Malheureusement, je risque de vous décevoir.
Tout d'abord, on peut faire de l'économétrie et des tests avec moins de 30 observations : regardez par exemple les tables de student, elles sont tabulées pour des tailles d'échantillons bien plus faibles.
C'est vrai également que si vous voulez mettre en oeuvre des méthodes qui supposent que ces tailles (en T et en N si vous faites du panel) tendent vers l'infini, alors là vous êtes très mal avec votre base de 10 individus sur 5 années, d'autant plus qu'au-delà des aspects techniques, la question de la représentativité de cet échantillon doit aussi être une interrogation pertinente.
Ceci étant, 2 cas sont à considérer : soit ce que vous faites est un exercice de style dans lequel on vous demande de réaliser une estimation du type effets fixes ou/et effets aléatoires simplement pour que vous ayez vu des résultats de ce type d'estimation. Auquel cas, tout va bien : pour cet exercice avoir 50 ans sur 1000 individus ou avoir 5 ans d'observations sur 10 individus c'est pareil (pour le coup, vous pourriez presque faire tous les calculs à la main et donc comprendre parfaitement ces techniques). Soit, et là c'est plus inquiétant, vous voulez tirer des conclusions sérieuses à partir de vos résultats. Si c'est ça je ne vois pas d'issue au fait incontournable que vous n'avez que 5 entreprises dans chaque groupe.
Ne pouvez-vous pas vous limiter à une étude de type monographie décrivant les évolutions des variables ou ratios qui vous semblent importants en espérant repérer des évolutions contratées entre vos deux groupes ?

en fait dès le départ je trouve un prob dans l'échantillon. c vrai que je vais pas tirer de grandes choses de ce modèle puisque l'échantillon est déjà restreint. mais  je sais aucune autre méthode pour mettre en pratique mon étude à part la modélisation.

Rapidement : le choix de P est important pour assurer que le test est à peu près satisfaisant en termes de 'size' et de puissance. Plutôt que de maximiser les critères usuels AIC ou BIC, Ng et Perron (2001) ont proposé des versions modifiées de ces deux critères (ils conseillent plutôt la version MAIC) pour sélectionner l'ordre à appliquer au test d'Elliot, Rothenberg et Stock (1996)). Une amélioration récente est due à Perron et Qu (2007, Economics Letters) : ils conseillent d'appliquer les OLS plutôt que les GLS pour obtenir les données 'détrendées', l'une des raisons de l'amélioration, notamment en termes de puissance, serait précisément que le nombre de lags P sélectionné serait moins sensible à la distance du DGP par rapport à l'hypothèse nulle (plus le coef du niveau décalé s'écarte de l'unité et plus le nombre de lags retenu avec les GLS augmente ce qui affecterait la puissance). Leurs simulations soulignent aussi que le seuil de risque empirique reste proche du seuil nominal. Pour finir, vous utilisez ces critères modifiés avec ou sans l'amélioration de Perron et Qu et, comme tout le monde, vous ne regardez pas l'autocorrélation  des erreurs pour choisir P.