA
    Test de HAUSMAN

    Les Hypothèses

    Il est possible de montrer que, sous H0, cette matrice peut être récrite
    comme :

    © Islem KHEFACHA
    Quelques Tests sur Données de Panel

    Test de Normalité des Résidus


    Le test de Jarque-Bera est utilisé pour déterminer si les résidus d'une
    régression linéaire suivent une distribution normale
    On pose :
    H0: les résidus suivent une loi normale.
    H1: les résidus ne suivent pas une loi normale.

    Avec:
    n = Nombre d'observations
    k = Nombre de variables explicatives si les données proviennent des
    résidus d'une régression linéaire. Sinon, k=0.
    S = Coefficient d'asymétrie : Moment d'ordre 3 d'une variable centrée-
    réduite
    K = Kurtosis : Moment d'ordre 4 d'une variable centrée-réduite

    © Islem KHEFACHA
    Quelques Tests sur Données de Panel

    Test de Normalité des Résidus


    Le test de Jarque-Bera ne teste pas à proprement parler si les données
    suivent une loi normale, mais plutôt si les coefficients de kurtosis et
    d'asymétrie des données sont les mêmes que ceux d'une loi normale, de
    même espérance et variance.
    On a donc:
    H0: S = 0 et K = 3
    H1: S ≠ 0 et K ≠ 3

     Une loi normale a un coefficient d'asymétrie = 0 et un coefficient de


    kurtosis = 3. Par conséquent, si les données suivent une loi normale, le
    test s'approche alors de 0 et on accepte Ho, au seuil α.

    © Islem KHEFACHA
    Quelques Tests sur Données de Panel

    Le Test d’Effets Individuels Aléatoires

    Le test de Breusch-Pagan ou test du multiplicateur de Lagrange permet


    de valider empiriquement le choix d’une structure à erreurs composées.
    Le corps d’hypothèses à tester est le suivant :

    Où désigne la variance de l’erreur spécifique à l’individu,

    © Islem KHEFACHA
    View publication stats

    Quelques Tests sur Données de Panel

    Le Test d’Effets Individuels Aléatoires

    La statistique du test est basée sur les résidus estimés par les MCO.

    Elle prend la forme suivante :

     Ce test doit précéder celui de Hausman, qui traite du problème de


    corrélation du terme aléatoire et des variables explicatives du modèle.

    © Islem KHEFACHA

    Vous aimerez peut-être aussi