19 juin 2023
info:eu-repo/semantics/OpenAccess
Martin Mugnier, « Essais en économétrie des données de panel », HAL-SHS : économie et finance, ID : 10670/1.rh9pv4
Cette thèse comporte cinq chapitres portant sur l'étude de quelques problèmes d'identification, d'estimation et d'inférence au sein de modèles semi-paramétriques pour l'analyse économétrique des données de panel. Les quatre premiers chapitres se concentrent sur une classe de modèles dits « à effets fixes », où l'hétérogénéité inobservée par l'économètre est approximée par des variables latentes de faible dimension (relativement à la taille des données) dont la distribution conditionnellement aux variables exogènes n'est pas restreinte. Dans le premier chapitre, nous généralisons un résultat de Johnson (2004) et Chamberlain (2010) en démontrant que l'identification du paramètre de pente, dans un modèle statique de choix discrets avec hétérogénéité individuelle constante dans le temps et des agents observés plus de deux périodes, reste possible hors du cas restrictif où les erreurs suivent une loi logistique. Nous exhibons une restriction sur un moment conditionnel à partir de laquelle un estimateur asymptotiquement normal à vitesse paramétrique, quand le nombre d'individus tend vers l'infini, est obtenu par la méthode généralisée des moments (GMM). Nous illustrons cette nouvelle méthode en revisitant la relation entre déficits budgétaires et réélections étudiée dans Brender et Drazen (2008). L'effet significatif et positif du déficit budgétaire sur la probabilité de réélection est robuste à une relaxation de l'hypothèse logistique. Dans le second chapitre, nous présentons des conditions d'identification pour une classe de modèles non-linéaires à doubles effets fixes et coefficients hétérogènes séparables lorsque le panel est à la fois long et large. Nous proposons une méthode d'estimation rapide reposant sur une descente de gradient coordonnées par coordonnées exploitant la séparabilité additive des effets fixes. Dans le cas semi-paramétrique, nous démontrons l'équivalence numérique de la méthode avec celle du maximum de vraisemblance, reportons des gains de calcul importants sans perte de précision au regard des méthodes existantes (e.g., logitfe/probitfe dans Stata) et revisitons deux applications empiriques en innovation (Aghion et al., 2013) et commerce international (Helpman et al., 2008). Nous trouvons une hétérogénéité significative des coefficients de pente relatifs aux variables indépendantes dans chacun des modèles. Les troisièmes et quatrièmes chapitres traitent d'un cas particulier de modèles à facteurs où les coefficients individuels associés à chaque facteur temporel sont supposés discrets. Cette hypothèse génère une structure de groupe qui présente un intérêt dans une variété de situations économiques (e.g., clubs de pays, de partenaires commerciaux, types de consommateurs, produits, actifs financiers). Le troisième chapitre propose un nouvel estimateur en deux étapes pour le modèle linéaire qui présente un certain nombre d'avantages théoriques et computationnels. Grâce à la résolution d'un problème convexe et l'utilisation d'une procédure agglomérative, nous généralisons Bonhomme et Manresa (2015) en montrant que le paramètre de pente, les effets fixes, et le nombre de groupes peuvent être estimés de manière convergente sans borne supérieure connue sur le nombre de groupes, tout en réduisant la complexité algorithmique à l'ordre du nombre d'individus au cube contre une complexité exponentielle pour l'estimateur reposant sur l'algorithme des k-means. Le quatrième chapitre étend certains de ces résultats à une classe de modèles non-linéaires discrets. Le cinquième et dernier chapitre démontre la normalité asymptotique d'estimateurs s'exprimant comme la moyenne empirique d'une transformation d'une fonction de répartition empirique par un quantile empirique sous des hypothèses plus faibles que les existantes. Un exemple est l'estimateur « Changes-in-Changes » pour l'effet de traitement moyen proposé dans Athey et Imbens (2006). Des simulations de Monte Carlo suggèrent que nos hypothèses ne sont pas améliorables.