Standardisation des données :
La conversion des données vers un format standard et normalisé afin d’être exploitées et
étudiées uniformément. En utilisant la formule suivante :
X ij
x ij = (i indice temporel j indice individuel)
σj
Avec : x i sont les données standardisées de moyenne µi et un écart type de 1.
Test de présence des effets individuels
La statistique de Fisher est supérieure à celle de la table. Autrement, la p-value est
inférieure à 5%, donc on ne rejette pas l’hypothèse nulle de l’absence des effets individuels ui.
La statistique de Fisher est calculée automatiquement par le logiciel Stata à l’estimation du
modèle à effet fixe.
Le modèle à effets fixes
Le modèle suppose que les relations entre les variables explicatives et la variable
expliquée sont identiques pour tous les individus, soit pour notre cas :
On présente dans ce point le modèle retenu, le taux de croissance du PIB comme
variable endogène expliquée en fonction de l’espérance de vie à la naissance et la FBC et la
population active.
On signale que l’estimation du modèle est réalisée à l’aide du logiciel R
log (Taux de croissance ¿ )=log(Esperance de vie¿ )+α log(FBC ¿ )+ β log (PopActive¿ )+ε ¿
Estimation within :
Figure 1 : Sortie à l'aide du logiciel R
La p-value associée au test de Fisher vaut 2.22e-16, cela veut dire que le modèle est
statistiquement bon. Concernant les coefficients du modèle, on constate que le coefficient de
régression de toutes les variables explicatives est significatif au niveau de 5%.
Le modèle à effets aléatoire
Le terme constant spécifique à l’individu i est aléatoire. Il se décompose en un
terme fixe et un terme aléatoire qui permet de contrôler l’hétérogénéité
individuelle. En
regroupant les termes aléatoires du modèle, on obtient une structure à erreurs
composées.
Soit : 𝒂𝒊 = 𝜶 + 𝝁𝒊
Le modèle s’écrit donc de la manière suivante :
On signale que le modèle suppose que l’effet temporel est nul.
Estimation par la méthode MCG:
Figure 2 : Sortie à l'aide du logiciel R
Le modèle à effets aléatoires estimé par la méthode des moindres carrés généralisé.
D’après les p-values du test, on constate que la variable FBC et la constante sont
significativement différent de Zéro au niveau de confiance de 5%.
Test de Breusch-Pagan
On cherche à examiner la signification d’une structure à erreurs composée.
Le test d’hypothèse s’écrit :
Figure 3 : Sortie à l'aide du logiciel R
La p-value associée au test est très faible, donc on rejette l’hypothèse nulle d’absence
d’une structure composée. Ainsi, l’estimateur adéquat est celui OLS
Le Test de Hausman
Ce test permet de choisir le modèle le plus adéquat entre un modèle à effets fixes et
un modèle à effets aléatoire.
Test d’hypothèse :
La probabilité du test de Hausman est inférieure au seuil de 10%, on rejette l’hypothèse
H0. On doit donc privilégier l’adoption d’un modèle à effets fixe.
Figure 4 : Sortie à l'aide du logiciel R
Vérification des hypothèses
Test d’hétéroscédasticité
On cherche à tester l’hypothèse nulle : Homoscédasticité, contre l’hypothèse
alternative d’hétéroscédasticité.
Figure 5 : Sortie à l'aide du logiciel R
La p-value du test est inférieure au niveau de confiance de 5%, donc on
rejette l’hypothèse nulle d’homoscédasticité.
Test d’autocorrélation des erreurs
Le test de Breusch-Godfrey est fondé sur un test de Fisher de nullité de coefficient, on
test l’hypothèse nulle H0 : ρ=0
H1 : ρ ≠ 0
Figure 6 : Sortie à l'aide du logiciel R
La statistique de Durbin-Watson est valable pour AR(1), donc on ne rejette pas H0 « il
n’y a pas d’autocorrélation des erreurs ».
Test Figure 7 : Sortie à l'aide du logiciel R
de normalité des résidus
Ce test cherche à déterminer si des résidus suivent une loi normale. On a le test d’hypothèse :
Test de Jarque-Bera
Figure 8 : Sortie à l'aide du logiciel R
D’après le test de Jarque-Bera, la p-value de test est inférieure au niveau de confiance de 5%,
donc on rejette l’hypothèse nulle. Donc, les résidus ne suivent pas une loi normale.
Pour la correction de ces problèmes nous allons avoir recours à l’estimation robuste
Estimateurs d'erreur standard robustes
La correction de l’hétéroscédasticité :
Il s’agit d’un estimateur insensible aux déviations, aux erreurs et aux écarts dûs à une non-
conformité aux hypothèses sous-jacentes à un modèle probabiliste.
Test de signification robuste, cluster par groupe :
Figure 9 : Sortie à l'aide du logiciel R
Test de signification robuste, cluster par période :
Figure 10 : Sortie à l'aide du logiciel R
Nous constatons d’après les deux estimations que toutes les variables sont significativement
non nulles au niveau de confiance de 5%, et la minimisation de l'écart-type de la distribution
(théorique) « erreur standard ».
La correction de l’autocorrélation des erreurs :
La fonction estime des modèles linéaires sur les données de panel en présence d'une
autocorrélation de type AR (1) ainsi que d'une hétéroscédasticité de panel et / ou d'une
corrélation contemporaine.
Premièrement, l'autocorrélation de type AR (1) est traitée via une procédure en deux étapes
généralisées réalisables par Prais-Winsten (FGLS), où les coefficients d'autocorrélation
peuvent être spécifiques au panel. Par la suite, on peut choisir d'implémenter des erreurs
standard robustes.
L’estimation s’est faite à l’aide du package ‘panelAR’ sous Rstudio.
Conclusion :
D’après le résultat de l’estimation après la correction de la matrice variance-covariance nous
constatons que l’espérance de vie à la naissance et la population active ont un impact positif et
significatif sur le PIB.
La variable Formation brut de capital est statistiquement n’a pas d’impact sur le PIB au
niveau de confiance de 5%.
L’effet de l’espérance de vie à la naissance et plus important par rapport à celui de la variable
population active, toutes choses égales par ailleurs.
En guise de conclusion, nous constatons que pour les pays à revenu élevé, sous la forme de la
fonction Cobb-Douglas, l’espérance de vie à la naissance explique statistiquement et
significativement la croissance économique.