Beruflich Dokumente
Kultur Dokumente
models.
xtreg - Fijo, entre-, y de efectos aleatorios y los modelos lineales de promedio de la
poblacin.
GLS random-effects (RE) model
Between-effects (BE) model
Fixed-effects (FE) model
ML random-effects (MLE) model
Population-averaged (PA) model
Se debe especificar sus variables como panel. Para xtreg, pa, estructuras de
correlacin que no sean intercambiables e independientes requieren que una
variable de tiempo tambin se especifique.
xtset declara los datos en la memoria para ser un panel. Usted debe convertir sus
datos con xtset antes de usar otros comandos xt. Si guarda sus datos despus
xtset, los datos sern recordados como un grupo especial y no tendr que usar
xtset de nuevo.
Hay dos sintaxis para establecer los datos:
xtset panelvar
xtset panelvar timevar
En la primera sintaxis xtset panelvar-los datos se fijan para ser un panel y el orden
de las observaciones dentro del panel se considera irrelevante. Por ejemplo, el
panel var podra ser un pas y las observaciones en el tiempo podra ser la ciudad.
En la segunda sintaxis - xtset timevar panelvar -los datos han de ser un panel y el
orden de las observaciones dentro del panel se consideran ordenado por timevar.
Por ejemplo, en los datos recogidos de los levantamientos repetidos de las
mismas personas en distintos aos, panelvar podra ser persona y timevar, aos.
Cuando se especifica timevar, usted puede entonces utilizar operadores de series
de tiempo de Stata como L. y F. entre otros comandos.
xtset sin argumentos xtset: muestra cmo son actualmente los datos. Si los datos
se ajustan con un panelvar y un timevar, xtset tambin ordena los datos por
timevar panelvar. Si los datos se establecen con slo un panelvar, el orden de
clasificacin no se cambia.
Ejemplo:
Algunos conjuntos de datos de panel contienen una variable de tiempo. Abdata.dta
conjunto de datos contiene los datos de demanda de trabajo de un grupo de firmas
en el Reino Unido. stos son los datos salariales de las dos primeras firmas en el
conjunto de datos:
id
1
2
3
4
5
6
7
8
9
10
11
12
13
14
year
1
1
1
1
1
1
1
2
2
2
2
2
2
2
1977
1978
1979
1980
1981
1982
1983
1977
1978
1979
1980
1981
1982
1983
wage
131.516
123.018
128.395
138.039
142.897
148.681
137.784
147.909
141.036
149.534
15.491
161.969
161.314
163.051
Comandos:
. list id year wage if id==1 | id==2, sepby(id)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
+---------------------+
| id
year
wage |
|---------------------|
| 1
1977
131.516 |
| 1
1978
123.018 |
| 1
1979
128.395 |
| 1
1980
138.039 |
| 1
1981
142.897 |
| 1
1982
148.681 |
| 1
1983
137.784 |
|---------------------|
| 2
1977
147.909 |
| 2
1978
141.036 |
| 2
1979
149.534 |
| 2
1980
15.491 |
| 2
1981
161.969 |
| 2
1982
161.314 |
| 2
1983
163.051 |
+---------------------+
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
| id
year
wage
wage |
|-------------------------------|
| 1
1977
131.516
. |
| 1
1978
123.018
131.516 |
| 1
1979
128.395
123.018 |
| 1
1980
138.039
128.395 |
| 1
1981
142.897
138.039 |
| 1
1982
148.681
142.897 |
| 1
1983
137.784
148.681 |
|-------------------------------|
| 2
1977
147.909
. |
| 2
1978
141.036
147.909 |
| 2
1979
149.534
141.036 |
| 2
1980
15.491
149.534 |
| 2
1981
161.969
15.491 |
| 2
1982
161.314
161.969 |
| 2
1983
163.051
161.314 |
+-------------------------------+
Data Panel
El contexto bsico de un anlisis lineal de datos de panel consiste en un modelo
de regresin de la forma:
yit xit u it
donde el subndice
cruzada,
t 1,2,..., Ti
explicativas (regresor),
xit
y it
u it
el trmino de
temporales, es decir, si
T Ti
para cada
equilibrado (balanceado).
Es habitual para el estudio de los distintos estimadores disponibles asumir que el
error aleatorio se descompone en dos o tres trminos, a los cuales se les
denomina Modelo de componente de error (Error Component Regression Model).
La mayora de las aplicaciones de datos de panel utilizan un modelo de
componentes de error de un solo sentido de las perturbaciones, con:
u it i vit
restante perturbacin
vit
1: Between-effects model
xtreg y asociado comandos
Modelo de Entre-efectos
Usando nlswork.dta vamos a modelar logaritmo natural de salario en trminos de
aos completos de escolaridad (grado), la edad actual y la edad al cuadrado, aos
actuales trabajados (experiencia) y experiencia al cuadrado, aos actuales de la
tenencia en el trabajo y la tenencia actual al cuadrado, ya sea negro (carrera = 2),
tanto si residen en un rea no designada como rea estadstica metropolitana
estndar (AEME), y tanto si residen en el Sur.
. webuse nlswork.dta, clear
(National Longitudinal Survey.
Number of obs
28091
Number of groups
4697
R-sq:
= 0.1591
between = 0.4900
avg =
6.0
overall = 0.3695
max =
15
F(10,4686)
450.23
Prob > F
0.0000
within
sd(u_i + avg(e_i.))=
.3036114
------------------------------------------------------------------------------------ln_wage |
Coef.
Std. Err.
P>|t|
--------------------+---------------------------------------------------------------grade |
.0607602
.0020006
30.37
0.000
.0568382
.0646822
age |
.0323158
.0087251
3.70
0.000
.0152105
.0494211
-.0005997
.0001429
-4.20
0.000
-.0008799
-.0003194
.0138853
.0056749
2.45
0.014
.0027598
.0250108
.0007342
.0003267
2.25
0.025
.0000936
.0013747
.0698419
.0060729
11.50
0.000
.0579361
.0817476
-.0028756
.0004098
-7.02
0.000
-.0036789
-.0020722
2.race |
-.0564167
.0105131
-5.37
0.000
-.0770272
-.0358061
not_smsa |
-.1860406
.0112495
-16.54
0.000
-.2080949
-.1639862
|
c.age#c.age |
|
ttl_exp |
|
c.ttl_exp#c.ttl_exp |
|
tenure |
|
c.tenure#c.tenure |
|
south |
-.0993378
.010136
-9.80
0.000
-.1192091
-.0794665
_cons |
.3339113
.1210434
2.76
0.006
.0966093
.5712133
-------------------------------------------------------------------------------------
Para nuestros coeficientes, cada ao de escolaridad aumenta los salarios por hora de
6,1%; la edad aumenta los salarios hasta 26.9 aos y despus de eso disminuye (debido
a que la ecuacin cuadrtica ax2 + bx + c se convierte ms en x = -b / 2a, que para
nuestra edad y c.age # c.age coeficientes es 0,0323158 / (2 x 0,0005997 ) 26.9), aqu b
= age, c.age # c.age = a; la experiencia total aumenta los salarios a un ritmo creciente
(que es sorprendente e inconveniente); antigedad en el empleo actual aumenta los
salarios hasta tener 12,1 aos 0,0698419/ (2 x 0,0028756 ) 12,1), y posteriormente les
disminuye; los salarios de los negros son, estas cosas mantienen constantes,
(aproximadamente) un 5,6% inferior a la de los no negros (aproximadamente porque
2.race es un indicador variable); si reside en un no-SMSA (zona rural) reduce los salarios
en 18,6%; y si residen en el sur reduce los salarios en un 9,9%.
2. Fixed-effects model
Dado
u it i vit
vit
independientes e idnticamente
independientemente de
vit
xit
se supone
Number of obs
28091
Number of groups
4697
R-sq:
= 0.1727
between = 0.3505
avg =
6.0
overall = 0.2625
max =
15
F(8,23386)
610.12
Prob > F
0.0000
within
corr(u_i, Xb)
= 0.1936
(The errors ui are correlated with the regressors in the fixed effects model)
------------------------------------------------------------------------------------ln_wage |
Coef.
Std. Err.
P>|t|
--------------------+---------------------------------------------------------------grade |
(omitted)
age |
.0359987
.0033864
10.63
0.000
.0293611
.0426362
-.000723
.0000533
-13.58
0.000
-.0008274
-.0006186
|
c.age#c.age |
|
ttl_exp |
.0334668
.0029653
11.29
0.000
.0276545
.039279
.0002163
.0001277
1.69
0.090
-.0000341
.0004666
.0357539
.0018487
19.34
0.000
.0321303
.0393775
-.0019701
.000125
-15.76
0.000
-.0022151
-.0017251
2.race |
(omitted)
not_smsa |
-.0890108
.0095316
-9.34
0.000
-.1076933
-.0703282
south |
-.0606309
.0109319
-5.55
0.000
-.0820582
-.0392036
_cons |
1.03732
.0485546
21.36
0.000
.9421496
1.13249
|
c.ttl_exp#c.ttl_exp |
|
tenure |
|
c.tenure#c.tenure |
|
--------------------+---------------------------------------------------------------sigma_u |
.35562203
sigma_e |
.29068923
rho |
.59946283
(|)
F(4696, 23386) =
6.65
Ecuaciones
y it xit i vit
(1)
y i x i i vi
( 2)
y it y i ( xit xi ) (vit vi )
(3)
El R-Cuadrado
y it xit
(1)
y it xi
(2)
~
y it ( y it y i ) ( xit xi )
(3)
within
= 0.1727
3 ecuacin
between = 0.3505
2 ecuacin
overall = 0.2625
1 ecuacin
( y it y i ) (1 ) ( xit xi ) 1 i vit vi
errores de
vi
(4)
y la varianza de los
errores son siempre cero, entonces es siempre cero entonces se puede estimar
por la ecuacin (1). El R2 reportado en la salida corresponde a la ecuacin (4) en
ningn caso a las 3 ecuaciones. Los tres R2s son correlaciones al cuadrado, o, si
lo prefiere, R2s de regresiones de segunda ronda.
Las pruebas para la dependencia de la seccin transversal / correlacin
contempornea: el uso de Breusch-Pagan LM de la independencia
Segn Baltagi, la dependencia de la seccin transversal es un problema en los paneles
macro con una larga serie de tiempo (ms de 20-30 aos). Esto no es un gran problema
en los paneles micro (pocos aos y gran nmero de casos). La hiptesis nula en la prueba
Ejemplo
xttest2
Ejemplo
xtcsd, pesaran abs
2.2e+36
0.0000
Ejemplo en STATA
. webuse nlswork.dta, clear
(National Longitudinal Survey.
. xtset
panel variable:
time variable:
idcode (unbalanced)
year, 68 to 88, but with gaps
delta:
1 unit
Number of obs
28091
Number of groups
4697
R-sq:
= 0.1715
between = 0.4784
avg =
6.0
overall = 0.3708
max =
15
Wald chi2(10)
9244.74
0.0000
within
corr(u_i, X)
= 0 (assumed)
------------------------------------------------------------------------------------ln_wage |
Coef.
Std. Err.
P>|z|
--------------------+---------------------------------------------------------------grade |
.0646499
.0017812
36.30
0.000
.0611589
.0681409
age |
.0368059
.0031195
11.80
0.000
.0306918
.0429201
-.0007133
.00005
-14.27
0.000
-.0008113
-.0006153
.0290208
.002422
11.98
0.000
.0242739
.0337678
.0003049
.0001162
2.62
0.009
.000077
.0005327
.0392519
.0017554
22.36
0.000
.0358113
.0426925
-.0020035
.0001193
-16.80
0.000
-.0022373
-.0017697
|
c.age#c.age |
|
ttl_exp |
|
c.ttl_exp#c.ttl_exp |
|
tenure |
|
c.tenure#c.tenure |
|
2.race |
-.053053
.0099926
-5.31
0.000
-.0726381
-.0334679
not_smsa |
-.1308252
.0071751
-18.23
0.000
-.1448881
-.1167622
south |
-.0868922
.0073032
-11.90
0.000
-.1012062
-.0725781
_cons |
.2387207
.049469
4.83
0.000
.1417633
.3356781
--------------------+---------------------------------------------------------------sigma_u |
.25790526
sigma_e |
.29068923
rho |
.44045273
-------------------------------------------------------------------------------------
Estimamos que la escolaridad tiene una tasa de retorno del 6,5%; que el aumento
de los salarios con la edad gira en torno en 25,8 aos; que la experiencia total
aumenta an ms los salarios cada vez ms; que el efecto de antigedad en la
empresa gira en torno en 9,8 aos; que el ser negro reduce los salarios en un
5,3%; que vivir en el rea reduce los salarios 13,1%; y que vivir en el Sur reduce
los salarios 8,7%.
tanto
los
efectos
dentro
de-entidad
entre
Var
sd = sqrt(Var)
---------+-----------------------------
Test:
ln_wage |
.2283326
.4778416
e |
.0845002
.2906892
u |
.0665151
.2579053
Var(u) = 0
chibar2(01) = 14779.98
Prob > chibar2 =
0.0000
Aqu se rechaza la hiptesis nula y concluir que los efectos aleatorios son apropiados.
Esto es, hay evidencia de diferencias significativas entre los distintos pases, por lo tanto,
puede ejecutarse el data panel.
Otra salidas
Aqu no pudimos rechazar la hiptesis nula y concluir que los efectos aleatorios no es
apropiado. Esto es, no hay evidencia de diferencias significativas entre los distintos
pases, por lo tanto, puede ejecutar una sencilla regresin MCO.
. xtset
panel variable:
time variable:
idcode (unbalanced)
year, 68 to 88, but with gaps
delta:
1 unit
Number of obs
28091
Number of groups
4697
R-sq:
within
= 0.1727
between = 0.3505
avg =
6.0
overall = 0.2625
max =
15
F(8,23386)
610.12
Prob > F
0.0000
corr(u_i, Xb)
= 0.1936
------------------------------------------------------------------------------------ln_wage |
Coef.
Std. Err.
P>|t|
--------------------+---------------------------------------------------------------grade |
(omitted)
age |
.0359987
.0033864
10.63
0.000
.0293611
.0426362
-.000723
.0000533
-13.58
0.000
-.0008274
-.0006186
.0334668
.0029653
11.29
0.000
.0276545
.039279
.0002163
.0001277
1.69
0.090
-.0000341
.0004666
.0357539
.0018487
19.34
0.000
.0321303
.0393775
-.0019701
.000125
-15.76
0.000
-.0022151
-.0017251
|
c.age#c.age |
|
ttl_exp |
|
c.ttl_exp#c.ttl_exp |
|
tenure |
|
c.tenure#c.tenure |
|
2.race |
(omitted)
not_smsa |
-.0890108
.0095316
-9.34
0.000
-.1076933
-.0703282
south |
-.0606309
.0109319
-5.55
0.000
-.0820582
-.0392036
_cons |
1.03732
.0485546
21.36
0.000
.9421496
1.13249
--------------------+---------------------------------------------------------------sigma_u |
.35562203
sigma_e |
.29068923
rho |
.59946283
-------------------------------------------------------------------------------------
F(4696, 23386) =
6.65
Number of obs
28091
Number of groups
4697
R-sq:
within
= 0.1715
between = 0.4784
avg =
6.0
overall = 0.3708
max =
15
Wald chi2(10)
9244.74
0.0000
corr(u_i, X)
= 0 (assumed)
------------------------------------------------------------------------------------ln_wage |
Coef.
Std. Err.
P>|z|
--------------------+---------------------------------------------------------------grade |
.0646499
.0017812
36.30
0.000
.0611589
.0681409
age |
.0368059
.0031195
11.80
0.000
.0306918
.0429201
-.0007133
.00005
-14.27
0.000
-.0008113
-.0006153
|
c.age#c.age |
|
ttl_exp |
.0290208
.002422 1
11.98
0.000
.0242739
.0337678
|
c.ttl_exp#c.ttl_exp |
.0003049
.0001162
2.62
0.009
.000077
.0005327
.0392519
.0017554
22.36
0.000
.0358113
.0426925
-.0020035
.0001193
-16.80
0.000
-.0022373
-.0017697
|
tenure |
|
c.tenure#c.tenure |
|
2.race |
-.053053
.0099926
-5.31
0.000
-.0726381
-.0334679
not_smsa |
-.1308252
.0071751
-18.23
0.000
-.1448881
-.1167622
south |
-.0868922
.0073032
-11.90
0.000
-.1012062
-.0725781
_cons |
.2387207
.049469
4.83
0.000
.1417633
.3356781
--------------------+---------------------------------------------------------------sigma_u |
.25790526
sigma_e |
.29068923
rho |
.44045273
(b)
fixed
(B)
random
(b-B)
Difference
sqrt(diag(V_b-V_B))
S.E.
-------------+---------------------------------------------------------------age |
.0359987
.0368059
-.0008073
.0013177
c.age#c.age |
-.000723
-.0007133
-9.68e-06
.0000184
ttl_exp |
.0334668
.0290208
.0044459
.001711
c.ttl_exp#~p |
.0002163
.0003049
-.0000886
.000053
tenure |
.0357539
.0392519
-.003498
.0005797
c.tenure#c~e |
-.0019701
-.0020035
.0000334
.0000373
not_smsa |
-.0890108
-.1308252
.0418144
.0062745
south |
-.0606309
-.0868922
.0262613
.0081345
Ho:
149.43
Prob>chi2 =
0.0000