PRUD – projet n° 37 – rapport scientifique final (janvier ... - gemdev

PRUD – projet n° 37 – rapport scientifique final (janvier 2004)de panel par secteur21. Dans ce cas, la dimension spatiale des données variera en fonction du nombrede régions dans lesquelles le secteur d’activité apparaîtra.Une alternative à l’estimation de l’équation par secteur d’activité serait d’estimer une équation deproductivité agrégée par région en log-niveaux. Mais cette méthode aurait eu l’inconvénient decombiner des techniques de production différentes, rendant ainsi complexe l’interprétation desestimateurs. En outre, il serait difficile de mettre en évidence les économies de localisation dans unetelle fonction dans la mesure où par définition, elles sont englobées dans les économies d’urbanisationtelles que formulées par le modèle de Henderson et donc imparfaitement mesurées (cf. Mera, 1975 ;Mooma w, 1981 ; Henderson, 1988).L’utilisation des données de panel réunit plusieurs avantages qui, d’une manière générale, améliorentles estimations. En fait, la possibilité d’introduire dans les régressions des effets spécifiques à chaqueindividu (région), de même que les différentes spécifications de ces effets, apporte une précisionsupplémentaire. Enfin, l’ajout de la composante spatiale (dimension transversale) réduit les risques detendances stochastiques (Varoudakis et Véganzonès, 1998).L’estimation de l’équation économétrique (cf. section 2.1) suppose que les résidus d’estimation sontaléatoires, sériellement indépendants, de variances minimales et constantes (propriétéd’homoscédasticité).En outre, les variables explicatives sont supposées exogènes par rapport à ces résidus. Ces hypothèsesimpliquent quelques précautions à prendre dans la mesure où en présence d’un effet spécifiquesectoriel régional (effet individuel), il peut exister une hétérogénéité des caractéristiques sectoriellesrégionales (variance non constante) ou encore une corrélation de ces caractéristiques avec les variablesexplicatives du modèle.Si tel est le cas, les estimateurs des moindres carrées ordinaires (MCO) et des moindres carréesgénéralisées (MCG ou méthode d’Aïtken) sont biaisés et non convergents. De ce fait, il convientd’effectuer des tests d’absence de spécificités sectorielles régionales et de spécification du modèle.Les tests de spécification qui correspondent aux tests d’hypothèses économétriques usuels en macroéconométrie,revêtent une importance particulière dans les estimations sur données de panel. Ces testssont classés en deux grandes catégories : les tests d’existence et de significativité des effets spécifiques(individuels et/ou temporels) qui sont des tests d’hétéroscédasticité, et les tests d’indépendance deseffets spécifiques qui sont des tests d’exogénéité.Pour tester l’absence d’effets spécifiques (hypothèse nulle), nous utilisons la statistique dumultiplicateur lagrangien de Breusch-Pagan (BPml). Elle suit une loi du Chi-deux. Une valeur élevéede cette statistique (équivalant à une faible probabilité que la statistique BPml soit inférieure ou égaleà la statistique du Chi-deux tabulée) conduit à privilégier les effets spécifiques régionaux.L’application de ce test au modèle économétrique indique les résultats résumés dans le tableau cidessous.Résultats du test du multiplicateur de Lagrange d’absence d’effets spécifiques (test de Breusch-Pagan)appliqué à l’équation de productivitéSecteurs d’activités Régions concernéesRésultats du testBP ml ProbabilitéSECTEUR PRIMAIREAgriculture vivrière,élevage et chasse (S01)Agnéby, Lagunes, Savanes 1,58 0,209321 Les données de panel sont constituées par un empilement des données annuelles pour obtenir un seul fichierpar secteur d’activité, contenant toute la période 1980-1996 et où l’on observe la même région en autant de foisqu’il y a d’observations (17 années allant de 1980 à 1996) à plusieurs reprises. Notre échantillon est « cylindré »parce qu’il comporte le même nombre d’observations pour chaque région.42