Robust dynamic space-time panel data models using ε-contamination: An application to crop yields and climate change

Cet article généralise les articles de Baltagi et al. (2018, 2021) portant sur les modèles statiques et dynamiques de type ε-contamination aux modèles spatio-temporels dynamiques. Nous étudions la robustesse des modèles bayésiens avec données de panel à une éventuelle erreur de spécification de la distribution a priori. L'approche bayésienne proposée se distingue du cadre bayésien standard de deux manières. Premièrement, nous considérons la classe ε-contamination des distributions a priori pour les paramètres du modèle ainsi que pour les effets individuels. Deuxièmement, les « elicited priors » pour les paramètres du modèle et les « priors » de la ε-contamination sont fondés sur les « g-priors » de Zellner (1986) pour les matrices de variance-covariance. Nous proposons un « coffre à outils » permettant d’estimer un large éventail de spécifications qui comprend le modèle de panel dynamique spatio-temporel à effets aléatoires, à effets croisés à la Chamberlain, au cadre analytique de Hausman-Taylor, ainsi que les modèles de données de panel dynamiques avec pentes homogènes/hétérogènes et dépendance transversale. À l'aide de nombreuses simulations de type Monte-Carlo, nous comparons les propriétés en échantillon fini de notre estimateur à celles des estimateurs classiques standards. Nous illustrons notre estimateur bayésien en exploitant les mêmes données que Keane et Neal (2020). Nous obtenons des effets à court et à long terme des changements climatiques sur la production de maïs aux États-Unis.

[ - ]
[ + ]