Documente Academic
Documente Profesional
Documente Cultură
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
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
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
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
Estadística descriptiva para datos de panel Estadística descriptiva para datos de panel
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
Modelo con Efectos Individuales: Fijos y Aleatorios Modelo con Efectos Individuales: Fijos y Aleatorios
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
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
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
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
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
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.
Introducción
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Introducción
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
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
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
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
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Arellano-Bond (cont.)
Este estimador necesita que "it sea i.i.d. para ser consistente
Este supuesto se puede contrastar, porque: