Tema 6 P

Introduccin Modelos estticos Estimacin.
Prediccin Paneles largos Variables instrumentales Modelos Dinmicos

TEMA 6. Modelos para Datos de Panel
Profesor: Pedro Albarrn Prez
Universidad de Alicante. Curso 2010/2011.
Introduccin Modelos estticos Estimacin. Prediccin Paneles largos Variables instrumentales Modelos Dinmicos
Contenido
1
Introduccin
2
Modelos estticos
Modelo con Efectos Individuales: Fijos y Aleatorios
Extensiones del Modelo Bsico
3
Estimacin de Modelos estticos. Prediccin
Estimadores Agrupados (Pooled)
Estimador Between
Estimador de Efectos Aleatorios
Estimadores de Efectos Fijos
Test de Hausman
Prediccin.
4
Paneles largos
5
Variables instrumentales
6
Modelos Dinmicos para datos de panel
Introduccin
Estimador de Arellano y Bond
Consideraciones bsicas
Datos de Panel
Los datos de panel (o datos longitudinales) consiste en observaciones
de un corte transversal de unidades individuales (hogares, empresas,
pases, etc.)
repetidas sobre el tiempo
{Y
it
, X
it
} i = 1, . . . , N; t = 1, . . . , T
Algunos ejemplos:
PSID (Panel Study of Income Dynamics)
ECHP (European Community Household Panel)
SHIW (Survey on Household Income and Wealth)
EPA (Encuesta de Poblacin Activa)
ESEE (Encuesta sobre Estrategas Empresariales)
FES (Family Expenditure Survey)
CEX (Consumers Expenditure Survey)
ECPF (Encuesta Continua de Presupuestos Familiares)
paneles de estados americanos, de pases, etc.
En general, los datos se observan a intervalos regulares de tiempo
Los datos de panel pueden ser balanceados (T
i
= T para todo i ) o
no balanceados (T
i
= T para algn i )
la seleccin muestral debe ser aleatoria (no correlacionada con los
regresores) para que los estimadores sean consistentes
Se pueden tener paneles:
de muchos individuos y pocos periodos temporales (short panels)
de pocos individuos y muchos periodos temporales (long panels)
de muchos individuos y muchos periodos temporales
Se puede hacer inferencia asinttica
NT
N , T
N , T jo
T , N jo
Consideraciones bsicas (cont.)
Los errores estarn probablemente correlacionados (en el tiempo
para un individuo y/o entre individuos)
Se pueden tener regresores invariantes en el tiempo (x
it
= x
i
), que
no varan con los individuos (x
it
= x
t
) o que varan tanto con el
tiempo como con los individuos (x
it
)
Algunos coecientes del modelo pueden variar entre individuos o en
el tiempo
Los datos de panel permiten la estimacin de modelos dinmicos
Estadstica descriptiva para datos de panel
Descripcin de los datos
Para cada observacin debe conocerse el individuo i y el periodo
temporal t al que se reere .
p.e., un panel balanceado p.e., un panel NO balanceado
individuo ao renta edad individuo ao renta edad sexo
1 2000 1800 29 1 2000 800 19 2
1 2001 1950 30 1 2001 950 20 2
2 2000 800 20 2 2000 1900 29 1
2 2001 850 21 2 2001 1950 30 1
2 2002 2100 31 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
500 2000 2200 54 1000 2000 2100 49 1
500 2001 2400 55 1000 2001 2200 50 1
Obviamente preferiremos una descripcin resumida de la estructura
del panel en nuestros datos
Descripcin de los datos (cont.)
Para paneles balanceados, describir el nmero de observaciones
implica:
nmero de individuos distintos N
total de periodos cubiertos por el panel T
el nmero total de observaciones es simplemente NT
Para paneles NO balanceados, adems debemos considerar:
periodos concretos en que se observa cada individuo T
i
(o su media)
nmero total de observaciones
N
i =1
T
i
Tambin se puede presentar el patrn de observaciones; p.e.,
t = 1 t = 2 t = 3 t = 4
| | | | n
1
, T
i
= 4
. | | | n
2
, T
i
= 3
. . | | n
3
, T
i
= 2
| | | . n
4
, T
i
= 3
Notad que no tiene porque haber individuos observados todos los
periodos y que individuos con el mismo T
i
pueden ser observados en
periodos diferentes.
Descomposicin within-between
Las variables pueden tener variacin tanto en el tiempo como entre
individuos
Variabilidad within, s
2
W
: variacin en el tiempo para un individuo
dado
Variabilidad between, s
2
B
: variacin entre individuos
La variabilidad total (overall), s
2
O
, se puede descomponer en
within y between
s
2
O
s
2
W
+ s
2
B
Descomposicin within-between (cont.)
Variabilidad overall (en torno a la media total x =
1
/NT
t
x
it
)
s
2
O
=
1
NT 1
t
(x
it
x)
2
Variabilidad within (en torno a la media individual x
i
=
1
/T
t
x
it
)
s
2
W
=
1
NT 1
t
(x
it
x
i
)
2
=
1
NT 1
t
(x
it
x
i
+x)
2
Variabilidad between (variacin de x
i
en torno a x)
s
2
B
=
1
N 1
i
(x
i
x)
2
Nota: NT debe entenderse como total de observaciones
es decir, para paneles no balanceados debe ser
N
i =1
T
i
Estadsticas Descriptivas
Las estadsticas pueden describir los datos
totales (overall): x
it
within: x
it
x
i
+x
between: x
i
Existe una distribucin de cada uno de ellos que caracterizar: su
mximo, mnimo, percentiles, varianza, etc.
Para variables discretas, una tabulacin de valores (histograma)
puede ofrecer
overall: observaciones que toman ese valor
between: individuos para los que alguna vez toma ese valor
porcentaje de individuos que nunca cambia de valor (within)
Para variables binarias, se puede calcular una matriz de transiciones
(ofrecen idea de persistencia, dinmica)
X
it+1
= 0 X
it+1
= 1
X
it
= 0 Pr (X
it+1
= 0|X
it
= 0) Pr (X
it+1
= 1|X
it
= 0)
X
it
= 1 Pr (X
it+1
= 0|X
it
= 1) Pr (X
it+1
= 1|X
it
= 1)
Grcos
Se puede representar la evolucin de algunas o de todos los
individuos i
Se pueden representar grcos de dispersin para dos variables
overall
o within (cada variable en desviaciones respecto a la media de cada
individuo)
Modelo con efectos individuales
y
it
=
1
x
1it
+ +
k
x
kit
+ u
it
=
1
x
1it
+ +
k
x
kit
+
i
+
it
donde
x
1it
, . . . , x
kit
: variables explicativas (observables)
u
it
=
i
+
it
: trmino de error compuesto (inobservado)
i
: efectos individuales (heterogeneidad inobservada permanente en
el tiempo)
it
: error idiosincrsico
Existen dos modelos sustancialmente diferentes segn el tratamiento de
i
1
Modelo de efectos jos
2
Modelo de efectos aleatorios
Efectos Individuales Fijos
Permite que los regresores x
1it
, . . . , x
kit
estn correlacionados con
i
sin especicar la forma concreta
todo el anlisis ser condicional en
i
El supuesto fundamental es
E [
it
|
i
, x
1it
, . . . , x
kit
] = 0
los regresores deben seguir siendo incorrelados con
it
Esto implica E [y
it
|
i
, x
1it
, . . . , x
kit
] =
1
x
1it
+ +
k
x
kit
+
i
y
E [y
it
|
i
, x
1it
, . . . , x
kit
]
x
j ,it
=
j
Se puede identicar el efecto marginal
j
aunque el regresor es
endgeno, respecto al trmino de error compuesto u
it
los regresores pueden estar correlacionados u
it
, pero slo con su
parte constante en el tiempo
ej.: y
it
=renta,
i
=habilidad inobservada permanente
Efectos Individuales Fijos: problemas
En principio, se necesitan estimar
1
, . . . ,
N
junto con los
parmetros
j
en paneles cortos, estimar los parmetros
j
necesita N
Problema de parmetros incidentales: la estimacin de los
j
puede
estar sesgada por estimar innitos parmetros auxiliares
i
Alternativamente, se puede estimar el modelo transformado para
eliminar
i
slo se identica
j
para regresores que varan en el tiempo
Estimar consistentemente puede NO ser suciente:
Para predecir y
it
:
E [y
it
|x
1it
, . . . , x
kit
] =
1
x
1it
+ +
k
x
kit
+ E [
i
|x
1it
, . . . , x
kit
]
en paneles cortos, E [
i
|x
1it
, . . . , x
kit
] no se estima consistentemente
En modelos no lineales, el efecto marginal no est estimado
consistentemente (depende de
i
)
E [y
it
|
i
, x
1it
, . . . , x
kit
]
x
j ,it
Efectos Individuales Aleatorios
El efecto individual
i
se trata como puramente aleatorio
debe especicarse su distribucin, condicional en los regresores
Supuesto habitual:
i
no est correlacionado con los regresores
i
|X
it
N
_
0,
2
_
Se puede estimar el modelo por Mnimos Cuadrado Generalizados
Factibles:
todos los coecientes y efectos marginales, incluyendo de las
variables que no varan en el tiempo
la prediccin E [y
it
|x
1it
, . . . , x
kit
]
PERO la estimacin es inconsistente si el supuesto sobre la
distribucin de
i
es incorrecto
p.e.,
i
s est correlacionado con los regresores
i
|X
it
N
_
X
it
,
2
_
Extensiones
Modelo con dos efectos
y
it
=
1
x
1it
+ +
k
x
kit
+
i
+
t
+
it
la constante vara tanto entre individuos,
i
, como en el tiempo,
t
en paneles cortos,
t
se modeliza como jo (con una dummy para
cada t)
Modelo agrupado (pooled) o de promedio poblacional
y
it
= +
1
x
1it
+ +
k
x
kit
+ u
it
supone que los regresores estn incorrelados con u
it
pero no una estructura en u
it
(a diferencia de efectos aleatorios)
se puede estimar consistentemente por MCO
la inferencia debe usar errores estndar robustos
por la probable correlacin entre individuos y en el tiempo para un
individuo
Modelos Lineales mixtos
Se puede generalizar el modelo para permitir pendientes diferentes
para cada individuo
y
it
=
1i
x
1it
+ +
ki
x
kit
+
i
+
it
=
i
+ X

it
i
+
it
En paneles largos, se pueden estimar fcilmente los parmetros
_
i
,
i
_
mediante regresiones separadas para cada individuo
En paneles cortos, se necesita suponer una distribucin para
_
i
,
i
_
, condicionales en los regresores
como en el modelo de efectos aleatorios, se suele suponer que son
independientes de los regresores
por ejemplo,
(
i
,
i
) |X
it
N (, )
Tambin se puede considerar que los parmetros varen con el
tiempo o variables observables
Estimador Pooled por MCO
Un modelo lineal esttico para datos de panel
y
it
= +
1
x
1it
+ +
k
x
kit
+ u
it
Se puede estimar consistentemente por MCO si se supone que los
regresores son exgenos:
E [u
it
|x
1it
, . . . , x
kit
] = 0
Pero los errores u
it
no sern i.i.d.:
las observaciones estn agrupadas de forma natural por individuos i
(clusters)
probablemente existir heterocedasticidad entre clusters
Deben usarse errores estndar robustos, al menos por la presencia
de clusters
Este estimador es simple y aprovecha tanto la variabilidad temporal
como entre individuos de los datos
Estimador Pooled por MCGF
Bajo el mismo supuesto de exogeneidad E [u
it
|x
1it
, . . . , x
kit
] = 0
(garantiza que el estimador es consistente)
Se puede obtener un estimador de MCGF, asintticamente ms
eciente que el de MCO
supone una estructura concreta para la matriz de correlaciones de u
it
es ms eciente solo si el supuesto es correcto
Se puede suponer:
independencia
ts
= 0
equicorrelacin
ts
=
proceso estacionario AR(p) o MA(q)
sin estructura (salvo porque deben ser iguales entre individuos)
En general, se siguen utilizando errores estndar robustos
(no se considera que el supuesto sea realmente correcto)
Estimador Between
Estimador Between
El estimador between explota slo la variacin de corte transversal
es decir, utiliza los datos between y
i
, x
1i
, . . . , x
ki
Resulta de estimar por MCO el modelo
y
i
= +
1
x
1i
+ +
k
x
ki
+ u
i
(deberan usarse errores estndar robustos)
Ser consistente bajo el mismo supuesto anterior de exogeneidad de
los regresores respecto al trmino de error compuesto
En la prctica apenas se utiliza porque el estimador pooled y el de
efectos aleatorios son superiores
son consistentes bajo las mismas condiciones
son ms ecientes (asintticamente)
Sea un modelo de efectos individuales
y
it
=
1
x
1it
+ +
k
x
kit
+
i
+
it
donde
E [
i
|X
it
] = 0; Var [
i
|X
it
] =
2
E [
it
|X
it
] = 0; Var [
it
|X
it
] =
2
Esto implica que los regresores son exgenos respecto al trmino de

error compuesto u
it
=
i
+
it
E [u
it
|X
it
] = 0
Adems, se tiene una estructura de correlacin particular
Corr (u
it
, u
is
) =

2
+
2
, t = s
Por tanto, se puede estimar ecientemente mediante MCGF
El estimador de efectos aleatorios (MCGF) se obtiene estimando por
MCO el modelo transformado
_
y
it

i
y
i
_
=
_
1
i
_
+
_
X
it

i
X
i
_
+
i
_
1
i
_
+
_
it

i
_
i
es un estimador consistente de
i
= 1
_
2
/
(
T
i
+
2
)
El estimador de Efectos Aleatorios usa tanto variacin within como
between
Otros estimadores se pueden obtener como casos especiales del
estimador de efectos aleatorios
cuando
i
0, se tiene el estimador agrupado por MCO
cuando
i
1 (porque T
i
o

2
/
2
son grandes), se tiene el

estimador within
Sea un modelo de efectos individuales
y
it
=
1
x
1it
+ +
k
x
kit
+
i
+
it
Suponemos
E [
it
|
i
, x
1it
, . . . , x
kit
] = 0
La estimacin de los parmetros requiere la eliminacin de
i
Estos estimadores slo utilizan variacin within de los datos
la estimacin de los datos con poca variacin within ser bastante
imprecisa
no se puede estimar el coeciente de variables que no varen en el
tiempo
Son consistentes tanto si los regresores estn correlacionados con la
heterogeneidad permanente como si no
si no existe correlacin, otros estimadores son ms eciente
en cualquier caso, los errores estndar sern mayores que los de otros
estimadores
Estimadores within: Desviaciones respecto a la media
Se puede transformar el modelo restando a cada variable su media
individual
(y
it
y
i
) =
_
X
it
X
i
_
+ (
it

i
)
donde X
i
=
1
/T
i
t
X
it
Este modelo se puede estimar consistentemente por MCO
porque los regresores X
it
eran endgenos por su correlacin con
i
pero estn incorrelados con
it
(en cualquier periodo temporal)
Cuando se disponga de estimaciones de , se pueden obtener
estimaciones de los efectos individuales

i
= y
i
X

i
slo sern consistentes si T

i

Se deben utilizar errores estndar robustos si se piensa que
it
no
son i.i.d.
Estimadores within con dummies de individuo
Tambin se pueden estimar conjuntamente
1
, . . . ,
N
y el vector
Mediante MCO en el modelo original con N dummies para los
efectos individuales
y
it
= X

it
+
_
_
N
j =1
i
d
j ,it
_
_
+
it
donde d
j ,it
= 1 para el individuo i y d
j ,it
= 0 en caso contrario
Este estimador de es numricamente igual al obtenido en
desviaciones respecto a la media
Asimismo, tambin los efectos individuales estimados son

i
= y
i
X

i
Estimador en primeras diferencias
Existen muchas formas de eliminar los efectos individuales
i
Se puede estimar por MCO el modelo en primeras diferencias
(y
it
y
it1
) = (X
it
X
it1
)
+ (
it

it1
)
Este estimador en primeras diferencias (por MCO) es consistente
El estimador en desviaciones respecto a la media y el estimador en
primeras diferencias son, en general, similares pero diferentes
ambos utilizan el mismo nmero de observaciones
para T = 2, son numricamente iguales
En modelos estticos, se suele preferir el estimador en desviaciones
respecto a la media porque es ms eciente cuando
it
es i.i.d.
el error en primeras diferencias est autocorrelacionado
por tanto, MCO no es eciente (y deben usarse errores estndar
robustos)
Exogeneidad estricta y Exogeneidad dbil
El estimador en desviaciones respecto a la media requiere que
(
it

i
) est incorrelado con
_
X
it
X
i
_
Esto suceder cuando se cumpla el supuesto de exogeneidad estricta
(o fuerte)
E [
it
|
i
, X
i 1
, . . . , X
iT
] = 0
El estimador en desviaciones respecto a la media requiere que
(
it

it1
) est incorrelado con (X
it
X
it1
)
Esto suceder cuando se cumpla el supuesto de exogeneidad dbil
E [
it
|
i
, X
i 1
, . . . , X
it
] = 0
a diferencia del anterior, permite que valores futuros de los regresores
estn correlacionados con el error
ej., un regresores es la variable dependiente retardada
Esta distincin no suele ser relevante en modelos estticos
Test de Hausman
Efectos Fijos o Efectos Aleatorios?
El estimador de Efectos Fijos permite estimar el modelo bajo
supuestos menos restrictivos
permite correlacin entre los regresores y los efectos individuales
permite estimar el modelo incluso si los regresores son endgenos
PERO es menos deseable en otras dimensiones
es menos eciente (al explotar solo variacin within)
no identica los coecientes de regresores que no varen en el tiempo
El estimador de Efectos Aleatorios es ms eciente
si se cumplen supuestos adicionales a los de Efectos Fijos
PERO puede ser inconsistente
Test de Hausman
4
x
1
x
2
x
3
x
4
+
+ +
+
+
+
+
+ +
+
+
+++
+ +
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ +
+
+
+
+ +
+
+
+++
+
+
+ +
+
+
+
+
+
+
+++
+
+
+
+
+
+
MCO/MCGF
Estim. within y
it
x
it
+
+
+
+
+
+
+
+
+
+
+
+
+
Test de Hausman
Contraste de Hausman
Resulta muy importante conocer si el modelo adecuado para analizar
nuestros datos es el de efectos jos o el de efectos aleatorios
Bajo la hiptesis nula de que se cumplen los supuestos del modelo
de Efectos Aleatorios, ambos estimadores, el de efectos jos y el de
efectos aleatorios, deben ser similares
ambos son consistentes
El contraste compara los coecientes estimables de los regresores
que varan con el tiempo
El estadstico de contraste mide la distancia entre ambas
estimaciones: si es grande se rechaza H
0
_
EF

EA
_
_
Var
_
EF
_
Var
_
EA
__1 _
EF

EA
_
a
H
o
2
(k)
Prediccin.
Prediccin
Se puede predecir el valor de la variable dependiente, incondicional
en los efectos jos E (y
it
|X
it
), como
y
it
= X

it
+
donde =
1
N
i

i
Se puede predecir el valor de la variable dependiente dado su efecto
individual E (y
it
|X
it
,
i
), como
y
it
= X

it
+
i
Asimismo, se pueden obtener:
los efectos individuales estimados
i
= y
i
X
el residuo idiosincrsico
it
= y
it
X
it

i
el residuo compuesto u
it
=
it
+
i
= y
it
X
it
Notad que
i
(y, por tanto, la prediccin de y
it
que la utiliza)
requieren que T para ser predicciones consistentes
( solo necesita NT )
Prediccin.
R
2
total, within y between
Se pueden obtener obtener un R
2
del modelo para los datos totales,
within y between
dependiendo del modelo, el R
2
habitual ser uno de estos tres
Estos R
2
se obtienen como correlaciones entre los datos observados
y los datos predichos por el modelo observado
R
2
o
=
_
Corr
_
y
it
, X
it
__2
R
2
w
=
_
Corr
_
(y
it
y
i
) ,
_
X
it
X
i
_
__2
R
2
b
=
_
Corr
_
y
i
, X
i
__2
Prediccin.
No existe una descomposicin para los R
2
como en la varianza: cada
uno se interpreta independientemente
Tambin puede resultar interesante obtener estimaciones separadas
de la varianza de los efectos individuales
2
de la varianza del error idiosincrsico

2
por tanto, automticamente de la varianza del trmino de error

compuesto
de la autocorrelacin del trmino de error compuesto u
it
=

Corr (u
it
u
it1
)
Introduccin
En los paneles largos, se tienen muchos periodos temporales para
pocos individuos: N pequeo, T
por ejemplo, unas pocas industrias, empresas o regiones observadas
durante muchos periodos de tiempo.
Se puede estimar estimar un modelo de efectos jos mediante
dummies de individuo como regresores
En la prctica, se suelen preferir modelos agrupados para estimar por
MCGF
para incorporar estructuras de covarianza ms generales del trmino
de error
Tambin se pueden estimar modelos ms exibles con pendientes
especcas para cada individuo mediante regresiones separadas
y
it
= X

it
i
+
i
+
it
Introduccin (cont.)
La longitud temporal de los datos supone la principal caracterstica a
considerar cuando se estima un modelo con un panel largo
En todos los casos, debe tenerse en cuenta la probable
autocorrelacin en
it
o directamente en u
it
mediante errores estndar robustos a autocorrelacin
o estimando por MCGF si se considera apropiado un determinado
proceso (estacionario)
Aunque tampoco puede olvidarse la posibilidad de
heterocedasticidad en u
it
o
it
Se pueden estimar modelos con efectos temporales
y
it
= X

it
i
+
i
+
t
+
it
estimar
t
con dummies puede suponer un problema de parmetros
incidentales (T )
PERO se pueden reemplazar por una tendencia (aprovechando que el
tiempo est ordenado de forma natural)
Anlisis de Series Temporales con datos de panel
Cuando se tiene un panel largo con pocos individuos, se podra
tratar como un sistema de N series temporales
PERO ya hemos visto que debemos considerar aspectos ignorados
por la econometra de series temporales puras
controlar por heterogeneidad inobservado
comportamiento asinttico cuando tanto N como T van a innito
la posibilidad de dependencia de corte transversal
En cualquier caso, tambin hemos visto que los paneles largos
permiten analizar la evolucin temporal de una variable
Los datos de series temporales se pueden modelizar
como procesos estacionarios: bien la variable dependiente o bien el
trmino de error siguen procesos ARMA(p,q)
o como procesos no estacionarios, aunque stos slo se pueden
analizar convincentemente cuando la serie temporal es muy larga
Races unitarias y cointegracin
Se pueden estudiar modelos dinmicos como
y
it
=
i
y
it1
+
i 1
y
it1
+ +
ip
i
y
itp
i
+ Z
it
i
+ u
it
donde los cambios retardados garantizan que u
it
sea i.i.d.
El proceso ser estacionario para el individuo i si
i
= 1
Cuando dos procesos son no estacionarios, pueden estar
correlacionados (espreamente) slo por serlo
Por tanto, cuando se estudian varias variables en una serie temporal
larga, debe analizarse si estn cointegradas
es decir, si siguen relacionadas descontando el efecto de la no
estacionariedad
Introduccin
Variables instrumentales con datos de panel
Se pueden extender fcilmente los mtodos de variables instrumentales al
caso de datos de panel
Si el modelo agrupado es apropiado y
it
= + X

it
+ u
it
, un
instrumento vlido debe cumplir
E [u
it
|Z
it
] = 0
Se puede estimar por mnimos cuadrados en dos etapas (MC2E)
(con errores robustos a clusters de individuos)
Si el modelo de efectos jos es apropiado y
it
= X

it
+
i
+
it
, un
instrumento vlido debe cumplir (exogeneidad estricta)
E [
it
|
i
, Z
i 1
, . . . , Z
iT
] = 0
Se puede estimar tambin por MC2E en el modelo transformado
para eliminar los efectos individuales (en desviaciones respecto a la
media, etc.)
Estimador de Hausman-Taylor
Este estimador de V.I. permite estimar los coecientes de los
regresores invariantes en el tiempo
El modelo de efectos individuales se puede escribir como
y
it
= X

1it
1
+ X

2it
2
+ W

1i
1
+ W

2i
2
+
i
+
it
Supuestos:
1
algunos regresores invariantes en el tiempo W
1i
NO estn
correlacionados con
i
2
algunos regresores que s varan con el tiempo X
1it
NO estn
correlacionados con
i
3
otros regresores, W
2i
y X
2it
, s pueden estar correlacionados con
i
4
todos los regresores estn incorrelados con
it
Este estimador es ms restrictivo porque se basa en supuestos
adicionales a los del estimador de efectos jos
la existencia de regresores no correlacionados con los efectos
individuales
Usando la transformacin de efectos aleatorios del modelo
y
it
=

X

1it
1
+

X

2it
2
+

W

1i
1
+

W

2i
2
+
i
+
it
Cada variable ha sido transformada
X
1it
= X
1it

i
X
1i
donde

i
es un estimador consistente de
i
= 1
_
/
(
T
i
+
2
)
Esta transformacin no elimina los regresores invariantes en el
tiempo
se puede estimar
1
y
2
Tampoco elimina los efectos individuales: por tanto,

X
2it
y

W
2i
estn correlacionados con
i
esta endogeneidad se remedia mediante el uso de variables
instrumentales
y
it
=

X

1it
1
+

X

2it
2
+

W

1i
1
+

W

2i
2
+
i
+
it
Un instrumento para

X
2it
es

X
2it
= X
2it
X
2i
est correlacionado con

X
2it
se puede comprobar que NO est correlacionado con
i
Un instrumento para

W
2i
es X
1i
Supone que el nmero de regresores exgenos que varan con el
tiempo es mayor que el nmero de regresores endgenos invariantes
en el tiempo
Se usan datos de otros periodos para formar los instrumentos:
X
1i 1
, . . . , X
1iT
tambin serviran
Un instrumento para

X
1it
es

X
1it
= X
1it
X
1i
se usa X
1i
dos veces
Un instrumento para

W
1i
es W
1i
Introduccin
Modelos dinmicos
Por simplicidad, consideremos un modelo AR(1)
y
it
=
1
y
it1
+ X

it
+
i
+
it
Se puede generalizar a ms retardos fcilmente
La correlacin en el tiempo de y
it
tiene distintas fuentes
1
directamente a travs de valores pasado de y
it
(verdadera
dependencia temporal)
2
directamente a travs de los regresores X
it
(heterogeneidad
observada)
3
indirectamente a travs de los efectos individuales
i
(heterogeneidad inobservada)
4
(correlacin serial en
it
)
Las implicaciones de cada fuente de correlacin son muy diferentes
Introduccin
Problemas de los Estimadores
y
it
=
1
y
it1
+ X

it
+
i
+
it
,
it
i .i .d.
NO se puede suponer que y
it1
est incorrelado con
i
Por tanto, los estimadores de pooled y de efectos aleatorios NO
son adecuados para modelos dinmicos
El estimador within es inconsistente
(y
it
y
i
) =
1
_
y
it1
y
i ,1
_
+
_
X
it
X
i
_
+ (
it

i
)
porque
_
y
it1
y
i ,1
_
est correlado con (
it

i
)
i
incluye los errores de todos los periodos
Todos los estimadores de efectos jos tienen el mismo problema
(y
it
y
it1
) =
1
(y
it1
y
it2
) + (X
it
X
it1
)
+ (
it

it1
)
Estimador de Arellano-Bond
Sea el modelo transformado en primeras diferencias
y
it
=
1
y
it1
+X
it
+
it
Si
it
es i.i.d., un instrumento vlido para y
it1
ser y
it2
y
it2
est correlacionado con y
it1
= y
it1
y
it2
y
it2
NO est correlacionado con
it
=
it

it1
De hecho, son instrumentos vlidos cualquier valor de y
it
retardados
dos periodos o ms
E
_
_
_
_
_
_
_
y
it2
y
it3
.
.
.
y
i 1
_
_
_
_
_
it
_
_
= 0 E [y
is
it
] = 0, s t 2
Se pueden obtener estimaciones consistentes de un modelo dinmico
de datos de panel utilizando
la transformacin adecuada del modelo (este argumento NO
funciona en desviaciones respecto a la media)
y los instrumentos adecuados
Arellano-Bond (cont.)
El estimador asintticamente ms eciente utiliza todos los retardos
posibles para estimar el modelo dinmico
se denomina estimador de Arellano-Bond
se estima mediante el Mtodo Generalizado de los Momentos (para
utilizar todos los instrumentos)
Este estimador permite estimar un modelo dinmico sin necesidad de
instrumentos externos
El modelo puede incluir regresores (estrictamente) exgenos
E
_
it
|
i
, x
j ,i 1
, . . . , x
j ,iT
= 0
son sus propios instrumentos E [x
j ,it
it
] = 0
aunque tambin se pueden utilizar todos sus retardos y adelantos
E [x
j ,it
is
] = 0, s = t
Adems, el argumento utilizado para obtener instrumentos de y
it1
se puede generalizar al otros regresores que no sean estrictamente
exgenos
sin necesidad de buscar un instrumento nuevo
Si se tienen regresores que, como y
it1
, son predeterminados
(dbilmente exgenos) E
_
it
|
i
, x
j ,i 1
, . . . , x
j ,it
= 0
estn correlacionados con los errores pasados E [x
j ,it
is
] = 0, s < t
pero no con errores futuros E [x
j ,it
is
] = 0, s t
Algunos regresores pueden ser contemporneamente endgenos
E [x
j ,it
is
] = 0, s t
pero estar incorrelado con los errores futuros E [x
j ,it
is
] = 0, s > t
Este estimador necesita que
it
sea i.i.d. para ser consistente
Este supuesto se puede contrastar, porque:
Cov (
it
,
it1
) = 0
Cov (
it
,
itk
) = 0 k 2
Si este supuesto no se cumple, se puede seguir estimando el modelo
si
it
AR(p), se puede re-escribir el modelo original como un
proceso autorregresivo y se tendr un nuevo error i.i.d.
si
it
MA(q), se pueden utilizar valores ms retardados como
instrumentos
Tambin se dispone un test de Sargan para contrastar la
coherencia entre los instrumentos

Tema 6 P

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

Tema 6 P

Hochgeladen von

Copyright:

Verfügbare Formate

Introduccin Modelos estticos Estimacin.

Prediccin Paneles largos Variables instrumentales Modelos Dinmicos

Esto implica que los regresores son exgenos respecto al trmino de

son grandes), se tiene el

slo sern consistentes si T

de la varianza del error idiosincrsico

por tanto, automticamente de la varianza del trmino de error

Das könnte Ihnen auch gefallen