Modèle de panneau

Comme nous l`avons expliqué précédemment, lorsque nous n`incluons pas de variables invariantes observées dans le temps, le REM est une forme restreinte de la FEM où dans le premier, les variables de temps-invariants latents (ηi) ne sont pas corrélées avec toutes les autres covariables. Les corrélations sont autorisées dans la FEM. Compte tenu de cette imbrication, nous pouvons former un test de différence LR Chi-carré pour comparer le FEM et le REM en soustrayant les statistiques de test TM pour le REM versus FEM, en prenant une différence dans leurs degrés de liberté respectifs, et en comparant les résultats à une distribution de khi-carré. Un Khi-carré LR statistiquement significatif est une preuve qui favorise la FEM tandis qu`un chi-carré insignifiant favorise le REM. l`exécution de ces tests de différence LR Chi-carré conduit à un résultat statistiquement significatif de prêter un soutien à la FEM versions des modèles 1, 2 et 3 du tableau 3. Ces résultats sont cohérents avec le test Hausman en favorisant la FEM. Cependant, la grande taille de l`échantillon combinée avec les grands degrés de liberté pour ces modèles complique le résultat en ce que la puissance statistique de tous ces tests est élevée et ne nous dit pas l`ampleur des différences. Les RNI et IFI (c.-à-d. les indices d`ajustement de base) diffèrent à la troisième décimale et les valeurs aussi proches que celles-ci sont généralement considérées comme essentiellement équivalentes. La RMSEA a des différences légèrement plus importantes dans les comparaisons par paires avec une tendance à privilégier le REM.

La plus grande séparation dans les comparaisons par paires pour les modèles 1, 2 et 3 se produisent pour le BIC et le BIC favorise les versions REM des modèles. En sociologie, deux modèles communs pour ces données sont appelés le modèle d`effets aléatoires (REM) et le modèle d`effets fixes (FEM) (Allison 1994; Guo et Hipp 2004). En effet, un certain nombre d`articles ont fait usage de la FEM ou du REM en sociologie (p. ex., Nielsen et Hannan, 1977; Nielsen, 1980; Kilbourne, Angleterre, Farkas, Beron, et Weir, 1994; Alderson, 1999; Alderson et Nielsen, 1999; Conley et Bennet 2000; Mouw, 2000; VanLaningham, Johnson, et Amato, 2001; Budig et l`Angleterre, 2001; Wheaton et Clarke, 2003; TEACHMAN, 2004; Yakubovich, 2005; 2006 Beckfield; Marque, 2006; Matsueda, Kreager, et Huizinga, 2006; Shauman et Noonan, 2007). Une attraction majeure de ces modèles est qu`ils fournissent un moyen de contrôler pour toutes les variables non mesurées (ou latentes) invariantes du temps qui influencent la variable dépendante si ces variables sont connues ou inconnues pour le chercheur. Étant donné la présence probable de ces variables omises, c`est un avantage majeur. Le REM suppose que les variables invariantes du temps omis sont non corrélées avec les covariables temporelles incluses, tandis que la FEM permet à ces variables de se corréler librement (Mundlak, 1978). Le REM a l`avantage d`une plus grande efficacité par rapport à la FEM conduisant à des erreurs standard plus faibles de coefficients et une puissance statistique plus élevée pour détecter les effets (Hsiao 2003). Un test Hausman (1978) permet aux chercheurs de distinguer le REM et le FEM. le logiciel statistique pour REM et FEM est facilement disponible (par exemple, xtreg dans stata et proc GLM, proc Mixed in SAS).

Notre exemple empirique de l`impact du nombre d`enfants sur les salaires des femmes a illustré certains des avantages qui découlent de la coulée des modèles de panneaux FEM et REM dans le cadre de ce modèle de panel général. D`une part, nous avons eu accès à un ensemble plus complet de statistiques de l`ajustement du modèle qui a révélé des failles dans la norme FEM et REM qui n`étaient pas évidentes dans les approches habituelles et la publication basée sur eux. Plus précisément, aucun des modèles n`a reproduit entièrement la matrice de covariance et les moyens des variables observées, comme ils le devraient si ces derniers étaient corrects.

back to top