= Spatial dependence and panel data structure : application to estimating the residential demand for water

• Auteur / Autrice : Théophile Azomahou
• Direction : François Laisney
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance en 2000
• Etablissement(s) : Strasbourg 1

Mots clés

Mots clés contrôlés

Économétrie

Estimation, Théorie de l'

Eau potable

Résumé

Cette thèse porte sur l'estimation des modèles spatiaux et propose des applications à la demande domestique d'eau. Les principaux résultats sont de deux ordres. D'un point de vue théorique, je montre que l'estimateur des moindres carrés ordinaires du modèle spatial auto-régressif pur est non-convergent et biaisé quelle que soit la distribution du terme d'erreur. Pour le modèle spatial général, après avoir montré que l'estimateur des moments généralisés de Kelejian et Prucha (1998, 1999) coi͏̈ncide avec l'estimateur des moindres carrés asymptotiques, je propose une estimation efficace fondée sur la méthode des instruments optimaux non-paramétriques. Je suggère également un estimateur non-paramétrique convergent en probabilité pour la fonction d'auto-covariance d'un processus spatial irrégulier. J'en déduis un estimateur pour la matrice de variance-covariance dont je prouve la convergence en norme L2. Finalement, j'étudie la distribution asymptotique de l'estimateur des moments généralisés. D'un point de vue empirique, j'analyse la dépendance spatiale dans la consommation domestique d'eau à partir de deux échantillons de données de panel. Les résultats d'estimation mettent en évidence l'existence de corrélations spatiales dans les comportements de demande d'eau potable des ménages

This thesis deals with the estimation of spatial models with applications to the residential demand for drinking water. The main results are of two-fold. From a theoretical viewpoint, I investigate the asymptotic biais of the ordinary least squares estimator for spatial autoregressive models. I show that this estimator is biased as well as inconsistent regardless of the distribution of the disturbance. For the general spatial model, I show that the generalized method of moments (GMM) estimator of Kelejian and Prucha (1998, 1999) matches the asymptotic least squares procedure. Then, I suggest an efficient estimation of the general model based on optimal nonparametric instruments. I also provide a consistent (in probability) nonparametric estimatior of the sample autocovariances function for an irregularly spaced spatial process. I then derive the consistency in norm L2 of the resulting asymptotic variance-covariance matrix estimator. Finally, the asymptotic distribution of the GMM estimator is stated. From an empirical viewpoint, I investigate spatial dependence in the residential demand for water from two panel data samples. Estimation results indicate spatial patterns in households' demand for drinking water.