Effets fixes versus effets aléatoires dans les données de panel
Comprenez l'estimation within, les facteurs invariants dans le temps, l'hypothèse d'orthogonalité des effets aléatoires, l'approche de Mundlak, les tests de Hausman et les applications aux panels financiers.
Réponse directe
Une régression à effets fixes compare les changements d'un régresseur et d'un résultat au sein de chaque entreprise ou personne au fil du temps, en supprimant les caractéristiques de l'unité qui ne changent pas. Les effets aléatoires combinent la variation within et between en supposant que l'effet de l'unité n'est corrélé aux régresseurs d'aucune période. Les effets fixes ne produisent pas automatiquement un effet causal : les facteurs de confusion variables dans le temps, la causalité inverse et l'erreur de mesure subsistent. Le choix doit commencer par l'estimand et la crédibilité de l'orthogonalité, pas par l'efficacité seule.
Les panels observent plusieurs fois les mêmes unités
Les données de panel suivent des unités telles que des entreprises, des fonds, des ménages ou des pays à différentes dates, en contenant à la fois des différences transversales et une variation temporelle.
Dans yit=βxit+αi+λt+uit, αi est une composante de l'unité invariante dans le temps et λt un choc de date partagé entre les unités.
Les moindres carrés regroupés mélangent les différences entre unités aux relations within et peuvent biaiser β lorsque αi est lié à xit.
Les effets fixes utilisent les changements au sein de l'unité
La transformation within soustrait la moyenne temporelle de chaque unité, supprime αi invariant dans le temps et compare les écarts à la propre moyenne de l'unité.
Un coefficient à effets fixes d'entreprise demande comment les résultats évoluent lorsque le levier de la même entreprise change, et non en quoi les entreprises fortement endettées diffèrent des entreprises peu endettées.
Ajouter des effets fixes de date absorbe les chocs communs de niveau tels que les cycles économiques, les taux d'intérêt ou les rendements de marché qui touchent toutes les unités à une date donnée.
Certaines informations disparaissent et certains biais subsistent
Les caractéristiques invariantes dans le temps, comme l'origine sectorielle ou les traits du fondateur, sont parfaitement colinéaires aux effets de l'unité ; leurs coefficients séparés ne sont donc pas identifiés.
Un régresseur qui change à peine au sein des unités fournit peu d'information d'identification, ce qui augmente l'incertitude et l'impact relatif de l'erreur de mesure.
Les variables omises qui varient dans le temps, le retour du résultat vers le régresseur et les contrôles post-traitement restent problématiques après l'ajout des effets fixes.
Les effets aléatoires exigent une orthogonalité plus forte
Les effets aléatoires traitent αi comme une composante de l'erreur stochastique et combinent les variations within et between s'il est non corrélé aux régresseurs de chaque période.
Lorsque cette condition est satisfaite, ils peuvent être plus efficaces que les effets fixes et estimer les coefficients de régresseurs invariants dans le temps.
Si la qualité managériale latente ou la préférence pour le risque influence la structure du capital, les effets aléatoires peuvent mélanger cette différence entre entreprises au coefficient cible.
L'approche de Mundlak rend la corrélation visible
Les effets aléatoires corrélés, ou approche de Mundlak, ajoutent les moyennes par unité des régresseurs variables dans le temps pour modéliser explicitement la corrélation entre αi et xit.
Cela sépare les effets within des différences between et rend l'orthogonalité forte des effets aléatoires plus facilement vérifiable dans la spécification.
Dans des conditions simples de panel linéaire équilibré, le coefficient de la variable within rejoint celui des effets fixes, mais l'équivalence ne se transpose pas automatiquement à tous les modèles non linéaires ou dynamiques.
Un test de Hausman n'est pas un verdict
La logique de Hausman compare les coefficients lorsque l'un des estimateurs est efficace uniquement sous l'hypothèse nulle tandis que les deux sont consistants sous cette hypothèse.
Un rejet signale un conflit avec l'orthogonalité ou d'autres conditions du modèle, mais l'absence de rejet ne prouve pas que les hypothèses des effets aléatoires soient vraies.
Les petits échantillons, une faible variation within, des choix de covariance robustes et une mauvaise spécification peuvent réduire la puissance et la stabilité numérique du test.
Les panels financiers ont aussi besoin d'un plan de dépendance
Les effets de l'entreprise et de l'année sont courants, mais les cycles sectoriels ou les politiques nationales peuvent exiger des interactions plus fines avec le temps.
Des erreurs persistantes au niveau de l'entreprise motivent un clustering par entreprise ; les chocs communs de date restants peuvent motiver un clustering par date ou bidimensionnel lorsque le plan fournit assez de groupes.
Ajouter une variable dépendante retardée crée un biais de panel dynamique lorsque T est court ; l'interprétation statique des effets fixes ne peut pas être transposée telle quelle.
Présentez la source de variation et les hypothèses
Indiquez les dimensions unité et temps, l'équilibre, les variations within et between, la combinaison d'effets fixes et le niveau de clustering de la covariance.
Expliquez quelles unités et quels changements temporels identifient le coefficient et si l'échantillon contient une variation within économiquement significative.
Utilisez les estimations à effets fixes, à effets aléatoires, de Mundlak et les résultats de Hausman comme éléments de preuve, tout en justifiant le modèle final par les chemins de confusion et l'effet ciblé.
Questions fréquentes
Les effets fixes suppriment-ils tout biais de variable omise ?
Non. Ils suppriment les facteurs de l'unité qui ne changent pas au fil du temps, tandis que les facteurs de confusion variables dans le temps, la causalité inverse et l'erreur de mesure peuvent subsister.
Les effets fixes peuvent-ils estimer une variable invariante dans le temps ?
Pas dans le modèle within habituel, car cette variable est parfaitement colinéaire à l'effet fixe de l'unité.
Les effets aléatoires sont-ils toujours plus efficaces que les effets fixes ?
Ils peuvent l'être sous leurs hypothèses d'orthogonalité et de variance ; si celles-ci échouent, perdre la consistance compte davantage que gagner en efficacité.
Puis-je utiliser les effets aléatoires si le test de Hausman ne rejette pas ?
Pas automatiquement. Évaluez la puissance du test et les conditions du modèle et justifiez séparément pourquoi les effets de l'unité devraient être indépendants des régresseurs.