Nous décrivons les problèmes qui se posent lorsque des observations répétées sont présentes dans l'échantillon et qu'il est possible de traiter l'hétérogénéité non observée dans l'échantillon. Nous analysons les principales caractéristiques des données de panel et soulignons les avantages qu'il y a à travailler avec des panels de données plutôt qu'avec d'autres structures de données. Nous analysons les modèles à effets fixes et les estimateurs associés à cette approche. Un exemple complet d'estimation du modèle de croissance néoclassique est présenté et discuté en utilisant les données des tableaux PWT. Nous voyons comment choisir entre les modèles à effets fixes et les modèles poolés en introduisant le test de poolabilité.

Cette semaine, nous étudions les effets aléatoires sur les modèles de données de panel. Nous analysons le test de Hausman, qui permet de déterminer si nous devrions adopter les modèles à effets fixes ou les modèles à effets aléatoires. Les deux approches sont comparées à l'aide du modèle de croissance de Solow. Nous analysons également le rôle du temps dans les modèles de données de panel en présentant l'estimateur entre les deux, les estimateurs à deux voies, lorsque nous avons des effets temporels, et nous examinons enfin les modèles de données de panel dynamiques, où la variable dépendante retardée entre dans l'ensemble des régresseurs.

Nous discutons des modèles de probabilité, qui sont utilisés lorsque la variable étudiée est qualitative et doit être traitée avec une approche différente. Nous analysons les difficultés soulevées par les modèles linéaires lorsque la variable dépendante est binomiale. Nous étudions les estimateurs logit et probit. Nous appliquons les modèles de probabilité au problème de la construction d'un système d'alerte précoce pour prévoir les crises bancaires systémiques en utilisant les données de la Banque mondiale.