Modèle de panel

Réalisé par : Encadré Par :

Zineb ABDENASSAR M. Rachid CHAABITA
Hiba AIT BENAAMARA
Najat AIT OULAHIANE
Walid BOUQAYES
Ayoub ZOUGGAR
 Introduction

L’économétrie est la partie de l’économie qui s’occupe de la mesure, son utilisation est
destinée à plusieurs domaines tels que la finance, la médecine … Son objet est de
confronter un modèle économique à un ensemble de données et d’ainsi en vérifier la
validité.

Le modèle consiste à présenter, d’une manière formalisé, un phénomène sous forme

d’équation dont les variables sont des grandeurs économiques. Ce modèle peut se
porter sur des données en série temporelle, des données en coupe instantanée ou des
données de panel. Ces derniers seront l’objet de notre thème
Partie I :
Présentation du modèle à données de panel
 Les données de panel

En statistiques et en économétrie, on appelle données de panel (ou données

longitudinales) des données qui comprennent plusieurs observations au cours
du temps (des périodes successives) pour un même individu statistique
(entreprises, ménages, salariés, …).
Les données de panel

Table 1 : données chronologiques (temporelles)

Pays Année x y
Maroc 2011 0,31 0,07
Maroc 2012 0,45 0,82
Maroc 2013 0,27 0,03
Maroc 2014 0,30 0,70
Les données de panel

Table 2 : données statistiques

Pays Année x y
Maroc 2011 0,27 0,42
France 2011 0,55 0,60
Egypt 2011 0,11 0,19
Tunisie 2011 0,26 0,20
Italie 2011 0,63 0,90
Etats-unis 2011 0,50 0,52
Brazil 2011 0,20 0,25
 Les données de panel

Table 3 : données de panel

Pays Année x y
Maroc 2011 0,27 0,42
2012 0,20 0,35
2013 0,37 0,55
France 2011 0,55 0,60
2012 0,70 0,85
2013 0,63 0,47
Egypt 2011 0,11 0,19
2012 0,19 0,27
2013 0,25 0,13

 Si on fixe l'individu observé, on obtient la série chronologique, tandis que si l'on fixe la période examinée, on obtient
une coupe instantanée pour l'ensemble des individus.
Les types de panel

Panel cylindré ( balanced panel )

Panel non cylindré ( unbalanced panel )

Micro panel
Panel
Macro panel

Panel rotatif

Pseudo panel
Les avantages et les inconvénients des données de panel

Avantages Limites
Qualité moins bonne dans la mesure des variables :
Données plus nombreuses et plus variables :
Biais de variables omises ou d’erreurs fréquents pour
estimations plus précises
les estimations intra-individuelles
Possibilité de mener à partir du même corps de
données, des estimations dans différentes la mortalité du panel
dimensions
Méthodes basées pour la plupart sur l’hypothèse d’un
l'accroissement de la taille de l'échantillon
échantillon cylindré
Information au niveau micro-économique :
Données plus adéquates pour l’étude des Présence d’observations aberrantes
comportements
Le modèle de panel

Les données de panel se représentent comme suit :

 Le modèle de panel

Le modèle général s’écrit :

Y ¿ = α 0 i + ∑ 𝛽𝑘 x kit + δ t +U ¿
𝑘

Yit : La variable endogène observée pour l’individu i à la période t

 : Le terme constant pour l’individu i
 : Le coefficient de la variable exogène k pour l’individu i
xkit : les variables explicatives observées pour l’individu i à l’instant t,
 : Un effet temporel
 : Un élément scalaire du vecteur du terme d’erreur u
εit =  +  : Le terme d’erreur
 Le modèle de panel
Chaque individu nous donne un modèle, avec N individus dans t période on obtient :

Individu 1 :
.
.
.

Individu 2 :
.
.
. .

.
.

Individu N :
.
.
.
Partie II :
Les tests d’homogénéité
 Les procédures séquentielles du test de Fisher

Test 𝑭 𝟏= ¿ ¿

Test 𝑭 𝟐= ¿ ¿

Test 𝑭 𝟑= ( 𝑺𝑪𝑹 𝒄𝟏 −𝑺𝑪𝑹𝒄𝟐 ¿ / ( 𝑵 −𝟏 ) ¿

¿¿
 La Construction des tests

> 0,05
Homogénéité totale
𝐌𝐨𝐝 é 𝐥𝐞 𝑷𝒐𝒐𝒍𝒆𝒅

> 0,05
Homogénéité partielle
𝐌𝐨𝐝 é 𝐥𝐞à 𝐞𝐟𝐟𝐞𝐭 𝐢𝐧𝐝𝐢𝐯𝐢𝐝𝐮𝐞𝐥

Modèle à effet fixe

Modèle à effet aléatoire

Modèle à effet fixe et aléatoire

Partie III :
Spécifications et estimations des modèles 
 Modèle Pooled

Ce modèle néglige la dimension individuelle et temporelle des données de Panel :

𝒀 𝒊𝒕 =𝜶 𝟎 + 𝜷 𝒙 𝒊𝒕 + 𝜺 𝒊𝒕

Le postulat est que les individus composant l’échantillon ne se démarquent les uns des
autres par aucune caractéristique spécifique, et les coefficients sont estimés sur la base
d’un échantillon à l’intérieur duquel les données sont « empilées » sans égard par rapport
aux individus non plus que par rapport aux dates.

Vue que ce modèle vérifie tous les conditions de MCO donc l’estimation de ses paramètres
se fait par cette méthode dont est sans biais, convergent et de variance minimum.
 Modèle à effets fixes

Le postulat est que les individus composant l’échantillon se démarquent les uns des
autres par la constante 𝒀 𝒊𝒕 =𝜶 𝟎 𝒊 + 𝜷 𝒙 𝒊𝒕 + 𝜺 𝒊𝒕

L'estimation de ce model suppose un test hypothèse supplémentaire sur la nature

du processus des résidus (tester homoscédasticité ou auto corrélation),
 Modèle à effets fixes

• Si les résidus sont homoscédastiques, non auto-corrélées dans :

- La dimension temporelle Cov(’)=0 pour t t’
- La dimension individuelle Cov()=0 pour i j

 lors de l’estimation on utilise méthode des Moindres Carrés Ordinaires (MCO)

• Si les résidus sont hétéroscédastiques et/ou auto-corrélées dans la dimension

temporelle mais indépendantes dans la dimension individuelle

 lors de l’estimation on utilise méthode des Moindres Carrés Généralisés (MCG)

 Modèle à effets fixes

L’estimation des paramètres 𝛽 se fait selon la relation suivante :

La constante s'obtiennent par la relation suivante :

 Modèle à effets aléatoires

Le modèle à effets aléatoires suppose que la relation entre la variable endogène et les
variables exogènes ne soit plus fixe mais aléatoire :
𝒀 𝒊𝒕 =𝜶 𝟎 + 𝜷 𝒊 𝒙 𝒊𝒕 + 𝜺 𝒊𝒕

Il est aussi appelé modèle à erreur

composée (error components model) vue
que le terme d’erreur est décomposée de la
manière suivante :
 Modèle à effets aléatoires

Avant d’estimer des paramètres, il est primordial de vérifier l’ensemble des hypothèses
suivantes :
 Modèle à effets aléatoires

L’estimation de modèle se fait par la méthode des Moindres Carrés Générales (MCG)
car la composante aléatoire est présenté dans d’où Cov(’) 0 Nous avons une
autocorrélation des erreurs

L’estimateur MCG est une combinaison linéaire des opérateurs Within et Between

Avec :
 Test Hausman (effets fixes ou effets aléatoires)

Test Hausman est un test de spécification qui permet de déterminer si les coefficients
des deux estimations (fixes et aléatoires) sont statistiquement différents, autrement
dit il permet de choisir entre les deux modèles.

Il repose sur les deux hypothèses suivantes :

- H0: - 0 : le Modèle choisis est le modèle à effets aléatoires et l’on doit alors retenir
l’estimateur des MCG.
- H1: - 0 : le Modèle choisis est le modèle à effets fixes et l’on doit alors retenir
l’estimateur Within /LSDV.
 Test Hausman (effets fixes ou effets aléatoires)

La statistique du test d’Hausman appliqué au test de la spécification des effets

individuels est la suivante :

 Si la P-value > 0,05 on accepte H0 par contre si P-value < 0,05 on rejette H0 et on accepte
l’hypothèse alternative H1 .
Partie IV :
Applications sur EVIEWS et STATA
Merci pour votre attention