EPS4-01 - Cours 02

Ecole Nationale Supérieure de Statistique et d’Economie Appliquée
COURS EN LIGNE Cours N 02

MODULE : ECONOMETRIE II
Enseignant : Pr. T, DJEDDI
CHAPITRE 01 : LES MODELES A EQUATIONS MULTIPLE ‘SUITE’
ESTIMATION :
Le choix d’un estimateur
Pour obtenir des estimations des paramètres du modèle SUR, il faut choisir un estimateur.
Pour cela nous allons examiner les quatre estimateurs suivants:
1.L’estimateur des moindres carrés ordinaires (Ordinary least squares (OLS))
2. L’estimateur des moindres carrés généralisés (Generalized least squares (GLS)
3. L’estimateur des moindres carrés généralisés faisables (Feasible generalized least squares
(FGLS))
4. L’estimateur des moindres carrés faisables itérés (Iterated feasible least squares (ITGLS))
1. L’estimateur des moindres carrés ordinaires OLS

Reprenons le modèle (4)
(5)
Il est clair que si on applique la méthode des (MCO) à ce modèle, les

estimateurs seront sans biais mais pas optimaux du fais que la distribution des perturbations
n.est pas sphérique.
Ceci nous amène à recourir la méthode des moindres carrés généralisés (GLS) ce qui donne :
1.1 Propriétés de l'estimateur GLS
Si les données d'échantillon sont générés par le modèle de régression SUR, alors
l'estimateur GLS n'est pas biaisé, efficace, et un estimateur du maximum de vraisemblance.
La raison que l'estimateur des GLS est plus précis que l'estimateur MCO est qu'il utilise les
informations sur les perturbations non sphériques contenues dans Θ pour obtenir des
estimations des paramètres.
1.2 Inconvénient majeur de l'estimateur GLS
L'estimateur GLS n'est pas un estimateur faisable, parce que vous ne connaissez pas les
éléments de la matrice de variance-covariance des perturbations, Θ, pour la grande équation.
2. Estimateur Pratique des GLS (Feasible Generalized Least Squares (FGLS)
Estimator)
L’estimateur pratique des GLS est obtenu en remplaçant dans l’expression de 𝛽𝑔𝑙𝑠 la matrice
de variances-covariances (∑) par son estimateur (∑) ce qui donne :
Ou
encore :
où 𝜎 𝑖𝑗 est le (i,j)ième élément de la matrice ∑−1

La difficulté majeur qui se pose dans l’application de cette formule est comment
obtenir la matrice ∑−1 ? et pour pallier de cette difficulté : ZELLNER (1962) propose la
construction d’un estimateur qui s’obtient en passant par les trois étapes suivantes :
Etape 01 : On estime chacune des équations du modèle (02) en appliquant la méthode des
MCO et en déduit les vecteurs des résidus 𝑒1 , 𝑒𝑚 , … , 𝑒𝑚 où :
𝑒𝑖 = 𝐼 − 𝑋𝑖 (𝑋𝑖′ 𝑋𝑖 )−1 𝑋𝑖′ 𝑦𝑖 𝑖 = 1,2, … , 𝑚
Etape 02 : Les éléments diagonaux 𝜎 𝑖𝑖 de ∑ sont estimés par :

𝑒′ 𝑒
𝜎 𝑖𝑖 = 𝑇−𝑘
𝑖 𝑖
𝑖
Etape 03 : Les éléments diagonaux 𝜎 𝑖𝑖 de ∑ sont estimés par :

𝑒𝑖′ 𝑒 𝑗
𝜎 𝑖𝑗 = 1/2
𝑇−𝑘 𝑖 1/2 𝑇−𝑘 𝑗
Où : ki est le nombre de colonnes de Xi.

3. Estimateur Pratique des IFGLS (Iterated Feasible Generalize Least Squares
Estimator)
Un estimateur de FGLS alternative est l’estimateur d’IFGLS réitéré. L'estimateur de IFGLS
utilisée le plus souvent est estimateur de ZELLNER : SUR itérative ( ISUR ). Les étapes de
l'utilisation de l'estimateur de ISUR sont les suivantes.
1 . Estimer les paramètres de la grande équation en utilisant l'estimateur de Zellner de SUR

décrit ci-dessus.
2 . Utiliser les estimations des paramètres de cette régression pour calculer les résidus pour
chacun des M équations.
3 . Utilisez les résidus d'obtenir de nouvelles estimations des variances- covariances des
perturbations pour les M équations, et donc une nouvelle estimation de ∑ et de Θ.
4 . Utiliser la nouvelle estimation de Θ pour répéter l'étape 1 et obtenir de nouvelles
estimations des paramètres .
5 . Répétez les étapes 2 , 3 et 4 . (Chaque fois que vous obtenez de nouvelles estimations des
paramètres ce qui achève une itération) .
6 . Continuer à parcourir jusqu'à que la convergence soit atteinte. La convergence est atteinte
lorsque la variation de l'estimation des paramètres est très faible, Très petite est définie par un
critère prédéterminé. Cette dernière série d'estimations de paramètres représente les
estimations de ISUR .

EPS4-01 - Cours 02

Transféré par

Droits d'auteur :

Formats disponibles

EPS4-01 - Cours 02

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

EPS4-01 - Cours 02

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Nationale Supérieure de Statistique et d’Economie Appliquée

COURS EN LIGNE Cours N 02

CHAPITRE 01 : LES MODELES A EQUATIONS MULTIPLE ‘SUITE’

1. L’estimateur des moindres carrés ordinaires OLS

Il est clair que si on applique la méthode des (MCO) à ce modèle, les

où 𝜎 𝑖𝑗 est le (i,j)ième élément de la matrice ∑−1

Etape 02 : Les éléments diagonaux 𝜎 𝑖𝑖 de ∑ sont estimés par :

Etape 03 : Les éléments diagonaux 𝜎 𝑖𝑖 de ∑ sont estimés par :

Où : ki est le nombre de colonnes de Xi.

1 . Estimer les paramètres de la grande équation en utilisant l'estimateur de Zellner de SUR

Vous aimerez peut-être aussi