Macroeconomic study using panel data
Les données de panel sont mélanges entre données en coupes
transversles (cross sectional) et données temporelles (Time series)
données en coupes
transversles (cross
données de sectional) cross sectional-
panel Time series data
données
temporelles (Time
series)
Exemple de données de panel
Inflation, prix à la Importations de
PIB ($ US
consommation marchandises ($ US
courants)
(% annuel) courants)
i date period country INF PIB m
1 1990 1 Algeria 16,65 62,05 9,77
1 1991 2 Algeria 25,89 45,72 7,77
2 1990 1 Tunisia 31,67 48,00 8,31
2 1991 2 Tunisia 20,54 49,95 8,79
3 1990 1 Egypt 29,05 42,54 9,15
3 1991 2 Egypt 29,78 41,76 10,10
• Les données de panel sont des observations relatives
aux mêmes individus (entreprises, ménages,
salariés, ...) à des périodes successives.
• Elles possèdent les deux dimensions :
– Temporelle : longitudinale
– Individuelle : transversale
• Données comportementales, collectées
systématiquement voire automatiquement
panel statique et dynamique
Les données de panel statique et dynamique font référence à des types d'observations dans
le cadre de l'analyse de données de panel. Les données de panel (ou données longitudinales)
sont collectées sur plusieurs unités (individus, entreprises, pays, etc.) et sur plusieurs périodes
de temps.
1. Données de Panel Statique
Les données de panel statique se réfèrent à des ensembles de données où les relations entre
les variables sont supposées constantes dans le temps, c'est-à-dire qu'il n'y a pas de dynamique
temporelle dans les modèles. Dans ce cas, les variables explicatives et dépendantes sont
observées à un instant donné ou sont agrégées sur toute la période d'étude, sans prendre en
compte les effets d'historique ou de changement au fil du temps.
Exemple : Si vous avez un ensemble de données de panel pour des entreprises avec
des variables comme la taille de l'entreprise, les profits et les investissements, une
analyse statique pourrait explorer les relations entre ces variables en ignorant l'effet du
temps.
Méthode d'analyse : Les modèles les plus courants sont le modèle à effets fixes ou à
effets aléatoires, où on cherche à capturer des relations constantes entre les variables
explicatives et la variable dépendante sans prendre en compte les effets d'évolution
temporelle.
2. Données de Panel Dynamique
Les données de panel dynamique prennent en compte l'évolution temporelle des variables et
permettent d'étudier des phénomènes où les observations passées influencent les
comportements futurs. Les modèles dynamiques intègrent l'effet des valeurs passées de
certaines variables explicatives ou de la variable dépendante sur les valeurs futures,
permettant ainsi une analyse plus riche des mécanismes temporels et des trajectoires
évolutives.
Exemple : Si l’on analyse les performances économiques d’une entreprise sur
plusieurs années, un modèle dynamique pourrait prendre en compte l’impact des
performances passées sur les performances futures (ex. : les profits d’une année
influencent ceux de l'année suivante).
Méthode d'analyse : Les modèles dynamiques incluent des variables retardées
(comme les rendements passés, les stocks de capital, etc.) dans l'équation d'estimation.
Par exemple, les modèles comme le modèle à effets fixes dynamiques ou le modèle
GMM (Generalized Method of Moments) sont couramment utilisés dans l'analyse de
panel dynamique.
Différences clés entre panel statique et dynamique :
Temporalité : Le panel statique ne prend pas en compte l'effet du temps de manière
explicite (au moins, pas d'interaction entre les variables à différents moments), tandis
que le panel dynamique tient compte de l'évolution temporelle des variables.
Structure du modèle : Le modèle statique s'intéresse aux relations contemporaines
entre les variablesjk ;, alors que le modèle dynamique inclut des variables retardées
pour capturer l'impact des événements passés sur les résultats futurs.
Application : Le panel statique est plus adapté lorsque l'on s'intéresse aux effets fixes
ou aléatoires indépendants du temps. Le panel dynamique est utilisé quand le
processus d'évolution temporelle ou les effets d'inertie sont cruciaux pour comprendre
les comportements étudiés.
Molélisation avec stata
Inf=f(pib, m, m2, tcr, oilprice)
Descriptive statistic
summarize inf pib m m2 tcr oilprice
by country, sort : summarize inf pib m m2 tcr oilprice
Correlation matrix
Corr
Graph
xtline pib (graphs séparés)
xtline pib, overlay (graph avec les trois pays)
stationarity
LLC= Levin-Lin-Chu unit-root test
xtunitroot llc inf
Adjusted t* -0.9730 accept Ho 0.1653>0,05 (non-stationary)
IPS= Im-Pesaran-Shin unit-root test
Z-t-tilde-bar -4.5174 0.0000 < 0,05 reject for Ho (stationary)
Hariz-Travalis
Fisher type
Hadri LM staionary (algérian)
Lag leight crieteria
forval i = 1/3 {
ardl inf pib m m2 tcr oilprice if (i==`i'), maxlag(2 2 2 2 2 2)
matrix list e(lags)
di
}
e(lags)[1,6]
inf pib m m2 tcr oilprice
r1 1 1 0 2 0 0
e(lags)[1,6]
inf pib m m2 tcr oilprice
r1 1 1 0 2 0 0
e(lags)[1,6]
inf pib m m2 tcr oilprice
r1 1 2 2 0 0 0
e(lags)[1,6]
inf pib m m2 tcr oilprice
r1 1 0 0 1 0 0
LAG LENGHT MIN
inf pib m m2 tcr oilprice
r1 1 0 0 0 0 0
PANEL ARDL ESTIMATION
mean group MG
xtpmg [Link] [Link] d.m d.m2 [Link] [Link] , lr([Link] pib m m2 tcr
oilprice ) ec(ect) replace mg
Pooled mean group PMG
xtpmg [Link] [Link] d.m d.m2 [Link] [Link] , lr([Link] pib m m2 tcr
oilprice ) ec(ect) replace pmg
Dynamic fixed effect DFE
xtpmg [Link] [Link] d.m d.m2 [Link] [Link] , lr([Link] pib m m2 tcr
oilprice ) ec(ect) replace dfe
hausman test to choice between the three methods
hausman mg pmg
hausman mg DFE
hausman DFE pmg