Dirigida Panel Data #1

Preguntas que nos vamos a hacer siempre

Existen efectos fijos?

Esos efectos fijos estn correlacionados con los regresores?

Varianza del Error y sus Implicancias

= + + +

El hecho que haya un efecto fijo est incrementando la varianza del residuo. Uno espera que en
ese alfa haya variables omitidas inobservables y que juegan un rol importante en la
determinacin del efecto que esto genera en la variable del producto. Es un efecto fijo a nivel
de individuo.

Entonces, el error de la regresin pasa a ser + . Siempre vamos a asumir que los shocks
idiosincrticos son independientes de los efectos fijos. Adems, asumiremos que el alfa no se
correlaciona con las x. Cul es la varianza del residuo de la regresin?

2 = 2 + 2

La varianza del estimador Beta MCO depende de esta varianza, la cual es mayor. Entonces, esta
mayor varianza afecta inversamente al t estadstico. As, ser menos probable que rechace una
hiptesis nula de no significancia. En otras palabras, ser ms probable que mis betas salgan no
significativas. En efecto, el MCO ser menos eficiente.
Entonces, cul es una solucin para este problema? Es aplicar una solucin a la mayor varianza
(heterocedasticidad) Se puede solucionar con MCG o con el modelo Between (efectos
aleatorios). Con ello, los estimadores sern eficientes y el problema ser resuelto.

En conclusin, cuando el alfa y x no covaran, tanto el estimador de efectos fijos como el de

efectos aleatorios o MCG resultarn consistentes. Sin embargo, estos dos ltimos sern ms
eficientes; por lo tanto, preferir usarlos.

Qu pasa si el alfa s covara con x?

Ya no podremos usar los estimadores de MCG o Between porque el Beta tendr problemas. Si
usamos estos estimadores, el Beta seguir siendo eficiente, pero perdera esa propiedad
importante de la consistencia. As, la solucin ser usar un modelo de efectos fijos. El problema,
es que estos modelos de efectos fijos no corrigen la ineficiencia.

El Modelo de Efectos Fijos

Se asume que este efecto fijo ser siempre de la misma forma; es decir, no vara su magnitud ni
sentido con el tiempo. Esta caracterstica del individuo es invariante. La idea es eliminar estas
alfas que generan la inconsistencia del estimador (porque covara con x).

= + + + (1)

Para el individuo i: voy a hacer un promedio temporal (sumar cada uno de los valores de y, y los
dividir entre T:

+ + +
=

=1 =1

+ +
= + = + + + (2)

=1 =1

Haciendo (1) (2):

= ( ) + (1)

Al hacer esto, se solucionar la inconsistencia del Beta, pero no ser eficiente. Es como el
tradeoff entre consistencia y eficiencia.

Ojo que el modelo de efectos fijos no es porque haya efectos fijos, sino que es que hay efectos
fijos correlacionados con el regresor. Este s incluye efectos aleatorios.

Otra forma de solucionar este problema es al diferenciar la serie:

= + + +

= +
Repaso Qu modelo uso?

Tengo efectos fijos y no hay correlacin: puedo usar efectos fijos o aleatorios y ambos
son consistentes; sin embargo, el de efectos aleatorios ser eficiente porque corrige la
varianza.
Si encuentro evidencia de una correlacin entre el alfa y x, ya no podr usar el modelo
de efectos aleatorios porque dejar de ser consistente. Entonces, uso el modelo de
efectos fijos.

Comente 2:

Si quieres estimar el efecto de una variable que no cambia en el tiempo no vas a poder si lo
diferencias. Porque al diferenciarlo se convertir en cero. Es como si el x no tuviese subndice t.
Pero, el modelo de efectos aleatorios s podra.

Nota (Luis) Resumen de Todos los Estimadores y la Matemtica de la Consistencia

Ejercicio 9

No entend nada
El marco terico debera decirte si hay correlacin entre las variables no observables y x; pero
la data te indica eso.

Haussman: plantea una diferencia asinttica entre los betas estimados. La nula te dice que la
diferencia entre beta de efectos fijos y beta MCG converge en probabilidad a 0; mientras que la
alternante lo contrario. As, bajo la nula, ambos modelos son consistentes (no habr problema
de correlacin entre alfa y x), y as preferirs usar el modelo de efectos aleatorios porque es ms
eficiente.