Données de panneau: effets OLS groupés vs effets RE vs FE

Nous avons discuté de l'utilité des estimateurs groupés OLS et RE par rapport à FE.

Donc, pour autant que je sache, l'estimation OLS groupée est simplement une technique OLS exécutée sur des données Panel. Par conséquent, tous les effets spécifiques à chaque individu sont complètement ignorés. Pour cette raison, de nombreuses hypothèses de base comme l'orthogonalité du terme d'erreur sont violées.

RE résout ce problème en implémentant une interception spécif individuelle dans votre modèle, qui est supposée être aléatoire. Cela implique l'exogénéité totale de votre modèle. Cela peut être testé avec le test Hausmann.

Étant donné que presque tous les modèles ont des problèmes d'endogénéité, l'estimation FE est le meilleur choix et vous donne les meilleures estimations cohérentes, mais les paramètres spécifiques individuels disparaîtront.

La question que je me pose est la suivante: quand est-il vraiment judicieux d'utiliser OLS en pool ou des effets aléatoires? OLS groupé viole tant d'hypothèses et est donc complètement insensé. De plus, la forte exogénicité du RE-Estimator n'est fondamentalement jamais donnée, alors quand peut-il vraiment être utile?

De plus, dans tous les modèles, l'autocorrélation ne peut pas être envisagée?

Tout d'abord , vous avez raison, l' estimation OLS groupée est simplement une technique OLS exécutée sur des données Panel .

Deuxièmement , sachez que pour vérifier dans quelle mesure vos données peuvent être regroupées, vous pouvez utiliser le test du multiplicateur de Breusch-Pagan Lagrange - dont l'hypothèse nulle est que la variance des effets fixes non observés est nulle OLS groupé peut être le modèle approprié. Ainsi, si vous conservez et suspectez des problèmes d'endogénéité, vous voudrez peut-être quitter le monde des données de panel et utiliser d'autres techniques d'estimation pour y faire face, par exemple IV (SLS multiples), GMM .$H_0$$\iff$$H_0$

Troisièmement , dans une spécification FE, les paramètres spécifiques individuels ne disparaissent pas et peuvent être rajoutés (avec des coefficients identiques mais des erreurs standard qui doivent être ajustées). C'est en fait tout ce dont parle le modèle LSDV (avec une moyenne supérieure ajoutée et dans les moyennes).

Quatrièmement , pour traiter l'autocorrélation (des erreurs), les transformations de type GLS peuvent vous aider théoriquement, mais en pratique, elles ne traitent que de l'hétéroscédasticité ( WLS , FGLS ). Cependant, notez qu'en fonction de l'espace (temporel, géographique, sociologique, etc ...) dans lequel vous supposez que l'autocorrélation fonctionne, vous pouvez proxy sa structure et enfin effectuer une transformation de type GLS, par exemple un panneau spatial.