{"id":25803,"date":"2026-11-08T15:59:31","date_gmt":"2026-11-08T15:59:31","guid":{"rendered":"https:\/\/french.arabpsychology.com\/?psych_comparison=modeles-effets-fixes-vs-modeles-effets-aleatoires"},"modified":"2026-11-08T15:59:31","modified_gmt":"2026-11-08T15:59:31","slug":"modeles-effets-fixes-vs-modeles-effets-aleatoires","status":"publish","type":"psych_comparison","link":"https:\/\/french.arabpsychology.com\/?psych_comparison=modeles-effets-fixes-vs-modeles-effets-aleatoires","title":{"rendered":"Mod\u00e8les \u00e0 effets fixes vs mod\u00e8les \u00e0 effets al\u00e9atoires"},"content":{"rendered":"

L’analyse des donn\u00e9es de panel, combinant le suivi temporel d’unit\u00e9s transversales telles que des individus, des entreprises ou des nations, constitue l’un des piliers m\u00e9thodologiques les plus puissants de la micro\u00e9conom\u00e9trie contemporaine et des sciences sociales quantitatives. En introduisant une double dimension indiciaire \u2014 g\u00e9n\u00e9ralement not\u00e9e i<\/em> pour l’unit\u00e9 individuelle et t<\/em> pour la p\u00e9riode temporelle \u2014, ces structures informationnelles permettent d’aborder des questions causales inaccessibles aux simples coupes transversales ou aux s\u00e9ries temporelles isol\u00e9es. Cependant, la richesse empirique des panels soul\u00e8ve imm\u00e9diatement un probl\u00e8me \u00e9pist\u00e9mologique et statistique redoutable : comment mod\u00e9liser l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 inobserv\u00e9e des entit\u00e9s suivies sans biaiser l’estimation des param\u00e8tres structurels ?<\/p>\n

Cette probl\u00e9matique se cristallise historiquement autour de la confrontation entre deux paradigmes fondamentaux : les mod\u00e8les \u00e0 effets fixes (Fixed Effects<\/em>) et les mod\u00e8les \u00e0 effets al\u00e9atoires (Random Effects<\/em>). Loin de se r\u00e9duire \u00e0 une simple divergence technique d’estimation algorithmique, ce clivage engage des visions radicalement diff\u00e9rentes de la nature des param\u00e8tres sous-jacents, de la structure de l’erreur stochastique et de la validit\u00e9 de l’inf\u00e9rence causale. Alors que l’approche \u00e0 effets fixes privil\u00e9gie la consistance asymptotique des coefficients en autorisant une d\u00e9pendance arbitraire entre l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle et les variables explicatives observ\u00e9es, le paradigme des effets al\u00e9atoires postule une ind\u00e9pendance stochastique stricte afin de maximiser l’efficacit\u00e9 statistique et de permettre l’identification des facteurs invariants dans le temps.<\/p>\n

Le choix entre ces deux mod\u00e9lisations ne saurait \u00eatre purement m\u00e9canique ou d\u00e9l\u00e9gu\u00e9 de mani\u00e8re aveugle \u00e0 des crit\u00e8res de d\u00e9cision automatis\u00e9s. Il exige une compr\u00e9hension intime des m\u00e9canismes alg\u00e9briques de projection, des propri\u00e9t\u00e9s asymptotiques des estimateurs et des hypoth\u00e8ses comportementales qui r\u00e9gissent la g\u00e9n\u00e9ration des donn\u00e9es. Cet article propose une dissection exhaustive, tant th\u00e9orique qu’op\u00e9rationnelle, des fondements, des divergences math\u00e9matiques, des convergences m\u00e9thodologiques et des arbitrages pratiques gouvernant l’usage des effets fixes et des effets al\u00e9atoires dans la recherche empirique de pointe.<\/p>\n

1. Introduction aux mod\u00e8les pour donn\u00e9es de panel<\/h2>\n

1.1 D\u00e9finition et \u00e9mergence des structures de donn\u00e9es longitudinales<\/h3>\n

\nUne structure de donn\u00e9es de panel, ou donn\u00e9e longitudinale, r\u00e9sulte de l’observation r\u00e9p\u00e9t\u00e9e d’un \u00e9chantillon de N<\/em> unit\u00e9s statistiques (individus, m\u00e9nages, firmes, r\u00e9gions, \u00c9tats) sur un horizon temporel comprenant T<\/em> p\u00e9riodes successives. Contrairement aux coupes transversales r\u00e9p\u00e9t\u00e9es, o\u00f9 chaque vague temporelle interroge un nouvel \u00e9chantillon ind\u00e9pendant d’unit\u00e9s, le panel assure le suivi des m\u00eames entit\u00e9s au fil du temps. Formellement, la variable d\u00e9pendante est not\u00e9e yit<\/sub><\/em>, o\u00f9 i<\/em> ∈ {1, …, N<\/em>} et t<\/em> ∈ {1, …, T<\/em>}. Le volume total d’informations disponibles atteint ainsi N × T<\/em> observations dans le cas d’un panel \u00e9quilibr\u00e9, ou une somme ∑ Ti<\/sub><\/em> lorsque le panel est non \u00e9quilibr\u00e9 en raison de disparitions d’individus (attrition) ou d’entr\u00e9es \u00e9chelonn\u00e9es dans l’\u00e9chantillon.\n<\/p>\n

\nL’\u00e9mergence historique de ces structures de donn\u00e9es d\u00e9coule directement de la n\u00e9cessit\u00e9 de surmonter le probl\u00e8me omnipr\u00e9sent de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle inobserv\u00e9e. Dans la r\u00e9alit\u00e9 socio-\u00e9conomique, deux unit\u00e9s pr\u00e9sentant des caract\u00e9ristiques observ\u00e9es identiques (par exemple, le m\u00eame niveau de dipl\u00f4me, le m\u00eame \u00e2ge et la m\u00eame anciennet\u00e9 professionnelle) peuvent afficher des trajectoires salariales divergentes en raison de facteurs latents : l’aptitude inn\u00e9e, la motivation intrins\u00e8que, les r\u00e9seaux sociaux informels, la culture d’entreprise ou l’aversion au risque. Si ces facteurs inobservables demeurent stables au cours de la p\u00e9riode d’observation, ils constituent une composante sp\u00e9cifique \u00e0 l’individu, traditionnellement not\u00e9e ci<\/sub><\/em> ou αi<\/em><\/sub>.\n<\/p>\n

\nL’application na\u00efve de la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO)<\/a> \u00e0 un mod\u00e8le empirique empil\u00e9 (pooled OLS<\/em>), qui ignorerait la structuration des donn\u00e9es en ignorant l’existence de ci<\/sub><\/em>, engendre des failles m\u00e9thodologiques majeures. D’une part, si cette composante inobserv\u00e9e est corr\u00e9l\u00e9e avec l’un des r\u00e9gresseurs du mod\u00e8le, l’estimateur des MCO subit le biais classique d’omission de variable, ruinant toute tentative d’identification causale. D’autre part, m\u00eame en l’absence d’une telle corr\u00e9lation, la pr\u00e9sence de ci<\/sub><\/em> dans le terme d’erreur global induit m\u00e9caniquement une autocorr\u00e9lation s\u00e9rielle positive entre les observations successives d’un m\u00eame individu, violant l’hypoth\u00e8se d’ind\u00e9pendance des perturbations sph\u00e9riques et faussant dramatiquement le calcul des erreurs-types, des statistiques de Student et des tests de significativit\u00e9.\n<\/p>\n

1.2 Origine des confusions et dilemme d’identification<\/h3>\n

\nL’une des ambigu\u00eft\u00e9s conceptuelles les plus persistantes de la litt\u00e9rature \u00e9conom\u00e9trique et statistique r\u00e9side dans la terminologie m\u00eame d’\u00ab effets fixes \u00bb et d’\u00ab effets al\u00e9atoires \u00bb. Dans la tradition statistique g\u00e9n\u00e9rale, notamment en biostatistique et dans le cadre des mod\u00e8les mixtes formalis\u00e9s par l’\u00e9cole biom\u00e9trique, la distinction repose sur le statut probabiliste des param\u00e8tres : un effet est qualifi\u00e9 de fixe s’il repr\u00e9sente une quantit\u00e9 constante et d\u00e9terministe propre aux cat\u00e9gories effectivement observ\u00e9es, tandis qu’il est qualifi\u00e9 d’al\u00e9atoire s’il s’agit d’une variable al\u00e9atoire issue d’une distribution de probabilit\u00e9 sous-jacente dont on cherche \u00e0 estimer les composantes de variance.\n<\/p>\n

\nEn revanche, dans la tradition de l’\u00e9conom\u00e9trie contemporaine<\/a>, codifi\u00e9e notamment par les manuels de r\u00e9f\u00e9rence, la distinction fondamentale ne concerne pas la nature math\u00e9matique de ci<\/sub><\/em> (qui est presque toujours implicitement trait\u00e9 comme une variable al\u00e9atoire dans une population \u00e9chantillonn\u00e9e), mais la nature de sa relation stochastique avec le vecteur des r\u00e9gresseurs observables Xit<\/sub><\/em>. On parle de mod\u00e8le \u00e0 effets fixes d\u00e8s lors que l’on autorise une corr\u00e9lation arbitraire entre la composante individuelle inobserv\u00e9e et les covariables explicatives, soit Cov(Xit<\/sub>, ci<\/sub>) ≠ 0<\/em>. Inversement, on parle de mod\u00e8le \u00e0 effets al\u00e9atoires lorsque l’on impose l’hypoth\u00e8se d’orthogonalit\u00e9 stricte entre cette h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 et l’ensemble des r\u00e9gresseurs \u00e0 toutes les p\u00e9riodes, soit Cov(Xit<\/sub>, ci<\/sub>) = 0<\/em><\/span>.\n<\/p>\n

\nCette divergence d’acceptions produit un dilemme d’identification central. Autoriser la corr\u00e9lation permet de purger le mod\u00e8le des biais d’endog\u00e9n\u00e9it\u00e9 g\u00e9n\u00e9r\u00e9s par l’omission des facteurs invariants, mais interdit d’identifier l’effet marginal des variables explicatives qui ne varient pas dans le temps au niveau individuel (telles que le genre, l’origine ethnique ou la distance g\u00e9ographique). \u00c0 l’inverse, interdire cette corr\u00e9lation autorise l’estimation des coefficients des variables invariantes et accro\u00eet l’efficacit\u00e9 statistique globale, mais subordonne la consistance de l’ensemble des estimateurs \u00e0 la validit\u00e9 d’une hypoth\u00e8se d’ind\u00e9pendance fr\u00e9quemment rejet\u00e9e par les donn\u00e9es empiriques r\u00e9elles.\n<\/p>\n

2. Vue d’ensemble des mod\u00e8les \u00e0 effets fixes<\/h2>\n

2.1 Cadre th\u00e9orique et hypoth\u00e8ses fondamentales<\/h3>\n

\nLe mod\u00e8le de r\u00e9gression lin\u00e9aire standard pour donn\u00e9es de panel s’\u00e9crit formellement sous la forme d’un mod\u00e8le \u00e0 composantes d’erreur unidirectionnel :\n<\/p>\n

\nyit<\/sub> = Xit<\/sub> β + ci<\/sub> + uit<\/sub><\/em><\/span>\n<\/p>\n

\no\u00f9 yit<\/sub><\/em> d\u00e9signe la variable scalaire d\u00e9pendante pour l’unit\u00e9 i<\/em> \u00e0 la p\u00e9riode t<\/em>, Xit<\/sub><\/em> repr\u00e9sente un vecteur ligne de dimension 1 × K<\/em> de variables explicatives variant dans le temps, β est le vecteur colonne K<\/em> × 1 des param\u00e8tres structurels d’int\u00e9r\u00eat, ci<\/sub><\/em> symbolise l’effet individuel inobserv\u00e9 (invariant dans le temps), et uit<\/sub><\/em> est la perturbation stochastique idiosyncratique qui varie simultan\u00e9ment \u00e0 travers les individus et les p\u00e9riodes temporelles.\n<\/p>\n

\nL’hypoth\u00e8se d\u00e9finitoire du paradigme des effets fixes r\u00e9side dans le rel\u00e2chement de toute contrainte d’ind\u00e9pendance distributionnelle entre ci<\/sub><\/em> et Xit<\/sub><\/em>. On pose de mani\u00e8re explicite :\n<\/p>\n

\nE(ci<\/sub> | Xi1<\/sub>, …, XiT<\/sub>) = g(X_i) ≠ 0<\/em><\/span>\n<\/p>\n

\nCette formulation math\u00e9matique autorise l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 inobserv\u00e9e \u00e0 d\u00e9pendre de mani\u00e8re lin\u00e9aire ou non lin\u00e9aire des trajectoires temporelles compl\u00e8tes des r\u00e9gresseurs. Cependant, pour garantir la validit\u00e9 de l’estimation, le mod\u00e8le requiert imp\u00e9rativement l’hypoth\u00e8se d’exog\u00e9n\u00e9it\u00e9 stricte de l’erreur idiosyncratique conditionnellement \u00e0 l’effet individuel et \u00e0 l’ensemble de l’historique des variables explicatives :\n<\/p>\n

\nE(uit<\/sub> | Xi1<\/sub>, Xi2<\/sub>, …, XiT<\/sub>, ci<\/sub>) = 0   ∀ t ∈ {1, …, T}<\/em><\/span>\n<\/p>\n

\nCette condition est d’une exigence substantielle. Elle exclut formellement la pr\u00e9sence de variables d\u00e9pendantes retard\u00e9es parmi les covariables (ce qui introduirait une corr\u00e9lation m\u00e9canique entre les perturbations pass\u00e9es et les r\u00e9gresseurs futurs), interdit les r\u00e9troactions dynamiques o\u00f9 uit<\/sub><\/em> affecterait les r\u00e9alisations ult\u00e9rieures Xi,t+1<\/sub><\/em>, et postule l’absence de biais d’erreur de mesure non stationnaire sur les covariables.\n<\/p>\n

2.2 M\u00e9thodes d’estimation et transformations math\u00e9matiques<\/h3>\n

\nAfin d’estimer le vecteur de param\u00e8tres β sans devoir sp\u00e9cifier la loi conditionnelle de ci<\/sub><\/em> connaissant Xi<\/sub><\/em>, l’\u00e9conom\u00e9trie a d\u00e9velopp\u00e9 plusieurs strat\u00e9gies math\u00e9matiques de purge. La technique la plus canonique est la transformation intra-individuelle, universellement d\u00e9sign\u00e9e sous l’appellation d’estimateur \u00ab Within \u00bb. Elle proc\u00e8de par centrage des variables autour de leurs moyennes temporelles individuelles respectives. Pour chaque entit\u00e9 i<\/em>, on calcule la moyenne temporelle :\n<\/p>\n

\nȳi<\/sub> = (1\/T) ∑t=1<\/sub>T<\/sup> yit<\/sub>   et   X̄i<\/sub> = (1\/T) ∑t=1<\/sub>T<\/sup> Xit<\/sub><\/em><\/span>\n<\/p>\n

\nEn appliquant cet op\u00e9rateur de moyenne \u00e0 l’\u00e9quation structurelle, on obtient l’\u00e9quation moyenne individuelle :\n<\/p>\n

\nȳi<\/sub> = X̄i<\/sub> β + ci<\/sub> + ūi<\/sub><\/em><\/span>\n<\/p>\n

\nPuisque ci<\/sub><\/em> ne d\u00e9pend pas de l’indice temporel, sa moyenne temporelle est identique \u00e0 lui-m\u00eame : (1\/T) ∑t=1<\/sub>T<\/sup> ci<\/sub> = ci<\/sub><\/em>. En soustrayant membre \u00e0 membre cette \u00e9quation de l’\u00e9quation originale, la composante inobserv\u00e9e s’\u00e9limine de mani\u00e8re d\u00e9terministe<\/span> :\n<\/p>\n

\n(yit<\/sub> – ȳi<\/sub>) = (Xit<\/sub> – X̄i<\/sub>) β + (uit<\/sub> – ūi<\/sub>)<\/em><\/span>\n<\/p>\n

\nEn notant ÿit<\/sub> = yit<\/sub> – ȳi<\/sub><\/em>, Ẍit<\/sub> = Xit<\/sub> – X̄i<\/sub><\/em> et üit<\/sub> = uit<\/sub> – ūi<\/sub><\/em> les variables centr\u00e9es, le mod\u00e8le transform\u00e9 peut \u00eatre estim\u00e9 directement par les moindres carr\u00e9s ordinaires. L’estimateur Within prend la forme matricielle<\/span> :\n<\/p>\n

\nβ̂Within<\/sub> = ( ∑i=1<\/sub>N<\/sup> ∑t=1<\/sub>T<\/sup> Ẍit<\/sub>‘ Ẍit<\/sub> )-1<\/sup> ( ∑i=1<\/sub>N<\/sup> ∑t=1<\/sub>T<\/sup> Ẍit<\/sub>‘ ÿit<\/sub> )<\/em><\/span>\n<\/p>\n

\nUne approche alg\u00e9briquement \u00e9quivalente consiste \u00e0 traiter chaque ci<\/sub><\/em> comme un param\u00e8tre fixe \u00e0 estimer directement, en introduisant une variable indicatrice (dummy) pour chacune des N<\/em> entit\u00e9s. Il s’agit du mod\u00e8le \u00e0 moindres carr\u00e9s \u00e0 variables indicatrices (Least Squares Dummy Variables<\/em> ou LSDV). Si cette m\u00e9thode d\u00e9bouche rigoureusement sur le m\u00eame estimateur β̂ que la transformation Within par application du th\u00e9or\u00e8me de Frisch-Waugh-Lovell, elle soul\u00e8ve des difficult\u00e9s computationnelles majeures : inverser une matrice de projection de dimension (N + K<\/em>) lorsque N<\/em> atteint des dizaines de milliers d’unit\u00e9s est lourd, et l’estimation directe des ci<\/sub><\/em> souffre du probl\u00e8me des param\u00e8tres incidents lorsque T<\/em> est fixe et fini.\n<\/p>\n

\nUne troisi\u00e8me voie de neutralisation repose sur la diff\u00e9renciation premi\u00e8re (First Difference<\/em>). En soustrayant la p\u00e9riode t-1<\/em> de la p\u00e9riode t<\/em>, l’effet fixe s’annule \u00e9galement :\n<\/p>\n

\nΔ yit<\/sub> = Δ Xit<\/sub> β + Δ uit<\/sub><\/em><\/span>\n<\/p>\n

\nBien que les estimateurs Within et First Difference soient asymptotiquement \u00e9quivalents sous l’hypoth\u00e8se de perturbations idiosyncratiques ind\u00e9pendantes et identiquement distribu\u00e9es, ils divergent en pr\u00e9sence d’autocorr\u00e9lation dans uit<\/sub><\/em>. Si uit<\/sub><\/em> suit une marche al\u00e9atoire, la premi\u00e8re diff\u00e9rence est optimale, tandis que si uit<\/sub><\/em> est un bruit blanc non corr\u00e9l\u00e9, la transformation Within s’av\u00e8re plus efficace.\n<\/p>\n

2.3 Avantages et contraintes structurelles<\/h3>\n

\nLe principal triomphe m\u00e9thodologique du mod\u00e8le \u00e0 effets fixes r\u00e9side dans sa robustesse exceptionnelle face aux erreurs de sp\u00e9cification caus\u00e9es par des variables omises. En \u00e9liminant purement et simplement ci<\/sub><\/em> de l’espace de r\u00e9gression, l’estimateur Within prot\u00e8ge le chercheur contre tout biais d’endog\u00e9n\u00e9it\u00e9 provenant de facteurs inobserv\u00e9s fixes dans le temps. Que ces facteurs soient g\u00e9n\u00e9tiques, culturels, g\u00e9ographiques ou institutionnels, leur corr\u00e9lation potentielle avec les variables explicatives n’entache pas la consistance de β̂Within<\/sub>. L’identification repose exclusivement sur la variance intra-individuelle : chaque unit\u00e9 sert de son propre t\u00e9moin contrefactuel au cours du temps.\n<\/p>\n

\nCependant, cette robustesse se paie au prix de contraintes empiriques s\u00e9v\u00e8res. La premi\u00e8re limite, absolue et math\u00e9matique, est l’impossibilit\u00e9 totale d’identifier les coefficients associ\u00e9s \u00e0 des variables explicatives invariantes dans le temps. Si un r\u00e9gresseur Zi<\/sub><\/em> ne varie pas entre t = 1<\/em> et t = T<\/em> (par exemple, le nombre d’ann\u00e9es d’\u00e9tudes initiales d’un travailleur adulte ou la proximit\u00e9 d’une c\u00f4te maritime pour une r\u00e9gion), alors sa moyenne temporelle est \u00e9gale \u00e0 lui-m\u00eame : Z̄i<\/sub> = Zi<\/sub><\/em>. La transformation Within produit<\/span> :\n<\/p>\n

\nZ̈it<\/sub> = Zi<\/sub> – Z̄i<\/sub> = 0   ∀ i, t<\/em><\/span>\n<\/p>\n

\nLe vecteur centr\u00e9 devient identiquement nul, induisant une singularit\u00e9 parfaite dans la matrice des r\u00e9gresseurs et interdisant son inversion. Ainsi, les effets fixes \u00ab jettent le b\u00e9b\u00e9 avec l’eau du bain \u00bb en effa\u00e7ant tout impact des caract\u00e9ristiques structurelles fondamentales de l’individu.\n<\/p>\n

\nLa seconde contrainte concerne la perte substantielle de degr\u00e9s de libert\u00e9 et l’inflation cons\u00e9cutive de la variance des estimateurs. En \u00e9liminant la variation inter-individuelle (Between<\/em>) pour ne conserver que la variation intra-individuelle (Within<\/em>), le mod\u00e8le r\u00e9duit m\u00e9caniquement l’information disponible. Si une variable explicative varie tr\u00e8s peu au cours du temps pour un individu donn\u00e9 (par exemple, le statut matrimonial ou le capital physique d’une grande entreprise), Ẍit<\/sub><\/em> sera caract\u00e9ris\u00e9 par une variance minuscule. L’erreur-type de l’estimateur augmentera consid\u00e9rablement, affaiblissant la puissance statistique des tests d’hypoth\u00e8se et augmentant le risque d’erreurs de type II (non-rejet de l’hypoth\u00e8se nulle d’absence d’effet alors qu’un effet existe r\u00e9ellement).\n<\/p>\n

3. Vue d’ensemble des mod\u00e8les \u00e0 effets al\u00e9atoires<\/h2>\n

3.1 Cadre th\u00e9orique et mod\u00e9lisation probabiliste<\/h3>\n

\nLe mod\u00e8le \u00e0 effets al\u00e9atoires part formellement de la m\u00eame \u00e9quation structurelle que le mod\u00e8le \u00e0 effets fixes, yit<\/sub> = Xit<\/sub> β + ci<\/sub> + uit<\/sub><\/em>, mais adopte une perspective probabiliste radicalement diff\u00e9rente quant \u00e0 l’origine et aux propri\u00e9t\u00e9s de la composante individuelle ci<\/sub><\/em>. Dans ce paradigme, l’effet sp\u00e9cifique ci<\/sub><\/em> n’est plus consid\u00e9r\u00e9 comme un ensemble de constantes fixes propres aux individus observ\u00e9s, mais comme une variable al\u00e9atoire i.i.d. tir\u00e9e d’une distribution sous-jacente de moyenne nulle et de variance constante<\/span> :\n<\/p>\n

\nci<\/sub> ~ i.i.d. (0, σc<\/sub>2<\/sup>)<\/em>\n<\/p>\n

\nL’hypoth\u00e8se ma\u00eetresse, garante de toute la validit\u00e9 du cadre, est l’orthogonalit\u00e9 stricte entre l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle et l’int\u00e9gralit\u00e9 des variables explicatives pour toutes les p\u00e9riodes d’observation :\n<\/p>\n

\nCov(Xis<\/sub>, ci<\/sub>) = 0   ∀ s ∈ {1, …, T}<\/em><\/span>\n<\/p>\n

\nOn peut alors agr\u00e9ger la composante individuelle et la perturbation idiosyncratique en un unique terme d’erreur composite, not\u00e9 vit<\/sub> = ci<\/sub> + uit<\/sub><\/em>, avec uit<\/sub> ~ i.i.d. (0, σu<\/sub>2<\/sup>)<\/em>, o\u00f9 ci<\/sub><\/em> et uit<\/sub><\/em> sont mutuellement ind\u00e9pendants. D\u00e8s lors, le mod\u00e8le se r\u00e9\u00e9crit comme une r\u00e9gression lin\u00e9aire standard<\/span> :\n<\/p>\n

\nyit<\/sub> = Xit<\/sub> β + vit<\/sub><\/em><\/span>\n<\/p>\n

\nSous ces hypoth\u00e8ses, la vis\u00e9e inf\u00e9rentielle se transforme profond\u00e9ment. L’objectif n’est plus de conditionner l’analyse aux unit\u00e9s sp\u00e9cifiques de l’\u00e9chantillon empirique, mais de tirer des conclusions g\u00e9n\u00e9ralisables \u00e0 la population globale dont cet \u00e9chantillon a \u00e9t\u00e9 extrait au hasard. L’analyste s’int\u00e9resse \u00e0 la distribution moyenne du ph\u00e9nom\u00e8ne au sein de la super-population et cherche \u00e0 quantifier la dispersion relative de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 latente par le param\u00e8tre de variance σc<\/sub>2<\/sup>.\n<\/p>\n

3.2 Proc\u00e9dure d’estimation par MCG et quasi-diff\u00e9renciation<\/h3>\n

\nBien que le terme d’erreur composite vit<\/sub><\/em> pr\u00e9sente une esp\u00e9rance conditionnelle nulle par rapport aux r\u00e9gresseurs (E(vit<\/sub> | Xi<\/sub>) = 0<\/em>), l’application directe des MCO sur les donn\u00e9es empil\u00e9es s’av\u00e8re inefficace. En effet, l’erreur composite pr\u00e9sente une structure de corr\u00e9lation s\u00e9rielle induite par la pr\u00e9sence permanente de ci<\/sub><\/em> dans chaque vague temporelle. Pour une m\u00eame unit\u00e9 i<\/em>, la covariance entre deux p\u00e9riodes distinctes t<\/em> et s<\/em> (avec t ≠ s<\/em>) est donn\u00e9e par<\/span> :\n<\/p>\n

\nCov(vit<\/sub>, vis<\/sub>) = E[(ci<\/sub> + uit<\/sub>)(ci<\/sub> + uis<\/sub>)] = E(ci<\/sub>2<\/sup>) = σc<\/sub>2<\/sup> ≠ 0<\/em><\/span>\n<\/p>\n

\nTandis que la variance totale de l’erreur s’\u00e9l\u00e8ve \u00e0 Var(vit<\/sub>) = σc<\/sub>2<\/sup> + σu<\/sub>2<\/sup><\/em>. La matrice de variance-covariance des erreurs pour un individu donn\u00e9, not\u00e9e Ωi<\/em><\/sub> de dimension T × T<\/em>, prend une forme \u00e9quicorr\u00e9l\u00e9e<\/span> :\n<\/p>\n

\nΩi<\/em><\/sub> = σu<\/sub>2<\/sup> IT<\/sub><\/em> + σc<\/sub>2<\/sup> j<\/strong>T<\/sub> j<\/strong>T<\/sub><\/span>‘\n<\/p>\n

\no\u00f9 IT<\/sub><\/em> est la matrice identit\u00e9 de taille T<\/em> et j<\/strong>T<\/sub> est un vecteur colonne de uns. L’estimation optimale des param\u00e8tres rel\u00e8ve donc des Moindres Carr\u00e9s G\u00e9n\u00e9ralis\u00e9s (MCG). En inversant la matrice Ωi<\/em><\/sub>, on d\u00e9montre que l’estimateur par MCG \u00e9quivaut alg\u00e9briquement \u00e0 appliquer les MCO \u00e0 un mod\u00e8le ayant subi une transformation de quasi-centrage (ou quasi-diff\u00e9renciation) par un facteur scalaire θ :\n<\/p>\n

\n(yit<\/sub> – θ ȳi<\/sub>) = (Xit<\/sub> – θ X̄i<\/sub>) β + (vit<\/sub> – θ v̄i<\/sub>)<\/em><\/span>\n<\/p>\n

\nLe param\u00e8tre de pond\u00e9ration θ est d\u00e9fini math\u00e9matiquement par :\n<\/p>\n

\nθ = 1 – √( σu<\/sub>2<\/sup> \/ (σu<\/sub>2<\/sup> + T σc<\/sub>2<\/sup>) )<\/em><\/span>\n<\/p>\n

\nL’analyse des valeurs limites de θ apporte une clarification fondamentale :\n<\/p>\n

    \n
  • Si la variance de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle est nulle (σc<\/sub>2<\/sup> = 0), alors θ = 0 : le mod\u00e8le de quasi-centrage retombe rigoureusement sur les MCO classiques empil\u00e9s (Pooled OLS<\/em>)<\/span>.<\/li>\n
  • Si la variance individuelle domine ou lorsque le nombre d’observations temporelles tend vers l’infini (T → ∞<\/em>), alors θ → 1 : le quasi-centrage devient identique au centrage parfait de la transformation Within des effets fixes.<\/li>\n<\/ul>\n

    \nDans la pratique empirique, les variances th\u00e9oriques σu<\/sub>2<\/sup> et σc<\/sub>2<\/sup> sont inconnues. On recourt donc aux Moindres Carr\u00e9s G\u00e9n\u00e9ralis\u00e9s Quasi-Faisables (MCGF ou Feasible GLS<\/em>). Des estimateurs consistants de ces variances sont d\u00e9riv\u00e9s des r\u00e9sidus de r\u00e9gressions pr\u00e9liminaires, par exemple \u00e0 partir des r\u00e9sidus de l’estimation Within pour σu<\/sub>2<\/sup> et de la r\u00e9gression inter-individuelle (Between<\/em>) pour σc<\/sub>2<\/sup> (selon les m\u00e9thodes canoniques de Swamy-Arora, Wallace-Hussain ou Amemiya). Une fois θ̂ calcul\u00e9 \u00e0 partir de ces variances estim\u00e9es, la r\u00e9gression par moindres carr\u00e9s est ex\u00e9cut\u00e9e sur les donn\u00e9es quasi-diff\u00e9renci\u00e9es.\n<\/p>\n

    3.3 Avantages op\u00e9rationnels et risques d’inconsistance<\/h3>\n

    \nL’attrait majeur du paradigme des effets al\u00e9atoires repose sur sa flexibilit\u00e9 de sp\u00e9cification et son efficacit\u00e9 statistique sup\u00e9rieure. Contrairement au mod\u00e8le \u00e0 effets fixes, le mod\u00e8le \u00e0 effets al\u00e9atoires ne soustrait pas int\u00e9gralement la moyenne temporelle des variables. Puisque θ < 1, une fraction non nulle de la composante inter-individuelle des covariables est pr\u00e9serv\u00e9e. Par cons\u00e9quent, il devient tout \u00e0 fait possible d’incorporer et d’estimer simultan\u00e9ment les param\u00e8tres γ associ\u00e9s \u00e0 des variables invariantes dans le temps, Zi<\/sub><\/em><\/span> :\n<\/p>\n

    \nyit<\/sub> = Xit<\/sub> β + Zi<\/sub> γ + ci<\/sub> + uit<\/sub><\/em><\/span>\n<\/p>\n

    \nCette propri\u00e9t\u00e9 est cruciale pour des domaines de recherche entiers s’int\u00e9ressant aux disparit\u00e9s structurelles, aux institutions historiques p\u00e9rennes ou aux attributs d\u00e9mographiques stables. En outre, par construction du th\u00e9or\u00e8me de Gauss-Markov \u00e9tendu aux Moindres Carr\u00e9s G\u00e9n\u00e9ralis\u00e9s, lorsque l’hypoth\u00e8se d’orthogonalit\u00e9 Cov(X, c) = 0<\/em> est respect\u00e9e, l’estimateur par MCG est le plus efficace parmi tous les estimateurs lin\u00e9aires sans biais (propri\u00e9t\u00e9 BLUE). Il exploite de fa\u00e7on optimale l’int\u00e9gralit\u00e9 de l’information statistique disponible, combinant \u00e0 la fois les variations intra-individuelles et inter-individuelles pond\u00e9r\u00e9es par la structure de variance relative<\/span>.\n<\/p>\n

    \nLe risque encouru est toutefois sym\u00e9trique \u00e0 son gain d’efficacit\u00e9. Si l’hypoth\u00e8se de non-corr\u00e9lation entre ci<\/sub><\/em> et Xit<\/sub><\/em> est viol\u00e9e \u2014 m\u00eame de mani\u00e8re minime ou pour une seule variable du vecteur \u2014, l’estimateur des effets al\u00e9atoires devient fondamentalement inconsistant. Le terme ci<\/sub><\/em> pr\u00e9sent dans l’erreur quasi-diff\u00e9renci\u00e9e pollue les conditions de premier ordre des moindres carr\u00e9s, propageant un biais d’endog\u00e9n\u00e9it\u00e9 \u00e0 l’ensemble des coefficients estim\u00e9s, y compris ceux des variables strictement exog\u00e8nes. Dans ces conditions, l’efficacit\u00e9 statistique devient un leurre : le mod\u00e8le produit des estimations d’une grande pr\u00e9cision math\u00e9matique apparente (faibles erreurs-types) centr\u00e9es autour d’une valeur erron\u00e9e.\n<\/p>\n

    4. Diff\u00e9rences cl\u00e9s entre effets fixes et effets al\u00e9atoires<\/h2>\n

    4.1 Hypoth\u00e8se d’orthogonalit\u00e9 et biais d’endog\u00e9n\u00e9it\u00e9<\/h3>\n

    \nL’\u00e9cart conceptuel le plus d\u00e9terminant entre effets fixes et al\u00e9atoires r\u00e9side dans l’acceptation ou le refus de l’hypoth\u00e8se d’orthogonalit\u00e9. Math\u00e9matiquement, le mod\u00e8le \u00e0 effets al\u00e9atoires impose :\n<\/p>\n

    \nE(ci<\/sub> | Xi1<\/sub>, …, XiT<\/sub>) = 0<\/em><\/span>\n<\/p>\n

    \nTandis que le mod\u00e8le \u00e0 effets fixes pose :\n<\/p>\n

    \nE(ci<\/sub> | Xi1<\/sub>, …, XiT<\/sub>) = g(X_i) ≠ 0<\/em><\/span>\n<\/p>\n

    \nConsid\u00e9rons le cas o\u00f9 l’effet individuel inobserv\u00e9 ci<\/sub><\/em> est corr\u00e9l\u00e9 avec l’un des r\u00e9gresseurs, disons x1,it<\/sub><\/em>. Dans une analyse du rendement de l’\u00e9ducation sur les salaires, ci<\/sub><\/em> capture l’aptitude intellectuelle inn\u00e9e, le capital culturel h\u00e9rit\u00e9 ou la t\u00e9nacit\u00e9 psychologique, des attributs fortement corr\u00e9l\u00e9s au niveau de dipl\u00f4me x1,it<\/sub><\/em>. Si l’on recourt au mod\u00e8le \u00e0 effets al\u00e9atoires, le terme d’erreur composite vit<\/sub> = ci<\/sub> + uit<\/sub><\/em> v\u00e9rifie Cov(x1,it<\/sub>, vit<\/sub>) = Cov(x1,it<\/sub>, ci<\/sub>) ≠ 0<\/em>. La quasi-diff\u00e9renciation ne purgeant que la proportion θ de la moyenne temporelle, l’erreur transform\u00e9e contient toujours la composante (1 – θ)ci<\/sub><\/em>, qui demeure fatalement corr\u00e9l\u00e9e avec le r\u00e9gresseur transform\u00e9<\/span>.\n<\/p>\n

    \nEn cons\u00e9quence, la limite en probabilit\u00e9 de l’estimateur des effets al\u00e9atoires ne converge pas vers la vraie valeur du param\u00e8tre structurel :\n<\/p>\n

    \nplim β̂RE<\/sub> ≠ β<\/em><\/span>\n<\/p>\n

    \n\u00c0 l’inverse, l’estimateur \u00e0 effets fixes \u00e9limine m\u00e9caniquement ci<\/sub><\/em> de l’\u00e9quation avant l’estimation. D\u00e8s lors, quelle que soit la force ou la forme de la liaison stochastique unissant l’aptitude individuelle et l’\u00e9ducation, le terme source du biais est soustrait. L’estimateur Within satisfait la condition de consistance asymptotique :\n<\/p>\n

    \nplim β̂FE<\/sub> = β<\/em><\/span>\n<\/p>\n

    \nCette propri\u00e9t\u00e9 d’immunit\u00e9 contre le biais de s\u00e9lection ou le biais d’omission de variables stationnaires conf\u00e8re aux effets fixes une pr\u00e9\u00e9minence presque dogmatique dans l’\u00e9conom\u00e9trie empirique moderne orient\u00e9e vers l’inf\u00e9rence causale.\n<\/p>\n

    4.2 Identification des variables invariantes dans le temps<\/h3>\n

    \nLa contrepartie directe de la protection contre l’endog\u00e9n\u00e9it\u00e9 est le co\u00fbt g\u00e9om\u00e9trique de la projection Within. Alg\u00e9briquement, la transformation intra-individuelle \u00e9quivaut \u00e0 projeter le sous-espace des donn\u00e9es sur l’orthogonal du sous-espace engendr\u00e9 par les indicatrices individuelles. Soit la matrice de projection orthogonale Q = INT<\/sub> – P<\/em>, o\u00f9 P = IN<\/sub> ⊗ (j<\/strong>T<\/sub> j<\/strong>T<\/sub>‘ \/ T)<\/em>. Tout vecteur de dimension NT × 1<\/em> dont les \u00e9l\u00e9ments sont constants au cours du temps pour chaque individu appartient par d\u00e9finition \u00e0 l’espace nul de l’op\u00e9rateur de projection Q<\/em><\/span>.\n<\/p>\n

    \nAutrement formul\u00e9, si la sp\u00e9cification th\u00e9orique comprend des variables invariantes dans le temps not\u00e9es Zi<\/sub><\/em> :\n<\/p>\n

    \nyit<\/sub> = Xit<\/sub> β + Zi<\/sub> γ + ci<\/sub> + uit<\/sub><\/em><\/span>\n<\/p>\n

    \nL’application de l’op\u00e9rateur Q<\/em> donne :\n<\/p>\n

    \nQ y = Q X β + Q Z γ + Q c + Q u = Q X β + 0 × γ + 0 + Q u = Q X β + Q u<\/em><\/span>\n<\/p>\n

    \nLe terme Q Z<\/em> \u00e9tant une matrice identiquement nulle, le vecteur de coefficients γ dispara\u00eet compl\u00e8tement du syst\u00e8me d’\u00e9quations normales. Il est strictement non identifiable.\n<\/p>\n

    \nPour le chercheur d\u00e9sireux d’\u00e9valuer l’impact direct du genre sur les carri\u00e8res, de l’origine g\u00e9ographique sur la mobilit\u00e9 sociale ou de la forme du r\u00e9gime constitutionnel sur la croissance \u00e9conomique, cette propri\u00e9t\u00e9 de l’estimateur Within repr\u00e9sente une barri\u00e8re infranchissable. \u00c0 l’oppos\u00e9, le mod\u00e8le \u00e0 effets al\u00e9atoires applique la matrice de transformation (INT<\/sub> – θ P)<\/em>. Puisque θ < 1, le produit (INT<\/sub> – θ P) Z = (1 – θ) Z ≠ 0<\/em>. Les variables invariantes survivent \u00e0 la transformation, conservent une variance empirique non nulle et permettent une identification sans entrave de leur coefficient γ, sous r\u00e9serve que ces variables soient elles-m\u00eames non corr\u00e9l\u00e9es \u00e0 l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle r\u00e9siduelle<\/span>.\n<\/p>\n

    4.3 Arbitrage entre consistance et efficacit\u00e9 statistique<\/h3>\n

    \nL’opposition fondamentale entre effets fixes et effets al\u00e9atoires s’inscrit au c\u0153ur du grand arbitrage statistique de la th\u00e9orie de la d\u00e9cision : le compromis biais-variance. L’estimateur \u00e0 effets fixes garantit la consistance (absence de biais asymptotique) sous des conditions tr\u00e8s lib\u00e9rales quant \u00e0 la structure de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9, mais son exigence de projection se traduit par une variance d’\u00e9chantillonnage accrue.\n<\/p>\n

    \nLa matrice asymptotique de variance-covariance de l’estimateur Within s’\u00e9crit :\n<\/p>\n

    \nAvar(β̂FE<\/sub>) = σu<\/sub>2<\/sup> [ ∑i=1<\/sub>N<\/sup> ∑t=1<\/sub>T<\/sup> (Xit<\/sub> – X̄i<\/sub>)’ (Xit<\/sub> – X̄i<\/sub>) ]-1<\/sup><\/em><\/span>\n<\/p>\n

    \n\u00c0 l’inverse, l’estimateur des effets al\u00e9atoires exploite la totalit\u00e9 des \u00e9carts observ\u00e9s :\n<\/p>\n

    \nAvar(β̂RE<\/sub>) = [ ∑i=1<\/sub>N<\/sup> Xi<\/sub>‘ Ωi<\/sub>-1<\/sup> Xi<\/sub> ]-1<\/sup><\/em><\/span>\n<\/p>\n

    \nOn d\u00e9montre formellement par le lemme de Gauss-Markov que la diff\u00e9rence :\n<\/p>\n

    \nAvar(β̂FE<\/sub>) – Avar(β̂RE<\/sub>)<\/em>\n<\/p>\n

    \nest une matrice semi-d\u00e9finie positive lorsque l’hypoth\u00e8se d’orthogonalit\u00e9 est valide. Cela implique que pour toute combinaison lin\u00e9aire des param\u00e8tres, la variance de l’estimateur \u00e0 effets al\u00e9atoires est inf\u00e9rieure ou \u00e9gale \u00e0 celle de l’estimateur \u00e0 effets fixes. L’estimateur RE produit des intervalles de confiance plus \u00e9troits et des statistiques de test plus puissantes.\n<\/p>\n

    \nLe comportement asymptotique de ces deux approches d\u00e9pend fortement des dimensions relatives de l’\u00e9chantillon. Lorsque N → ∞<\/em> pour une dimension temporelle T<\/em> fix\u00e9e et courte (la structure standard des panels micro\u00e9conomiques), l’estimateur \u00e0 effets fixes reste consistant pour β, mais chaque estimateur ponctuel ĉi<\/sub><\/em> dans une approche LSDV demeure inconsistant en raison de l’insuffisance d’observations temporelles par individu (le fameux probl\u00e8me des param\u00e8tres incidents soulev\u00e9 par Neyman et Scott). En revanche, lorsque la dimension temporelle s’allonge (T → ∞<\/em>), le param\u00e8tre de pond\u00e9ration θ tend vers 1, ce qui entra\u00eene la convergence num\u00e9rique de l’estimateur \u00e0 effets al\u00e9atoires vers l’estimateur \u00e0 effets fixes :\n<\/p>\n

    \nlimT → ∞<\/sub> β̂RE<\/sub> = β̂FE<\/sub><\/em><\/span>\n<\/p>\n

    \nD\u00e8s lors, dans les macro-panels o\u00f9 T<\/em> est grand (par exemple, des s\u00e9ries trimestrielles de 40 ans pour 20 pays), l’arbitrage biais-variance s’estompe, les deux estimateurs fournissant des r\u00e9sultats empiriquement indiscernables.\n<\/p>\n

    4.4 Port\u00e9e de l’inf\u00e9rence : \u00e9chantillon vs population<\/h3>\n

    \nAu-del\u00e0 de la m\u00e9canique alg\u00e9brique, les deux mod\u00e8les reposent sur deux philosophies diff\u00e9rentes de l’induction statistique. Dans le mod\u00e8le \u00e0 effets fixes, le conditionnement statistique s’op\u00e8re sur les r\u00e9alisations sp\u00e9cifiques du terme d’erreur ci<\/sub><\/em> pour les N<\/em> individus inclus dans l’\u00e9tude. L’inf\u00e9rence est qualifi\u00e9e de conditionnelle<\/em>. Les r\u00e9sultats obtenus sont valables pour les unit\u00e9s observ\u00e9es ou pour d’autres unit\u00e9s th\u00e9oriques qui partageraient exactement les m\u00eames valeurs inobserv\u00e9es. Si un panel regroupe les 27 pays de l’Union europ\u00e9enne, mod\u00e9liser l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 par des effets fixes est hautement pertinent : ces pays ne constituent pas un tirage al\u00e9atoire issu d’un univers infini de nations, mais une population exhaustive d’entit\u00e9s institutionnelles uniques.\n<\/p>\n

    \nDans le mod\u00e8le \u00e0 effets al\u00e9atoires, l’inf\u00e9rence est inconditionnelle<\/em> ou marginale. Les effets individuels ci<\/sub><\/em> sont trait\u00e9s comme des r\u00e9alisations de variables al\u00e9atoires latentes tir\u00e9es au sort au sein d’une super-population. L’int\u00e9r\u00eat scientifique ne porte pas sur la valeur singuli\u00e8re prise par ci<\/sub><\/em> pour l’individu num\u00e9ro 42 ou l’entreprise num\u00e9ro 118, mais sur la moyenne populationnelle et sur les composantes de la variance qui structurent la distribution. Cette d\u00e9marche est particuli\u00e8rement justifi\u00e9e lorsque le panel est constitu\u00e9 \u00e0 partir d’un sondage probabiliste repr\u00e9sentatif (par exemple, un panel de m\u00e9nages de l’Insee ou de l’US Bureau of Labor Statistics<\/em>). L’objectif est alors de g\u00e9n\u00e9raliser les conclusions empiriques \u00e0 la soci\u00e9t\u00e9 tout enti\u00e8re, et non de caract\u00e9riser les r\u00e9pondants particuliers du questionnaire.\n<\/p>\n

    Tableau comparatif synth\u00e9tique des deux paradigmes<\/h3>\n

    \nPour synth\u00e9tiser ces distinctions structurelles, le tableau suivant met en regard les dimensions fondamentales r\u00e9gissant les deux approches :\n<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
    Dimension d’analyse<\/th>\nMod\u00e8le \u00e0 effets fixes (FE)<\/th>\nMod\u00e8le \u00e0 effets al\u00e9atoires (RE)<\/th>\n<\/tr>\n<\/thead>\n
    Hypoth\u00e8se sur Cov(Xit<\/sub>, ci<\/sub>)<\/strong><\/td>\nCorr\u00e9lation arbitraire explicitement autoris\u00e9e (Cov ≠ 0<\/em>)<\/span><\/td>\nOrthogonalit\u00e9 stricte obligatoire (Cov = 0<\/em>)<\/span><\/td>\n<\/tr>\n
    Consistance sous corr\u00e9lation endog\u00e8ne<\/strong><\/td>\nPr\u00e9serv\u00e9e (robuste au biais d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 omise)<\/td>\nD\u00e9truite (estimateur biais\u00e9 et inconsistant)<\/td>\n<\/tr>\n
    Variables invariantes dans le temps<\/strong><\/td>\nStrictement inidentifiables (\u00e9limin\u00e9es par centrage)<\/td>\nIdentifiables et estimables sans difficult\u00e9<\/td>\n<\/tr>\n
    M\u00e9canisme d’estimation<\/strong><\/td>\nTransformation Within, premi\u00e8re diff\u00e9rence ou LSDV<\/td>\nMoindres Carr\u00e9s G\u00e9n\u00e9ralis\u00e9s (MCG \/ MCGF via θ)<\/td>\n<\/tr>\n
    Variance des estimateurs<\/strong><\/td>\nPlus \u00e9lev\u00e9e (perte de la variation inter-individuelle)<\/td>\nMinimale (estimateur BLUE sous l’hypoth\u00e8se nulle)<\/td>\n<\/tr>\n
    Statut de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 inobserv\u00e9e<\/strong><\/td>\nConstantes sp\u00e9cifiques par individu (param\u00e8tres incidents)<\/td>\nComposante stochastique tir\u00e9e d’une distribution<\/td>\n<\/tr>\n
    Port\u00e9e de l’inf\u00e9rence<\/strong><\/td>\nConditionnelle aux unit\u00e9s sp\u00e9cifiques de l’\u00e9chantillon<\/td>\nInconditionnelle, g\u00e9n\u00e9ralisable \u00e0 la super-population<\/td>\n<\/tr>\n
    Comportement quand T → ∞<\/strong><\/td>\nConsistant, disparition du probl\u00e8me des param\u00e8tres incidents<\/td>\nConverge num\u00e9riquement vers l’estimateur Within (θ → 1)<\/td>\n<\/tr>\n
    Degr\u00e9s de libert\u00e9 consomm\u00e9s<\/strong><\/td>\n\u00c9lev\u00e9s (N<\/em> moyennes individuelles neutralis\u00e9es)<\/td>\nFaibles (seules les variances σu<\/sub>2<\/sup> et σc<\/sub>2<\/sup> sont estim\u00e9es)<\/td>\n<\/tr>\n
    Sensibilit\u00e9 aux erreurs de mesure<\/strong><\/td>\n\u00c9lev\u00e9e (le centrage amplifie le ratio bruit\/signal)<\/td>\nMod\u00e9r\u00e9e (att\u00e9nuation par la composante de niveau)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

    5. Similitudes et convergences m\u00e9thodologiques<\/h2>\n

    5.1 Structure des donn\u00e9es et gestion de la corr\u00e9lation intra-groupe<\/h3>\n

    \nEn d\u00e9pit de leurs fractures th\u00e9oriques, les mod\u00e8les \u00e0 effets fixes et \u00e0 effets al\u00e9atoires partagent un socle conceptuel commun : ils sont tous deux express\u00e9ment con\u00e7us pour rem\u00e9dier \u00e0 la violation de l’hypoth\u00e8se classique d’ind\u00e9pendance des observations inh\u00e9rente aux s\u00e9ries r\u00e9p\u00e9t\u00e9es. Dans les deux cas, le point de d\u00e9part analytique consiste \u00e0 reconna\u00eetre que deux observations issues d’une m\u00eame entit\u00e9 i<\/em> \u00e0 des dates t<\/em> et s<\/em> sont plus similaires entre elles que deux observations pr\u00e9lev\u00e9es sur deux entit\u00e9s distinctes. Ce ph\u00e9nom\u00e8ne est capt\u00e9 par le coefficient de corr\u00e9lation intra-classe (ICC), not\u00e9 ρ :\n<\/p>\n

    \nρ = σc<\/sub>2<\/sup> \/ (σc<\/sub>2<\/sup> + σu<\/sub>2<\/sup>)<\/em><\/span>\n<\/p>\n

    \nLes deux m\u00e9thodologies proc\u00e8dent \u00e0 un partitionnement explicite de la variance globale du ph\u00e9nom\u00e8ne en deux sous-espaces orthogonaux : la variance intra-individuelle<\/em> (la dispersion temporelle des observations autour de la trajectoire moyenne de l’unit\u00e9) et la variance inter-individuelle<\/em> (la dispersion des profils moyens des unit\u00e9s autour de la moyenne globale de l’\u00e9chantillon). L’estimateur Within ignore d\u00e9lib\u00e9r\u00e9ment la seconde composante pour des motifs d’identification, tandis que les MCG r\u00e9alisent une combinaison lin\u00e9aire optimale des deux.\n<\/p>\n

    \nDe surcro\u00eet, les deux paradigmes font face aux m\u00eames contraintes structurelles li\u00e9es \u00e0 la gestion des donn\u00e9es r\u00e9elles. Dans un panel non \u00e9quilibr\u00e9, o\u00f9 la dur\u00e9e de pr\u00e9sence temporelle Ti<\/sub><\/em> varie selon les individus, les formules de transformation subissent des adaptations sym\u00e9triques. Pour les effets fixes, le centrage s’op\u00e8re sur la moyenne individuelle calcul\u00e9e sur les Ti<\/sub><\/em> p\u00e9riodes disponibles ; pour les effets al\u00e9atoires, le param\u00e8tre de quasi-diff\u00e9renciation devient individualis\u00e9 :\n<\/p>\n

    \nθi<\/sub> = 1 – √( σu<\/sub>2<\/sup> \/ (σu<\/sub>2<\/sup> + Ti<\/sub> σc<\/sub>2<\/sup>) )<\/em><\/span>\n<\/p>\n

    \nLes deux approches demeurent \u00e9galement tributaires de l’hypoth\u00e8se selon laquelle le processus d’attrition est non informatif, ce qui signifie que l’absence de donn\u00e9es \u00e0 certaines p\u00e9riodes ne d\u00e9pend pas des chocs stochastiques non observ\u00e9s contemporains.\n<\/p>\n

    5.2 Extensions communes et mod\u00e9lisations avanc\u00e9es<\/h3>\n

    \nLa convergence entre les deux approches se manifeste \u00e9galement dans leur capacit\u00e9 \u00e0 int\u00e9grer des extensions bidirectionnelles (Two-way models<\/em>). Dans une multitude d’applications r\u00e9elles, les donn\u00e9es sont soumises \u00e0 la fois \u00e0 une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle constante et \u00e0 des chocs macro\u00e9conomiques ou temporels communs \u00e0 l’ensemble des unit\u00e9s (tels qu’une r\u00e9cession mondiale, une variation de taux directeur ou une pand\u00e9mie). Le mod\u00e8le bidirectionnel s’\u00e9crit :\n<\/p>\n

    \nyit<\/sub> = Xit<\/sub> β + ci<\/sub> + λt<\/sub> + uit<\/sub><\/em><\/span>\n<\/p>\n

    \no\u00f9 λt<\/sub> repr\u00e9sente un effet temporel propre \u00e0 l’ann\u00e9e t<\/em>. Que l’on opte pour des effets fixes ou al\u00e9atoires au niveau individuel, la composante temporelle λt<\/sub> peut \u00eatre mod\u00e9lis\u00e9e selon les deux m\u00eames logiques. En pratique, l’insertion de variables indicatrices annuelles (effets fixes temporels) est presque syst\u00e9matiquement combin\u00e9e tant avec l’estimateur Within qu’avec l’estimateur par MCG, purgeant les donn\u00e9es de toute tendance conjoncturelle globale.\n<\/p>\n

    \nUne autre convergence cruciale r\u00e9side dans l’utilisation de matrices de variance-covariance robustes. Dans les deux paradigmes, l’hypoth\u00e8se selon laquelle le terme d’erreur idiosyncratique uit<\/sub><\/em> est homosc\u00e9dastique et non autocorr\u00e9l\u00e9 est rarement v\u00e9rifi\u00e9e sur donn\u00e9es d’observation. L’inf\u00e9rence moderne recourt donc universellement \u00e0 l’estimateur de Huber-White corrig\u00e9 par grappes (cluster-robust variance estimator<\/em>, popularis\u00e9 par Arellano). Cet estimateur ajuste la matrice de variance-covariance des coefficients afin de tol\u00e9rer toute forme d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 et d’autocorr\u00e9lation arbitraire au sein des s\u00e9ries individuelles :\n<\/p>\n

    \nVarcluster<\/sub>(β̂) = (Ẍ’ Ẍ)-1<\/sup> ( ∑i=1<\/sub>N<\/sup> Ẍi<\/sub>‘ üi<\/sub> üi<\/sub>‘ Ẍi<\/sub> ) (Ẍ’ Ẍ)-1<\/sup><\/em><\/span>\n<\/p>\n

    \nEnfin, face \u00e0 la pr\u00e9sence de variables explicatives endog\u00e8nes au sens fort \u2014 notamment lorsque le mod\u00e8le inclut la variable d\u00e9pendante retard\u00e9e yi,t-1<\/sub><\/em> \u2014, les deux mod\u00e8les statiques \u00e9chouent en raison du biais de Nickell. Ce dernier d\u00e9montre que dans les panels dynamiques o\u00f9 T<\/em> est petit, le centrage Within induit une corr\u00e9lation d’ordre 1\/T<\/em> entre le retard centr\u00e9 et l’erreur centr\u00e9e. Les deux familles convergent alors vers les m\u00e9thodes des moments g\u00e9n\u00e9ralis\u00e9s (GMM), incarn\u00e9es par les estimateurs en diff\u00e9rence d’Arellano-Bond (qui combine diff\u00e9renciation premi\u00e8re et instruments retard\u00e9s en niveau) et en syst\u00e8me de Blundell-Bond (qui exploite des instruments suppl\u00e9mentaires sous une hypoth\u00e8se de stationnarit\u00e9 des conditions initiales, conciliant les perspectives intra et inter-individuelles).\n<\/p>\n

    6. Crit\u00e8res de choix et applications pratiques : quel mod\u00e8le privil\u00e9gier ?<\/h2>\n

    6.1 Le test d’endog\u00e9n\u00e9it\u00e9 de Hausman et ses d\u00e9riv\u00e9s<\/h3>\n

    \nDans la pratique \u00e9conom\u00e9trique, le choix entre effets fixes et effets al\u00e9atoires a longtemps repos\u00e9 de fa\u00e7on quasi exclusive sur le test de sp\u00e9cification formalis\u00e9 par Jerry Hausman en 1978. Ce test statistique est fond\u00e9 sur un principe d’invariance \u00e9l\u00e9gant : comparer deux estimateurs, l’un \u00e9tant consistant sous l’hypoth\u00e8se nulle et sous l’hypoth\u00e8se alternative mais inefficace (l’estimateur \u00e0 effets fixes), l’autre \u00e9tant le plus efficace sous l’hypoth\u00e8se nulle mais inconsistant sous l’hypoth\u00e8se alternative (l’estimateur \u00e0 effets al\u00e9atoires).\n<\/p>\n

    \nLes hypoth\u00e8ses du test de Hausman se formulent comme suit :\n<\/p>\n

      \n
    • Hypoth\u00e8se nulle (H0<\/sub>) :<\/strong> Cov(Xit<\/sub>, ci<\/sub>) = 0<\/em>. L’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 inobserv\u00e9e est orthogonale aux r\u00e9gresseurs. β̂FE<\/sub> et β̂RE<\/sub> sont tous deux consistants, mais β̂RE<\/sub> est asymptotiquement plus efficace<\/span>.<\/li>\n
    • Hypoth\u00e8se alternative (H1<\/sub>) :<\/strong> Cov(Xit<\/sub>, ci<\/sub>) ≠ 0<\/em>. L’effet individuel est corr\u00e9l\u00e9 aux r\u00e9gresseurs. β̂FE<\/sub> demeure consistant, tandis que β̂RE<\/sub> est biais\u00e9 et inconsistant<\/span>.<\/li>\n<\/ul>\n

      \nLa statistique de test repose sur la distance quadratique normalis\u00e9e entre les deux vecteurs de coefficients estim\u00e9s :\n<\/p>\n

      \nH = (β̂FE<\/sub> – β̂RE<\/sub>)’ [ Var(β̂FE<\/sub>) – Var(β̂RE<\/sub>) ]-1<\/sup> (β̂FE<\/sub> – β̂RE<\/sub>)<\/em><\/span>\n<\/p>\n

      \nSous l’hypoth\u00e8se nulle, Hausman a d\u00e9montr\u00e9 que la matrice de variance-covariance de la diff\u00e9rence des estimateurs est simplement \u00e9gale \u00e0 la diff\u00e9rence de leurs matrices de variance respectives, Var(β̂FE<\/sub> – β̂RE<\/sub>) = Var(β̂FE<\/sub>) – Var(β̂RE<\/sub>)<\/em>, \u00e9vitant ainsi le calcul d’un terme de covariance crois\u00e9e complexe. La statistique H<\/em> suit asymptotiquement une loi du chi-deux (χ2<\/sup>) \u00e0 K<\/em> degr\u00e9s de libert\u00e9, o\u00f9 K<\/em> repr\u00e9sente la dimension du sous-vecteur des variables variant dans le temps compar\u00e9es<\/span>.\n<\/p>\n

      \nSi la p-valeur associ\u00e9e \u00e0 la statistique H<\/em> est inf\u00e9rieure au seuil critique usuel (par exemple 0,05), l’hypoth\u00e8se nulle est rejet\u00e9e. On conclut que les divergences empiriques entre les deux s\u00e9ries de coefficients sont trop vastes pour \u00eatre imputables aux seules fluctuations d’\u00e9chantillonnage ; l’estimateur des effets al\u00e9atoires est alors diagnostiqu\u00e9 comme pollu\u00e9 par l’endog\u00e9n\u00e9it\u00e9, imposant l’adoption de l’estimateur \u00e0 effets fixes. Inversement, une p-valeur \u00e9lev\u00e9e conduit \u00e0 ne pas rejeter H0<\/sub><\/em>, validant l’utilisation des effets al\u00e9atoires et autorisant le chercheur \u00e0 r\u00e9colter les gains d’efficacit\u00e9 associ\u00e9s.\n<\/p>\n

      \nCependant, le test classique de Hausman pr\u00e9sente des limitations m\u00e9thodologiques consid\u00e9rables. En premier lieu, sa d\u00e9rivation repose imp\u00e9rativement sur l’hypoth\u00e8se que le mod\u00e8le \u00e0 effets al\u00e9atoires est pleinement efficace sous H0<\/sub><\/em>, ce qui exige que les erreurs idiosyncratiques uit<\/sub><\/em> soient homosc\u00e9dastiques et exemptes de toute autocorr\u00e9lation. D\u00e8s lors que l’on applique des erreurs-types robustes ou clusteris\u00e9es pour tenir compte de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, la formule de simplification de Hausman s’effondre. Jeffrey Wooldridge a d\u00e9montr\u00e9 que dans ce contexte, le test traditionnel perd sa validit\u00e9 et propose de lui substituer une r\u00e9gression auxiliaire bas\u00e9e sur l’approche de Mundlak, qui fournit un test de score ou un test de Wald robuste aux violations de distribution sph\u00e9rique.\n<\/p>\n

      6.2 Typologie des donn\u00e9es et design exp\u00e9rimental<\/h3>\n

      \nLe recours aveugle aux tests d’hypoth\u00e8se ne saurait supplanter une r\u00e9flexion approfondie sur la nature du plan d’\u00e9chantillonnage et la structure intrins\u00e8que des unit\u00e9s observ\u00e9es. L’ad\u00e9quation th\u00e9orique de l’un ou l’autre mod\u00e8le d\u00e9coule en amont du mode de constitution de la base de donn\u00e9es :\n<\/p>\n

      \nQuand privil\u00e9gier imp\u00e9rativement les mod\u00e8les \u00e0 effets fixes :<\/strong>\n<\/p>\n

        \n
      • \u00c9chantillons quasi-exhaustifs d’entit\u00e9s agr\u00e9g\u00e9es :<\/strong> Lorsque les donn\u00e9es couvrent la totalit\u00e9 ou la quasi-totalit\u00e9 d’une population institutionnelle ferm\u00e9e (les 50 \u00c9tats am\u00e9ricains, les 36 pays de l’OCDE, les 13 r\u00e9gions fran\u00e7aises, les 20 plus grandes banques syst\u00e9miques). Dans cette configuration, supposer que ces entit\u00e9s r\u00e9sultent d’un tirage al\u00e9atoire n’a aucun sens th\u00e9orique. L’effet de chaque entit\u00e9 doit \u00eatre appr\u00e9hend\u00e9 comme une entit\u00e9 fixe et unique.<\/li>\n
      • Objectif de d\u00e9monstration causale stricte :<\/strong> D\u00e8s lors que l’enjeu central r\u00e9side dans l’estimation sans biais de l’impact d’une politique publique ou d’un choc exog\u00e8ne (par exemple, une r\u00e9forme fiscale, l’introduction d’un salaire minimum ou l’impact d’une subvention R&D), le risque de corr\u00e9lation avec des caract\u00e9ristiques institutionnelles ou manag\u00e9riales inobserv\u00e9es est massif. Les effets fixes offrent un rempart indispensable contre l’omission de ces facteurs.<\/li>\n
      • Donn\u00e9es massives \u00e0 variation temporelle rapide :<\/strong> Dans les panels de donn\u00e9es \u00e0 haute fr\u00e9quence (donn\u00e9es transactionnelles bancaires, donn\u00e9es de capteurs industriels, panels de consommation par scanner) o\u00f9 les unit\u00e9s sont suivies sur des dizaines de p\u00e9riodes, la perte de degr\u00e9s de libert\u00e9 inh\u00e9rente aux effets fixes devient n\u00e9gligeable, neutralisant son principal d\u00e9savantage statistique.<\/li>\n<\/ul>\n

        \nQuand orienter l’arbitrage vers les mod\u00e8les \u00e0 effets al\u00e9atoires :<\/strong>\n<\/p>\n

          \n
        • Sondages probabilistes \u00e0 large \u00e9chelle :<\/strong> Lorsque l’\u00e9chantillon r\u00e9sulte d’un plan de sondage al\u00e9atoire complexe au sein d’une population d’individus, de m\u00e9nages ou de tr\u00e8s petites entreprises (par exemple, les panels de l’Insee, la cohorte ELFE, le Panel Study of Income Dynamics<\/em>). Le statut al\u00e9atoire de ci<\/sub><\/em> est ici en conformit\u00e9 directe avec le protocole d’\u00e9chantillonnage.<\/li>\n
        • Centralit\u00e9 th\u00e9orique des d\u00e9terminants invariants :<\/strong> Lorsque la question de recherche fondamentale porte pr\u00e9cis\u00e9ment sur des attributs stables dans le temps : l’\u00e9cart salarial structurel entre hommes et femmes, l’effet de l’acc\u00e8s \u00e0 la mer sur le d\u00e9veloppement urbain, l’impact de la religion majoritaire ou du syst\u00e8me juridique d’origine coloniale. Dans ces situations, le recours aux effets fixes classiques aboutirait \u00e0 une impasse m\u00e9thodologique, les coefficients de ces variables n’\u00e9tant pas identifi\u00e9s.<\/li>\n
        • Panels courts avec variables \u00e0 faible inertie temporelle :<\/strong> Dans les situations o\u00f9 T<\/em> est tr\u00e8s faible (par exemple T = 2<\/em> ou T = 3<\/em>) et o\u00f9 les r\u00e9gresseurs changent tr\u00e8s peu (par exemple, la composition du conseil d’administration d’une entreprise), la variance intra-individuelle est quasi inexistante. L’estimation Within produit des coefficients assortis d’erreurs-types gigantesques, rendant l’inf\u00e9rence st\u00e9rile. Le mod\u00e8le \u00e0 effets al\u00e9atoires, \u00e9ventuellement corrig\u00e9, s’av\u00e8re alors souvent le seul choix op\u00e9rationnel<\/span>.<\/li>\n<\/ul>\n

          6.3 Approches hybrides et mod\u00e8les \u00e0 effets corr\u00e9l\u00e9s<\/h3>\n

          \nConfront\u00e9s \u00e0 l’arbitrage douloureux entre la robustesse des effets fixes face \u00e0 l’endog\u00e9n\u00e9it\u00e9 et la capacit\u00e9 des effets al\u00e9atoires \u00e0 estimer l’impact des facteurs invariants, les \u00e9conom\u00e8tres ont d\u00e9velopp\u00e9 des formulations hybrides novatrices qui unifient les deux univers.\n<\/p>\n

          \nL’approche la plus f\u00e9conde est issue des travaux s\u00e9minaux de Yair Mundlak (1978), \u00e9tendue par Gary Chamberlain (1982) et formalis\u00e9e par Jeffrey Wooldridge sous la d\u00e9nomination de mod\u00e8les \u00e0 effets al\u00e9atoires corr\u00e9l\u00e9s<\/em> (Correlated Random Effects<\/em> ou CRE). L’intuition de Mundlak consiste \u00e0 formaliser explicitement la d\u00e9pendance statistique entre l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 latente ci<\/sub><\/em> et l’historique des variables explicatives sous la forme d’une projection lin\u00e9aire de ci<\/sub><\/em> sur les moyennes temporelles individuelles des r\u00e9gresseurs :\n<\/p>\n

          \nci<\/sub> = X̄i<\/sub> γ + ηi<\/sub><\/em><\/span>\n<\/p>\n

          \no\u00f9 ηi<\/sub> est une perturbation al\u00e9atoire autonome, strictement orthogonale aux r\u00e9gresseurs (Cov(Xit<\/sub>, ηi<\/sub>) = 0<\/em>) de variance constante ση<\/sub>2<\/sup>. En injectant cette \u00e9quation dans le mod\u00e8le structurel de base, on obtient l’\u00e9quation augment\u00e9e<\/span> :\n<\/p>\n

          \nyit<\/sub> = Xit<\/sub> β + X̄i<\/sub> γ + ηi<\/sub> + uit<\/sub><\/em><\/span>\n<\/p>\n

          \nSi l’on estime ce mod\u00e8le augment\u00e9 par les moindres carr\u00e9s al\u00e9atoires (MCG), un r\u00e9sultat math\u00e9matique spectaculaire \u00e9merge : le coefficient estim\u00e9 pour β est rigoureusement identique<\/strong> \u00e0 l’estimateur Within des effets fixes (β̂CRE<\/sub> ≡ β̂FE<\/sub>). Simultan\u00e9ment, le param\u00e8tre γ capture directement le diff\u00e9rentiel d’endog\u00e9n\u00e9it\u00e9 (la diff\u00e9rence entre la dimension Within et la dimension Between). De surcro\u00eet, le test de la nullit\u00e9 conjointe des coefficients γ (test de Wald H0<\/sub>: γ = 0<\/em>) constitue un test d’endog\u00e9n\u00e9it\u00e9 strictement \u00e9quivalent au test de Hausman, mais d’une sup\u00e9riorit\u00e9 absolue : il peut \u00eatre rendu robuste \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 et aux corr\u00e9lations intra-grappes par une simple correction de variance standard<\/span>.\n<\/p>\n

          \nUne autre avanc\u00e9e majeure est l’estimateur de Hausman et Taylor (1981). Cette m\u00e9thode s’adresse au cas interm\u00e9diaire o\u00f9 l’analyste peut partitionner th\u00e9oriquement les variables explicatives en quatre blocs distincts :\n<\/p>\n

            \n
          • X1,it<\/sub><\/em> : variables variantes dans le temps, exog\u00e8nes (non corr\u00e9l\u00e9es avec ci<\/sub><\/em>) ;<\/li>\n
          • X2,it<\/sub><\/em> : variables variantes dans le temps, endog\u00e8nes (corr\u00e9l\u00e9es avec ci<\/sub><\/em>) ;<\/li>\n
          • Z1,i<\/sub><\/em> : variables invariantes dans le temps, exog\u00e8nes ;<\/li>\n
          • Z2,i<\/sub><\/em> : variables invariantes dans le temps, endog\u00e8nes.<\/li>\n<\/ul>\n

            \nLe mod\u00e8le s’\u00e9nonce :\n<\/p>\n

            \nyit<\/sub> = X1,it<\/sub> β1<\/sub> + X2,it<\/sub> β2<\/sub> + Z1,i<\/sub> γ1<\/sub> + Z2,i<\/sub> γ2<\/sub> + ci<\/sub> + uit<\/sub><\/em><\/span>\n<\/p>\n

            \nL’estimateur de Hausman-Taylor utilise une approche par variables instrumentales internes, \u00e9vitant le recours probl\u00e9matique \u00e0 des instruments externes :\n<\/p>\n

              \n
            • Les variables X1,it<\/sub><\/em> et X2,it<\/sub><\/em> sont purg\u00e9es de leur corr\u00e9lation avec ci<\/sub><\/em> via la transformation Within habituelle : (Xit<\/sub> – X̄i<\/sub>)<\/em> sert d’instrument pour estimer β1<\/sub> et β2<\/sub>.<\/li>\n
            • Pour identifier les coefficients des variables invariantes γ1<\/sub> et γ2<\/sub>, l’estimateur exploite les moyennes temporelles des variables variantes exog\u00e8nes X̄1,i<\/sub><\/em> ainsi que les variables invariantes exog\u00e8nes Z1,i<\/sub><\/em> comme instruments pour Z2,i<\/sub><\/em>.<\/li>\n<\/ul>\n

              \nLa condition d’identification requiert simplement que le nombre de variables variantes exog\u00e8nes soit au moins \u00e9gal au nombre de variables invariantes endog\u00e8nes (dimension de X1<\/sub><\/em> ≥ dimension de Z2<\/sub><\/em>). Cette m\u00e9thode offre une conciliation analytique puissante pour identifier l’effet causal de variables fixes (telles que l’\u00e9ducation dans une \u00e9quation de Mincer) tout en autorisant leur corr\u00e9lation avec l’aptitude individuelle inobserv\u00e9e<\/span>.\n<\/p>\n

              \nEnfin, les sciences statistiques et la biom\u00e9trie prolongent cette hybridation \u00e0 travers les mod\u00e8les multiniveaux ou hi\u00e9rarchiques lin\u00e9aires (HLM). Dans ce cadre, la distinction effets fixes\/al\u00e9atoires s’articule via des pentes al\u00e9atoires (random slopes<\/em>). Non seulement l’ordonn\u00e9e \u00e0 l’origine varie de mani\u00e8re stochastique selon l’entit\u00e9 (ci<\/sub><\/em>), mais la sensibilit\u00e9 de l’unit\u00e9 au stimulus (le vecteur de pente βi<\/sub>) est \u00e9galement mod\u00e9lis\u00e9e comme une variable al\u00e9atoire :\n<\/p>\n

              \nyit<\/sub> = Xit<\/sub> (β + bi<\/sub>) + ci<\/sub> + uit<\/sub>   avec   (ci<\/sub>, bi<\/sub>‘)’ ~ 𝒩(0<\/strong>, Σ)<\/em><\/span>\n<\/p>\n

              \nCes mod\u00e8les recourent \u00e0 l’estimation par le maximum de vraisemblance restreint (REML) et aux pr\u00e9dicteurs BLUP (Best Linear Unbiased Predictor<\/em>), caract\u00e9ris\u00e9s par le ph\u00e9nom\u00e8ne de r\u00e9tr\u00e9cissement (shrinkage<\/em>) : les estimations sp\u00e9cifiques des unit\u00e9s \u00e0 faible \u00e9chantillon sont tir\u00e9es (\u00ab r\u00e9tr\u00e9cies \u00bb) vers la moyenne de la population globale afin d’optimiser l’erreur quadratique moyenne de pr\u00e9diction.\n<\/p>\n

              7. Foire aux questions (FAQ)<\/h2>\n

              7.1 Pourquoi les variables invariantes dans le temps disparaissent-elles avec les effets fixes ?<\/h3>\n

              \nLa disparition des variables invariantes dans le temps dans un mod\u00e8le \u00e0 effets fixes d\u00e9coule d’une n\u00e9cessit\u00e9 alg\u00e9brique incontournable li\u00e9e au centrage intra-individuel. Prenons une \u00e9quation o\u00f9 figure explicitement une variable invariable au fil des vagues d’observation, par exemple le genre de l’individu, not\u00e9 Si<\/sub><\/em> :\n<\/p>\n

              \nyit<\/sub> = Xit<\/sub> β + Si<\/sub> γ + ci<\/sub> + uit<\/sub><\/em><\/span>\n<\/p>\n

              \nPour \u00e9liminer l’effet individuel inobserv\u00e9 ci<\/sub><\/em> sans imposer d’hypoth\u00e8se restrictive sur sa corr\u00e9lation avec Xit<\/sub><\/em>, l’estimateur Within calcule la moyenne de chaque variable sur l’ensemble de la dimension temporelle :\n<\/p>\n

              \nȳi<\/sub> = (1\/T) ∑t=1<\/sub>T<\/sup> yit<\/sub><\/em><\/span>\n<\/p>\n

              \nS̄i<\/sub> = (1\/T) ∑t=1<\/sub>T<\/sup> Si<\/sub> = Si<\/sub><\/em><\/span>\n<\/p>\n

              \nPuisque la variable Si<\/sub><\/em> ne change pas d’une p\u00e9riode \u00e0 l’autre pour l’unit\u00e9 i<\/em>, sa moyenne temporelle est rigoureusement identique \u00e0 la valeur qu’elle prend \u00e0 n’importe quel instant t<\/em>. Lorsque l’op\u00e9rateur de centrage Within soustrait la moyenne temporelle de la valeur observ\u00e9e, l’op\u00e9ration produit :\n<\/p>\n

              \n(Sit<\/sub> – S̄i<\/sub>) = (Si<\/sub> – Si<\/sub>) = 0   ∀ i ∈ {1, …, N}, ∀ t ∈ {1, …, T}<\/em><\/span>\n<\/p>\n

              \nLe r\u00e9gresseur transform\u00e9 devient un vecteur contenant exclusivement des z\u00e9ros. Du point de vue de l’alg\u00e8bre lin\u00e9aire, la matrice des r\u00e9gresseurs centr\u00e9s comporte une colonne identiquement nulle, ce qui fait chuter son rang en de\u00e7\u00e0 du nombre de param\u00e8tres \u00e0 estimer. La matrice de dispersion Ẍ’ Ẍ<\/em> devient singuli\u00e8re et non inversible, interdisant le calcul math\u00e9matique de l’estimateur par moindres carr\u00e9s.\n<\/p>\n

              \nPour les chercheurs confront\u00e9s \u00e0 cette impasse, plusieurs solutions m\u00e9thodologiques alternatives existent :\n<\/p>\n