Aula 5 Painel Com Efeitos Nao Observados PDF

Introduo
Modelos com Efeito Fixo

Econometria III - Dados em Painel
Painel com Efeitos no Observados - Aula 5
CEDEPLAR/UFMG
2o. Semestre 2010
Introduo
Modelo mais simples em painel
y
it
= x
/
it
+
i
+
it
, i = 1, ..., N, t = 1, ..., T
Painel Balanceado: as observaes individuais podem ser
observadas em todos os perodos.
Existem vrias maneiras de representar o modelo para dados
em painel.
Introduo
Modelo Agrupado
Maioria dos casos: N grande , T pequeno.
Agrupamos as observaes para cada perodo no tempo
y
i
= X
i
+
i
T
+
i
, i = 1, ..., N
onde
y
i (Tx1)
=
_
_
y
i 1
y
i 2
.
.
.
y
iT
_
_
,
i (Tx1)
=
_
i 1
i 2
.
.
.
iT
_
_
, X
i (TxK)
=
_
_
x
/
i 1
x
/
i 2
.
.
.
x
/
iT
_
_
,
T(Tx1)
=
_
_
1
1
.
.
.
1
_
_
Introduo
Colocando o modelo em uma s equao
y = X +D +
onde
D
(NTxN)
= I
N

T
OBS: A matriz X no inclu um coluna de uns. Porque?
Introduo
Qual a interpretao do intercepto?
Controla pelos efeitos dos fatores no-observados especcos
do indivduo i
i
= w
/
i
onde w
i
pode incluir inteligncia, habilidade, etc.
Diferentes hipteses sobre a relao entre x
it
e
i
=
diferentes variaes no modelo clssico linear.
Introduo
Exemplo: Funo de Produo (Chamberlain, 1984)
Um fazendeiro est produzindo um bem com uma tecnologia
Cobb-Douglas
y
it
= x
it
+
i
+u
it
, i = 1, ..., N, t = 1, ..., T
0 < < 1.
y
it
: logaritmo de do produto do fazendeiro i no perodo t.
x
it
: logaritmo de um insumo (trabalho)
i
: representa um insumo que xo ao longo do tempo
(qualidade do solo)
u
it
: representa um insumo aleatrio que no est sob o
controle do fazendeiro (quantidade de chuva).
Introduo
Hiptese: O fazendeiro conhece o preo do produto (P), o
preo do insumo (W) que no dependem de suas decises e
i
.
O fazendeiro toma as suas decises antes de conhecer u
it
O fazendeiro escolhe x
it
que maximiza os seus lucros
esperados,
x
it
=
ln + ln
_
E
_
e
uit
J
it
__
+ ln
_
P
t
W
t
_
+
i
1
onde J
it
o conjunto de informao disponvel para o
fazendeiro quando ele escolhe x
it
.
Hiptese: u
it
l J
it
Introduo
Dado todas estas hipteses,
E[ y
it
[ x
i 1
, ..., x
iT
, c
i
] = x
it
+
i
Se observamos c
i
:
Podemos usar s um perodo no tempo.
O estimador de MQO de y
i 1
em x
i 1
e c ser consistente
quando N .
Se c
i
observado pelo fazendeiro, mas no pelo
econometrista. Considere uma regresso de MQO de y
i 1
em
x
i 1
(usando somente uma cross-section):
E
+
[ y
i 1
[ x
i 1
] =
0
+
1
x
i 1
onde
1
=
Cov (y
i 1
, x
i 1
)
Var (x
i 1
)
,
0
= E[y
i 1
]
1
E[x
i 1
]
Problema:vis de varivel omitida
Introduo
Soluo "efeitos xos ": regresso de mnimos quadrados
de y
it
em x
it
, d
it
(i = 1, ..., N e t = 1, ..., T)
d
it
: um vetor Nx1 de zeros com 1 na posio i th.
i
: vetor de parmetros a serem estimados.
Neste caso, a soluo semelhante a fazer uma regresso de
y
it
y
i
em x
it
x
i
, onde y
i
=
1
T

T
t=1
y
it
e x
i
=
1
T

T
t=1
x
it
.
Introduo
i
so tratados como constantes (xas)
Estas constantes podem ser arbitrariamente correlacionadas
com x
it
.
Sob algumas hipteses, um exemplo da regresso linear
clssica.
Introduo
Voltando a representao "agrupada "
y
i
= X
i
+
i
T
+
i
, i = 1, ..., N
Restrio: No podemos incluir nenhuma varivel explicativa
que constante ao longo do tempo (raa, setor, etc...)
FE 1 (Exogeneidade Estrita): E[
it
[ X
i
,
i
] = 0, t = 1, ..., T
Estimar o modelo acima o mesmo que transformar as
equaes de modo a eliminar o efeito xo.
Introduo
Transformao de Efeito Fixo (ou tranformao "dentro ")
Vamos pensar no modelo no-agrupado
y
it
= x
/
it
+
i
+
it
, i = 1, ..., N, t = 1, ..., T (1)
Passo 1: Obter a equao "cross-section ", tomando a mdia
do seguinte modelo linear em relao ao tempo
y
i
= x
/
i
+
i
+
i
(2)
onde y
i
=

T
t=1
y
it
T
, x
i
=

T
t=1
x
it
T
e u
i
=

T
t=1

it
T
Passo 2: Subtrair equao 2 da equao 1
y
it
y
i
. .
..
y
it
= (x
it
x
i
)
. .
..
x
it
/
+ (
it
i
)
. .
..
it
Introduo
Nota-se que com esta tranformao, eliminamos
i
.
Podemos estimar este modelo pelo mtodo de MQO, fazendo
uma regresso de
..
y
it
em
..
x
it
?
Para que estimador seja consistente, a seguinte hiptese deve
ser satisfeita
E
_
..
x
/
it
..
it
_
= 0, t = 1, ..., T
Mas esta condio pode ser derivada a partir de FE1. Porque?
Na verdade, FE1 ir implicar uma condio mais forte
E
_
..
it
..
x
i 1
, ...,
..
x
iT
= 0
Introduo
i
.
uma regresso de
..
y
it
em
..
x
it
?
ser satisfeita
E
_
..
x
/
it
..
it
_
= 0, t = 1, ..., T
E
_
..
it
..
x
i 1
, ...,
..
x
iT
= 0
Introduo
i
.
uma regresso de
..
y
it
em
..
x
it
?
ser satisfeita
E
_
..
x
/
it
..
it
_
= 0, t = 1, ..., T
E
_
..
it
..
x
i 1
, ...,
..
x
iT
= 0
Introduo
i
.
uma regresso de
..
y
it
em
..
x
it
?
ser satisfeita
E
_
..
x
/
it
..
it
_
= 0, t = 1, ..., T
E
_
..
it
..
x
i 1
, ...,
..
x
iT
= 0
Introduo
i
.
uma regresso de
..
y
it
em
..
x
it
?
ser satisfeita
E
_
..
x
/
it
..
it
_
= 0, t = 1, ..., T
E
_
..
it
..
x
i 1
, ...,
..
x
iT
= 0
Introduo
Estimador de Efeito Fixo
Estimador de MQO da seguinte equao
..
y
i
=
..
X
i
+
..
i
, i = 1, ..., N
onde
..
y
i
Tx1,
..
X
i
TxK e
..
i
Tx1.
FE 2: rank
_
T
t=1
E
_
..
x
/
it
..
x
it
__
= rank
_
E
_
..
X
/
i
..
X
i
__
= K.
FE 2p (pequenas amostras): rank
_
..
X
/
i
..
X
i
_
= K
O estimador de efeito xo (estimador within) dado por
FE
=
_
N
i =1
..
X
/
i
..
X
i
_
1
_
N
i =1
..
X
/
i
..
y
i
_
=
_
N
i =1
T
t=1
..
x
/
it
..
x
it
_
1
_
N
i =1
T
t=1
..
x
/
it
..
y
it
_
Introduo
..
y
i
=
..
X
i
+
..
i
, i = 1, ..., N
onde
..
y
i
Tx1,
..
X
i
TxK e
..
i
Tx1.
FE 2: rank
_
T
t=1
E
_
..
x
/
it
..
x
it
__
= rank
_
E
_
..
X
/
i
..
X
i
__
= K.
_
..
X
/
i
..
X
i
_
= K
FE
=
_
N
i =1
..
X
/
i
..
X
i
_
1
_
N
i =1
..
X
/
i
..
y
i
_
=
_
N
i =1
T
t=1
..
x
/
it
..
x
it
_
1
_
N
i =1
T
t=1
..
x
/
it
..
y
it
_
Introduo
..
y
i
=
..
X
i
+
..
i
, i = 1, ..., N
onde
..
y
i
Tx1,
..
X
i
TxK e
..
i
Tx1.
FE 2: rank
_
T
t=1
E
_
..
x
/
it
..
x
it
__
= rank
_
E
_
..
X
/
i
..
X
i
__
= K.
_
..
X
/
i
..
X
i
_
= K
FE
=
_
N
i =1
..
X
/
i
..
X
i
_
1
_
N
i =1
..
X
/
i
..
y
i
_
=
_
N
i =1
T
t=1
..
x
/
it
..
x
it
_
1
_
N
i =1
T
t=1
..
x
/
it
..
y
it
_
Introduo
..
y
i
=
..
X
i
+
..
i
, i = 1, ..., N
onde
..
y
i
Tx1,
..
X
i
TxK e
..
i
Tx1.
FE 2: rank
_
T
t=1
E
_
..
x
/
it
..
x
it
__
= rank
_
E
_
..
X
/
i
..
X
i
__
= K.
_
..
X
/
i
..
X
i
_
= K
FE
=
_
N
i =1
..
X
/
i
..
X
i
_
1
_
N
i =1
..
X
/
i
..
y
i
_
=
_
N
i =1
T
t=1
..
x
/
it
..
x
it
_
1
_
N
i =1
T
t=1
..
x
/
it
..
y
it
_
Introduo
Estimador de Efeito Fixo: Propriedades
Sob hipteses FE1 e FE2p
E
_
FE
X
i
_
=
Introduo
Estimador de Efeito Fixo: Propriedades
Demostrao:
E
_
FE
X
i
_
= E
_
_
_
N
i =1
..
X
/
i
..
X
i
_
1
_
N
i =1
..
X
/
i
..
y
i
_
X
i
_
_
=
_
N
i =1
..
X
/
i
..
X
i
_
1
E
__
N
i =1
..
X
/
i
..
y
i
_
X
i
_
=
_
N
i =1
..
X
/
i
..
X
i
_
1
N
i =1
..
X
/
i
E
_
..
X
i
+
..
X
i
_
= +
_
N
i =1
..
X
/
i
..
X
i
_
1
N
i =1
..
X
/
i
E
_
..
X
i
. .
=0 por FE1
=
Introduo
Inferncia Assinttica
Assumimos homocedasticidade
FE 3 : E
_
/
i
X
i
,
i
=
2
I
T
Para calcular a distribuio assinttica do
FE
, temos que
vericar como FE 3 afeta a varincia condicional de
_
..
i
, t = 1, ..., T
_
.
Varincia
Var
_
..
it
= E
_
..
it
2
_
= E
_
_
..
it
..
it
_
2
_
=
2
+

2
T

2
2
T
=
_
1
1
T
_

Introduo
FE 3 : E
_
/
i
X
i
,
i
=
2
I
T
FE
, temos que
_
..
i
, t = 1, ..., T
_
.
Varincia
Var
_
..
it
= E
_
..
it
2
_
= E
_
_
..
it
..
it
_
2
_
=
2
+

2
T

2
2
T
=
_
1
1
T
_

Introduo
FE 3 : E
_
/
i
X
i
,
i
=
2
I
T
FE
, temos que
_
..
i
, t = 1, ..., T
_
.
Varincia
Var
_
..
it
= E
_
..
it
2
_
= E
_
_
..
it
..
it
_
2
_
=
2
+

2
T

2
2
T
=
_
1
1
T
_

Introduo
Covarincia
Cov
_
..
it
,
..
is
_
= E
___
..
it
..
it
_ _
..
is

..
is
___
= 0

2
T

2
T
+

2
T
=
T
< 0
Introduo
Logo, a covarincia entre os erros em diferentes pontos no
tempo no zero, e no temos a hiptese de
homocedasticidade. Nota-se que
Corr
_
..
it
,
..
is
_
=
1
T 1
< 0
Quando T cresce, a correlao tende a zero.
Como este fato afeta a varincia de
FE
?
Introduo
Logo, a covarincia entre os erros em diferentes pontos no
tempo no zero, e no temos a hiptese de
homocedasticidade. Nota-se que
Corr
_
..
it
,
..
is
_
=
1
T 1
< 0
Quando T cresce, a correlao tende a zero.
Como este fato afeta a varincia de
FE
?
Introduo
Primeiro vamos estabelecer uma notao....
..
y
i
=
_
I
T

T
_
/
T
T
_
1
T
_
. .
Q
T
y
i
onde Q
T
uma matriz idempotente com posto igual a T 1.
Da mesma maneira
..
i
= Q
T
i
e
..
X
i
= Q
T
X
i
Introduo
Podemos escrever o nosso estimador
FE
como
_
N
_
FE

_
=
_
N
i =1T
..
X
/
i
..
X
i
N
_
1
_
N
i =1
..
X
/
i
..
i
_
N
_
Usando a nossa matriz Q
T
, temos que
..
X
/
i
..
i
= X
/
i
Q
T
i
=
..
X
/
i
i
Usando a hiptese FE 3
_
N
_
FE

_
d
A
_
0,
2
_
E
_
..
X
/
i
..
X
i
__
1
_
Introduo
FE
como
_
N
_
FE

_
=
_
N
i =1T
..
X
/
i
..
X
i
N
_
1
_
N
i =1
..
X
/
i
..
i
_
N
_
T
, temos que
..
X
/
i
..
i
= X
/
i
Q
T
i
=
..
X
/
i
i
_
N
_
FE

_
d
A
_
0,
2
_
E
_
..
X
/
i
..
X
i
__
1
_
Introduo
FE
como
_
N
_
FE

_
=
_
N
i =1T
..
X
/
i
..
X
i
N
_
1
_
N
i =1
..
X
/
i
..
i
_
N
_
T
, temos que
..
X
/
i
..
i
= X
/
i
Q
T
i
=
..
X
/
i
i
_
N
_
FE

_
d
A
_
0,
2
_
E
_
..
X
/
i
..
X
i
__
1
_
Introduo
Logo
AVar
_
FE
_
=

2
_
E
_
..
X
/
i
..
X
i
__
1
N
que pode ser estimada como
A
Var
_
FE
_
=
2
_
N
i =1
..
X
/
i
..
X
i
_
1
=
2
_
N
i =1
T
t=1
..
x
/
it
..
x
it
_
1
Introduo
Logo
AVar
_
FE
_
=

2
_
E
_
..
X
/
i
..
X
i
__
1
N
que pode ser estimada como
A
Var
_
FE
_
=
2
_
N
i =1
..
X
/
i
..
X
i
_
1
=
2
_
N
i =1
T
t=1
..
x
/
it
..
x
it
_
1
Introduo
Como obter
?
Usando a varincia encontrada para
..
it
T
t=1
E
_
..
it
2
_
= (T 1)
2
=
2
=

N
i =1
T
t=1
E
_
..
it
2
_
N (T 1)
Introduo
Como obter
?
Usando a varincia encontrada para
..
it
T
t=1
E
_
..
it
2
_
= (T 1)
2
=
2
=

N
i =1
T
t=1
E
_
..
it
2
_
N (T 1)
Introduo
Os resduos de efeito xo so
..
it
=
..
y
it
..
x
it
FE
, t = 1, ..., T e i = 1, ..., N
Sob as hipteses FE 1 FE 3, podemos encontrar um
estimador consistente para
2
=
SSR
N (T 1) K
onde SSR =
N
i =1
T
t=1
..
it
.
Observao: O denominador da equao acima no igual ao
nmero de graus de liberdade da regresso estimada
(NT K). Note que se ponderamos pelo grau de liberdade,
o estimador deixa de ser consistente.
Para corrigir este problema, multiplicamos o termo
que
representa no desvio padro da regresso nas variveis
transformadas por
_
NTK
N(T1)K
_1
2
.
Introduo
..
it
=
..
y
it
..
x
it
FE
, t = 1, ..., T e i = 1, ..., N
2
=
SSR
N (T 1) K
onde SSR =
N
i =1
T
t=1
..
it
.
que
transformadas por
_
NTK
N(T1)K
_1
2
.
Introduo
..
it
=
..
y
it
..
x
it
FE
, t = 1, ..., T e i = 1, ..., N
2
=
SSR
N (T 1) K
onde SSR =
N
i =1
T
t=1
..
it
.
que
transformadas por
_
NTK
N(T1)K
_1
2
.
Introduo
..
it
=
..
y
it
..
x
it
FE
, t = 1, ..., T e i = 1, ..., N
2
=
SSR
N (T 1) K
onde SSR =
N
i =1
T
t=1
..
it
.
que
transformadas por
_
NTK
N(T1)K
_1
2
.
Introduo
Variveis Dummies
Note que na abordagem acima, consideremos
i
como
constantes xas. Mas suponnha que queremos ser mais
especicos e tratar
i
como parmetros a serem estimados.
Como estimados
i
conjuntamente com ?
Soluo mais simples: Denir N variveis dummies para cada
observao cross-section (d
ni
= 1 se n = i e d
ni
= 0 se
n ,= i ), e fazer uma regresso de y
it
em x
it
, d1i ,...., dN
i
para
t = 1, ..., T e i = 1, ..., N.
Neste caso,
1
o coeciente associado a d1i , ....
Neste caso, o estimador de obtido neste regresso
FE
e
os resduos so os mesmos obtidos na regresso com as
variveis tranformadas.
Uma vantagem deste modelo que as estimativas para
2
j
esto corrigidas porque o nmero de graus de liberdade desta
regresso N (T 1) K.
Introduo
Variveis Dummies
i
como
especicos e tratar
i
Como estimados
i
conjuntamente com ?
ni
= 1 se n = i e d
ni
= 0 se
it
em x
it
, d1i ,...., dN
i
para
t = 1, ..., T e i = 1, ..., N.
Neste caso,
1
FE
e
2
j
regresso N (T 1) K.
Introduo
Variveis Dummies
i
como
especicos e tratar
i
Como estimados
i
conjuntamente com ?
ni
= 1 se n = i e d
ni
= 0 se
it
em x
it
, d1i ,...., dN
i
para
t = 1, ..., T e i = 1, ..., N.
Neste caso,
1
FE
e
2
j
regresso N (T 1) K.
Introduo
Variveis Dummies
i
como
especicos e tratar
i
Como estimados
i
conjuntamente com ?
ni
= 1 se n = i e d
ni
= 0 se
it
em x
it
, d1i ,...., dN
i
para
t = 1, ..., T e i = 1, ..., N.
Neste caso,
1
FE
e
2
j
regresso N (T 1) K.
Introduo
Variveis Dummies
i
como
especicos e tratar
i
Como estimados
i
conjuntamente com ?
ni
= 1 se n = i e d
ni
= 0 se
it
em x
it
, d1i ,...., dN
i
para
t = 1, ..., T e i = 1, ..., N.
Neste caso,
1
FE
e
2
j
regresso N (T 1) K.
Introduo
Variveis Dummies
Note que
i
no um estimador consistente para
i
. Porque?
Cada
i
um estimador no-viesado para
i
, se FE1
verdadeira e a condio de rank satisfeita.
Note que podemos obter
i
a partir de
FE
i
= y
i
x
i
FE
, i = 1, ..., N
Introduo
Variveis Dummies
Note que
i
i
. Porque?
Cada
i
i
, se FE1
i
a partir de
FE
i
= y
i
x
i
FE
, i = 1, ..., N
Introduo
Variveis Dummies
Note que
i
i
. Porque?
Cada
i
i
, se FE1
i
a partir de
FE
i
= y
i
x
i
FE
, i = 1, ..., N
Introduo
Correlao ao longo do tempo...
Suponha que
it
, t = 1, ..., T, i = 1, ..., N so
correlacionadas ao longo do tempo. Este problema geralmente
maior quando T grande.
Como testar a hiptese de autocorrelao para panel com
efeito xo? Podemos usar
..
it
?
Teste 1: Usar somente dois perdos, e
Fazer uma regresso de
..
iT
em
..
iT 1
e obter o coeciente
.
Testar H
0
: =
1
T1
Sob as hipteses FE1 FE3, podemos usar a estatstica t
(usando o desvio padro de
)
Como corrigir por autocorrelao?
Usando uma matriz de varincia ajustada.
Usando GLS
Introduo
Mtodo 1: Matriz de varincia ajustada
Dena o vetor Tx1
i
=
..
y
i

..
X
i
FE
, i = 1, ..., N
A varincia robusta de
FE

\
AVar
_
FE
_
=
_
..
X
/
..
X
_
1
_
N
i =1
..
X
/
/
i
..
X
_
_
..
X
/
..
X
_
1
OBS 1: Esta matriz s vlida sob a hiptese de T pequeno
e N grande.
OBS 2: Quando T xo e N grande, sob hipteses
FE1 FE3 os desvios padres robustos so assintoticamente
vlidos assim como os no robustos.
Introduo
Dena o vetor Tx1
i
=
..
y
i

..
X
i
FE
, i = 1, ..., N
FE

\
AVar
_
FE
_
=
_
..
X
/
..
X
_
1
_
N
i =1
..
X
/
/
i
..
X
_
_
..
X
/
..
X
_
1
e N grande.
Introduo
Dena o vetor Tx1
i
=
..
y
i

..
X
i
FE
, i = 1, ..., N
FE

\
AVar
_
FE
_
=
_
..
X
/
..
X
_
1
_
N
i =1
..
X
/
/
i
..
X
_
_
..
X
/
..
X
_
1
e N grande.
Introduo
Mtodo 2: Efeitos Fixos GLS
Neste caso, podemos relaxar FE3 para
FEGLS3 : E
_
/
i
x
i
, c
i
= , onde uma matriz TxT positiva denida

Usando esta equao
E
_
/
i
=
E
_
..
/
i
..
i
_
= Q
T
E
_
/
i
Q
T
= Q
T
Q
T
Problema: O rank desta matriz T 1.
Soluo: Eliminar um perodo. Podemos escolher qualquer
perodo.
Suponha que eliminamos o perodo T.
: matriz (T 1)x(T 1) de varincia-covarincia.
Introduo
Como estimar ?
Passo 1: Estimar por efeito xo. Aps eliminar o ltimo
perodo para cada i , denimos o vetor (T 1)x1 de resduos
i
=
..
y
i

..
X
i
FE
, i = 1, ..., N
Obtemos o seguinte estimador consistente para
=

N
i =1
/
i
N
Passo 2: O estimador de efeito xo GLS
FEGLS
=
_
N
i =1
..
X
/
i
1
..
X
i
_
1
_
N
i =1
..
X
/
i
1
..
y
i
_
onde
..
X
i
e
..
y
i
so denidos eliminando o ltimo perodo.
Introduo
Como estimar ?
i
=
..
y
i

..
X
i
FE
, i = 1, ..., N
=

N
i =1
/
i
N
FEGLS
=
_
N
i =1
..
X
/
i
1
..
X
i
_
1
_
N
i =1
..
X
/
i
1
..
y
i
_
onde
..
X
i
e
..
y
i
Introduo
Como estimar ?
i
=
..
y
i

..
X
i
FE
, i = 1, ..., N
=

N
i =1
/
i
N
FEGLS
=
_
N
i =1
..
X
/
i
1
..
X
i
_
1
_
N
i =1
..
X
/
i
1
..
y
i
_
onde
..
X
i
e
..
y
i
Introduo
Para termos um estimador consistente, temos a seguinte
condio de rank
FEGLS2 : rank
_
E
_
..
X
/
i
1
..
X
i
__
= K
Sob hipteses FE1, FEGLS2 e FEGLS3,
FEGLS

consistente.
A varincia assinttica de
FEGLS

\
AVar
_
FEGLS
_
=
_
N
i =1
..
X
/
i
1
..
X
i
_
1
OBS 1: O
FEGLS
pelo menos to eciente quanto
FE
sob
a hiptese FEGLS3, mesmo quando =
2
I.
OBS2: Para N grande, T xo,
FEGLS
mais eciente que
FE
quando ,=
2
I.
Introduo
Outra Transformao: Primeira Diferena
Um interpretao alternativa do estimador de efeito xo, usa
a primeira diferena ao longo do tempo ao invs de desvios
em relao a mdia para eliminar
i
.
Note que o modelo e a interpretao de so as mesmas, o
que muda a maneira de estimar .
FD1 : E[
it
[ x
i
,
i
] = 0, t = 1, .., T
y
it
= y
it
y
it1
= x
/
it
+
i
+
it
= x
/
it
+
it
Perdemos o primeiro perodo para cada observao
cross-section: temos T 1 perodos para cada i .
x
it
pode incluir variveis dummies para pontos no tempo.
Introduo
Estimador em primeira diferena
_
FD
_
obtido atravs da
regresso de y
it
em x
it
para t = 2, ..., T e i = 1, ..., N.
A hiptese FD1 implica que
E
_
x
/
it
it
= 0, t = 2, ..., T
o que implica que o estimador consistente.
Sob a hiptese FD1 temos que
E[
it
[ x
i 2
, ..., x
iT
] = 0
o que implica que
FD
no-viesado.
O hiptese de rank
rank
_
T
t=2
E
_
x
/
it
x
it
_
= K
Introduo
_
FD
_
obtido atravs da
regresso de y
it
em x
it
para t = 2, ..., T e i = 1, ..., N.
E
_
x
/
it
it
= 0, t = 2, ..., T
E[
it
[ x
i 2
, ..., x
iT
] = 0
o que implica que
FD
no-viesado.
O hiptese de rank
rank
_
T
t=2
E
_
x
/
it
x
it
_
= K
Introduo
_
FD
_
obtido atravs da
regresso de y
it
em x
it
para t = 2, ..., T e i = 1, ..., N.
E
_
x
/
it
it
= 0, t = 2, ..., T
E[
it
[ x
i 2
, ..., x
iT
] = 0
o que implica que
FD
no-viesado.
O hiptese de rank
rank
_
T
t=2
E
_
x
/
it
x
it
_
= K
Introduo
_
FD
_
obtido atravs da
regresso de y
it
em x
it
para t = 2, ..., T e i = 1, ..., N.
E
_
x
/
it
it
= 0, t = 2, ..., T
E[
it
[ x
i 2
, ..., x
iT
] = 0
o que implica que
FD
no-viesado.
O hiptese de rank
rank
_
T
t=2
E
_
x
/
it
x
it
_
= K
Introduo
Existe alguma razo estatstica para preferir o estimador FD
ao estimador FE?
Sob as hipteses FE1 FE3, o estimador FE
assintoticamente eciente dentro da classe de estimadores que
satisfazem a hiptese de exogeneidade estrita FE1.
Logo, sob FE1 FE3, o estimador FD menos eciente que
FE.
Mas e se assumirmos homocedasticidade neste modelo?
FD3 :E
_
/
i
x
i 1,
..., x
iT
,
i
=
2
I
T1
onde
i
o vetor (T 1)x1 contendo
it
, t = 2, ..., T.
Qual a intepretao desta hiptese?
it
=
it1
+
it
onde E
_
2
it
x
i 1,
..., x
iT
,
i
=
2
Temos um "random walk ".
Introduo
Sob hipteses FD1 FD3, FD o estimador mais eciente
na classe de estimadores sob a hiptese de exogeneidade
estrita FE1.
Varincia assinttica:
AVar
_
FD
_
=
2
e
_
X
/
X
_
1
onde
i
= e
it
= y
it
x
/
it
FD

2
e
=

N
i =1
T
t=2
e
2
it
N (T 1) K
O denominador desta equao igual aos graus de liberdade
da equao em primeiras diferenas, pois eliminamos um dos
perodos.
Sob hiptese FD3, todas as estatsticas obtidas nesta
regresso (F,t) so vlidas.
Introduo
Note que sob hiptese FD3, os erros
i
so serialmente no
correlacionados. No entanto, esta hiptese pode ser violada.
Podemos testar a hiptese de autocorrelao atravs de uma
regresso com T 2 perodos
e
it
=
1
e
it1
+
it
, t = 2, ..., T; i = 1, 2, ..., N
Estatstica de teste: estatstica t baseada em
1
.
OBS1: Se T = 2, o teste no necessrio. Porque?
OBS2: Se os erros
it
: t = 1, ..., T so
no-correlacionados,
it
ser correlacionado.
Introduo
Podemos corrigir este problema de duas formas:
Matriz de varincia robusta
AVar
_
FD
_
=
_
X
/
X
_
1
_
N
i =1
X
i
e
i
e
i
X
i
_
_
X
/
X
_
1
onde X a matriz N (T 1)xK com as primerias diferenas
de x
it
.
Usar FDGLS sob a hiptese de que
E
_
/
i
x
i 1,
..., x
iT
,
i
=
T1xT1
Introduo
Usando um outro mtodo...
Substituindo FE3 por
it
~ iidA
_
0,
2
_
Neste caso,
FE
tambm um estimador de mxima
verossimilhana, e o estimador MLE de
2

2
MLE
=
1
NT
N
i =1
T
t=1
_
..
y
it
..
x
it
FE
_
2
Este estimador viesado e incosistente

2
MLE

p
T 1
T

2
Caso de problemas de parmetros incidentais ( "acidentais ").
Introduo
Usando um outro mtodo...
O nmero de interceptos
i
aumenta com N. Suponha que
MLE
i
seja o estimador MLE de
i
. Neste caso,
MLE
i
= y
i
x
i
FE
p
i
+
i
A inconsistncia de
MLE
i
leva a inconsistncia de
2
MLE
.
Um estimador no-viesado para
2
MLE
s
2
MLE
=
1
N (T 1) K
N
i =1
T
t=1
_
..
y
it
..
x
it
FE
_
2

Aula 5 Painel Com Efeitos Nao Observados PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Aula 5 Painel Com Efeitos Nao Observados PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Introduo

Modelos com Efeito Fixo

Econometria III - Dados em Painel

Econometria III - Dados em Painel

Econometria III - Dados em Painel

= , onde uma matriz TxT positiva denida

Das könnte Ihnen auch gefallen