PDF, FR, 219 p., 3,1 Mo - Femise
PDF, FR, 219 p., 3,1 Mo - Femise
PDF, FR, 219 p., 3,1 Mo - Femise
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Une approche plus flexible consiste à décomposer le paramètre it en trois composantes :<br />
- La première permet d’identifier l’effet moyen de la variable « ».<br />
- La deuxième identifie une hétérogénéité individuelle aléatoire relative à cet effet moyen.<br />
- La troisième identifie la part de l’hétérogénéité temporelle aléatoire relative à l’effet moyen<br />
également.<br />
Cette spécification aléatoire des paramètres du modèle à l’avantage de réduire le nombre de<br />
paramètres à estimer tout en permettant leur variabilité individuelle et/ou temporelle.<br />
Dans ce qui suit, on retient une spécification où seule la variabilité individuelle du paramètre est<br />
prise en compte ; on ne prend pas en compte la troisième composante.<br />
Sous la forme de son espérance, (Wooldridge 2002), le modèle précédent peut s’écrire comme<br />
suit:<br />
yit =E(yit/xit, i) Tout en faisant l’hypothèse que :<br />
yit N((’ ixit),) pour i = 1………N et t = 1…….Ti, avec<br />
E(i/zi) = + zi<br />
Ici on suppose qu’il y a hétérogénéité (par le jeu de zi) au niveau de l’effet moyen qui dépend de<br />
facteurs observables spécifiques à chaque individu.<br />
De plus, Var ((i/zi) = et i = + zi + i.<br />
A partir de cette spécification, on peut définir 4 type de modèles selon que = 0 ou non, selon<br />
que l’on autorise la corrélation entre les paramètres aléatoires du modèle et enfin selon que l’on<br />
autorise ou non l’auto-corrélation des termes aléatoires des paramètres (hypothèses sur la<br />
structure de ).<br />
La densité jointe de y11……..yiT étant donné (xi, zi, i) est<br />
Ti<br />
<br />
t=<br />
1<br />
f( yit<br />
/ xit,<br />
zi,<br />
i)<br />
150