Économétrie II
On peut avoir que l'indice représente le temps : panel data. ? Souvent on imposera alors b1 On peut avoir Y2 ? X1 et Y1 ? X2 : équations simultanées.
Limpact Des Investissements Directs Etrangers Sur La Réduction
22 juil. 2019 Ainsi à l'aide de données de panel sur la période. 1990-2017 et d'un modèle à trois équations simultanées
Estimation dun modèle à équations simultanée des variables
2 nov. 2014 KEYWORDS: Simultaneous equations Model consumption
Limpact Des Investissements Directs Etrangers Sur La Réduction
22 juil. 2019 Ainsi à l'aide de données de panel sur la période. 1990-2017 et d'un modèle à trois équations simultanées
DETERMINANTS DES SALAIRES HORAIRES DES ASSISTANTES
équations simultanées expliquant respectivement le nombre d'enfants gardés par les assistantes maternelles dans un bassin de vie le salaire horaire moyen
Économétrie Appliquée: Manuel des cas pratiques sur EViews et Stata
19 avr. 2018 tsset id yr : déclarer la structure de données en panel à Stata ; ... Cas I : Estimation d'un modèle à équations simultanées par la méthode ...
UNIVERSITÉ DE SHERBROOKE
13 jui. 2018 gie d'investigation privilégie un modèle à équations simultanées (MES) qui ... L'analyse économétrique est basée sur des données de panel ...
Contrôle de la Corruption Croissance économique Et Capital
28 fév. 2015 2.2.1. Equations simultanées en données du panel. Les études empiriques ont examiné des modèles très simples se limitant à une équation ...
Modèles déquations simultanées pour variables endogènes fictives
formuler des modèles d'équations simultanées et les appliquer à l'étude de la Le Panel Study of Income Dynamics ne demandait que la race du chef de ...
Estimation des modèles à plus de deux régimes avec des données
de l'économétrie des données de panel qui s'est limitée à l'estimation de modèles l'estimation de deux systèmes d'équations simultanées (pour une coupe ...
Modèles déquations simultanées pour variables endogènes fictives
Modèles d'équations simultanées pour variables endogènes fictives : une formulation par la théorie des jeux avec application à la participation au marché du
(PDF) Modèle à Correction dErreur à Equations Simultanées
6 mai 2018 · Modèle à Correction d'Erreur à Equations Simultanées : Cas Standard et Spatial en Données de Panel May 2018 Authors: Abdi-Basid Adan at CERD
analyse par equations simultanees en donnees de panel - Yumpu
23 jan 2015 · L'analyse propose un modèle structurel en équations simultanées en données de panel L'accent est mis sur l'estimation par la méthode du maximum
[PDF] ÉCONOMÉTRIE APPLIQUÉE DES DONNÉES DE PANEL
Dans le cas des données de panel cette méthode est très des systèmes à équations simultanées et celui d'estimateur par variables instrumentales lors de
[PDF] Estimation dun modèle à équations simultanée des variables
2 nov 2014 · RESUME: L'objectif de cet article est d'estimer un modèle d'équations simultanées sur les données des statistiques
[PDF] Estimation des modèles à plus de deux régimes avec des données
de l'économétrie des données de panel qui s'est limitée à l'estimation de modèles l'estimation de deux systèmes d'équations simultanées (pour une coupe
CHAPITRE 2: MODELES LINEAIRES A EQUATIONS SIMULTANEES
Les deux problèmes principaux de l'estimation de modèles à équation simultanées: 1 Estimation de la forme structurelle par la méthode des MCO:
INTRODUCTION 1 Les modèles linéaires à équations simultanées
Les modèles linéaires à équations simultanées : définition des notions L analyse des données de panel : observations répétées à plusieurs dates
[PDF] 7 Économétrie spatiale sur données de panel - Insee
Dans le cas du modèle SEM la matrice du terme de droite de l'équation 7 19 est une matrice diagonale dont les éléments sont égaux à ?k De ce fait l'effet
Math-Recherche et Application,Vol.16, (2017-2018), pp. 18-31Revue ofMaroccanMathematicalSociaty forteaching andreseach
http ://revues.imist.ma/?jounal=MRAEstimation des modèles à plus de deux régimes avec des données depanel : Application sur les prix des cultures vivrières dans l"espaceUEMOA
Ichaou MOUNIROU
Laboratoire d"Economie Publique (LEP), Faculté des Sciences Economiques et de Gestion (FASEG), Université de Parakou (UP), Universités du CAMESEmail:ichaou_bassir@yahoo.fr.
Résumé :
Cet article fournit une méthodologie d"estimation des paramètres d"un modèle avec sélection
et régresseurs endogènes dans le cas de données de panel. La matrice de variance-covarianceasymptotique des paramètres est calculée, en adaptant l"étude établit par Boumahdi et Tho-
mas (1992) aux données de panel. Une application du modèle au calcul des prix des culturesvivrières dans l"espace UEMOA est proposée; on montre en particulier la supériorité des ma-
trices d"instruments de Breusch-Mizon-Schmidt (1989) et Amemiya Macurdy (1986) sur celle deHausman-Taylor (1981).
Mots clés : UEMOA -productions agricoles - superficies agricoles - données de panel - estimation
Abstract :
This paper show a methodology for estimating parameters of a sample selection model with endogenous regressors is proposed for the case of panel data. The variance-covariance matrix is computed by adapting the Boumahdi and Tomas (1992) approach to panel data. An application of the model to the computation of returns to education is proposed; the instrumental matrices of Breusch-Mizon-Schmidt (1989) and Amemiya Macurdy (1986) are shown to be superior to the one of Hausman-Taylor (1981). Keywords : MEUWA- agricultural production- agricultural field -panel data -estimation [2010] Classification : D84, G13, L11 181 Introduction
Les modèles à variable dépendante tronquée ont connu un développement considérable depuis
l"article de Tobin (1958). Ce dernier proposait une procédure d"estimation par maximum de vrai-semblance d"un modèle à une seule équation. L"idée de base derrière ces modèles est l"existence
d"un seuil au-delà duquel la variable dépendante n"est plus observable ou n"a pas de signification
économique.
L"estimation des modèles avec variable dépendante tronquée a été étudiée notamment par Heck-
man (1976, 1979). Ce courant n"a cependant pas, à notre connaissance, encore intégré le domaine
de l"économétrie des données de panel, qui s"est limitée à l"estimation de modèles à un seul ré-
gime. Boumahdi et Thomas (1992) font une extension au cas de deux régimes, une seconde source d"endogénéité peut alors apparaître.Dans cet article, une procédure d"estimation des paramètres d"un modèle avec sélection et ré-
gresseurs endogènes est proposée dans le cas de données de panel pour plus de deux régimes.
L"hétéroscédasticité provenant de la structure du modèle à erreurs composées est tout d"abord
éliminée par la diagonalisation de la matrice de variance-covariance. Le biais de sélection est en-
suite corrigé par la méthode classique de l"introduction dans la forme structurelle de l"espérance
conditionnelle des erreurs. L"endogénéité de certaines variables explicatives nécessite enfin le re-
cours à des matrices d"instruments. Les paramètres de la forme structurelle sont présentés et la
matrice de variance-covariance asymptotique des paramètres est calculée, en adaptant l"approche
Boumahdi et Thomas (1992) aux données de panel.L"article présente d"abord le modèle à plus de deux régimes avec sélection et introduit les nota-
tions utiles. La méthode d"estimation utilisée pour la forme structurelle de notre modèle, ainsi
que l"expression de la matrice de variance-covariance asymptotique des paramètres figure. Atitre d"illustration, l"article présente une application du modèle au calcul des prix des cultures
vivrières dans l"espace UEMOA. Une équation des prix de cultures est estimée en utilisant des
données d"enquête individuelles et en discriminant les individus en fonction de leur production
et superficie. Le calcul des estimateurs de la variance des erreurs est fourni.2 Modèle
On considère une population d"individus de tailleN, constituée de sous-ensembles disjoints deux à deux, de sorte queN1+N2+...+Nk=N. Le comportement d"un individu peut êtrereprésenté par l"un des régimesIj,j= 1,2,,...,k,selon qu"il appartient à la sous populationN1,
ou,...,Nk. Cette appartenance est observée ex ante. L"affectation de l"individu à l"un de ces régimes est déterminée par une équation de sélection de la forme : y ?i=ωiλ+υi(1)Oùy?iest une variable latente non observable etωiun vecteur de variables exogènes. On suppose
que l"individuiappartient au premier régime siy?i>0.On a par conséquent :Pr[i?Ik] =Pr[y?i>0]P[ωiλ >-υi](2)
etL"équation de sélection ne dépend pas du temps, ce qui signifie que l"individu est affecté à l"un des
régimes de façon définitive. La variable dépendante, notéeYjit(observation à la périodetpour
19 l"individuiappartenant au régimej) est expliquée par des variablesXjitetZjit, respectivementvariantes et non variantes dans le temps, et contenant des endogènes. Le modèle à plus de deux
régimes considéré s"écrit : Y it=Ykit=βk?Xkit+γ? kZki+αki+εkitsiωiλ >-υi(4) Y it=Yk+1it=β? k+1Xk+1itγ? oùi= 1,...,N1, N1+ 1,...,N;t= 1,...,T. Dans la suite de l"article, on utilisera la forme plus compacte suivante : Y k=Xkβk+Zkγk+αk+εk,i?Ikk(6) Y oùYj=?Yjk1,...,YjkT,Yjk+11,...,Yjk+1T,...,YjN1,...,Y(jNjT??est un vecteurTNjX1;Xj estTNjXKj,ZjestTNjXGj.αjest le vecteurTNjX1des effets individuels etεjle vecteur TN jX1des termes d"erreur variant dans le temps.3 Méthode d"estimation
Trois problèmes doivent être traités, de façon séquentielle, afin de fournir des estimateurs
non biaisés et convergents. Tout d"abord, le modèle à erreurs composées implique une structure
hétéroscédastique que l"on corrige en diagonalisant les matrices de variance-covariance. Ensuite,
la corrélation entre les effets individuels et les erreurs de l"équation de sélection introduit un
biais de sélection. Ce problème est résolu en utilisant une méthode de type probit, consistant
à calculer l"espérance du terme d"erreur structurel. Enfin, l"existence de régresseurs endogènes
dans le modèle doit être prise en compte dans le calcul des estimateurs; il est donc nécessaire
d"utiliser la méthode des variables instrumentales.Considérons tout d"abord le cas d"un modèle à un régime (équation 6) avec régresseurs endogènes.
Il n"y a pas de problème de biais de sélection et HT ont proposé un estimateur efficace des deux paramètresβketγk. Cet estimateur exploite l"hypothèse selon laquelleXketZksontindépendants de l"effetαk. AM ont suggéré un estimateur plus efficace que celui de HT, fondé
sur des hypothèses d"exogénéité très fortes. En fait, la différence entre les deux estimateurs réside
dans le traitement des variables variantes dans le temps non corrélées avec les effets individuels.
A cet égard, HT supposent que la moyenne desXkest indépendante deαk; ils utilisent chaque variable dansXkcomme deux instruments : comme moyenne et comme écart à la moyenne. Enrevanche, AM imposent une hypothèse d"exogénéité selon laquelleXkest indépendant deαkà
chaque périodet,t= 1,...,T. Les auteurs utilisentXkcomme(T+1)instruments : comme écartà la moyenne et séparément pour chaque période. Plus récemment, BMS ont prolongé l"analyse
de AM pour dériver un estimateur plus efficace que les deux précédents.Du travail de BT avec deux régimes, le passage à plus de deux régimes introduit une corrélation
supplémentaire, celle entreαketν. La méthode de BT est incomplète dans ce cas, car elle
fournirait des estimateurs biaisés.On a :
E[αki+εkit|Xkit,Zki,ωiλ >-νi] =E[αki|Xkit,Zki,ωiλ >-νi] +E[εkit|Xkit,Zki,ωiλ >-νi](8)
=E[αki|Xkit,Zki,ωiλ >-νi]?= 0 20Dans le contexte d"un modèle à plus de deux régimes (coupe instantanée), LMT ont proposé
l"estimation de deux systèmes d"équations simultanées (pour une coupe instantanée) en présence
de biais de sélection. Leur procédure consiste à estimer les formes réduite et structurelle de
chaque système en tenant compte du biais de sélection et à dériver une matrice asymptotique
de variance-covariance des paramètres pour les deux formes réduite et structurelle. Pour estimer
le système d"équations (6) et (7), nous pouvons donc procéder de la même manière que LMT.
Notre approche va consister à utiliser conjointement les deux méthodes de HT et LMT.Une première étape consiste à corriger l"hétéroscédasticité en diagonalisant la matriceΩk. Soit :
-1/2 k=QMk+θkPMk où ?k=σεk?σ2εk+Tσ2αk?
1/2La matrice
ˆΩ-1/2
ktransformeΩken matrice diagonale; en d"autres termes, -1/2 kΩkΩ-1/2 k=σ2ε kITNEn fait, on utilise un estimateur convergent
ˆΩ-1/2
kdeΩ-1/2 k, basé sur un estimateurˆσ2ε kobtenu par la méthode de HT, et un estimateurσ2ε kcalculé en tenant compte du biais de sélection.Estimation deΩ-1/2
ketΩ-1/2 k+1L"estimation deΩ-1/2
kexige alors le calcul d"un estimateur convergent deθk, c"est-à-dire deσ2ε ketσ2α k. HT propose un estimateur convergent deσ2ε kbasé sur une transformation des équations(6) et (7) par la matrice des projecteursQMk. Les effets individuels étant ainsi éliminés, il n"y a
plus de corrélation entre ces derniers et le terme de perturbationν. Nous pouvons donc utiliser
cet estimateur dans le cas présent.Pour obtenir un estimateur convergentε2α
k, on définit, suivant HT, le vecteur de résidusˆhk: hk=PMkYk-PMkXkˆβksii?Ik(9)En remplaçant
ˆβkpar son expression, on a :
hk=PMkYk-PMkXk? X? kQMk? (10) X k-1X? kQMkYksii?IkAprès simplification, on obtient :
hk=Zkγk+αk+? PMk-PMkXkX?
kQMkXk? -1X? kQMkεksii?Ik(11)Considérons à présent l"estimation deλkdans l"équation (11). Puisqueαkest corrélé avec¨Z1et
ν, il faut calculer l"espérance deαkaprès avoir transformé les données par la matrice.
On obtient :
E ?ˆhk|i?Ik? =˜Zkλk-σ2ν˜αkηk(12) 21En multipliant l"équation (6) parΩ-1/2, on obtient : -1/2 kYk= Ω-1/2 kXkβk+ Ω-1/2 kZkγk+ Ω-1/2 kαk+α-1/2 kεksii?Ik(13)
Considérons à présent le problème du biais de sélection. L"équation structurelle corrigée de l"hé-
téroscédasticité se réécrit : -1/2 kYk= Ω-1/2 kXkβk+ Ω-1/2 kZkγk+ Ω-1/2 k(αk+εk)(14) où de façon équivalente : -1/2 kYk= Ω-1/2 kXkβk+ Ω-1/2 k¨Xk¨βk+ Ω-1/2 kZkγk+ Ω-1/2 k¨Zk¨γk+ Ω-1/2 k(αk+εk)(15) où V ar?Ω-1/2
k(αk+εk)? = Σ2ε k et 2ε k=( 2ε kcov(αk;εk)... cov(αk;εk) cov(αk;εk)σ2ε k... cov(αk;εk) . . ... cov(αk;εk) cov(αk;εk)cov(αk;εk)... σ2ε k) k=( . . ... .βk1¨βk1βk2¨βk2...β2kk) k=(L"espérance conditionnelle deY?kest :
E[Y?k|i?Ik] =X?kβk+¨X?k¨βk+Z?kγk+¨Z?k¨γk+E?Ω-1/2
kαk+ Ωk-1/2εk|i?Ik? (16) oùY?k= Ω-1/2 kYk;X?k= [X?k:¨X?k] = Ω-1/2 kXk;Z?k= [Z?k:¨Z?k] = Ω-1/2 kZkOn a :
E?Ω-1/2
kεk|i?Ik? = 0etE?Ω-1/2
kαk|i?Ik? =E[θkαk|i?Ik] =σνα? k?φ oùσνα? k=cov(ν;θkαk) =cov(ν;α?k)et?φ est le ratio de Mill, défini comme un vecteurTNkX1dont l"élément générique représente le rapport entre la densité et la fonction de répartition de la
loi normale centrée réduite au point-νi, lequel provient de l"estimation préalable de l"équation
de sélection. 22λest tout d"abord calculé par maximum de vraisemblance. En remplaçantλpar son estimationˆλon obtient :
Y k?φ + ˜μk(17) où˜μkest un vecteurTNkX1de perturbations tel que :E[˜μk|i?Ik] = 0
On pose :
H=? X ?k;Z?k;-ˆ?ˆ k k k) L"estimateur de la variable instrumentale ou des doubles moindres carrés est donné par :H?PAkH?
-1HPAkY?k(18)
avecPAk=Ak? A? kAk? -1A k?, oùAkest la matrice des instruments. Pour HT par exemple, on a :Ak=?QMk,PMkXk,Zk?. L"estimateurˆθest un estimateur convergent. La matrice de variance-covariance asymptotique est : V ar =?σ2α k+σ2ε k??H?PAkH?
-1-σνα? k?H?PAkH?
-1 H ?PAk×?B-BWk?
W?ΛW?
-1W? kB? -1 P AkH?H?PAkH?
-1(19) oùW,W1,BetΛsont définies comme suit : W= (w11,....,w1T,...,wNk1,...,wNkT,...,wN1,...,wNT)est la matrice de dimension(Nk+Nk+1)X1 des variables exogènes dans l"équation de sélection; B=( ((w kλ?φ kθ k? 2...0 0...00... wNkλφNkΦ
Nk+?φNkΦ
Nk? 2) ))?I T de dimensionTNkXTNk. 2 kΦ k(1-Φk)...0 0...00...φ2
NΦN(1-ΦN))
)?I T est la matrice de dimensionTNXTNdont le terme générique représente la contribution de chaque observationi,i= 1,...,N.BT montrent que cette matrice de variance-covariance est la seule pertinente pour les modèles à
équations simultanées avec sélection. Par rapport à l"approche de BT, les dimensions des matrices
H,W,BetΛdoivent bien entendu être adaptées au cas des données de panel. 234 Application au calcul des prix de certaines cultures vi-
vrières de première nécessité dans l"espace UEMOA Dans cette partie, on propose une application du modèle décrit ci-dessus au calcul des prix decertaines cultures vivrières de première nécessité dans l"espace UEMOA avec biais de sélection
(voir Willis et Rosen (1979), Boumahdi et Thomas (1992)). Ce modèle permet de mesurer l"avan-tage relatif en termes de prix de vente d"une culture dans les facteurs déterminants le prix. L"un
des points les plus intéressants est de pouvoir comparer les performances relatives des méthodes
de HT, AM et BMS, qui diffèrent dans la construction de la matrice de variance-covariance des paramètres estimés. On considère cinq niveaux de cultures (C1: Igname;C2: Maïs;C3: Manioc;C4: Riz;C5: Sor-gho);Y1àY5indiquent les logarithmes des productions et des superficies. La conditionωiλ >-νi
désigne ici le passage du régimeC1àC5de l"individui. La matriceW= (ω1?,...,ωN?)comprend
des variables d"aptitude et d"opportunité :- CV1 à CV5 : variables indicatrices liées à la culture vivrière indiquée. CV1 = 1 pour
l"igname; CV2 = pour le maïs; CV3 = Manioc; CV4 = Riz; CV5 = Sorgho. - PSR1 à PSR8 : variables indicatrices liées au pays de l"espace UEMOA. PSR1 = Bénin; PSR2 = Burkina Faso; PSR3 = Côte d"Ivoire; PSR4 = Guinée-Bissau; PSR5 = Mali; PSR6 = Niger; PSR7 = Sénégal; PSR8 = Togo. - PRO : la production annuelle de la culture. - SUP : la superficie annuelle emblavée pour la culture.La disponibilité des données a été déterminante dans le choix de la formulation de l"équation
de sélection. En effet, en absence d"une mesure spécifique de l"aptitude, on a admis que cettedernière pouvait être captée par les deux variables : la production annuelle de la culture PRO et
la superficie annuelle emblavée pour la culture SUP. La deuxième catégorie de variables jouant
un rôle déterminant sur la probabilité du passage d"un pays pour une culture est représentée par
les variables d"opportunité mesurées notamment par la culture du pays,CVj,PSRi,j= 1,...,5 eti= 1,...,8. Le logarithme des productions et des superficies est expliqué par les variables suivantes : - Exogènes et variant dans le temps(Xk): la production ou superficie (Production =1; Superficie = 0).
- Exogènes et variant dans le temps(Zk): pays (PSR1= 1; PSR2 = 2; PSR3 = 3; PSR4 = 4; PSR5 = 5; PSR6 = 6; PSR7 = 7; PSR8 = 8). - Endogènes et variant dans le temps(¨Xk): culture (CV1 = 1; CV2 = 2; CV3 = 3;CV4 = 4; CV5 = 5 ).
- Endogènes et invariants dans le temps(¨Zk): système politique agricole (Oui = 1;Non = 0).
L"effet individuelαjreprésente ici l"aptitude, qui est corrélé avec la culture d"une part, avec
νd"autre part (voir Chamberlain et Griliches (1975), Griliches (1977), Boumahdi et plassard (1992), Boumahdi et Thomas (1992)). Remarquons que la corrélation entreαj(variable nonobservable) etνapparaît très justifiée. En effet, le passage du niveau de cultureCVk+1àCVk
peut être expliqué par la matrice W (variables d"aptitude et d"opportunité) mais aussi par l"effet
24individuelαk.
Il existe dans différents pays des ensembles de données très complets permettant d"estimer notre
modèle. Par exemple aux Etats-Unis, l"enquête PSID (voir Hausman-Taylor(1981)) permet desétudes économétriques sur des cultures identiques suivis pendant plus de vingt ans dans 20 états.
Malheureusement, dans l"espace UEMOA, l"on ne dispose pas de données aussi complètes. L"une des bases de données les plus exhaustives concernant les cultures vivrières, leurs productionset leurs superficies emblavées est l"enquête de la FAO, qui est réalisée avec des pays différents,
tous les ans. Pour appliquer les méthodes préconisées ci-dessus, nous avons donc construit trois
coupes (1990, 2000, 2010) à partir d"une première coupe (1989) comportant des données réelles.
Les valeurs des variables variant dans le temps ont été simulées pour chaque pays en utilisant
des données statistiques agrégées. L"on disposera donc de quatre coupes instantanées portant sur
les mêmes pays. Les variables devant être simulées sont PRO, SUP et CV (toutes les autres variables sont soit invariantes dans le temps, soit déterministes). Les valeurs du logarithme de la production, PRO de 1960 à 1990 sont calculées en utilisant les taux de croissance annuels de la production en fonction de la superficie et de la culture du pays.Pour les variables SUP et CV, la procédure est la suivante. A partir de statistiques sur les pays,
on calcule tout d"abord les probabilités de changement de culture en utilisant les fréquences correspondantes dans le pays de l"espace UEMOA. De telles fréquences varient bien entendu selon, en particulier, le climat et la politique agricole. Pour chaque pays i et chaque culture susceptible de varier (SUP et CV), nous tirons ensuite une variable aléatoire à partir d"unedistribution uniforme U [0; 1]. La culture du pays d"une année sur l"autre est changée si la valeur
tirée est inférieure à la probabilité théorique correspondant à cette même culture, étant donné
le climat, la politique agricole du pays.Les probabilités de changement de pays (pays non propice à la culture vers pays propice et vice-
versa, variable SUP) sont calculées d"après les données de la FAO en 2013. Nous supposons que la culture, CV, n"est pas modifiée qu"en cas de catastrophe climatique; de plus si un pays abandonne la culture, on suppose qu"il adopte une autre culture durant le reste de la période pour combler le déficit. Les probabilités individuelles correspondantes : Prob[CVit= 1|CVi,t-1= 0]etProb[CVit= 0|CVi,t-1= 1]Des précautions doivent être prises pour empêcher des modifications trop fréquentes de la culture
du pays. Puisque l"on dispose de quatre périodes, il est raisonnable de supposer qu"une caractéris-
tique particulière ne peut changer qu"une seule fois de 1960 à 1990. Une telle procédure est bien
sûr critiquable mais elle est néanmoins utilisée ici pour donner au lecteur une idée des méthodes
et de leur applicabilité, plutôt que des résultats numériques précis.A cet égard, l"on peut s"interroger sur l"effet de la procédure de construction des données simulées
sur les résultats d"estimation. Le fait de simuler des valeurs pour la variable dépendante PRO,
par un argument d"erreur sur les variables, entraîne une sous-estimation des écart-types. En effet,
l"erreur de " mesure » due à la simulation vient s"ajouter au terme d"erreur structurel de notre
modèle, ce qui augmente la variance de la perturbation totale. Comme cet effet n"est pas pris encompte, les écarts-types des paramètres sont sous-estimés. Ce problème ne nous semble pas trop
important, dans la mesure où cette situation est valable pour les trois méthodes décrites (HT,
AM et BMS), et que notre objectif est de comparer ces trois dernières. En ce qui concerne lesrégresseurs, les variables PRO et PRS ne sont pas corrélées avec l"effet individuel, puisqu"elles
sont exogènes dans le modèle. Leur estimation ne devrait donc pas avoir un effet trop néfaste sur
25la comparaison entre les deux instruments. Notons que l"objectif majeur de cette application empirique, sur le calcul des prix des cultures
vivrières, est de montrer le gain efficace potentiel lié à l"utilisation des différents instruments
pour traiter la covariance entre les effets individuels et certaines variables explicatives.L"échantillon utilisé comprend des actifs. Dans ce qui suit, on considèrera l"estimation. Les ré-
sultats figurent dans le tableau 1 de tous les régimes.Le tableau 2 donne les résultats d"estimation de l"équation de sélection. A partir de ces estima-
tions, le rapport est aisément calculé; il sera utilisé plus tard comme régresseur dans l"équation structurelle. La matriceWsera également nécessaire, pour le calcul de la matrice de variance- covariance.Les valeurs qui ont un coefficient négatif sont significatives; par conséquent, les pays dont la poli-
tique agricole est faible, toutes choses égales par ailleurs, la probabilité de passage à une culture.
Les variables d"opportunité donnent elle aussi des résultats cohérents avec ce que l"on était en
droit d"attendre. Les pays à bonne politique agricole ont un effet positif sur la production parcontre les pays à politique agricole faible ont un effet positif sur la superficie. Ce groupe de pays
utilise plus de superficie pour compenser leurs productions afin d"obtenir un gain à la culture.L"estimation de l"équation de sélection permet de calculer le ratio de Mill utilisé ensuite comme
variable explicative dans l"équation structurelle du régime (équation 17). L"étape suivante consiste à calculer les variancesσ2α ketσ2εquotesdbs_dbs5.pdfusesText_10[PDF] exercices corrigés sur les modèles ? équations simultanées
[PDF] économétrie équations simultanées
[PDF] double moindre carré ordinaire
[PDF] équations simultanées stata
[PDF] méthode des variables instrumentales
[PDF] la question démographique et l'inégal développement 5e
[PDF] cours système d'exploitation linux pdf
[PDF] activités apc ce2
[PDF] cours systeme d'exploitation 2
[PDF] cours systeme d'exploitation 3eme année informatique
[PDF] comment installer un système d exploitation sur un pc
[PDF] comment installer un système dexploitation avec une clé usb pdf
[PDF] la peau de chagrin questionnaire
[PDF] cours de systeme d'exploitation windows 7 pdf