Heterogeneity and Cross-Sectional Dependence in Panels: Heterogeneous vs. Homogeneous Estimators

Résumé Fr En

Cet article se focalise sur les estimateurs hétérogènes versus homogènes sur données de panel, y compris ceux partiellement hétérogènes, en présence de dépendances inter-individuelles via une structure de dépendance spatiale des perturbations et/ou en présence de facteurs communs observables/inobservables. Ces estimateurs sont liés à des spécifications qui permettent de combiner et de distinguer les dépendances inter-individuelles faibles (reliées à une matrice spatiale) des dépendances inter-individuelles fortes ( i.e. les facteurs communs). Une présentation générale des trois catégories d’estimateurs ci-avant mentionnées est d’abord faite. Ensuite, une approche par simulation de Monte Carlo, plus générale que celles précédemment menées, est retenue pour étudier les propriétés de ces estimateurs en présence de facteurs communs et de dépendance spatiale. Les résultats montrent que, même pour des dimensions individuelle et temporelle faibles, les estimateurs hétérogènes fournissent de meilleurs résultats en termes de biais, de RMSE, de taille et de puissance des tests bilatéraux comparativement à ceux obtenus sur la base des estimateurs homogènes. Enfin, une application empirique, qui s’intéresse à l’impact de la décentralisation fiscale sur la taille des gouvernements de 22 pays de l’OCDE sur la période 1973-2017, confirme cette supériorité. Classification JEL: C13, C23

This paper focuses on the comparison of homogeneous and heterogeneous panel data estimators, including partially heterogeneous ones, in presence of cross-sectional dependence generated by common factors and spatial error dependence. Our specifications allow us to con-sider and contrast weak cross-sectional dependence and strong cross-sectional dependence in a general linear heterogeneous panel data model. An overview of the estimation procedures, including heterogeneous, homogeneous and partially heterogeneous estimators, is presented. Then, an extensive Monte Carlo study is conducted using a general framework encompassing recent contributions in the literature especially in terms of considering common factors and spatial dependence simultaneously. Our simulation results show that, even for small individual and time dimensions, heterogeneous estimators perform better in terms of bias, root mean squared error, size and size adjusted power compared to homogeneous estimators. Last, the superiority of the heterogeneous estimators is confirmed by an empirical application relating fiscal decentralization and government size in 22 OECD countries over the period 1973-2017.