UNIVERSITE DE PARIS 11

TD dconomtrie

Anne Plunket
Les variables instrumentales

Soit le modle macroconomique Keynsien suivant :

Yt = C0t + It + Gt + N Xt

(1)

COt = 0 + 1 Y Dt + 2 COt1 + 1t

(2)

Y Dt = Yt Tt

(3)

It = 3 + 4 Yt + 5 rt1 + 2t

(4)

rt = 6 + 7 Yt + 8 Mt + 3t

(5)

Yt : PIB lanne t
COt : Consommation en t
It : Investissement brut en t
Gt : Dpenses gouvernementales en t
N Xt : Exportations nettes de biens et services en t (exportations moins importations)
Tt : Impts en t
rt : le taux dintrt en t
Mt : loffre de monnaie en t
Y Dt : revenu disponible en t
Les donnes ncessaires se trouvent dans le fichier macro14.xls
Toutes les variables sont en termes rels sauf les taux dintrt qui sont en pourcentage
nominaux. Les donnes vont de lanne 1964 lanne 1994.
1. Quelle distinction faites-vous entre les quations stochastiques et les quations comptables. Indiquez pour chacune des quations si elle est comptable ou stochastique.
2. On cherche estimer lquation de consommation (2). Cette quation souffre-t-elle dun
problme dendognit ? Pourquoi ?
3. Quels instruments pourriez-vous proposer pour estimer cette quation ?
4. Quest-ce quune forme rduite ? Quelle distinction fates-vous avec la forme structurelle ? Soit la forme rduite suivante :
COt = 0 + 1 COt1 + 2 Gt + 3 N Xt + 4 Tt + 5 rlag + vt
On vous propose la rgression suivante aprs cration des variables manquantes. Commentez le principe de la mthode des doubles moindres carrs ainsi que les rsultats.
.
.
.
.
.

generate t= y- yd
generate nx=y- co- i- g
tsset years
generate colag=L.co
generate rlag=L.r

. ivreg co colag (yd = g nx t rlag), first

First-stage regressions
----------------------Source |
SS
df
MS
-------------+-----------------------------Model | 13636091.6
5 2727218.33
Residual | 28657.1811
25 1146.28724
-------------+-----------------------------Total | 13664748.8
30 455491.627

Number of obs
F( 5,
25)
Prob > F
R-squared
Adj R-squared
Root MSE

=
31
= 2379.18
= 0.0000
= 0.9979
= 0.9975
= 33.857

-----------------------------------------------------------------------------yd |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------colag |
1.237215
.0578294
21.39
0.000
1.118113
1.356316
g | -.5475463
.2008534
-2.73
0.012
-.9612116
-.1338809
nx | -.6295363
.1646918
-3.82
0.001
-.9687255
-.2903471
t | -.3431788
.1869254
-1.84
0.078
-.7281588
.0418013
rlag | -2.033518
4.088719
-0.50
0.623
-10.45439
6.387357
_cons |
511.6136
86.24525
5.93
0.000
333.9882
689.239
-----------------------------------------------------------------------------Instrumental variables (2SLS) regression
Source |
SS
df
MS
-------------+-----------------------------Model | 12348801.8
2 6174400.88
Residual | 26110.8198
28 932.529278
-------------+-----------------------------Total | 12374912.6
30 412497.086

Number of obs
F( 2,
28)
Prob > F
R-squared
Adj R-squared
Root MSE

=
31
= 6615.72
= 0.0000
= 0.9979
= 0.9977
= 30.537

-----------------------------------------------------------------------------co |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------yd |
.4416382
.1538393
2.87
0.008
.1265126
.7567637
colag |
.5403086
.1629997
3.31
0.003
.2064187
.8741984
_cons | -24.73018
34.90232
-0.71
0.484
-96.22435
46.76399
-----------------------------------------------------------------------------Instrumented: yd
Instruments:
colag g nx t rlag
------------------------------------------------------------------------------

5. On vous propose un test didentification ? En quoi consiste le test ? Quelle est lhypothse
teste ? Fates le test en vous aidant de la table du chi(2) ? Quelles sont vos conclusions ?
. overid
Tests of overidentifying restrictions:
Sargan N*R-sq test
21.726 Chi-sq(3)
Basmann test
58.568 Chi-sq(3)

P-value = 0.0001
P-value = 0.0000

6. Lestimation par la mthode des doubles moindres carrs suppose que les erreurs sont
i.i.d ? Cette hypothse vous parat-elle suspecte ? Pourquoi ?
7. Une rgression par les simples moindres carrs de la consommation, nous donne un dur2

bin et watson de Durbin-Watson Statistic = .8926652. Fates le test ? Quelles sont vos
conclusions ?
8. On vous propose une rgression par la mthode des moments gnraliss. Cette estimation
apporte t-elle une amlioration ?
. ivreg2 co colag (yd = g nx t rlag), gmm bw(2)
2-Step GMM estimation
--------------------Estimates efficient for arbitrary autocorrelation
Statistics robust to autocorrelation
kernel=Bartlett; bandwidth=
2
time variable (t): years

Total (centered) SS
Total (uncentered) SS
Residual SS

=
=
=

12374912.58
197725473.9
25991.24935

Number of obs
F( 2,
28)
Prob > F
Centered R2
Uncentered R2
Root MSE

=
=
=
=
=
=

31
4678.52
0.0000
0.9979
0.9999
28.96

-----------------------------------------------------------------------------co |
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
-------------+---------------------------------------------------------------yd |
.4556004
.1720822
2.65
0.008
.1183255
.7928754
colag |
.5261765
.1823187
2.89
0.004
.1688383
.8835146
_cons | -28.36601
39.24406
-0.72
0.470
-105.2829
48.55093
-----------------------------------------------------------------------------Hansen J statistic (overidentification test of all instruments):
16.926
Chi-sq(3) P-val =
0.0007
-----------------------------------------------------------------------------Instrumented:
yd
Included instruments: colag
Excluded instruments: g nx t rlag
------------------------------------------------------------------------------

9. On vous propose un test pour savoir si nx et rlag sont des instruments appropris. Quen
pensez vous ?
. ivreg2 co colag (yd = g t nx rlag), gmm bw(2) orthog(nx rlag)
2-Step GMM estimation
--------------------rsultats de la rgression omises
-----------------------------------------------------------------------------Hansen J statistic (overidentification test of all instruments):
16.926
Chi-sq(3) P-val =
0.0007
-orthog- option:
Hansen J statistic (eqn. excluding suspect orthogonality conditions):
0.595
Chi-sq(1) P-val =
0.4407
C statistic (exogeneity/orthogonality of suspect instruments):
16.331
Chi-sq(2) P-val =
0.0003
Instruments tested:
nx rlag
-----------------------------------------------------------------------------Instrumented:
yd
Included instruments: colag
Excluded instruments: g t nx rlag
------------------------------------------------------------------------------

10. La rgression la suite de lexclusion des instruments vous parat-elle satisfaisante ?

. ivreg2 co colag (yd = g t), gmm2s bw(2)
2-Step GMM estimation
--------------------Estimates efficient for arbitrary autocorrelation
Statistics robust to autocorrelation
kernel=Bartlett; bandwidth=
2
time variable (t): years

Total (centered) SS
Total (uncentered) SS
Residual SS

=
=
=

12374912.58
197725473.9
67501.31687

Number of obs
F( 2,
28)
Prob > F
Centered R2
Uncentered R2
Root MSE

=
=
=
=
=
=

31
2006.73
0.0000
0.9945
0.9997
46.66

-----------------------------------------------------------------------------co |
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
-------------+---------------------------------------------------------------yd | -.2669334
.3834833
-0.70
0.486
-1.018547
.4846801
colag |
1.290077
.405872
3.18
0.001
.4945823
2.085571
_cons |
101.7307
78.17731
1.30
0.193
-51.49404
254.9554
-----------------------------------------------------------------------------Hansen J statistic (overidentification test of all instruments):
0.249
Chi-sq(1) P-val =
0.6175
-----------------------------------------------------------------------------Instrumented:
yd
Included instruments: colag
Excluded instruments: g t
------------------------------------------------------------------------------