144
Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation d’Économétrie avec Stata

Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Embed Size (px)

Citation preview

Page 1: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les variables qualitatives

Lionel Nesta

Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion

Formation d’Économétrie avec Stata

Page 2: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Plan du cours : première partie

1. Les variables qualitatives explicatives

1. Création et gestion des variables qualitatives sous STATA

2. Les variables muettes dans le modèle MCO

2. Les modèles à variables qualitative dépendante

1. Le modèle de probabilité linéaire

2. L’estimation par le maximum de vraisemblance

3. La régression logistique

Page 3: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Plan du cours : deuxième partie

3. La régression logistique multinomiale

1. Simple

2. Ordinale

4. Les modèles de comptage

1. Le modèle de Poisson

2. Le modèle négatif binomial

Page 4: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les variables qualitatives explicatives

Page 5: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

1. Les variables qualitatives explicatives

Les variables qualitatives

Les variables muettes (les dummies)

Créer une variable muette avec Stata

Interprétation des coefficients dans le modèle MCO

Les effets croisés entre variables muettes et continues

Page 6: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les variables qualitatives

Il s’agit de variables qui donnent des informations sur des caractéristiques discrètes.

Le nombre de catégories prises par les variables qualitatives est en général petit.

Ces valeurs peuvent être numériques mais chaque nombre indique une qualité; une caractéristiques.

Une variable discrète peut avoir plusieurs modalités Deux modalités : homme ou femme

Trois modalités : nationalité (française, allemande, anglaise)

Plus de trois modalités : secteur (automobile, chimie, bureautique, métallurgie, etc.)

Page 7: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les variables qualitatives Il existe plusieurs manières de coder une variable

qualitative à n modalités

Codage par une seule variable catégorielle

Codage par n - 1 variables muettes

Une variable muette ou indicatrice est une variable qualitative qui prend les valeurs 0 ou 1.

On parle de variable binaire ou dichotomique.

En Anglais, on parle de « dummy variables », ou « dummies »

Page 8: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les variables qualitatives Codage par une seule variable catégorielle

Deux modalités : On crée une variable catégorielle « genre » qui est égale à 1 si l’individu est une femme, 2 si l’individu est un homme.

Trois modalités : On crée une variable « nationalité » qui est égale à 1 si l’individu est français, 2 si l’individu est allemand, 3 si l’individu est anglais.

Variable à n modalités : On crée une variable « nationalité » qui est égale à 1 si l’individu est français, 2 si l’individu est allemand, 3 si l’individu est anglais, etc.

Le codage d’une variable catégorielle nécessité l’utilisation d’un label pour savoir à quelle modalité se réfère ledit numéro.

Page 9: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Labéliser des variables

Labéliser les variables est intéressant, fastidieux, ennuyeux.

Conséquence importante sur l’interprétation des résultats

label variable. Décrit une variable qualitative ou quantitativelabel variable asset "real capital"

label define. Décrit les valeurs (modalité) d’une variable qualitativelabel define firm_type 1 "biotech" 0 "Pharma"

label values Applique le label défini précédemmentlabel values type firm_type

Page 10: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Exemple de labellisation*************************************************************************************

******* CREATION DES LABELS INDUSTRIES *********

*************************************************************************************

egen industrie = group(isic_oecd)

#delimit ;

label define induscode 1 "Text. Habill. & Cuir"

2 "Bois"

3 "Pap. Cart. & Imprim."

4 "Coke Raffin. Nucl."

5 "Chimie"

6 "Caoutc. Plast."

7 "Aut. Prod. min."

8 "Métaux de base"

9 "Travail des métaux"

10 "Mach. & Equip."

11 "Bureau & Inform."

12 "Mach. & Mat. Elec."

13 "Radio TV Telecom."

14 "Instrum. optique"

15 "Automobile"

16 "Aut. transp."

17 "Autres";

#delimit cr

label values industrie induscode

Page 11: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Exercice

1. Téléchargez la base var_qual.dta

2. Labélisez la variable firm_type

3. Définissez un label pour la variable firm_type, sachant que la modalité 1 qualifie les grandes firmes pharmaceutiques et la modalité 2 qualifie les firmes de biotechnologie.

Page 12: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les variables qualitatives muettes Codage par des variables muettes

Deux modalités. On crée une variable muette « femme » qui est égale à 1 si

l’individu est une femme, 0 sinon. On crée une variable muette « homme » qui est égale à 1 si

l’individu est une femme, 0 sinon. Or une des deux variables muettes est redondante. A partir du

moment où femme = 0, alors homme = 1.

Autrement dit pour une variable catégorielle à deux modalités, on a besoin d’une seule variable muette seulement pour avoir la même information.

Page 13: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les variables qualitatives muettes Codage par n variables muettes Exemple avec trois modalités

On crée trois variables muettes, la première étant est égale à 1 si l’individu est français, 0 sinon (variable appelé « FRA »).

la deuxième modalité est égale à 1 si l’individu est allemand, 0 sinon (variable appelé « DEU »).

la troisième modalité est égale à 1 si l’individu est anglais, 0 sinon (variable appelé « GBR »).

Or une des trois variables muettes est redondante. A partir du moment où FRA = 0, DEU = 0, alors GBR = 1.

Pour une variable à n modalités, on crée n - 1 variables muettes, chacune représentant une modalité particulière de la variable.

Page 14: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Créer une variable muette sous stata Générer une variable muette à partir d’une variable

qualitative. generate DEU = 0 replace DEU = 1 if country==“GERMANY” generate FRA = country==“FRANCE”

Générer une variable muette à partir d’une variable qualitative. generate GE = 1 if taille > 100 replace GE =0 if taille < 101 generate GE = taille > 100

Page 15: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Créer une variable muette sous stata Si vous disposez d’une variable qualitative à n modalités,

il peut être fastidieux de créer n-1 variables muettes

La fonction tabulate a une extension très pratique, puisqu’elle générera autant de variables muettes qu’il y a de modalités d’une variable catégorielle. tabulate varcat, gen(v_)

tabulate country, gen(c_)

Va créer la variable muette c_1 pour le premier parti, c_2 pour le second, c_3 pour le troisième, etc.

Page 16: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients devant les variables muettes Dans la régression linéaire, le coefficient estimé

s’interprète comme la variation de la variable dépendante suite à la variation d’une unité de la variable explicative, toute chose égale par ailleurs.

Soit le modèle de fonction de production de connaissance

où « y » est le nombre de brevet produit par les firmes et « biotech » est une variable muette égale à 1 pour les firmes de biotechnologie.

y biotech u

Page 17: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients devant les variables muettes Si la firme est une firme de biotechnologie, la variable

muette « biotech » est égale à l’unité, donc :

Si la firme est une firme pharmaceutique, la variable muette « biotech » est égale à 0, donc :

ˆ ˆˆ ˆy 1

ˆˆ ˆy 0

Page 18: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients devant les variables muettes Quand la variable explicative est muette, le coefficient

s’interprète comme variation de la variable dépendante quand la variable muette est égale à 1, relativement à une situation où la variable muette est égale à 0. Pour deux modalités, je dois introduire une variable muette.

Pour trois modalités, je dois introduire deux variables muettes.

Pour n modalités, je dois introduire (n-1) variables muettes.

Page 19: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Exercice

1. A partir de la base var_qual.dta, régressez le modèle

2. Prédisez la production de brevet pour les firmes de biotechnologie et les firmes pharmaceutiques

3. Etablissez les statiques descriptives de PAT pour chacun des types de firme avec la commande table

4. Qu’observez-vous ?

PAT biotech u

Page 20: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients devant les variables muettes Pour la forme semi logarithmique (log Y), le coefficient β

est interprété comme une approximation du pourcentage de variation de Y pour une variation de 1 de la variable explicative.

Cette approximation est acceptable quand β est petit (β < 0.1). Quand β est grand (β ≥ 0.1), alors le pourcentage exact de la différence selon les évènements 0 ou 1 est :

100 × (eβ – 1)

Page 21: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La fonction de production de connaissances

Application 1: modèle de base

1 2

1 2

PAT f (RD,SIZE)

PAT A RD SIZE exp u

pat rd size u

Page 22: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application 1: modèle de base

_cons -.7080941 .3893776 -1.82 0.070 -1.4733 .0571119 size -.3995841 .0731757 -5.46 0.000 -.5433891 -.2557791 rd .6904159 .0876424 7.88 0.000 .5181807 .862651 pat Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 708.526573 456 1.55378635 Root MSE = 1.1439 Adj R-squared = 0.1578 Residual 594.078634 454 1.30854325 R-squared = 0.1615 Model 114.447939 2 57.2239696 Prob > F = 0.0000 F( 2, 454) = 43.73 Source SS df MS Number of obs = 457

. reg pat rd size

Page 23: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application 2: Changement de modèle

1

2

1 2

PAT f (RD,SIZE)

RDPAT A SIZE exp u

SIZE

RDpat log size u

SIZE

La fonction de production de connaissances

Page 24: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application 2: Changement de modèle

_cons -.7080941 .3893776 -1.82 0.070 -1.4733 .0571119 size .2908318 .033395 8.71 0.000 .2252038 .3564598 rdi .6904159 .0876424 7.88 0.000 .5181807 .862651 pat Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 708.526573 456 1.55378635 Root MSE = 1.1439 Adj R-squared = 0.1578 Residual 594.078634 454 1.30854325 R-squared = 0.1615 Model 114.447939 2 57.2239696 Prob > F = 0.0000 F( 2, 454) = 43.73 Source SS df MS Number of obs = 457

. reg pat rdi size

Page 25: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application 3: Variable muette

1

23

1 2 3

PAT f (RD,SIZE, )

RDPAT A SIZE exp u

SIZE

rdp

B

at size usi

IO

BIO

BIze

O

La fonction de production de connaissances

Page 26: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application 3: Variable muette

_cons -5.745133 .633991 -9.06 0.000 -6.991061 -4.499204 biotech 1.673523 .1744372 9.59 0.000 1.330716 2.016329 size .5768994 .0426386 13.53 0.000 .4931055 .6606934 rdi .5106912 .0821529 6.22 0.000 .3492431 .6721392 pat Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 708.526573 456 1.55378635 Root MSE = 1.044 Adj R-squared = 0.2985 Residual 493.755974 453 1.08996904 R-squared = 0.3031 Model 214.770599 3 71.5901997 Prob > F = 0.0000 F( 3, 453) = 65.68 Source SS df MS Number of obs = 457

. reg pat rdi size biotech

Page 27: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application 3: Variable muette

Patentln(PAT)

size

3ˆ ˆ

2 3ˆˆBiotech : size ˆ

2ˆpente

2ˆpente

2ˆˆPharma : size 3

Page 28: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application 4: Variable d’interaction

1

23 4

1 2 3 5

BIO

BIO B

PAT f (RD,SIZE, )

RDPAT A SIZE exp u

SIZE

rdpat si

IO size

BIO BIO sizze usize

e

La fonction de production de connaissances

Page 29: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application 4: Variable d’interaction

_cons -6.92359 .8591161 -8.06 0.000 -8.611947 -5.235232 size_bio -.1688997 .0834314 -2.02 0.044 -.3328612 -.0049382 biotech 3.950866 1.138292 3.47 0.001 1.713864 6.187868 size .6503855 .0558872 11.64 0.000 .5405545 .7602165 rdi .4881356 .082628 5.91 0.000 .3257528 .6505183 pat Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 708.526573 456 1.55378635 Root MSE = 1.0405 Adj R-squared = 0.3033 Residual 489.319346 452 1.08256492 R-squared = 0.3094 Model 219.207228 4 54.801807 Prob > F = 0.0000 F( 4, 452) = 50.62 Source SS df MS Number of obs = 457

. reg pat rdi size biotech size_bio

Page 30: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application 4: Variable d’interaction

Patentln(PAT)

Size

42 3ˆˆBiotech : size ˆ ˆ BIO size

2ˆˆPharma : size

2 4ˆ BIOˆpe izee snt

2ˆpente

3ˆ ˆ

3

Page 31: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les modèles à variable qualitative dépendante

Page 32: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de probabilité linéaire

Page 33: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de probabilité linéaire Quand la variable qualitative dépendante est binaire ou

dichotomique (0/1), le modèle OLS est appelé modèle de probabilité linéaire (par exemple : Y=1 si l’entreprise innove, Y=0 sinon).

0 1 1 2 2Y x x u

Y ne prend que 2 valeurs (0;1). Comment interpréter βj? Si E(u|X)=0 alors:

0 1 1 2 2E(Y | X) x x

Page 34: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de probabilité linéaire

Y suit une distribution de Bernoulli d’espérance P. Ce modèle est donc dit MPL car son espérance conditionnelle E(Y|X) peut être interprétée comme la probabilité conditionnelle que l’évènement se produise compte tenu des valeurs de X :

E(Y | X) Pr(Y 1| X)

1 E(Y | X) Pr(Y 0 | X)

β mesure de combien est modifié la probabilité de succès quand X change d’une unité (ΔX=1)

E(Y | X) Pr(Y 1| X)Pr(Y 1| X)

X X

Page 35: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les limites du modèle de prob. linéaire (1)L’absence de normalité des erreurs

OLS6 : Le terme d'erreur est indépendant des variables indépendantes et suit une loi Normale de moyenne nulle et de variance 2

Les erreurs étant le complémentaire par rapport à 1 de la probabilité conditionnelle, elles suivent une distribution de Bernoulli, et non normale.

2u Normal(0, )

Page 36: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les limites du modèle de prob. linéaire (1)L’absence de normalité des erreurs

0.5

11

.52

2.5

De

nsi

ty

-1 -.5 0 .5Residuals

Page 37: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les limites du modèle de prob. linéaire (2)L’hétéroscédasticité des erreurs

OLS5 : La variance du terme d'erreur est la même, quelle que soiet les valeurs des variables indépendantes

Si le terme d’erreur suit une distribution de Bernoulli, alors sa variance dépend de X:

21 2 kVar u x ,x , ,x

Var(u) P(1 P) E(Y | X) (1 E(Y | X))

Page 38: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les limites du modèle de prob. linéaire (2)L’hétéroscédasticité des erreurs

-1-.

50

.5R

esi

du

als

.4 .6 .8 1 1.2Fitted values

Page 39: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les limites du modèle de prob. linéaire (3) Des prédictions aberrantes

Par définition, une probabilité est toujours comprise entre 0 et 1, si bien que :

Or OLS ne garantit en rien cette condition : On peut imaginer des prédictions en dehors de [0;1] L’effet marginal reste constant en permanence car P = E(Y|X) croit linéairement avec X. Ceci n’est pas réaliste (ex: la probabilité d’avoir un enfant en fonction

du nombre d’enfants dans la fratrie).

0 E Y | X 1

Page 40: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les limites du modèle de prob. linéaire (3)Des prédictions aberrantes

01

23

De

nsi

ty

.4 .6 .8 1 1.2Fitted values

Mauvaises prédictions

Page 41: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les limites du modèle de prob. linéaire (4)Un coefficient de détermination faible

Les valeurs observées de Y sont égales à 1 ou 0, alors que les valeurs prédites appartiennent à l‘ensemble des réels compris enter 0 et 1 : [0;1].

Si on confronte graphiquement les valeurs prédites avec les valeurs observées, l’ajustement linéaire apparaît systématiquement faible.

Page 42: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les limites du modèle de prob. linéaire (3)Des prédictions aberrantes

0.2

.4.6

.81

Du

mm

y in

no

vatio

n

.4 .6 .8 1 1.2Fitted values

Mauvaises prédictions qui baissent le R2

Page 43: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les limites du modèle de probabilité linéaire

1. L’absence de normalité des erreurs

2. L’hétéroscédasticité des erreurs

3. Les prédictions aberrantes

4. La faible valeur du coefficient de détermination 0 E Y | X 1

21 2 kVar u x ,x , ,x

2u Normal(0, )

Page 44: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Surmonter les limites du MPL1. L’absence de normalité des erreurs Augmenter la taille de l’échantillon

2. L’hétéroscédasticité des erreurs Effectuer des estimations robustes

3. Les prédictions aberrantes Effectuer des estimations contraintes ou non linéaires

4. La faible valeur du coefficient de détermination Ne pas utiliser le R2 pour estimer la qualité de l’ajustement

Page 45: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le MPL et ses utilisations

Malgré ses limites, le MPL est assez largement utilisé :

1. Parce qu’il constitue une base exploratoire dont les coefficients sont faciles à interpréter.

2. Parce qu’il marche plutôt bien pour les valeurs des variables indépendantes qui sont proches de la moyenne des données.

3. Parce qu’à la condition de travailler sur des grandes bases de données, il permet d’aborder des problèmes d’estimation que d’autres approches ont du mal à aborder.

Page 46: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle LOGIT

Page 47: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Probabilités, chances et logit Nous voulons expliquer la réalisation évènement : la

variable à expliquer prend deux valeurs : y={0;1}.

En fait, on va expliquer la probabilité de réalisation (ou non) de l’évènement: P(Y=y | X) [0 ; 1]∈ .

Il nous faudrait une transformation de P(Y) qui étendent l’intervalle de définition.

Nous allons voir que le calcul des chances permet d’envisager cette transformation.

Nous comprendrons alors les sources de la fonction logit.

Page 48: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle Logit (1)

Z

Z Z

Z Z

0 i i i

e 1P

1 e 1 e1 1

1 P 11 e 1 e

avec z x u

Modélisons la probabilité en nous assurant que quelles que soient les valeurs de X, P reste toujours entre 0 et 1.

Page 49: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle Logit (2)

ZZ

Z

0 1 1 2 2

P 1 ee

1 P 1 eP

ln z x x u1 P

Ecrivons le ratio de chance (odds ratio) et prenons son log:

Notons deux caractéristiques importantes et désirées du modèle :

1. Malgré le fait que P soit compris entre 0 et 1, le logit est un réel compris entre -∞ et + ∞

2. La probabilité n’est pas linéaire en X

Page 50: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les ratios de chance

( 1)odds ratio =

1 ( 1)

P Y

P Y

Ou plus généralement

innoverinnover innover

ne pas innover

ProbabilitéChance (odds ratio)

Probabilité

Plutôt que d’expliquer Y (=1 ou =0), on va tenter d’expliquer le ratio de chance (ou odds ratio)

Page 51: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Probabilités, chances et logitP(Y=1) Odds

p(y=1)

1-p(y=1)Ln (odds)

0.01 1/99 0,01 -4,60

0.03 3/97 0,03 -3,48

0.05 5/95 0,05 -2,94

0.20 20/80 0,25 -1,39

0.30 30/70 0,43 -0,85

0.40 40/60 0,67 -0,41

0.50 50/50 1,00 0,00

0.60 60/40 1,50 0,41

0.70 70/30 2,33 0,85

0.80 80/20 4,00 1,39

0.95 95/5 19,0 2,94

0.97 97/3 32,3 3,48

0.99 99/1 99,0 4,60

Page 52: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La transformation logit

Le précédent tableau fait correspondre une liste de probabilité entre 0 et 1 et son équivalent en termes de chance au logarithme des chances.

Si la probabilité varie de 0 à 1, la chance varie de 0 à l’infini. Le log de la chance varie de – ∞ à + ∞ .

Remarquez que la distribution des chances et des log est symétrique.

Page 53: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La distribution logistique

0.0

5.1

.15

.2.2

5D

en

sity

-10 -5 0 5 10Log (Odds ratio)

Page 54: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La méthode du maximum de vraisemblance Le problème est que nous n’observons pas le ratio de chance.

Encore une fois, le modèle MCO ne convient pas.

Pour estimer le modèle LOGIT, on a recours à la méthode du maximum de vraisemblance.

La méthode MV est une méthode d’estimation alternative à la méthode des moindres carrés.

Elle consiste à trouver la valeur des paramètres qui maximisent la vraisemblance des données.

La vraisemblance en économétrie est définie comme la probabilité jointe d’observer un échantillon, étant donné les paramètres du processus ayant généré les données.

Page 55: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La méthode du maximum de vraisemblance Supposons que nous disposons d’un échantillon de n observations

aléatoires. Soit f(Y) la probabilité que Y=1 ou 0. La probabilité jointe d’observer les n variables de Y est donnée par la fonction de vraisemblance :

1 21

, ,..., ( )n

n ii

f y y y f y

On doit maintenant spécifier la fonction f(.). Elle découle de la distribution des probabilités d’un événement qui ne peut avoir que deux occurrences: un succès et un échec. Il s’agit de la distribution binomiale :

1( ) (1 ) i iy yif y p p

Page 56: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La fonction de vraisemblance

En définitive, la fonction de vraisemblance s’écrit:

i i

i i

i ii

i i

n ny 1 y

ii 1 i 1

y 1 yzn n

i z zi 1 i 1

y 1 yxn n

i i x xi 1 i 1

L y f (y ) p 1 p

e 1L y,z f (y , z)

1 e 1 e

e 1L y, x, f (y , x , )

1 e 1 e

Page 57: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La fonction de vraisemblance Parce qu’elle est difficile à manipuler, on utilise généralement le log.

Après manipulation, la fonction log de la vraisemblance s’écrit :

i

i

n nz

ii 1 i 1

n nx

i ii 1 i 1

nx

i ii 1

LL y,z y z ln 1 e

LL y, x, y x ln 1 e

LL y, x, ln 1 e y x

Page 58: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La méthode du maximum de vraisemblance Le problème est le suivant: étant donné la forme

fonctionnelle de f(.) et les N observations, quelles valeurs des paramètres rendent l’observation de l’échantillon la plus vraisemblable?

Page 59: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La maximisation de la vraisemblance

n

i i i zi 1

i zn

i i i ii 1

LLy x 0

ewhere

1 e²LL1 x x

Cette maximisation n’a pas de solution analytique et se résout grâce un algorithme d’itération dit de Newton-Raphson.

Les estimateurs obtenus en maximisant la vraisemblance sont efficaces. Ou encore en maximisant le log de la vraisemblance.

Page 60: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’exemple des chances d’innover Les entreprises de biopharmaceutique : 373

(81%) ont innover et 84 (19%) ne l’ont pas fait.

La chance d’innover est d’environ 4 contre 1.En effet 373/84=4.4

Pour les entreprises de biopharmaceutique, la probabilité d’innover est quatre fois plus élevée que la probabilité de ne pas le faire.

Page 61: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de régression logistiqueApplication sur la base de données OLS

Instruction Stata : logit

logit y x1 x2 x3 … xk [if] [weight] [, options]

Options : noconstant : estime le modèle sans constante

robust : estime des variances robustes, même en cas d'hétéroscédasticité

if : permet de sélectionner les observations sur lesquelles portera la régression

weight : permet de pondérer les différentes observations

Page 62: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients (1) Pour avoir la mesure de la variation de probabilité, il faut utiliser la

formule du logit pour transformer le logit en probabilité

i

i

x

x

eP

1 e

Page 63: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients (2) Tapons un modèle sans variable explicative et

seulement une constante: Tapons logit inno et nous trouvons

La constante 1.491 s’interprète comme le log ratio moyen. Calculons la probabilité moyenne d’innover. Tapons : dis exp(_b[_cons])/(1+exp(_b[_cons])) Nous trouvons bien la valeur observée: 81%

1,491

1,491

eP 0,81

1 e

Page 64: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients (3) Un signe positif signifie que la probabilité de succès augmentera

avec la variable correspondante.

Un signe négatif signifie que la probabilité de succès diminuera avec la variable correspondante.

Une des difficultés dans l’interprétation des probabilités est leur non linéarité: elles ne varient pas identiquement selon le niveau des variables indépendantes.

C’est pourquoi il est fréquent de calculer la probabilité au point moyen de l’échantillon.

Page 65: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients (4) Tapons logit inno rdi size spe pharma

-7.63 0.757 0.979 0.367 3.781

-7.63 0.757 0.979 0.367 3.781

eP

1 e

rdi size spe pharma

rdi size spe ph

arma

A partir du modèle, on peut calculer la probabilité conditionnelle moyenne en utilisant les valeurs moyennes de rdi, size, spe et pharma.

eP 0,8724

1 e

1.9228238

1.9228238

Page 66: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les effets marginaux (1) Il est souvent utile de connaître l’effet marginal d’une variable explicative sur

la probabilité de succès d’un évènement. Puisque la probabilité est une fonction non linéaire des variables

explicatives, la variation de la probabilité due à un changement d’une variable explicative (ou son effet marginal) ne sera pas identique selon que les autres variables sont maintenues à leur niveau moyen, ou médian, ou au premier quartile, etc.

prvalue produit les probabilité prédites après un modèle logit (ou autre modèle) prvalue prvalue , x(size=10) rest(mean) renvoie pour p(Y=1) : 0.1177 prvalue , x(size=11) rest(mean) renvoie pour p(Y=1) : 0.2622 prvalue , x(size=12) rest(mean) renvoie pour p(Y=1) : 0.4862 prvalue , x(size=10) rest(median) renvoie pour p(Y=1) : 0.0309 prvalue , x(size=11) rest(median) renvoie pour p(Y=1) : 0.0781 prvalue , x(size=12) rest(median) renvoie pour p(Y=1) : 0.1841

Page 67: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les effets marginaux (2)

La commande prchange est bien utile. Elle produit l’effet marginal de chacune des variables explicatives pour la plupart des variations de valeurs désirées.

prchange [varlist] [if] [in range] ,x(variables_and_values) rest(stat) fromto

prchange prchange, fromto prchange , fromto x(size=10.5) rest(mean)

Page 68: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Qualité de l’estimation

Il n’existe pas de mesure comparable au R2 de la régression linéaire.

On utilise exclusivement la statistique du log de vraisemblance (LL), cad du log de la probabilité jointe d’observer l’échantillon. Plus il y a d’observation, plus le produit des probabilité jointe tend vers 0.

Autrement dit, pour un même modèle, plus il y a d’observations, plus LL tend vers -∞

Pour une même nombre d’observations, plus le modèle est explicatif, plus LL tend vers 0.

C’est en comparant deux LL que l’on évalue la qualité d’un ajustement, avec toujours un modèle contraint et un modèle non contraint.

Page 69: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le McFadden Pseudo R2

On utilise le McFadden Pseudo R2 (1973) en première analyse pour voir la qualité de l’ajustement. Il s’interprète de manière analogue au R2. Toutefois, parce qu’il reste généralement faible, son utilisation reste limitée.

Le pseudo-R2 dépend des maxima de vraisemblance obtenus si le modèle n’avait qu’une constante (modèle contraint) et pour le modèle complet (modèle non contraint). Il est compris entre 0 et1. Plus il est proche de 1 et mieux c’est.

c nc2 ncMF

nc c

ln L ln L ln LPseudo R 1

ln L ln L

Page 70: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le rapport de vraisemblance (LR test) Le ratio de vraisemblance dépend aussi des maxima de vraisemblance

et suit une loi de 2. La probabilité que les variables indépendantes ne sont pas explicatives (H0) est donnée par le test du 2.

Le rapport de vraisemblance compare une spécification contrainte à une autre non contrainte:

Ce rapport suit une distribution du 2.

Une grande valeur indique que le modèle non contraint apporte une information significative à l’évènement que le modèle veut expliquer.

nc cLR 2 ln L ln L

Page 71: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Autre utilisation du LR test

Comme output, STATA présente toujours le LR test, comparant le modèle spécifié avec un modèle sans variable explicative et seulement une constante.

On peut réaliser ce test pour comparer deux spécifications pour justifier l’ajout de variables explicatives. Ceci est très utile lorsqu’il s’agit de voir si l’ajout d’une variable apporte de l’information.

logit [modèle contraint] est store [nom1]

logit [modèle non contraint] est store [nom2] lrtest nom2 nom1

Page 72: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La qualité de la prévision

On peut enfin effectuer une comparaison entre les évènements prédits correctement avec ceux prédits avec erreurs.

Il faut alors faire une hypothèse: quand la probabilité prédite est supérieure à 0,5, alors la prédiction est que l’évènement a lieu.

Sous STATA, ceci est effectuer avec estat class

Page 73: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Autre modélisation du choix binaire Le modèle Logit ne constitue qu’une modélisation

possible, même dans le cas où la variable dépendante est une variable binaire.

On utilise largement le modèle Probit comme modèle concurrentiel.

Ou encore le modèle dit log-log complémentaire dans le cas des probabilité de survie, car il se prête bien à la modélisation de la fonction de hasard.

Page 74: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Autres modélisations de choix binaire Le modèle Probit

Le modèle log-log complémentaire

22 2z 2

z e ePr(Y 1| X) dz dz t dt

2 2

X β X βX β

Pr(Y 1| X) 1 exp exp( ) X β X β

Page 75: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les fonctions de vraisemblance et commandes STATA

1

1 1

1

1 1

1

1( , , ) ( , , )

1 1

( , , ) ( , , ) ( ) 1 ( )

( , , ) ( , , ) 1 exp( exp( )) exp( exp(

i i

i i

i

y yn n

i ii i

n ny y

i ii i

ny

i ii

eL y x f y x

e e

L y x f y x

L y x f y x

X β

X β X β

X β X β

X β

Logit :

Probit :

Log-log comp : 1

1

)) in

y

i

X β

Exemple

logit inno rdi size spe pharmaprobit inno rdi size spe pharmacloglog inno rdi size spe pharma

Page 76: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les fonctions de répartition

0.2

.4.6

.81

y

-4 -2 0 2 4x

Probit Transformation Logit TransformationComplementary log log Transformation

Page 77: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Comparaison des modèlesOLS Logit Probit C log-log

rd - size 0.113 0.757 0.428 0.365

[4.03]*** [3.63]*** [3.55]*** [3.24]***

ln(Actif matériel) 0.126 0.979 0.558 0.495

[8.73]*** [7.43]*** [7.68]*** [7.32]***

ln(spécialisation technologique) 0.051 0.367 0.196 0.131

[1.03] [0.90] [0.87] [0.67]

Dummy Pharma -0.447 -3.782 -2.12 -1.836

[7.56]*** [6.63]*** [6.83]*** [6.57]***

Constant -0.407 -7.64 -4.376 -4.264

[2.39]** [5.31]*** [5.44]*** [5.61]***

Observations 457 457 457 457

Absolute t value in brackets (OLS) z value for other models.

* 10%, ** 5%, *** 1%

Page 78: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Comparaison des effets marginaux

OLS Logit Probit C log-log

Intensité de recherche 0.113 0.085 0.093 0.102

Actif matériel 0.126 0.110 0.121 0.137

Spécialisation technologique 0.051 0.040 0.042 0.037

Entreprise Pharmaceutique -0.445 -0.470 -0.466 -0.455

Pour les modèles logit, probit et cloglog, les effets marginaux ont été évalués par une variation d’un point autour de la moyenne, en utilisant les valeurs moyennes des autres variables.

Page 79: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle LOGIT multinomial

Page 80: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle multinomial

Envisageons maintenant le cas où la variable dépendante est

multinomial. Par exemple, dans la cadre des activités d’innovation de

la firme: Collabore avec université (modalité 1) Collabore avec grande firme (modalité 2) Collabore avec PME (modalité 3) Ne collabore pas (modalité 4)

Ou dans le cadre de la survie des firmes: Survie (modalité 1) Banqueroute (modalité 2) Rachat (modalité 3)

Page 81: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata
Page 82: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Introduction au modèle multinomialPrenons le cas de la survie des firmes. La première possibilité est

d’envisager trois régressions logistiques indépendantes comme suit:

(1) (1) (1)0 1 1 m m

(2) (2) (2)0 1 1 m m

(3) (3) (3)0 1 1 m m

P(Y 1| X)ln x x

1 P(Y 1| X)

P(Y 2 | X)ln x x

1 P(Y 2 | X)

P(Y 3 | X)ln x x

1 P(Y 3 | X)

Où 1 = survie, 2 = banqueroute, 3 = rachat.1. Ouvrez le fichier mlogit.dta2. Pour chaque modalité, estimez la probabilité au point moyen de

l’échantillon, conditionnelle à : - temps (log_time) - la taille (log labour)- l’âge (entry_age)- l’indicatrice spinout (spin_out)- l’indicatrice cohorte (cohort_*)

Page 83: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Introduction au modèle multinomial

(1) (1) (1)0 1 1 m m

(2) (2) (2)0 1 1 m m

(3) (3) (3)0 1 1 m m

P(Y 1| X)ln x x

1 P(Y 1| X)

P(Y 2 | X)ln x x

1 P(Y 2 | X)

P(Y 3 | X)ln x x

1 P(Y 3 X)

|

P(Y 1| X) 0.8771

P(Y 2 | X) 0.0398

P(Y 3 | X) 0.0679

k

P(Y k | X) 0.9848 1

Page 84: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle multinomial

Premièrement, la somme des probabilités conditionnelles d’occurrence d’évènements exclusifs doit être égale à l’unité.

k

j k

P Y 0 | X 1 P Y j | X

k

j 0

P Y j | X 1

Deuxièmement, pour k modalités différentes, nous n’avons besoin d’estimer que (k – 1) modalités. Donc

Page 85: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle multinomialTroisièmement, le modèle multinomial est un modèle d’estimation

simultanée comparant des ratios de chance pour chaque pair de

modalités. Dans le cas de trois modalités:

(1|0) (1|0) (1|0)0 1 1 m m

(2|0) (2|0) (2|0)0 1 1 m m

(1|2) (1|2) (1|2)0 1 1 m m

P(Y 1| X)ln x x

P(Y 0 | X)

P(Y 2 | X)ln x x

P(Y 0 | X)

P(Y 1| X)ln x x

P(Y 2 | X)

Page 86: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle logit multinomial

P Y 1| X P Y 2 | X P Y 1| Xln ln ln

P Y 0 | X P Y 0 | X P Y 2 | X

Remarquons qu’il y a redondance d’information dans les trois modèles précédents. En effet :

1|0 2|0 1|2P Y 1| X P Y 2 | X P Y 1| Xln x ;ln x ;ln x

P Y 0 | X P Y 0 | X P Y 2 | X

1|0 2|0 1|2x x x

1|0 2|0 1|2

Quatrièmement, l’estimation d’un modèle multinomial revient à estimer conjointement (k – 1) modèles logit en posant la contrainte sur les paramètres à estimer:

Page 87: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle logit multinomial

( j|0 )

( j|0 )

x

j kx

j 0

eP Y j | X

e

Dans une modélisation logistique à k modalités, la probabilité d’occurrence de la modalité j s’écrit:

Par convention, la modalité 0 est la modalité de base

Page 88: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle logit multinomial

j| j P Y j | X

x ln ln(1) 0P Y j | X

Notez que j| jx, j : 0

( j|0 )j kx

j 1

1P Y 0 | X

1 e

( j|0 )

( j|0 )

x

j kx

j 1

eP Y j | X

1 e

( j|0 )

( j|0 )

x

j kx

j 0

eP Y j | X

e

Page 89: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle Logit binomial comme un cas particulier du logit multinomialRéécrivons la probabilité de l’évènement Y=1

On voit bien que le logit binomial est un cas particulier du cas multinomial où seulement deux modalités sont analysées.

(1|0) (1|0) (1|0)

(1|0) (0|0) (1|0) ( k|0)

x

x

x x x

x x x x

k 0,1

eP Y 1| X

1 e

e e eP Y 1| X

1 e e e e

Page 90: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La méthode du maximum de vraisemblance Supposons que nous disposons d’un échantillon de n observations

aléatoires. Soit f(Y) la probabilité que Y=j. La probabilité jointe d’observer les n variables de Y est donnée par la fonction de vraisemblance :

n

1 2 n ii 1

f y , y ,..., y f (y )

On doit maintenant spécifier la fonction f(.). Elle découle de la distribution des probabilités d’un événement qui peut avoir plusieurs modalités. Il s’agit de la distribution multinomiale :

j0 1 k ki i i i idYdY dY dY dY

i 0 1 j k jj K

f (y ) p p p p p

Page 91: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La fonction de vraisemblance

En définitive, la fonction de vraisemblance s’écrit:

ji

j0i i

( j|0)

( j|0) ( j|0)

n n kdY

i ji 1 i 1 j 1

dY dY

xn n k( j|0)

i i j k j kx xi 1 i 1 j 1

j 1 j 1

L(y) f y p

1 eL(y) f y , x ,

1 e 1 e

Page 92: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La fonction de vraisemblance

Après manipulation, la fonction log de la vraisemblance s’écrit

( j|0)i

( j|0) ( j|0)i i

( j|0)i i

xn k( j|0) 0 j

i ij k j kx xi 1 j 1

j 0 j 0

j kx x( j|0) j ( j|0)

i ij 0

1 eLL(y, x, ) dy ln dy ln

1 e 1 e

LL(y, x, ) ln 1 e dy x ln 1 e

( j|0)

( j|0)i

j kn k

i 1 j 1 j 0

j kn k kx( j|0) j ( j|0)

i ii 1 j 1 j 1 j 0

LL(y, x, ) dy x k 1 ln 1 e

Page 93: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de logit multinomial

Instruction Stata : mlogit

mlogit y x1 x2 x3 … xk [if] [weight] [, options]

Options : noconstant : estime le modèle sans constante

robust : estime des variances robustes, même en cas d'hétéroscédasticité

if : permet de sélectionner les observations sur lesquelles portera la régression

weight : permet de pondérer les différentes observations

Page 94: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de logit multinomialuse mlogit.dta, clear mlogit type_exit log_time log_labour entry_age entry_spin cohort_*

Dans Stata, la modalité de référence est celle qui a la plus grande fréquence empirique

Bloc des description de l’ajustement

Paramètres estimés, erreurs standards et probabilités critiques

Page 95: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficientsL’interprétation des coefficients s’effectue toujours en référence à la

catégorie de base.

La probabilité de rachat décroit-elle avec le temps ?

Non!! L’interprétation correcte est:

relativement à la survie, la probabilité de rachat décroit avec le temps

Page 96: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficientsL’interprétation des coefficients s’effectue toujours en référence à la

catégorie de base.

La probabilité de rachat est elle moins forte pour les « spinoffs » ?

Non!! L’interprétation correcte est:

relativement à la survie, La probabilité de rachat est moins forte pour les

« spinoffs »

Page 97: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients

Relativement à la banqueroute, la probabilité de rachat est plus forte

pour les « spinoffs »

1|0 2|0 1|2 2|0 1|0 2|1

lincom [boughtout]entry_spin – [death]entry_spin

Page 98: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Croiser les référencesmcross fait le travail pour nous !

Attention à la nouvelle catégorie de référence !!

Rachat relativement à la banqueroute

Relativement à la banqueroute, la probabilité de rachat est plus forte

pour les « spinoffs »

Page 99: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Croiser les référencesmcross fait le travail pour nous !

Et nous retrouvons notre résultat précédent

Page 100: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’hypothèse d’indépendances des états non pertinents (IIA)

Le modèle repose sur l’hypothèse que pour chaque paire de modalités les réalisations sont indépendantes des autres modalités. Autrement dit, les autres modalités sont non pertinentes (irrelevant).

D’un point de vue statistique, cela revient à faire l’hypothèse d’indépendance des termes d’erreur entres les différentes modalités (d’où le nom IIA: Independence of irrelevant alternatives)

Une façon simple de tester la propriété IIA est alors d’estimer le modèle en retirant une modalité (pour retreindre les choix), et de comparer les nouveaux paramètres avec ceux du modèle complet Si IIA est valide, les paramètres ne changent pas significativement Si IIA n’est pas valide, les paramètres changent significativement

Page 101: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’hypothèse d’indépendances des états non pertinents (IIA) H0: La propriété IIA est valide

H1: La propriété IIA n’est pas valide

1* * *

R C R C R Cˆ ˆ ˆ ˆ ˆ ˆH var var

La statistique H (H car il s’agit en fait d’un test d’Hausman) suit une distribution du χ² à M degré de liberté (M étant le nombre de paramètres)

Page 102: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application de IIA

H0: La propriété IIA est valide

H1: La propriété IIA n’est pas valide

mlogtest, hausman

Variable omise

Page 103: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application de IIA

H0: La propriété IIA est valide

H1: La propriété IIA n’est pas valide

mlogtest, hausmanDonc on compare les paramètres du modèle

« Banqueroute relativement à Rachat » estimé conjointement avec

« survie relativement à rachat»

avec

les paramètres du modèle « Banqueroute relativement à Rachat »

estimé sans « survie relativement à rachat»

Page 104: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Application de IIA

H0: La propriété IIA est valide

H1: La propriété IIA n’est pas valide

mlogtest, hausman

La conclusion est que la modalité survie modifie significativement l’arbitrage rachat ou

banqueroute.

En fait pour une firme, le rachat peut être vu comme une modalité de rester en activité avec

une perte sur la décision économique d’investissement notamment.

Page 105: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le LOGIT multinomial ordonné

Page 106: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle multinomial ordonnéEnvisageons maintenant le cas où la variable dépendante est une

variable discrète, dont la valeur indique une intensité. Typiquement,

dans le cadre d’une enquête d’opinion (genre CIS1-4), on a des

questions dont la réponse est codée par une échelle de Likert :

Obstacles à l’innovation (échelle de 1 à 5) Intensité de collaboration (échelle de 1 à 5) Enquête de marketing (N’apprécie pas (1) – Apprécie (7)) Note d’étudiants Test d’opinion Etc.

Page 107: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La structure ordonnée

*n 1

*n1 2*n2 3

*3 k

y 1 si y

y 2 si y

y 3 si y

y k si y

M

Ces variables décrivent des échelles verticales – quantitatives, si

bien qu’une façon de modéliser le problème est de considérer des

intervalles dans lesquels la variable latente y* peut se trouver

où αj sont des bornes inconnues à estimer, définissant la frontière

des intervalles.

Page 108: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La structure ordonnée

i i*i x uy

On pose ensuite l’hypothèse que la variable latente (non observée)

y* est une combinaison linéaire des variables explicatives :

où ui admet une fonction de répartition F(.). Les probabilités

associées aux réalisations de y (y ≠ y*) sont alors liées à la fonction

de répartition de F(.). Regardons la probabilité que y = 1 :

1 i

1 i

i i

i i

x

1 i x

*1i

1

1

P(y 1) P

P(y 1) P x u

P(y 1) P u x

eP(y 1) x

1 e

y

Page 109: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La structure ordonnée

Regardons la probabilité que y = 2 :

i 1 i

i 1 i

2

2

x x

2 i 1 i x x

* *2 1i iP(y 2) P P

e eP(y 2) x x

1 e 1 e

y y

Donc dans l’ensemble, nous avons:

1 i

2 i 1 i

3 i 2 i

k 1 i

P(Y 1) x

P(Y 2) x x

P(Y 3) x x

P(Y k) 1 x

M

Page 110: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Probabilité dans le modèle ordonné

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

y=3y=2y=1 y=k

1 ix 2 ix 3 ix k 1 ix

ui

Page 111: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La fonction de vraisemblance

j

0 n

k n

dyn k

j i j-1 ii=1 j=1

y, x,

avec

F( - x ) 0

F( - x ) 1

L( , ) = F( x ) F( x )

En définitive, la fonction de vraisemblance s’écrit:

Page 112: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Dans le cas où ui suit une fonction logistique, la fonction log de la vraisemblance s’écrit :

j i j-1 i

j i j-1 i

x xn kji x x

i 1 j 1

jj i j-1 i

j i j-1 i

dyx xn k

x xi=1 j=1

y, x,

et donc

e ey, x, dy ln

1 e 1 e

e eL( , ) =1 e 1 e

LL( , ) =

La fonction de vraisemblance

Page 113: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le logit multinomial ordonnée

Instruction Stata : ologit

ologit y x1 x2 x3 … xk [if] [weight] [, options]

Options : noconstant : estime le modèle sans constante

robust : estime des variances robustes, même en cas d'hétéroscédasticité

if : permet de sélectionner les observations sur lesquelles portera la régression

weight : permet de pondérer les différentes observations

Page 114: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de logit multinomialuse est_var_qual.dta, clear ologit innovativeness size rdi spe biotech

Qualité de l’ajustement

Paramètres estimés

Points seuils

Page 115: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients

i i1.95

i 1.95

i

1P(y 1) P x ue

P(y 1) P 270.5 u 268.6 .12451 e

P(y 1) P u 1.9

Un signe positif signifie une relation positive entre la variable explicative et le rang (ou l’ordre)

Une des difficultés dans l’interprétation est le rôle des variables de seuil. Notre modèle est :

Quelle est la probabilité que Y = 1 : P( = 1) ? Quelle est la probabilité que le score soit inférieur au premier seuil ?

i iScore x u

Page 116: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Interprétation des coefficients

i i1.95

i 1.95

i 2 i 1 i

i i1.95

i 1.95

i

1

2

P(y 1) P x ue

P(y 1) P 270.5 u 268.6 .12451 e

P(y 1) P u 1.9 P(Y 2) F x F x

P(Y

P(y 1) P x ue

P(y 1) P 270.5 u 269.3 .23211 e

P(y 1) P u 1.2

2) .2321 .1245

P(Y 2) .1076

Quelle est la probabilité que Y = 2 : P( Y = 2) ?

Page 117: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Obtenir les probabilité préditesprvalue fait le travail pour nous !

Page 118: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les modèles de comptage

Partie 1. Le modèle de Poisson

Page 119: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata
Page 120: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les modèles de comptage

Envisageons maintenant le cas où la variable dépendante est une variable

discrète positive qui décrit un nombre d’évènement. Typiquement, dans le

cadre de l’analyse de l’innovation, on dénombre des innovations, de

demande de brevets, des inventions.

On pourrait utiliser les MCO mais les MCO peuvent produire des prédictions

négatives. Pour les cas où les recensement sont importants (nombre de

brevets par pays, et non par firme), alors les MCO peuvent être utilisés. On

pourrait utiliser le modèle multinomial ordonné pour le faible dénombrement.

Généralement on utilise les modèle de comptage, dont la variable à

expliquer suit une loi de Poisson.

Page 121: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de Poisson

Soit Y variable aléatoire de comptage, la probabilité donnée par la

distribution de Poisson que Y soit égale à un entier yi est :

Pour introduire les variables explicatives dans le modèle, on conditionne

λi en imposant la forme log-linéaire comme suit:

i iyi

i ii

i

eP Y y , y 0,1,2,...

y !

avec E Y var Y

ixi

i i

e

ln x

Page 122: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La distribution de Poisson

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

0.8 1.5

2.9 10.5

Valeur de Lambda

Page 123: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La fonction de vraisemblance s’écrit :

i

nx

i i ii 1

i iyni

i=1 i

y,

et donc

y, x, y x e ln y !

eL( ) =

y !

LL( ) =

La fonction de vraisemblance

Page 124: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de Poisson

Instruction Stata : poisson

poisson y x1 x2 x3 … xk [if] [weight] [, options]

Options : noconstant : estime le modèle sans constante

robust : estime des variances robustes, même en cas d'hétéroscédasticité

if : permet de sélectionner les observations sur lesquelles portera la régression

weight : permet de pondérer les différentes observations

Page 125: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de Poissonuse est_var_qual.dta, clear poisson poisson PAT rdi size spe biotech

Bloc des paramètres estimés

Bloc des description de l’ajustement

Page 126: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’interprétation des coefficients

i i

ln x 1 xln x ; x

x x xln

Si les variables sont entrées en logarithme, on peut interpréter les coefficients comme des élasticités :

L’augmentation de 1% de la taille de l’entreprise est associée à une augmentation de 0.51% du nombre espéré de brevets

Page 127: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’interprétation des coefficients

i i

ln x 1 xln x ; x

x x xln

Si les variables sont entrées en logarithme, on peut interpréter les coefficients comme des élasticités :

L’augmentation de 1% de l’investissement en R&D est associée à une augmentation de 0.79% du nombre espéré de brevets

Page 128: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’interprétation des coefficientsSi la variable explicatives n’est pas une transformé logarithmique, l’interprétation change

L’augmentation de 1 point du degré de spécialisation est associée à une augmentation de 0.74% du nombre espéré de brevets

Page 129: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’interprétation des coefficientsPour les variables muettes, l’interprétation est légèrement différentes

Les entreprises de biotechnologie ont un nombre espéré de brevets supérieur de 1% aux autres entreprises.

Page 130: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’interprétation des coefficientsToutes les variables sont extrêmement significatives

… mais hélas …

E Y var Y

Page 131: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Les modèles de comptagePartie 2. Le modèle négatif

binomial

Page 132: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle négatif binomial

Généralement, le modèle de Poisson est invalidé par la présence

d’une surdispersion des données qui violent l’hypothèse d’égalité

des deux premiers moments de la distribution: la moyenne et la

variance.

Le modèle négatif binomial pallie à ce problème en ajoutant à la

forme log-linéaire un terme d’hétérogénéité non observée:

i i i i iln v ln ln u x

ii iyu

i ii

i

e uP Y y

y !

Page 133: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle négatif binomialLa densité de yi (la probabilité) est obtenue en prenant l’espérance

de l’expression par rapport à la densité de ui :

ii i

i

yuui i 1

i i i i i ii0

ave u

f Y y | x g u du e uec g uy !

En supposant que ui suit une loi Gamma de moyenne 1, la densité

de yi devient :

iy

i ii i

i i i

yY y x

y 1

f |

Page 134: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

La fonction de vraisemblance

i

i

yn

i i

i 1 i i i

nx

i i ii 1

yL y, ,

y 1

LL y,x , y x y ln e ln

Où alpha est le paramètre de surdispersion

Page 135: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle négatif binomial

Instruction Stata : nbreg

nbreg y x1 x2 x3 … xk [if] [weight] [, options]

Options : noconstant : estime le modèle sans constante

robust : estime des variances robustes, même en cas d'hétéroscédasticité

if : permet de sélectionner les observations sur lesquelles portera la régression

weight : permet de pondérer les différentes observations

Page 136: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le modèle de Poissonuse est_var_qual.dta, clear nbreg poisson PAT rdi size spe biotech

Qualité de l’ajustement

Paramètres estimés

Paramètre de surdispersion

Test de surdispersion

Page 137: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’interprétation des coefficientsSi les variables sont entrées en logarithme, on pouvons toujours interpréter les coefficients comme des élasticités :

L’augmentation de 1% de la taille de l’entreprise est associée à une augmentation de 0.66% du nombre espéré de brevets

Page 138: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’interprétation des coefficientsSi les variables sont entrées en logarithme, on pouvons toujours interpréter les coefficients comme des élasticités :

L’augmentation de 1% de la taille des dépenses de R&D est associée à une augmentation de 0.86% du nombre espéré de brevets

Page 139: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’interprétation des coefficientsSi la variable explicatives n’est pas une transformé logarithmique, l’interprétation change:

L’augmentation de 1 point du degré de spécialisation est associée à une augmentation de 0.84% du nombre espéré de brevets

Page 140: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

L’interprétation des coefficientsEt pour les variables muettes :

Les entreprises de biotechnologie ont un nombre espéré de brevets supérieur de 1,56% aux autres entreprises.

Page 141: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Le test de surdispersion

On utilise le test LR qui compare le modèle négatif binomial avec le modèle de Poisson

NBREG PRMLR 2 ln L ln L 2 3055 6110

-4536-1481 -

Le résultat du test (H0: Alpha=0) rejette l’hypothèse de nullité de alpha. Il y a de la surdispersion dans les données. Il faut donc choisir

le modèle binomial négatif.

Page 142: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Des erreurs standard plus grandesDes valeurs z plus petites

Page 143: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Extensions

Page 144: Les variables qualitatives Lionel Nesta Ecole Doctorale Marchés et Organisation : Droit – Economie – Gestion Formation dÉconométrie avec Stata

Estimateurs MV Tous les modèles présentés peuvent être étendus à la prise en

compte de l’hétérogénéité non observée Effets fixes Effets aléatoires

Le modèle d’Heckman Biais de sélection Deux équations, dont la première estime la probabilité d’être

observé

Les modèles de survie En temps discret: log-log complémentaire, logit En temps continu