Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
7Activity
0 of .
Results for:
No results containing your search query
P. 1
Ch18 Modèles d'équations Simultanées

Ch18 Modèles d'équations Simultanées

Ratings: (0)|Views: 249 |Likes:
Published by api-3737025

More info:

Published by: api-3737025 on Oct 15, 2008
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/09/2014

pdf

text

original

Chapitre 18
Mod`eles d\u2019Equations Simultan\u00b4ees
18.1 Introduction

Pendant de nombreuses ann\u00b4ees, lemod`eles d\u2019\u00b4equations simultan\u00b4ees lin\u00b4eaire a \u00b4et\u00b4e le centre d\u2019int\u00b4er\u02c6et de la th\u00b4eorie \u00b4econom\u00b4etrique. Nous avons abord\u00b4e un cas particulier de ce mod`ele, un mod`ele d\u2019o\ufb00re-demande `a deux \u00b4equations, dans la Section 7.3. L\u2019objet de cette discussion \u00b4etait simplement de monter que la si- multan\u00b4eit\u00b4e implique une corr\u00b4elation entre les r\u00b4egresseurs et les termes d\u2019erreur de chaque \u00b4equation de syst`eme, rendant les OLS non convergents et justi\ufb01- ant l\u2019usage des variables instrumentales. La non convergence des estimateurs par moindres carr\u00b4es des \u00b4equations individuelles dans les mod`eles d\u2019\u00b4equations simultan\u00b4ees n\u2019est pourtant pas le seul r\u00b4esultat \u00b4econom\u00b4etrique pour ce genre de mod`ele. Dans ce chapitre, nou discutons donc des mod`eles d\u2019\u00b4equations simultan\u00b4ees en d\u00b4etail.

La grande majorit\u00b4e du travail r\u00b4ecent sur les mod`eles d\u2019\u00b4equations simul- tan\u00b4ees s\u2019est d\u00b4evelopp\u00b4e sous la bienveillance de la Commisssion Cowles; Koop- mans (1950) et Hood et Koopmans (1953) sont des r\u00b4ef\u00b4erences connues. Ce travail a fortement in\ufb02uenc\u00b4e la direction suivie par la th\u00b4eorie \u00b4econom\u00b4etrique depuis de nombreuses ann\u00b4ees. Pour une histoire sur le d\u00b4eveloppement r\u00b4ecent de l\u2019\u00b4econom\u00b4etrie, consulter Morgan (1990). Parce que la litt\u00b4erature consacr\u00b4ee aux mod`eles d\u2019\u00b4equations simultan\u00b4ees est vaste, nous ne traiterons qu\u2019une petite partie de celle-ci. Il existe un grand nombre d\u2019\u00b4etudes sur ce champ th\u00b4eorique, et de nombreux ouvrages qui se situent `a des niveaux di\ufb00\u00b4erents. Deux articles de synth`ese int\u00b4erssants sont ceux de Hausman (1983), qui traite de la litt\u00b4erature traditionnelle, et Phillips (1983), qui traite du champ plus sp\u00b4eci\ufb01que de la th\u00b4eorie en petit \u00b4echantillon dans les mod`eles d\u2019\u00b4equations si- multan\u00b4ees, un sujet que nous n\u2019aborderons pas du tout.

La caract\u00b4eristique essentielle des mod`eles d\u2019\u00b4equations simultan\u00b4ees est que deux ou plusieursvariables endog`enes sont d\u00b4etermin\u00b4ees simultan\u00b4ement par le mod`ele, comme des fonctions devariables exog`enes, devariables

pr\u00b4ed\u00b4etermin\u00b4ees, et d\u2019al\u00b4eas. A ce stade, nous en avons dit tr`es peu sur ce

que nous entendons par variables exog`enes et pr\u00b4ed\u00b4etermin\u00b4ees. Puisque le r\u02c6ole de telles variables est essentiel dans les mod`eles d\u2019\u00b4equations simutlan\u00b4ees, il est temps de corriger le d\u00b4efaut. Dans la Section 18.2, nous discutons par cons\u00b4equent en d\u00b4etail du concept important de l\u2019exog\u00b4en\u00b4eit\u00b4e.

622
18.1 Introduction
623

La majeure partie du chapitre sra consacr\u00b4ee au mod`ele d\u2019\u00b4equations si- multan\u00b4ees. Supposons qu\u2019il y aitg variables endog`enes, et par cons\u00b4equentg \u00b4equations, etk variables exog`enes ou pr\u00b4ed\u00b4etermin\u00b4ees. Alors le mod`ele peut \u02c6etre \u00b4ecrit sous forme matricielle comme

Y\u0393= XB+ U.
(18.01)

Ici,Y d\u00b4esigne une matrice de dimensionn\u00d7 g de variables endog`enes,X d\u00b4esigne une matrice de dimensionn\u00d7 k de variables exog`enes ou pr\u00b4ed\u00b4eter- min\u00b4ees,\u0393 d\u00b4esigne une matrice de dimensiong\u00d7 g de coe\ufb03cients,B d\u00b4esigne une matrice de dimensionk\u00d7 g de coe\ufb03cients, etU d\u00b4esigen une matrice de dimensionn\u00d7 g de termes d\u2019erreur.

Il est imm\u00b4ediatement clair que le mod`ele (18.01) comprend beaucoup trop de param`etres `a estimer. Une observation type pour l\u2019\u00b4equationl peut s\u2019\u00b4ecrire sous la forme

g
\ue008
i=1
\u0393ilYti=
k
\ue008
j=1
BjlXtj+ utl.

La multiplication de tous les param`etres\u0393il etBjl par n\u2019importe quelle con- stante non nulle aurait pour e\ufb00et de multiplierutl par cette constante pour toutt, mais ne modi\ufb01erait pas la structure des al\u00b4eas dans les observations. Il est donc n\u00b4ecessaire d\u2019imposer une sorte de nomrmalisation pour chaque \u00b4equation du mod`ele. Une normalisation \u00b4evidente consiste `a poser\u0393ii = 1 pour touti; chaque variable endog`ene, dey1 `ayg, serait alors associ\u00b4ee `a un coe\ufb03cient unitaire dans une et une seule \u00b4equation. Cependant, comme nous l\u2019avons vu dans la Section 7.3, de nombreuses autres normalisations pourraient \u02c6etre envisag\u00b4ees. Nous pourrions, par exemple, poser\u03931l = 1 pour toutl; le coe\ufb03cient associ\u00b4e `a la premi`ere variable endog`ene serait ainsi \u00b4egal `a l\u2019unit\u00b4e dans chaque \u00b4equation.

Le mod`ele (18.01) n\u2019a pas de sens si la matrice\u0393 n\u2019est pas inversible, car sinons il serait impossible de d\u00b4eterminerY de mani`ere unique en tant que fonction deX etU. Nous pouvons donc postmultiplier des deux membres de (18.01) par\u0393\u22121 pour obtenir

Y= XB\u0393\u22121+ U \u0393\u22121
(18.02)
=X\u03a0 +V.
(18.03)

L\u2019expression (18.02) est laforme r\u00b4eduite contrainte, ouFRC, et l\u2019expression (18.03) est laforme r\u00b4eduite libre, ouFRL. Les contraintes sont\u03a0 =B\u0393\u22121. Notons que, m\u02c6eme dans le cas improbable o`

u les colonnes deU \u00b4etaient ind\u00b4ependantes, celles deV ne le seraient pas. Ainsi les diverses \u00b4equations de la forme r\u00b4eduite poss`edent preque s\u02c6

urement des al\u00b4eas corr\u00b4el\u00b4es.
L\u2019imposition des contraintes de normalisation est n\u00b4ecessaire mais non
su\ufb03sante pour obtenir des estimations de\u0393 etB. Le probl`eme est que, `a
624
Mod`
eles d\u2019Equations Simultan\u00b4
ees

moins de lui imposer des contrantes, le mod`ele (18.01) a beaucoup trop de param`etres inconnus. La matrice\u0393 poss`edeg2\u2212 g coe\ufb03cients, du fait desg conraintes de normalisation, alors que la matriceB en poss`edegk. Il y a donc

g2+ gk\u2212 gcoe\ufb03cents structurels au total. Mais la matrice\u03a0 sous la forme

r\u00b4eduite libre ne poss`ede quegk coe\ufb03cients. Il est `a l\u2019\u00b4evidence impossible de d\u00b4eterminer lesg2 +gk\u2212 g coe\ufb03cients structurels `a partir desgk coe\ufb03cients de la FRL. Il faudra imposerau moinsg2\u2212 g contraintes sur\u0393 et/ouB a\ufb01n d\u2019\u02c6etre en mesure d\u2019identi\ufb01er le mod`ele. Il existe une vaste litt\u00b4erature con- sacr\u00b4ee `a l\u2019identi\ufb01cation dans les mod`eles d\u2019\u00b4equations simultan\u00b4ees, qui aborde le probl`eme des conditions sous lesquelles certains ou tous les param`etres de tel mod`ele peuvent \u02c6etre identi\ufb01\u00b4es. Nous livrerons les principaux r\u00b4esultats de cette litt\u00b4erature dans la Section 18.3.

La grande partie restante du chapitre traite des m\u00b4erhodes d\u2019estimation diverses et vari\u00b4ees pour les mod`eles d\u2019\u00b4equations simultan\u00b4ees. La Section 18.4 aborde l\u2019estimation par maximum de vraisemblance du mod`ele dans son en- semble sous l\u2019hypoth`ese de normalit\u00b4e, une technique connue sous le nom de

maximum de vraisemblance en information compl`ete, ou FIML. La section qui
suit traite de l\u2019estimation par maximumde vraisemblance de chaque \u00b4equation
s\u00b4epar\u00b4ement, technique que l\u2019on nommemaximum de vraisemblance en in-
formation limit\u00b4ee, ou LIML. Puis dans la Section 18.6, nous discuterons des
triples moindres carr\u00b4es, ou 3SLS, que l\u2019on d\u00b4erive comme une application de la
m\u00b4ethode des moments g\u00b4en\u00b4eralis\u00b4ee. En\ufb01n, les mod`eles d\u2019\u00b4equations simultan\u00b4ees
seront abord\u00b4es dans la Section 18.7.
18.2 Exog\u00b4
en\u00b4
eit\u00b4
e et Causalit\u00b4
e
Dans le cas d\u2019une \u00b4equation de r\u00b4egression unique, nous estimons la distribu-
tion, ou du moins l\u2019esp\u00b4erance et la variance, d\u2019une variable endog`enecondi-
tionnellementaux valeurs de certaines variables explicatives. Dans le cas d\u2019un

mod`ele d\u2019\u00b4equations simultan\u00b4ees, nous estimons la distribution jointe de deux ou plusieurs variables endog`enesconditionnellement aux valeurs de certaines variables explicatives. Mais nous n\u2019avons encore rien dit sur les conditions sous lesquelles nous pouvons consid\u00b4erer une variable comme explicative. Pour que l\u2019inf\u00b4erence conditionnelle soit valable, les variables explicatives doivent \u02c6etre soitpr\u00b4ed\u00b4etermin\u00b4ees soitexog`enes dans un sens ou un autre que nous allons d\u00b4e\ufb01nir.

Dans un contexte de s\u00b4erie temporelle, nous avons vu que les variables al\u00b4eatoires qui sont pr\u00b4ed\u00b4etermin\u00b4ees peuvent \u02c6etre employ\u00b4ees sans risque en tant que variables explicatives dans une estimation par moindres carr\u00b4es, du moins asymptotiquement. En r\u00b4ealit\u00b4e, les variables endog`enes r\u00b4etard\u00b4ees sotn abon- damment utilis\u00b4ees en tant que variables explicatives et en tant qu\u2019instruments. Cependant, il y a de nombreux cas, et parmi eux le cas des mod`eles es- tim\u00b4es `a l\u2019aide de donn\u00b4ees en coupe tranversale, o`

u nous voulons utiliser en
tant que variables explicatives des variables qui ne sont pas des variables

Activity (7)

You've already reviewed this. Edit your review.
1 hundred reads
1 thousand reads
ibtissamnet liked this
g_le_c liked this
ibtissamnet liked this

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->