Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación.

ticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Contenido
1 Introducción
2 Modelos estáticos
Modelo con Efectos Individuales: Fijos y Aleatorios
Extensiones del Modelo Básico
TEMA 6. Modelos para Datos de Panel 3 Estimación de Modelos estáticos. Predicción
Estimadores Agrupados (“Pooled”)
Estimador “Between”
Profesor: Pedro Albarrán Pérez
Estimador de Efectos Aleatorios
Estimadores de Efectos Fijos
Test de Hausman
Universidad de Alicante. Curso 2010/2011. Predicción.
4 Paneles largos
5 Variables instrumentales
6 Modelos Dinámicos para datos de panel
Introducción
Estimador de Arellano y Bond

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Consideraciones básicas Consideraciones básicas

Datos de Panel Consideraciones básicas

Los datos de panel (o datos longitudinales) consiste en observaciones En general, los datos se observan a intervalos regulares de tiempo
de un corte transversal de unidades individuales (hogares, empresas, Los datos de panel pueden ser balanceados (Ti = T para todo i) o
países, etc.)
no balanceados (Ti 6= T para algún i)
repetidas sobre el tiempo
la selección muestral debe ser aleatoria (no correlacionada con los
{Yit , Xit0 } i = 1, . . . , N; t = 1, . . . , T regresores) para que los estimadores sean consistentes

Algunos ejemplos: Se pueden tener paneles:

PSID (Panel Study of Income Dynamics) de muchos individuos y pocos periodos temporales (“short panels)
ECHP (European Community Household Panel) de pocos individuos y muchos periodos temporales (“long panels”)
SHIW (Survey on Household Income and Wealth) de muchos individuos y muchos periodos temporales
EPA (Encuesta de Población Activa) Se puede hacer inferencia asintótica
ESEE (Encuesta sobre Estrategías Empresariales)
NT ! 1
FES (Family Expenditure Survey)
N ! 1, T ! 1
CEX (Consumers Expenditure Survey)
N ! 1, T fijo
ECPF (Encuesta Continua de Presupuestos Familiares)
T ! 1, N fijo
paneles de estados americanos, de países, etc.
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Consideraciones básicas Estadística descriptiva para datos de panel

Consideraciones básicas (cont.) Descripción de los datos

Para cada observación debe conocerse el individuo i y el periodo
temporal t al que se refiere .

Los errores estarán probablemente correlacionados (en el tiempo p.e., un panel balanceado p.e., un panel NO balanceado
para un individuo y/o entre individuos)
Se pueden tener regresores invariantes en el tiempo (xit = xi ), que individuo año renta edad individuo año renta edad sexo
no varían con los individuos (xit = xt ) o que varían tanto con el 1 2000 1800 29 1 2000 800 19 2
tiempo como con los individuos (xit ) 1 2001 1950 30 1 2001 950 20 2
2 2000 800 20 2 2000 1900 29 1
Algunos coeficientes del modelo pueden variar entre individuos o en
2 2001 850 21 2 2001 1950 30 1
el tiempo
2 2002 2100 31 1
Los datos de panel permiten la estimación de modelos dinámicos .. .. .. .. .. .. .. .. ..
. . . . . . . . .
500 2000 2200 54 1000 2000 2100 49 1
500 2001 2400 55 1000 2001 2200 50 1

Obviamente preferiremos una descripción resumida de la estructura

del panel en nuestros datos

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estadística descriptiva para datos de panel Estadística descriptiva para datos de panel

Descripción de los datos (cont.) Descomposición “within”-“between”

Para paneles balanceados, describir el número de observaciones
implica:
número de individuos distintos N
total de periodos cubiertos por el panel T
el número total de observaciones es simplemente NT Las variables pueden tener variación tanto en el tiempo como entre
Para paneles NO balanceados, además debemos considerar: individuos
periodos concretos en que se observa cada individuo Ti (o su media)
P
Variabilidad “within”, sW
2
: variación en el tiempo para un individuo
número total de observaciones N i =1 Ti dado
También se puede presentar el patrón de observaciones; p.e., Variabilidad “between”, sB2 : variación entre individuos
t=1 t=2 t=3 t=4 La variabilidad total (“overall”), sO2 , se puede descomponer en
| | | | n1 , Ti =4 “within” y “between”
. | | | n2 , Ti =3 sO2 ⇡ sW 2
+ sB2
. . | | n3 , Ti =2
| | | . n4 , Ti =3

Notad que no tiene porque haber individuos observados todos los

periodos y que individuos con el mismo Ti pueden ser observados en
periodos diferentes.
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estadística descriptiva para datos de panel Estadística descriptiva para datos de panel

Descomposición “within”-“between” (cont.) Estadísticas Descriptivas

Las estadísticas pueden describir los datos
P P
Variabilidad “overall” (en torno a la media total x = 1/NT
i t xit ) totales (“overall”): xit
1 XX “within”: xit - x i + x
2
sO = (xit - x )2 “between”: xi
NT - 1 i t
P Existe una distribución de cada uno de ellos que caracterizar: su
Variabilidad “within” (en torno a la media individual x i = 1/T t xit )
máximo, mínimo, percentiles, varianza, etc.
1 XX 1 XX
2
sW = (xit - x i )2 = (xit - x i + x )2 Para variables discretas, una tabulación de valores (histograma)
NT - 1 i t NT - 1 i t puede ofrecer
“overall”: observaciones que toman ese valor
Variabilidad “between” (variación de x i en torno a x) “between”: individuos para los que alguna vez toma ese valor
1 X porcentaje de individuos que nunca cambia de valor (“within”)
sB2 = (x i - x )2
N -1 i Para variables binarias, se puede calcular una matriz de transiciones
(ofrecen idea de persistencia, dinámica)
Nota: NT debe entenderse como total de observaciones
PN Xit +1 = 0 Xit +1 = 1
es decir, para paneles no balanceados debe ser i =1 Ti Xit = 0 Pr (Xit +1 = 0|Xit = 0) Pr (Xit +1 = 1|Xit = 0)
Xit = 1 Pr (Xit +1 = 0|Xit = 1) Pr (Xit +1 = 1|Xit = 1)

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estadística descriptiva para datos de panel Modelo con Efectos Individuales: Fijos y Aleatorios

Gráficos Modelo con efectos individuales

yit = 1 x1it + ··· + k xkit + uit

= 1 x1it + · · · + k xkit + ↵i + "it
Se puede representar la evolución de algunas o de todos los
donde
individuos i
x1it , . . . , xkit : variables explicativas (observables)
Se pueden representar gráficos de dispersión para dos variables
uit = ↵i + "it : término de error compuesto (inobservado)
“overall”
o “within” (cada variable en desviaciones respecto a la media de cada ↵i : efectos individuales (heterogeneidad inobservada permanente en
individuo) el tiempo)
"it : error idiosincrásico

Existen dos modelos sustancialmente diferentes según el tratamiento de

↵i
1 Modelo de efectos fijos
2 Modelo de efectos aleatorios
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Modelo con Efectos Individuales: Fijos y Aleatorios Modelo con Efectos Individuales: Fijos y Aleatorios

Efectos Individuales “Fijos” Efectos Individuales “Fijos”: problemas

Permite que los regresores x1it , . . . , xkit estén correlacionados con ↵i En principio, se necesitan estimar ↵1 , . . . , ↵N junto con los
sin especificar la forma concreta
parámetros j
todo el análisis será condicional en ↵i en paneles cortos, estimar los parámetros j necesita N ! 1
Problema de parámetros incidentales: la estimación de los j puede
El supuesto fundamental es estar sesgada por estimar “infinitos” parámetros auxiliares ↵i
E ["it |↵i , x1it , . . . , xkit ] = 0 Alternativamente, se puede estimar el modelo transformado para
eliminar ↵i
los regresores deben seguir siendo incorrelados con "it sólo se identifica j para regresores que varían en el tiempo

Esto implica E [yit |↵i , x1it , . . . , xkit ] = Estimar consistentemente puede NO ser suficiente:
1 x1it + ··· + k xkit + ↵i y
Para predecir yit :
E [yit |↵i , x1it , . . . , xkit ]
= j E [yit |x1it , . . . , xkit ] = 1 x1it + ··· + k xkit + E [↵i |x1it , . . . , xkit ]
xj,it
en paneles cortos, E [↵i |x1it , . . . , xkit ] no se estima consistentemente
Se puede identificar el efecto marginal j aunque el regresor es En modelos no lineales, el efecto marginal no está estimado
endógeno, respecto al término de error compuesto uit consistentemente (depende de ↵i )
los regresores pueden estar correlacionados uit , pero sólo con su
parte constante en el tiempo E [yit |↵i , x1it , . . . , xkit ]
ej.: yit =renta, ↵i =habilidad inobservada permanente xj,it

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Modelo con Efectos Individuales: Fijos y Aleatorios Extensiones del Modelo Básico

Efectos Individuales “Aleatorios” Extensiones

El efecto individual ↵i se trata como puramente aleatorio Modelo con dos efectos
debe especificarse su distribución, condicional en los regresores
yit = 1 x1it + ··· + k xkit + ↵i + t + "it
Supuesto habitual: ↵i no está correlacionado con los regresores
2 la constante varía tanto entre individuos, ↵i , como en el tiempo, t
↵i |Xit ⇠ N 0, ↵ en paneles cortos, t se modeliza como “fijo” (con una dummy para
cada t)
Modelo agrupado (“pooled”) o de promedio poblacional
Se puede estimar el modelo por Mínimos Cuadrado Generalizados
Factibles: yit = ↵+ 1 x1it + ··· + k xkit + uit
todos los coeficientes y efectos marginales, incluyendo de las
variables que no varían en el tiempo supone que los regresores están incorrelados con uit
la predicción E [yit |x1it , . . . , xkit ] pero no una estructura en uit (a diferencia de efectos aleatorios)
PERO la estimación es inconsistente si el supuesto sobre la se puede estimar consistentemente por MCO
distribución de ↵i es incorrecto la inferencia debe usar errores estándar robustos
2 por la probable correlación entre individuos y en el tiempo para un
p.e., ↵i sí está correlacionado con los regresores ↵i |Xit ⇠ N ⇡ 0 Xit , ↵ individuo
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Extensiones del Modelo Básico Estimadores Agrupados (“Pooled”)

Modelos Lineales mixtos Estimador “Pooled” por MCO

Se puede generalizar el modelo para permitir pendientes diferentes Un modelo lineal estático para datos de panel
para cada individuo
yit = ↵+ 1 x1it + ··· + k xkit + uit
yit = 1i x1it + ··· + ki xkit + ↵i + "it
= ↵i + Xit0 i + "it
Se puede estimar consistentemente por MCO si se supone que los
En paneles largos, se pueden estimar fácilmente los parámetros regresores son exógenos:
↵i , i0
E [uit |x1it , . . . , xkit ] = 0
mediante regresiones separadas para cada individuo
En paneles cortos, se necesita suponer una distribución para Pero los errores uit no serán i.i.d.:
↵i , i0 , condicionales en los regresores las observaciones están agrupadas de forma natural por individuos i
como en el modelo de efectos “aleatorios”, se suele suponer que son (“clusters”)
independientes de los regresores probablemente existirá heterocedasticidad entre “clusters”
por ejemplo, Deben usarse errores estándar robustos, al menos por la presencia
(↵i , i0 ) |Xit ⇠ N ( , ⌃) de “clusters”
También se puede considerar que los parámetros varíen con el Este estimador es simple y aprovecha tanto la variabilidad temporal
tiempo o variables observables como entre individuos de los datos

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estimadores Agrupados (“Pooled”) Estimador “Between”

Estimador “Pooled” por MCGF Estimador “Between”

Bajo el mismo supuesto de exogeneidad E [uit |x1it , . . . , xkit ] = 0 El estimador “between” explota sólo la variación de corte transversal
(garantiza que el estimador es consistente) es decir, utiliza los datos “between” y i , x 1i , . . . , x ki
Se puede obtener un estimador de MCGF, asintóticamente más Resulta de estimar por MCO el modelo
eficiente que el de MCO
supone una estructura concreta para la matriz de correlaciones de uit yi = ↵ + 1 x 1i + ··· + k x ki + ui
es más eficiente solo si el supuesto es correcto
(deberían usarse errores estándar robustos)
Se puede suponer:
independencia ⇢ts = 0 Será consistente bajo el mismo supuesto anterior de exogeneidad de
equicorrelación ⇢ts = ⇢ los regresores respecto al término de error compuesto
proceso estacionario AR(p) o MA(q) En la práctica apenas se utiliza porque el estimador “pooled” y el de
sin estructura (salvo porque deben ser iguales entre individuos) efectos aleatorios son superiores
En general, se siguen utilizando errores estándar robustos son consistentes bajo las mismas condiciones
(no se considera que el supuesto sea realmente correcto) son más eficientes (asintóticamente)
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estimador de Efectos Aleatorios Estimador de Efectos Aleatorios

Estimador de Efectos Aleatorios

El estimador de efectos aleatorios (MCGF) se obtiene estimando por
Sea un modelo de efectos individuales MCO el modelo transformado
⇣ ⌘ ⇣ ⌘ ⇣ ⌘0 ⇣ ⌘ ⇣ ⌘
yit bi y i = ↵ 1 - ✓
yit - ✓ bi + Xit - ✓ bi X i bi + "it - ✓
+↵i 1 - ✓ bi "i
= 1 x1it + ··· + k xkit + ↵i + "it

donde bi es un estimador consistente de

✓
2
E [↵i |Xit ] = 0; Var [↵i |Xit ] = ↵ q
2
E ["it |Xit ] = 0; Var ["it |Xit ] = 2
"
✓i = 1 - "/(Ti 2
↵+
2
" )
Esto implica que los regresores son exógenos respecto al término de
error compuesto uit = ↵i + "it
El estimador de Efectos Aleatorios usa tanto variación “within” como
E [uit |Xit ] = 0 “between”
Otros estimadores se pueden obtener como casos especiales del
Además, se tiene una estructura de correlación particular estimador de efectos aleatorios
2 cuando ✓i ! 0, se tiene el estimador agrupado por MCO
Corr (uit , uis ) = 2
↵
2
, t 6= s cuando ✓i ! 1 (porque Ti o 2↵/ 2" son grandes), se tiene el
↵ + "
estimador “within”
Por tanto, se puede estimar eficientemente mediante MCGF

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estimadores de Efectos Fijos Estimadores de Efectos Fijos

Estimadores de Efectos Fijos Estimadores “within”: Desviaciones respecto a la media

Sea un modelo de efectos individuales Se puede transformar el modelo restando a cada variable su media
individual ⇣ ⌘0
yit = 1 x1it + ··· + k xkit + ↵i + "it
(yit - y i ) = Xit - X i + ("it - "i )
Suponemos P
E ["it |↵i , x1it , . . . , xkit ] = 0 donde X i = 1/Ti t Xit
Este modelo se puede estimar consistentemente por MCO
La estimación de los parámetros requiere la eliminación de ↵i
porque los regresores Xit eran endógenos por su correlación con ↵i
Estos estimadores sólo utilizan variación “within” de los datos
pero están incorrelados con "it (en cualquier periodo temporal)
la estimación de los datos con poca variación “within” será bastante
imprecisa Cuando se disponga de estimaciones de , se pueden obtener
no se puede estimar el coeficiente de variables que no varíen en el estimaciones de los efectos individuales
tiempo 0
bi = y i - X i b
↵
Son consistentes tanto si los regresores están correlacionados con la
heterogeneidad permanente como si no
sólo serán consistentes si Ti ! 1
si no existe correlación, otros estimadores son más eficiente
en cualquier caso, los errores estándar serán mayores que los de otros
Se deben utilizar errores estándar robustos si se piensa que "it no
estimadores son i.i.d.
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estimadores de Efectos Fijos Estimadores de Efectos Fijos

Estimadores “within” con “dummies” de individuo Estimador en primeras diferencias

Existen muchas formas de eliminar los efectos individuales ↵i

También se pueden estimar conjuntamente ↵1 , . . . , ↵N y el vector Se puede estimar por MCO el modelo en primeras diferencias
Mediante MCO en el modelo original con N “dummies” para los
efectos individuales (yit - yit -1 ) = (Xit - Xit -1 ) 0 + ("it - "it -1 )
0 1
X
N
Este estimador en primeras diferencias (por MCO) es consistente
yit = Xit0 + @ ↵i dj,it A + "it El estimador en desviaciones respecto a la media y el estimador en
j =1
primeras diferencias son, en general, similares pero diferentes
ambos utilizan el mismo número de observaciones
donde dj,it = 1 para el individuo i y dj,it = 0 en caso contrario
para T = 2, son numéricamente iguales
Este estimador de es numéricamente igual al obtenido en
En modelos estáticos, se suele preferir el estimador en desviaciones
desviaciones respecto a la media
respecto a la media porque es más eficiente cuando "it es i.i.d.
Asimismo, también los efectos individuales estimados son
0 el error en primeras diferencias está autocorrelacionado
bi = y i - X i b
↵ por tanto, MCO no es eficiente (y deben usarse errores estándar
robustos)

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estimadores de Efectos Fijos Test de Hausman

Exogeneidad estricta y Exogeneidad débil ¿Efectos Fijos o Efectos Aleatorios?

El estimador en desviaciones respecto
⇣ a ⌘la media requiere que
("it - "i ) esté incorrelado con Xit - X i
Esto sucederá cuando se cumpla el supuesto de exogeneidad estricta El estimador de Efectos Fijos permite estimar el modelo bajo
(o fuerte) supuestos menos restrictivos
E ["it |↵i , Xi1 , . . . , XiT ] = 0 permite correlación entre los regresores y los efectos individuales
permite estimar el modelo incluso si los regresores son “endógenos”
PERO es menos deseable en otras dimensiones
El estimador en desviaciones respecto a la media requiere que
("it - "it -1 ) esté incorrelado con (Xit - Xit -1 ) es menos eficiente (al explotar solo variación “within”)
no identifica los coeficientes de regresores que no varíen en el tiempo
Esto sucederá cuando se cumpla el supuesto de exogeneidad débil
El estimador de Efectos Aleatorios es más eficiente
E ["it |↵i , Xi1 , . . . , Xit ] = 0 si se cumplen supuestos adicionales a los de Efectos Fijos
PERO puede ser inconsistente
a diferencia del anterior, permite que valores futuros de los regresores
estén correlacionados con el error
ej., un regresores es la variable dependiente retardada
Esta distinción no suele ser relevante en modelos estáticos
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Test de Hausman Test de Hausman

yit Estim. “within”

Contraste de Hausman
MCO/MCGF

Resulta muy importante conocer si el modelo adecuado para analizar

+ ++
++ + + + + nuestros datos es el de efectos fijos o el de efectos aleatorios
+ ++
+ +++ + +
Bajo la hipótesis nula de que se cumplen los supuestos del modelo
+ + +
+++ +
α1 + + ++ + ++ de Efectos Aleatorios, ambos estimadores, el de efectos fijos y el de
+++ + +++ +
+++ + efectos aleatorios, deben ser similares
+
+++ + + + ++
++ + ++ + ambos son consistentes
+ + ++
+ +
+
El contraste compara los coeficientes estimables de los regresores
α2 que varían con el tiempo
El estadístico de contraste mide la “distancia” entre ambas
xit
estimaciones: si es “grande” se rechaza H0
α3 x1 x2 x3 x4 ⇣ ⌘0 h ⇣ ⌘ ⇣ ⌘i-1 ⇣ ⌘
b EF - b EA Var b EF - Var b EA b EF - b EA ⇠a 2
(k )
Ho

α4

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Predicción. Predicción.

Predicción R 2 total, “within” y “between”

Se puede predecir el valor de la variable dependiente, incondicional
en los efectos fijos E (yit |Xit ), como
2
0b Se pueden obtener obtener un R del modelo para los datos totales,
yc
it = Xit + ↵
b
P
“within” y “between”
1
donde ↵
b= N i bi
↵ 2
dependiendo del modelo, el R habitual será uno de estos tres
Se puede predecir el valor de la variable dependiente dado su efecto 2
Estos R se obtienen como correlaciones entre los datos observados
individual E (yit |Xit , ↵i ), como y los datos predichos por el modelo observado
0b h ⇣ ⌘i2
yc
it = Xit + ↵
bi 2
Ro = Corr yit , Xit0 b
 ✓ ⇣ ⌘0 ◆ 2
Asimismo, se pueden obtener: 2
Rw = Corr (yit - y i ) , Xit - Xi b
0
los efectos individuales estimados ↵ bi = y i - X i b h ⇣ ⌘i2
el residuo idiosincrásico b"it = yit - Xit0 b - ↵bi 2 0
Rb = Corr y i , Xi b
el residuo compuesto u bit = b b i = yit - Xit0 b
"it + ↵
Notad que ↵b i (y, por tanto, la predicción de yit que la utiliza)
requieren que T ! 1 para ser predicciones consistentes
(↵
b solo necesita NT ! 1)
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Predicción.

Introducción

En los paneles largos, se tienen muchos periodos temporales para

2
No existe una descomposición para los R como en la varianza: cada pocos individuos: N pequeño, T ! 1
uno se interpreta independientemente por ejemplo, unas pocas industrias, empresas o regiones observadas
También puede resultar interesante obtener estimaciones separadas durante muchos periodos de tiempo.
de la varianza de los efectos individuales b2↵ Se puede estimar estimar un modelo de efectos fijos mediante
de la varianza del error idiosincrásico b2" “dummies” de individuo como regresores
por tanto, automáticamente de la varianza del término de error
En la práctica, se suelen preferir modelos agrupados para estimar por
compuesto
de la autocorrelación del término de error compuesto uit MCGF
para incorporar estructuras de covarianza más generales del término
d (uit uit -1 )
b = Corr
⇢ de error
También se pueden estimar modelos más flexibles con pendientes
específicas para cada individuo mediante regresiones separadas

yit = Xit0 i + ↵i + "it

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Introducción (cont.) Análisis de Series Temporales con datos de panel

La longitud temporal de los datos supone la principal característica a
considerar cuando se estima un modelo con un panel largo Cuando se tiene un panel largo con pocos individuos, se podría
En todos los casos, debe tenerse en cuenta la probable tratar como un sistema de N series temporales
autocorrelación en "it o directamente en uit PERO ya hemos visto que debemos considerar aspectos ignorados
mediante errores estándar robustos a autocorrelación por la econometría de series temporales puras
o estimando por MCGF si se considera apropiado un determinado controlar por heterogeneidad inobservado
proceso (estacionario) comportamiento asintótico cuando tanto N como T van a infinito
Aunque tampoco puede olvidarse la posibilidad de la posibilidad de dependencia de corte transversal
heterocedasticidad en uit o "it En cualquier caso, también hemos visto que los paneles largos
Se pueden estimar modelos con efectos temporales permiten analizar la evolución temporal de una variable
Los datos de series temporales se pueden modelizar
yit = Xit0 i + ↵i + t + "it
como procesos estacionarios: bien la variable dependiente o bien el
término de error siguen procesos ARMA(p,q)
estimar t con “dummies” puede suponer un problema de parámetros o como procesos no estacionarios, aunque éstos sólo se pueden
incidentales (T ! 1) analizar convincentemente cuando la serie temporal es muy larga
PERO se pueden reemplazar por una tendencia (aprovechando que el
tiempo está ordenado de forma natural)
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Introducción

Raíces unitarias y cointegración Variables instrumentales con datos de panel

Se pueden extender fácilmente los métodos de variables instrumentales al
Se pueden estudiar modelos dinámicos como caso de datos de panel
Si el modelo agrupado es apropiado yit = ↵ + Xit0 + uit , un
yit = ⇢i yit -1 + i1 yit -1 + · · · + ipi yit -pi + Zit0 i + uit
instrumento válido debe cumplir
donde los cambios retardados garantizan que uit sea i.i.d. E [uit |Zit ] = 0
El proceso será estacionario para el individuo i si
Se puede estimar por mínimos cuadrados en dos etapas (MC2E)
⇢i = 1 (con errores robustos a “clusters” de individuos)

Cuando dos procesos son no estacionarios, pueden estar Si el modelo de efectos fijos es apropiado yit = Xit0 + ↵i + "it , un
correlacionados (espúreamente) sólo por serlo instrumento válido debe cumplir (exogeneidad estricta)
Por tanto, cuando se estudian varias variables en una serie temporal E ["it |↵i , Zi1 , . . . , ZiT ] = 0
larga, debe analizarse si están cointegradas
es decir, si siguen relacionadas descontando el efecto de la no Se puede estimar también por MC2E en el modelo transformado
estacionariedad para eliminar los efectos individuales (en desviaciones respecto a la
media, etc.)

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estimador de Hausman-Taylor Estimador de Hausman-Taylor

Estimador de Hausman-Taylor
Usando la transformación de efectos aleatorios del modelo
Este estimador de V.I. permite estimar los coeficientes de los
e0
yeit = X e0
+X f0
+W f0
+W ei + e
+↵ "it
regresores invariantes en el tiempo 1it 1 2it 2 1i 1 2i 2

El modelo de efectos individuales se puede escribir como Cada variable ha sido transformada
0 0
yit = X1it 1 + X2it 2 + W1i0 1 + W2i0 2 + ↵i + "it e1it = X1it - ✓
X bi X 1i

Supuestos: q
2
bi es un estimador consistente de✓i = 1 -
donde ✓ " /(Ti 2 2
↵+ " )
1 algunos regresores invariantes en el tiempo W1i NO están
correlacionados con ↵i Esta transformación no elimina los regresores invariantes en el
2 algunos regresores que sí varían con el tiempo X1it NO están tiempo
correlacionados con ↵i
se puede estimar 1 y 2
3 otros regresores, W2i y X2it , sí pueden estar correlacionados con ↵i
4 todos los regresores están incorrelados con "it e2it y W
Tampoco elimina los efectos individuales: por tanto, X f2i
están correlacionados con ↵
ei
Este estimador es más restrictivo porque se basa en supuestos
adicionales a los del estimador de efectos fijos esta endogeneidad se remedia mediante el uso de variables
instrumentales
la existencia de regresores no correlacionados con los efectos
individuales
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estimador de Hausman-Taylor Introducción

Modelos dinámicos
e0
yeit = X 1
e0
+X 2
f0
+W 1
f0
+W 2 ei + e
+↵ "it
1it 2it 1i 2i

e
e2it es X
e 2it = X2it - X 2i Por simplicidad, consideremos un modelo AR(1)
Un instrumento para X
e2it
está correlacionado con X yit = 1 yit -1 + Xit0 + ↵i + "it
se puede comprobar que NO está correlacionado con ↵
ei
f2i es X 1i Se puede generalizar a más retardos fácilmente
Un instrumento para W
La correlación en el tiempo de yit tiene distintas fuentes
Supone que el número de regresores exógenos que varían con el
tiempo es mayor que el número de regresores endógenos invariantes 1 directamente a través de valores pasado de yit (verdadera
en el tiempo dependencia temporal)
Se usan datos de otros periodos para formar los instrumentos: 2 directamente a través de los regresores Xit (heterogeneidad
X1i 1 , . . . , X1iT también servirían observada)
e
3 indirectamente a través de los efectos individuales ↵i
e1it es X
Un instrumento para X e 1it = X1it - X 1i (heterogeneidad inobservada)
se usa X 1i dos veces 4 (correlación serial en "it )
f1i es W1i
Un instrumento para W Las implicaciones de cada fuente de correlación son muy diferentes

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Introducción Estimador de Arellano y Bond

Problemas de los Estimadores Estimador de Arellano-Bond

Sea el modelo transformado en primeras diferencias
yit = 1 yit -1
0
+ Xit + ↵i + "it , "it ⇠ i.i.d . yit = 1 yit -1 + Xit0 + "it

NO se puede suponer que yit -1 está incorrelado con ↵i Si "it es i.i.d., un instrumento válido para yit -1 será yit -2
Por tanto, los estimadores de “pooled” y de efectos aleatorios NO yit -2 está correlacionado con yit -1 = yit -1 - yit -2
son adecuados para modelos dinámicos yit -2 NO está correlacionado con "it = "it - "it -1
De hecho, son instrumentos válidos cualquier valor de yit retardados
El estimador “within” es inconsistente dos periodos o más
⇣ ⌘0 20 1 3
(yit - y i ) = 1 yit -1 - y i,-1 + Xit - X i + ("it - "i ) yit -2
6B
6B yit -3 C
C
7
7
E 6B .. C "it 7 = 0 , E [yis "it ] = 0, s 6t -2
porque yit -1 - y i,-1 está correlado con ("it - "i ) 4@ . A 5

"i incluye los errores de todos los periodos yi 1

Se pueden obtener estimaciones consistentes de un modelo dinámico
Todos los estimadores de efectos fijos tienen el mismo problema
de datos de panel utilizando
(yit - yit -1 ) = 1 (yit -1 - yit -2 ) + (Xit - Xit -1 ) 0 + ("it - "it -1 ) la transformación adecuada del modelo (este argumento NO
funciona en desviaciones respecto a la media)
y los instrumentos adecuados
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estimador de Arellano y Bond Estimador de Arellano y Bond

Arellano-Bond (cont.) Arellano-Bond (cont.)

El estimador asintóticamente más eficiente utiliza todos los retardos

posibles para estimar el modelo dinámico
se denomina estimador de Arellano-Bond
se estima mediante el Método Generalizado de los Momentos (para
utilizar todos los instrumentos) Si se tienen regresores que,
⇥ como yit -1 , son predeterminados
⇤
(débilmente exógenos) E "it |↵i , xj,i1 , . . . , xj,it = 0
Este estimador permite estimar un modelo dinámico sin necesidad de
están correlacionados con los errores pasados E [xj,it "is ] 6= 0, s<t
instrumentos externos
pero no con errores futuros E [xj,it "is ] = 0, s > t
El ⇥modelo puede incluir⇤ regresores (estrictamente) exógenos
E "it |↵i , xj,i1 , . . . , xj,iT = 0 Algunos regresores pueden ser contemporáneamente endógenos
E [xj,it "is ] 6= 0, s 6 t
son sus propios instrumentos E [xj,it "it ] = 0
pero estar incorrelado con los errores futuros E [xj,it "is ] = 0, s>t
aunque también se pueden utilizar todos sus retardos y adelantos
E [xj,it "is ] = 0, s 6= t
Además, el argumento utilizado para obtener instrumentos de yit -1
se puede generalizar al otros regresores que no sean estrictamente
exógenos
sin necesidad de buscar un instrumento nuevo

Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos

Estimador de Arellano y Bond

Arellano-Bond (cont.)

Este estimador necesita que "it sea i.i.d. para ser consistente
Este supuesto se puede contrastar, porque:

Cov ( "it , "it -1 ) 6= 0

Cov ( "it , "it -k ) = 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 tendrá un nuevo error i.i.d.
si "it ⇠ MA (q ), se pueden utilizar valores más retardados como
instrumentos
También se dispone un test de Sargan para contrastar la
“coherencia” entre los instrumentos