MODULE III

MODELE A EFFETS ALEATOIRES

TALNAN EVRARD
1
INTRODUCTION

Les deux modules précédents ont mis en évidence l’un des intérêts essentiels des données de
panel, qui tient au fait que leur double dimension permet d’isoler l’influence des facteurs
inobservables. Dès lors que ceux-ci sont stables dans le temps, on peut les représenter par des
effets individuels spécifiques. C’est l’hypothèse faite sur ces effets spécifiques qui différencie
fondamentalement le modèle à erreurs composées du modèle à effets fixes étudié dans le
module précédent. On suppose ici que les effets spécifiques sont aléatoires. Tenir compte de
ces effets, lorsqu’ils existent, permet alors d’améliorer la précision des estimations et garantit
une évaluation correcte de la variance des coefficients estimés. L’une des hypothèses
cruciales de ce modèle est l’absence de corrélation entre ces effets individuels et les variables
explicatives. L’avantage de ce modèle est que le nombre de paramètres est considérablement
réduit. L’inconvénient est la non-convergence éventuelle des estimateurs.

I. Le modèle

Le modèle élémentaire à erreurs composés, encore appelé modèle à erreur aléatoire s’écrit :

En posant , on a :

La perturbation est donc composée de deux éléments et , d’où la dénomination du

modèle ; représente l’effet individuel (qui n’est constant ici, mais aléatoire), rendant
compte de l’influence sur des variables non prises en compte, dès lors que celles-ci sont
stables dans le temps ; représente l’influence des autres variables omises, variant d’un
individu à un autre mais aussi dans le temps. Les variables explicatives du modèle sont
supposées strictement exogènes et les deux composantes de la perturbation vérifient les
hypothèses suivantes :

et

2
Dans ce modèle, les spécificités individuelles inobservées n’affectent pas l’espérance
conditionnelle de la variable endogène mais appariassent au niveau de sa variance. En effet,
compte tenu des hypothèses posées, on a :

et

L’existence des effets individuels spécifiques conduit donc à une autocorrélation temporelle
des perturbations, « individu par individu ». On peut noter que, contrairement à l’hypothèse
souvent faite lorsqu’on travaille sur séries temporelles, l’autocorrélation est ici constante :
quel que soit le nombre de périodes qui séparent deux perturbations d’un individu, leur
covariance est égale à . Par contre il n’existe aucune corrélation entre individu.

En empilant les données pour un individu on peut écrire :

y  X i .   i
i
(T ,1) (T , k 1) ( k 1,1) (T ,1)

yi   yi1 , yi 2 ,..., yiT  ' représente le vecteur des observations de la variable endogène pour
l’individu ; X i la matrice des observations des variables explicatives (y compris la
constante) et  i le vecteur des perturbations pour ce même individu. Compte tenu des
hypothèses posées précédemment, ce vecteur a les propriétés suivantes :

E ( n / x1i , x2i ,..., xki )  0, n

V ( n / x1i , x2i ,..., xki )  A, n

avec

 u2   w2  u2 ...  u2

 
  u2  u2   w2 ...  u2
   2I  2J
A 
(T ,T )  . . ... . 
w T u T

 
  u  u2 ...  u2   w2 
2

3
où I T est la matrice identité d’ordre et J T est une matrice composée uniquement
de 1.

La forme de cette matrice montre bien que la présence de l’effet individuel dans la
perturbation conduit à une autocorrélation temporelle des perturbations, autocorrélation dont
l’ampleur est indépendante du nombre de périodes séparant deux observations.

En empilant l’ensemble des observations individu par individu, on peut réécrire le modèle
sous forme matricielle :

y  X .   
( NT ,1) ( NT , k 1) ( k 1,1) ( NT ,1)

avec

E ( / x1 , x2 ,..., xk )  0.
V ( / x1 , x2 ,..., xk )   w2 

où

 E11' E  ' ... E  ' 

 A 0 ... 0 
  
1 2 1 N


 E 21' E  ' ... E  ' 
 0 A ... 0 
 w2    . 
2 2 2 N

. ... .    . . ... . 
 
 . .   . . ... . 
( NT , NT )
. ...
 
 E N 1' E ... E  '   0 0 ... A
N 2 N N 
'

 I N  A   w2  I NT  ( u2 /  w2 )( I N  JT ) 


Soit, en utilisant les notations des opérateurs inter et intra-individuels :

V     w2 WN  (( w2  T u2 ) /  w2 ) BN 

avec WN  I NT   I N  JT / T  et BN  I N  JT / T .

La nullité de tous les blocs situés en dehors de la diagonale de  traduit l’hypothèse

d’absence de corrélation entre individus.

Le modèle à erreurs composés apparait donc comme un modèle de régression dont les
perturbations exhibent une forme particulière d’autocorrélation. Il en résulte que l’estimateur
des Moindres Carrés Ordinaires (MCO), bien que sans biais et convergent, n’est pas le
meilleur estimateur sans biais du vecteur des coefficients. De plus, on sait également que
dans ce cas, l’estimateur des MCO de la variance  w2 des perturbations est biaisé et non
convergent.
4
En supposant connue la matrice  , le meilleur estimateur linéaire sans biais des paramètres
du modèle est Moindres Carrés Généralisés (MCG).

II. L’estimateur des MCG

2.1. Définition

De façon générale, l’estimateur des MCG du modèle a effets aléatoires est défini par :

ˆMCG  ( X '1 X )1 X '1 y

Compte tenu de la structure particulière de la matrice  (on admettra que

 
   w2W   w2  T u2 B )1, cet estimateur peut se réécrire :

ˆMCG  ( X 'WN X   X ' BN X )1 ( X 'WN y   X ' BN y)

où et sont les opérateurs intra-individuel et inter-individuel et :

L’estimateur des MCG combine donc les variabilités inter et intra-individuelles des
observations. Il peut s’interpréter comme la combinaison optimale de ces deux composantes
de la variabilité des observations. En d’autres termes, la valeur de qui maximise la variance
de l’estimateur

ˆ ( )  ( X 'WN X   X ' BN X )1 ( X 'WN y   X ' BN y )

est égale à .

Par ailleurs, la mise en œuvre de cet estimateur est assez simple. En effet, comme tout
estimateur des MCG, il peut s’obtenir comme l’estimateur des MCO appliqué au modèle
transformé suivant :

1/ 2 y  1/ 2 X   1/ 2 ,

soit :

yit  (   1) yi.   X it  (   1) X i.     it  (   1) i. .

1
A démontrer si besoin.
5
2.2. Propriétés

Compte tenu des hypothèses posées, l’estimateur des est sans biais et efficace. Sa
variance est donnée par :

V ( ˆMCG )   w2 ( X 'X ) 1
 w2
  w2 ( X 'WN X  X ' BN X ) 1
  T
2
w
2
u

Si, de plus, les perturbations suivent une loi normale, l’estimateur des suit une loi
normale donnée par :

 w2
ˆ ~ N (  ,  ( X WN X 
2 '
X ' BN X ) 1 )
  T
MCG w 2 2
w u

Par ailleurs, l’estimateur des est convergent lorsque tend vers l’infini, fini, dès lors
que les hypothèses précédentes sont vérifiées (absence d’autocorrélation et hétéroscédasticité)
et que les matrices de variances-covariances des variables explicatives sont données à la fois
dans la dimension intra-individuelle et la dimension inter-individuelle :

X ' BX N 
  BxxN , matrice définie positive.
N

X 'WX N 
  WxxN , matrice définie positive.
N

Si, de plus, les perturbations et sont toutes deux indépendantes et équidistribuées,

l’estimateur des MCG est asymptotiquement efficace et sa distribution (lorsque ) est
normale :

n (ˆMCG   ) ~ N (0,  w2 (WxxN   BxxN )1 )

De même, sous les hypothèses adaptées des précédentes, l’estimateur des MCG est
convergent et asymptotiquement efficace pour et tendant vers l’infini et sa distribution
asymptotique est donnée par :

n (ˆMCG   ) ~ N (0,  w2 (WxxN )1 )

avec

X 'WX
WxxN  lim , matrice définie positive.
N ,T  NT

6
En effet, lorsque tend vers l’infini, tend vers 0. On en déduit donc que la matrice de
variances-covariances de cet estimateur ne dépend dans cette configuration que de la
variabilité intra-individuelle des régresseurs.

L’estimateur des MCG jouit donc de très bonnes propriétés, tant à distance finie
qu’asymptotiquement. Malheureusement, cet estimateur n’est pas réellement un dans la
mesure où il dépend de paramètres inconnues, à savoir les variances et qui
interviennent dans la quantité . En d’autres termes, l’estimateur des
ne peut être calculé. Il faut dans un premier estimer les variances et pour en déduire
l’estimateur de . La substitution de cette estimation à la vrai valeur (inconnue) de permet
de calculer ce qu’il est convenu d’appeler l’estimateur des Moindres Carrés Quasi-Généralisés
(MCQG).

III. L’estimateur des MCQG

3.1. Définition

L’estimateur des MCQG est similaire à ceci près que l’on remplace la matrice  inconnue
par une estimation convergente :

ˆMCQG  ( X '
ˆ 1 X )1 X '
ˆ 1 y

 ( X 'WN X  ˆ X ' BN X ) 1 ( X 'WN y  ˆ X ' BN y)

avec

La mise en œuvre de cette méthode nécessite donc de disposer d’estimations des variances
inconnues et .

3.2. L’estimation des variances

Il existe différentes façons d’estimer les variances et . Toutefois, la solution la plus

souvent retenue est celle proposée par Swamy et Arora (1972). Elle consiste à utiliser les
variances estimées des résidus des régressions intra-individuelle et inter-individuelle.

Considérons tout d’abord la régression dite intra-indivdiduelle, i.e. la régression des sur
les variables exprimées en écarts aux moyennes individuelles :

7
soit, sous forme matricielle,

Dans ce modèle,

La matrice des variances-covariance n’est pas scalaire, cependant, l’estimateur des est
néanmoins pour le modèle intra-individuel, le meilleur estimateur linéaire sans biais de . Par
conséquent, l’estimateur naturel de la variance est donné par :

où
ˆw  WN y  WN X ˆw =(WN  WN X ( X 'WN X ) 1WN y
=(WN  Pwx ) y  M wx y.

n’est autre que le résidu estimé de la régression intra-individuelle.

Il est facile de montrer que cet estimateur est sans biais. En effet,

où est le nombre de régresseurs du modèle précédent. Par conséquent : .

En procédant de façon analogue à ce qui vient d’être fait, on peut montrer que la variance
résiduelle estimée de la régression inter-individuelle, c’est-à-dire l’application des MCO au
modèle :

permet d’obtenir une estimation sans biais et convergente de . En effet, soit

le résidu estimé de la régression inter-individuelle (calculée sur
observations), on peut montrer que l’on a :

Si, par contre, la régression est effectuée sur un échantillon constitué de moyennes
individuelles, c’est-à-dire si l’on estime le modèle

La variance résiduelle donne alors directement un estimateur sans biais de :

8
Un estimateur sans biais de peut se déduire simplement de ces estimations :

3.3. Propriétés

Comme tout estimateur des , l’estimateur des du modèle à erreurs composées

est, sauf à faire des hypothèses supplémentaires, biaisé :

E ( ˆMCQG )  E ( X '

ˆ 1 X ) 1 X '
ˆ 1 y 

ˆ 1 X ) 1 X '
= +E ( X ' ˆ 1   


En effet, le caractère aléatoire de la matrice ̂ et le fait qu’elle n’est pas évidemment

indépendantes de , font qu’il n’est pas possible de montrer la nullité du second terme de
l’espérance de ˆMCQG .

Toutefois, Taylor (1980) a montré que lorsque les perturbations sont normalement distribuées,
ˆMCQGest sans biais dès lors que les variances et sont estimés à partir des régressions
inter et intra-individuelles et si et .

De même, il n’est pas possible de déterminer en toute généralité la variance à distance finie de
l’estimateur des de .

Ainsi, de façon assez classique, l’estimateur des ne jouit pas de très bonnes propriétés
asymptotiques à distance finie. Toutefois, ses propriétés asymptotiques sont, au moins dans
certaines configurations, plus satisfaisantes. Dès lors que l’échantillon utilisé pour les
estimations est de grande taille dans la dimension individuelle, la mise en œuvre de
l’estimateur des conduit donc à des estimations ayant de bonnes propriétés, pour
autant que les hypothèses nécessaires soient vérifiées.

IV. Tests

Deux tests simples sont proposés ici : le test des effets aléatoires, et le test de spécification de
Hausman.

4.1. Tests des effets aléatoires

Breusch et Pagan (1980) ont proposé un test du multiplicateur de Lagrange (LM), fondé sur
les résidus , pour estimer le modèle à effets aléatoires. Pour

9
La statistique du test est
2
 n T 
2
  n 
2

    ˆit  T  i.  
nT  

2
ˆ
nT  i 1  i 1  
LM  1   i 1
 1
2(T  1)  n T ˆ 2  2(T  1)  n T ˆ 2 
   it     it

 i 1 i 1   i 1 i 1

Sous l’hypothèse nulle, suit un Chi-deux à un degré de liberté. Par conséquent, lorsque
cette statistique est supérieure à 3,84 (au seuil de 5%), on rejette l’hypothèse nulle d’absence
d’effets spécifiques. Dans le cas contraire, on accepte cette hypothèse.

4.2. Test de spécification de Hausman pour le modèle à effets aléatoires

Quel modèle utiliser, celui à effets fixes ou celui à effets aléatoires ? D’un point de vue
pratique, le modèle à effets fixes est coûteux en termes de pertes de degrés de liberté.
Cependant, l’hypothèse du modèle à effets aléatoires qu’il n’y a pas de corrélation entre les
effets individuels et les autres régresseurs est peu justifiée. L’approche des effets aléatoires
peut alors poser un problème de non-convergence à cause de la corrélation entre les variables
et l’effet aléatoire. Intuitivement, on voit donc qu’il est possible de tester l’absence de
corrélation des effets individuels avec les régresseurs en comparant les estimateurs obtenus
par ces deux méthodes.

Hausman (1980) a proposé un test d’hypothèse d’application générale exploitant cette idée.
Supposons que l’on souhaite tester une hypothèse et que l’on dispose de deux estimateurs
et ; étant convergent sous et sous et étant convergent et asymptotiquement
efficace sous mais non convergent sous . Hausman a montré, que sous , la quantité

suit asymptotiquement, lorsque , une loi de Chi-deux à degrés de liberté.

Ainsi, pour tester l’absence de corrélation entre les effets individuels et les régresseurs, on
peut, en supposant que le modèle estimé ne comporte pas d’autre erreur de spécification,
choisir l’estimateur intra-individuel pour et l’estimateur des pour :

Si est supérieure au fractile de le loi de Chi-deux à (soit ) degrés de liberté, on

rejette c'est-à-dire on ne peut accepter l’hypothèse d’absence de corrélation des effets
individuels avec les régresseurs ; sinon on accepte .
10
V. Bref aperçu sur les panels dynamiques

Le recours aux modèles dynamiques est nécessaire lorsque l’on veut modéliser des
phénomènes faisant référence aux anticipations, à l’existence de coûts d’ajustement, des
comportements liés à l’habitude. Dans la classe des modèles dynamiques, les modèles de type
autorégressif, c'est-à-dire comportant une ou plusieurs valeurs retardées de la variable
endogène parmi les variables explicatives occupent une place particulière. Une extension de
ces modèles peut être faite aux données de panel : les panels dynamiques. Sans rentrer dans
les détails nous présentons ici la forme générale des modèles dynamiques sur données de
panel.

Le modèle dynamique à effets fixes s’écrit :

où correspond à l’effet fixe individuel. Les autres notations restent identiques.

L’estimateur des de ce modèle n’est rien d’autre que l’estimateur intra-individuel, qui
s’obtient en appliquant les au modèle suivant (variables centrées sur les moyennes
individuelles) :

Par définition même du modèle autorégressif, il existe des corrélations entre et

(puisque ) entre et comme entre et , corrélation qui
induisent un biais pour l’estimateur intra-individuel.

Dans la littérature sur les panels dynamiques, un certain nombre d’estimateurs sont proposés,
qui présentent des propriétés plus ou moins bonnes : l’estimateur d’Anderson et Hsiao (1982),
l’estimateur d’Arellano et Bond (1992), et l’estimateur de Blundell et Bond (1998). Nous ne
présenterons pas ces différents estimateurs ici.

VI. Systèmes d’équations : le modèle de régressions apparemment

indépendantes (SUR)

Dans la modélisation sur données de panel décrite précédemment, on suppose une

homogénéité des comportements pour tous les individus, qui se distinguent par la présence
d’effets fixes ou aléatoires. Dans le cadre des systèmes d’équations de régression
apparemment indépendantes ou seemingly unrelated regressions ( ), on observe une

11
hétérogénéité parfaite au niveau de tous les coefficients des individus, qui cependant sont
caractérisés par une corrélation des perturbations. La prise en compte de cette corrélation
entre les perturbations apporte de l’information supplémentaire et permet d’améliorer la
qualité des régressions, par rapport à une situation où cette spécificité est omise. Un exemple
très simple pour illustrer cette situation :

La décision d’investissement d’une firme ( ) dépend du profit anticipé ( ) et du stock de

capital de remplacement ( ) :

Cependant les perturbations incorporent des facteurs communs à toutes les firmes, tels que la
situation générale de l’économie, ainsi que les facteurs spécifiques à chaque firme.

Le modèle SUR

Le modèle de régressions apparemment indépendantes se présente sous la forme suivante :

où

et

On suppose que observations sont utilisées pour l’estimation des paramètres de

équations. On suppose que les perturbations ne sont pas corrélées entre observations. En
conséquence,

La structure générale de la perturbation est donc :

Les Moindres Carrés Généralisés (MCG)

Les équations individuelles peuvent être estimées de manière convergente par la méthode des
. Toutefois la régression généralisée s’applique aux données empilées :

12
  y1   X 1 0 . . . 0   1   1 
y   0 X2 . . . 0    2    2 
 2 
 .   .  .   . 
        X 
 .   .  .   . 
 .   .  .   . 
      
 yN   0 0 . . . X N    N   N 

En conséquence, l’estimateur efficace est l’estimateur des . Le modèle présente une

forme particulière convenable. Pour l’observation , la matrice de covariance des
perturbations est :

  11  12 . . .  1N 
 . . .  2 N 
 21  22
 . 
 
 . 
 . 
 
 N 1  N 2 . . .  NN 

donc

    I et  1   1  I

L’estimateur des est :

ˆ   X '1 X  X '1 y   X '  1  I  X  X '  1  I  y

1 1

Cet estimateur est bien différent de celui des . Les équations sont seulement liées par
leurs perturbations, d’où le terme de régressions apparemment indépendantes.

Cependant, comme  est généralement inconnu, on procède à l’estimation de  à l’aide des

résidus provenant des moindres carrés ordinaires. D’où l’estimation du modèle SUR à l’aide
des Moindres Carrés Quasi Généralisés (MCQG).

VII. Estimation des données de panel en présence de racines unitaires

Toutes les spécifications réalisées jusqu’ici reposent sur une hypothèse fondamentale : la
stationnarité des variables utilisées. Toutefois, il est très fréquent de constater que de
nombreuses variables macroéconomiques sont non-stationnaires sur données de panel. Dans
ce cas, tous les estimateurs précédemment étudiés deviennent inadaptés. Que faire dans ce cas
de figure ? Bien que l’objet de ce module n’ait pas pour objectif de réaliser une étude sur
données de panel en cas de non stationnarité des variables, la démarche traditionnelle utilisée
est la suivante :
13
 Avant de réaliser les estimations sur données de panel, s’assurer des principales
caractéristiques des données, en particulier la stationnarité : les tests les plus fréquents
sont :
o Le test de Levin et Lin (1993, 2002) ;
o Le test de Im, Pesaran et Shin (2003) ;
o Le test de Maddala et Wu (1999) ;
o Le test de Pesaran (2005).

 Si les séries sont non stationnaires, il faut réaliser les tests de cointégration afin de
détecter l’existence de relation de long terme entre les variables. Le test le plus utilisé
est celui de Pedroni (1999).

 En cas de cointégration entre les variables, estimer une relation de cointégration entre
les variables à l’aide des méthodes suivantes :
o Les Dynamic OLS (DOLS) ;
o Les Fully Modified OLS (FMOLS) ;
o Les Pool Mean Group (PMG).

VIII. Application

Nous utilisons des données issues de African Development Indicators (ADI 2008-2009) pour
estimer une fonction macroéconomique de consommation des ménages à partir d’un panel des
pays de l’UEMOA. Les données couvrent la période 1992 – 2005. La consommation des
ménages est expliquée par le revenu disponible des ménages et le niveau des prix à la
consommation. Les données en logarithme népérien permettront d’estimer les élasticités
revenu et prix de la consommation des ménages.

. egen id = group(nompays)

. tsset id an

panel variable: id (strongly balanced)

time variable: an, 1992 to 2005

14
. xtsum pibrm crgm cfmm ipc

Variable | Mean Std. Dev. Min Max | Observations

-----------------+--------------------------------------------+----------------

pibrm overall | 2194.409 2106.143 181.68 6986.1 | N = 84

between | 2257.028 262.1914 6317.536 | n = 6

within | 373.5594 1214.473 3175.973 | T = 14

| |

crgm overall | 289.1838 239.1594 23.969 771.86 | N = 84

between | 252.8717 28.62164 675.5907 | n = 6

within | 57.17025 166.3488 503.5888 | T = 14

| |

cfmm overall | 1510.899 1353.094 122.21 5006.9 | N = 84

between | 1429.298 185.3643 3956.3 | n = 6

within | 328.5471 721.1991 2561.499 | T = 14

| |

ipc overall | 93.91863 16.63675 52.338 117.11 | N = 84

between | 2.144801 90.96271 96.18543 | n = 6

within | 16.51974 54.9747 117.9159 | T = 14

. gen rddmm = pibrm- crgm

. gen lipc = ln(ipc)

. gen lcfmm = ln(cfmm)

. gen lrddmm = ln(rddmm)

15
. xtreg lcfmm lrddmm lipc, fe « permet de réaliser l’estimation du modèle à effets fixes »
Fixed-effects (within) regression Number of obs = 84

Group variable (i): id Number of groups = 6

R-sq: within = 0.7911 Obs per group: min = 14

between = 0.9916 avg = 14.0

overall = 0.9861 max = 14

F(2,76) = 143.86

corr(u_i, Xb) = 0.2402 Prob > F = 0.0000

------------------------------------------------------------------------------

lcfmm | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

lrddmm | .9553113 .0834781 11.44 0.000 .7890503 1.121572

lipc | -.1705086 .0770933 -2.21 0.030 -.3240531 -.016964

_cons | .9017463 .3627586 2.49 0.015 .17925 1.624243

-------------+----------------------------------------------------------------

sigma_u | .10424606

sigma_e | .08104598

rho | .62327556 (fraction of variance due to u_i)

------------------------------------------------------------------------------

F test that all u_i=0: F(5, 76) = 21.78 Prob > F = 0.0000

16
. xtreg lcfmm lrddmm lipc, re « permet de réaliser l’estimation du modèle à effets
aléatoires »
Random-effects GLS regression Number of obs = 84

Group variable (i): id Number of groups = 6

R-sq: within = 0.7910 Obs per group: min = 14

between = 0.9915 avg = 14.0

overall = 0.9861 max = 14

Random effects u_i ~ Gaussian Wald chi2(2) = 833.15

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

------------------------------------------------------------------------------

lcfmm | Coef. Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

lrddmm | .9728016 .0376317 25.85 0.000 .8990449 1.046558

lipc | -.1822856 .0526962 -3.46 0.001 -.2855683 -.0790029

_cons | .8316969 .2441796 3.41 0.001 .3531137 1.31028

-------------+----------------------------------------------------------------

sigma_u | .10305039

sigma_e | .08104598

rho | .61784298 (fraction of variance due to u_i)

------------------------------------------------------------------------------

. xttest0 « teste la significativité des effets aléatoires (l’hypothèse nulle étant en faveur
du modèle d’homogénéité totale »
Breusch and Pagan Lagrangian multiplier test for random effects:

lcfmm[id,t] = Xb + u[id] + e[id,t]

Estimated results:

| Var sd = sqrt(Var)

---------+-----------------------------

lcfmm | 1.051592 1.025472

e | .0065685 .081046

u | .0106194 .1030504

Test: Var(u) = 0

chi2(1) = 167.43

Prob > chi2 = 0.0000

17
On rejette l’hypothèse nulle en faveur du modèle à effets aléatoires. La comparaison entre le
modèle à effets aléatoires et le modèle à effets fixes est examinée dans l’exemple suivant :

. quietly xtreg lcfmm lrddmm lipc, fe

. est store eq

. quietly xtreg lcfmm lrddmm lipc, re

. hausman eq

---- Coefficients ----

| (b) (B) (b-B) sqrt(diag(V_b-V_B))

| eq . Difference S.E.

-------------+----------------------------------------------------------------

lrddmm | .9553113 .9728016 -.0174904 .0745147

lipc | -.1705086 -.1822856 .011777 .0562715

------------------------------------------------------------------------------

b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg

Test: Ho: difference in coefficients not systematic

chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)

= 0.28

Prob>chi2 = 0.8689

Rappelons que l’hypothèse nulle du test de Hausman est l’absence de corrélation des effets
individuels avec les régresseurs (effets aléatoires préférables).

Compte tenu du résultat obtenu ci-dessus, l’hypothèse nulle de non-corrélation entre les effets
individuels et les autres régresseurs ne peut être rejetée. Etant donné que le test LM
impliquant l’existence des effets individuels et le test de Hausman, impliquant la non-
corrélation de ces effets avec les autres variables du modèle, on conclut que le modèle à effets
aléatoires est plus adéquat.

18