3.2.2. Spécification du
processus générateur des données
Il s'agit de voir si la structure du panel est parfaitement
homogène ou partiellement hétérogène.
Tableau 2 :
Résultat du test d'homogénéité du
panel
|
Test de HSIAO
|
|
F1
|
F2
|
F3
|
|
Statistic
|
Pvalue
|
Statistic
|
Pvalue
|
Statistic
|
Pvalue
|
|
2.6644778
|
0.00001706
|
1.5537905
|
0.04198282
|
7.3044916
|
1.442e-07
|
Source: construit à partir des
résultats de la régression
Les résultats du test de Hsiao (1986) tableau 2 nous
montrent que nous sommes en présence d'un modèle à effets
individuels, car les probabilités critiques des tests de Fisher sont
toutes inférieures à 5%. La question qui se pose est celle de
savoir comment ces effets individuels doivent être
spécifiés. On doit alors savoir s'il faut opter pour le
modèle à effets fixes ou le modèle à effets
aléatoires.
3.2.3. Étude des effets
individuels
Tableau 3 :
Tests de spécification et de présence
d'effets
|
Likelihood Ratio test
|
Breusch et Pagan (LM test)
|
Hausman test
|
|
Statistic
|
Pvalue
|
Statistic
|
Pvalue
|
Statistic
|
Pvalue
|
|
7.35
|
0.0000
|
0.00
|
1.0000
|
22.69
|
0.0001
|
Source: construit à partir des
résultats de la régression
Au regard des résultats de LikelihoodRatio test du
tableau3,il ressort que la probabilité de la statistique de Fischer
calculée est inférieure à 5 %. Par conséquent,
l'hypothèse H0 est rejetée, le modèle à effets
fixes est plus approprié.
En revanche, pour le test de Breusch et Pagan, la
probabilité de la statistique de Chi2(1) est supérieure à
5 %.On accepte l'hypothèse nulled'absence d'effets
aléatoires.
Le test d'Hausman (1978) nous permet de discriminer entre le
modèle à effets fixes et le modèle à effets
aléatoires. Les résultats de ce test (tableau3) montrent que la
probabilité critique de la statistique du test est inférieure
à 5 %. On rejette H0, par conséquent le modèle à
effets fixes est plus adapté.
Pour ce modèle, nous pouvons ainsi appliquer
l'estimateur «within » qui permet d'estimer sans biais, le
modèle à effets fixes. Cependant, la condition nécessaire
pour appliquer cet estimateur est qu'il faut absolument que les erreurs soient
homoscédastiques et non autocorrélées. Il nous faut donc
d'abord effectuer le test d'hétéroscédasticité et
d'autocorrélation des erreurs du premier ordre pour s'assurer de la
validité de cet estimateur.
3.2.4. Vérification des
conditions de validation de l'estimateur within
Cette vérification nous permet d'utiliser un MCG au cas
où les conditions de l'estimateur « within »ne seraient
pas remplies.
Tableau 4:
Résultats du test d'homoscédasticité et
d'autocorrélation
|
Wald test
|
Wooldridge test
|
|
Statistic
|
Pvalue
|
Statistic
|
Pvalue
|
|
2700.46
|
0.0000
|
1.232
|
0.3038
|
Source: construit à partir des
résultats de la régression
Les résultats du tableau 4 portant sur le test de Wald
nous montrent qu'il y a présence
d'hétéroscédasticité, car lap-valuede ce test est
inférieure à 5 %. Quant au test d'autocorrélation, les
résultats du test de Wooldridgedu tableau4, montrent que la pvalue est
supérieure à 5%. Par conséquent, il y a absence
d'autocorrélation des erreurs.
À l'issue de ces deux tests, nous pouvons dire que, les
termes erreurs sont hétéroscédastiques et non
autocorrélées. À présent, l'estimateur le plus
adapté pour résoudre le problème
d'hétéroscédasticité est l'estimateur des «
MoindresCarrésGénéralisés ».
| 
