UNIVERSIDADE FEDERAL DE VIOSA

CENTRO DE CINCIAS AGRRIAS

DEPARTAMENTO DE ECONOMIA RURAL
ERU 626 - ECONOMETRIA I
Segundo Semestre/2010
AULA PRTICA No 3- Dados em Painel
Ana Carolina Campana Nascimento
Fernanda Maria de Almeida
1. DADOS EM PAINEL
Dados em painel consistem na combinao de srie temporal e seo cruzada,
isto , tm-se dados de vrias unidades medidas ao longo do tempo. Considerando um
conjunto de dados com i = 1, 2,K , N unidades e t = 1, 2,K ,T perodos de tempo, o
modelo geral ser:
Yit = + X it + vi + zt + it

(1)

em que i representa os efeitos especficos, ou caractersticas, das unidades que no

variam ao longo do tempo; zt so caractersticas que variam no tempo t; e it o termo
de erro.
Este modelo gera dois modelos tpicos que so estimados de acordo com as
pressuposies que fazemos a respeito da possvel correlao entre o termo de erro e as
variveis explicativas X it : modelo de efeitos fixos e modelo de efeitos aleatrios.
a) Modelo de Efeitos Fixos:
Yit = i + X it + it

(2)

A principal caracterstica deste modelo tratar os i ' s como variveis aleatrias

no observadas e correlacionadas com algum X it .
b) Modelo de Efeitos Aleatrios:
Yit = X it + uit

(3)

O estimador de efeitos aleatrios considera o erro combinado, isto ,

uit = i + it e pressupe que i iid com varincia 2 e que it iid com varincia

2 . Pode-se mostrar que V (uit ) = 2 + 2 e que Cov (uit , uis ) = 2 , t s . Logo,

2
, para todo t s . Assim, o modelo de EA tem como
u = Cor (uit , uis ) = 2
+ 2

pressuposio correlao serial no erro (correlao igual em todos lags). O estimador de

efeitos aleatrios um estimador de MQG que considera a correlao entre os erros de
cada unidade.
Exemplo:
Considere os dados do trabalho de Y. Grunfeld, cujo objetivo era verificar como
o investimento real bruto (Y) depende do valor real da empresa (x2) e do estoque real
do capital (x3). Os dados so do perodo de 1935 a 1954 e correspondem a informaes
de quatro empresas (GE, US, GM e WEST), ou seja, tem-se 4 unidades de corte
transversal e 20 perodos. Este exemplo est na pgina 514 do Gujarati.

Tabela 1 Investimento de quatro empresas, 1935-1954 (p.515, Gujarati)

ano
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954

id empresa
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
1
GE
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM
2
GM

y
33.1
45
77.2
44.6
48.1
74.4
113
91.9
61.3
56.8
93.6
159.9
147.2
146.3
98.3
93.5
135.2
157.3
179.5
189.6
317.6
391.8
410.6
257.7
330.8
461.2
512
448
499.6
547.5
561.2
688.1
568.9
529.2
555.1
642.9
755.9
891.2
1304.4
1486.7

x2
1170.6
2015.8
2803.3
2039.7
2256.2
2132.2
1834.1
1588
1749.4
1687.2
2007.7
2208.3
1656.7
1604.4
1431.8
1610.5
1819.4
2079.7
2371.6
2759.9
3078.5
4661.7
5387.1
2792.2
4313.2
4643.9
4551.2
3244.1
4053.7
4379.3
4840.9
4900
3526.5
3245.7
3700.2
3755.6
4833
4924.9
6241.7
5593.6

x3
97.8
104.4
118
156.2
172.6
186.6
220.9
287.8
319.9
321.3
319.6
346
456.4
543.4
618.3
647.4
671.3
726.1
800.3
888.9
2.8
52.6
156.9
209.2
203.4
207.2
255.2
303.7
264.1
201.6
265
402.2
761.5
922.4
1020.1
1099
1207.7
1430.5
1777.3
2226.3

ano
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954

id empresa
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
3
US
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST
4 WEST

y
209.9
355.3
469.9
262.3
230.4
361.6
472.8
445.6
361.6
288.2
258.7
420.3
420.5
494.5
405.1
418.8
588.2
645.2
641
459.3
12.93
25.9
35.05
22.89
18.84
28.57
48.51
43.34
37.02
37.81
39.27
53.46
55.56
49.56
32.04
32.24
54.38
71.78
90.08
68.6

x2
1362.4
1807.1
2673.3
1801.9
1957.3
2202.9
2380.5
2168.6
1985.1
1813.9
1850.2
2067.7
1796.7
1625.8
1667
1677.4
2289.5
2159.4
2031.3
2115.5
191.5
516
729
560.4
519.9
628.5
537.1
561.2
617.2
626.7
737.2
760.5
581.4
662.3
583.8
635.2
732.8
864.1
1193.5
1188.9

x3
53.8
50.5
118.1
260.2
312.7
254.2
261.4
298.7
301.8
279.1
213.8
232.6
264.8
306.9
351.1
357.8
341.1
444.2
623.6
669.7
1.8
0.8
7.4
18.1
23.5
26.5
36.2
60.8
84.4
91.2
92.4
86
111.1
130.6
141.8
136.7
129.7
145.5
174.8
213.5

Passos para estimao no Stata:

1) Organizao dos dados
No Excel, os dados devem seguir a estrutura da Tabela 1, isto , ordena-se os
dados de acordo com a srie temporal para cada unidade de seo cruzada. Note que as
unidades de seo cruzada (empresas) so enumeradas, uma vez que o Stata no
reconhece textos (nome das unidades).
2) Declarao dos dados no programa
Aps a organizao dos dados e insero dos mesmos no programa, deve-se
declarar no programa a varivel referente srie de tempo e a referente s unidades. No
caso do exemplo em questo, a varivel tempo ano e a varivel unidade id. Para isso,
temos trs opes:
i) Barra de ferramentas:

ii) Comando 1:
xtset id ano, yearly
O termo yearly pra indicar que a srie anual.
. xtset id ano, yearly
panel variable:
time variable:
delta:

id (strongly balanced)
ano, 1935 to 1954
1 year

iii) Comando 2:
. tis ano
. iis id

3) Modelo pool
Nesse modelo, todos os coeficientes so constantes ao longo do tempo e entre
indivduos e a forma de estimao o habitual MQO.
. reg

y x2 x3
Source

SS

df

MS

Model
Residual

4849457.37
1560689.67

2
77

2424728.69
20268.697

Total

6410147.04

79

81141.1018

Coef.

x2
x3
_cons

.1100955
.3033932
-63.30413

Std. Err.
.0137297
.0492957
29.6142

t
8.02
6.15
-2.14

Number of obs
F( 2,
77)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
0.036

=
=
=
=
=
=

80
119.63
0.0000
0.7565
0.7502
142.37

[95% Conf. Interval]

.0827563
.2052328
-122.2735

.1374348
.4015535
-4.334734

4) Modelo de regresso de efeitos fixos ou de variveis binrias de mnimos

quadrados
i) Caso em que coeficientes angulares so constantes, mas o intercepto varia entre as
unidades, isto :
Yit = 1i + 2 X 2it + 3 X 3it + it

(4)

No Stata, o passo inicial a criao de dummies para cada uma das unidades:
. tabulate id, gen (d)
id

Freq.

Percent

Cum.

1
2
3
4

20
20
20
20

25.00
25.00
25.00
25.00

25.00
50.00
75.00
100.00

Total

80

100.00

Note que com o comando tabulate foram criadas quatro novas variveis, uma dummy
para cada empresa: d1, d2, d3 e d4.

Agora s rodar o modelo:

. reg

y x2 x3 d2 d3 d4
Source

SS

df

MS

Model
Residual

5990684.14
419462.898

5
74

1198136.83
5668.41754

Total

6410147.04

79

81141.1018

Coef.

x2
x3
d2
d3
d4
_cons

.1079481
.3461617
161.5722
339.6328
186.5665
-245.7924

Std. Err.
.0175089
.0266645
46.45639
23.98633
31.50681
35.81112

Number of obs
F( 5,
74)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|

6.17
12.98
3.48
14.16
5.92
-6.86

0.000
0.000
0.001
0.000
0.000
0.000

=
=
=
=
=
=

80
211.37
0.0000
0.9346
0.9301
75.289

[95% Conf. Interval]

.0730608
.2930315
69.00583
291.839
123.7879
-317.1476

.1428354
.3992918
254.1386
387.4266
249.3452
-174.4371

Obs: a varivel d1 foi deixada como referncia (evitar problema da multicolinearidade

perfeita). Caso sejam utilizadas as 4 dummies, o Stata dropar uma automaticamente.
ii) Caso em que coeficientes angulares so constantes, mas o intercepto varia ao longo
do tempo (uma dummy para cada ano), isto :
20

Yit = 1 + 2 X 2it + 3 X 3it + t anot + it

(5)

t =1

. tabulate ano, gen (ano)

. reg

ano

Freq.

Percent

Cum.

1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954

4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4

5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00
5.00

5.00
10.00
15.00
20.00
25.00
30.00
35.00
40.00
45.00
50.00
55.00
60.00
65.00
70.00
75.00
80.00
85.00
90.00
95.00
100.00

Total

80

100.00

y x2 x3 ano1-ano19
Source

SS

df

MS

Model
Residual

4938658.06
1471488.98

21
58

235174.193
25370.4997

Total

6410147.04

79

81141.1018

Coef.

x2
x3
ano1
ano2
ano3
ano4
ano5
ano6
ano7
ano8
ano9
ano10
ano11
ano12
ano13
ano14
ano15
ano16
ano17
ano18
ano19
_cons

.1159174
.2696593
21.02495
-14.03424
-58.41449
-48.66584
-96.80262
-36.10807
21.16647
30.29937
-12.76907
-17.82782
-38.96994
26.90836
27.81252
26.05879
-28.65514
-20.3938
.9819593
21.96068
39.43192
-56.33982

Std. Err.
.01817
.0833411
129.7675
133.1953
135.1823
126.5326
128.0009
129.116
127.7266
124.1757
124.8506
125.6498
126.769
125.7493
119.3515
117.3271
116.2965
115.8973
116.2576
114.6821
113.441
99.75287

t
6.38
3.24
0.16
-0.11
-0.43
-0.38
-0.76
-0.28
0.17
0.24
-0.10
-0.14
-0.31
0.21
0.23
0.22
-0.25
-0.18
0.01
0.19
0.35
-0.56

Number of obs
F( 21,
58)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.002
0.872
0.916
0.667
0.702
0.453
0.781
0.869
0.808
0.919
0.888
0.760
0.831
0.817
0.825
0.806
0.861
0.993
0.849
0.729
0.574

=
=
=
=
=
=

80
9.27
0.0000
0.7704
0.6873
159.28

[95% Conf. Interval]

.0795462
.1028339
-238.7329
-280.6535
-329.0113
-301.9483
-353.0243
-294.5618
-234.5062
-218.2653
-262.6847
-269.3431
-292.7257
-224.8062
-211.0954
-208.7969
-261.4479
-252.3874
-231.733
-207.6005
-187.6448
-256.0169

.1522886
.4364847
280.7828
252.5851
212.1823
204.6167
159.4191
222.3457
276.8391
278.864
237.1466
233.6875
214.7858
278.623
266.7204
260.9145
204.1376
211.5998
233.6969
251.5219
266.5087
143.3373

ii) Caso em que coeficientes angulares so constantes, mas o intercepto varia com os
indivduos e com o tempo (uma dummy para cada empresa e para cada ano).
. reg

y x2 x3 d2-d4 ano1-ano19
SS

Source

df

MS

Model
Residual

6082748.11
327398.928

24
55

253447.838
5952.70778

Total

6410147.04

79

81141.1018

Coef.

x2
x3
d2
d3
d4
ano1
ano2
ano3
ano4
ano5
ano6
ano7
ano8
ano9
ano10
ano11
ano12
ano13
ano14
ano15
ano16
ano17
ano18
ano19
_cons

.129307
.3672492
105.2457
341.1008
220.324
134.3636
87.3297
29.58592
48.12215
-7.886558
51.85022
107.7241
118.3592
71.99879
68.47821
44.28525
104.1942
100.1916
92.30316
31.20783
35.80472
47.8422
57.96435
54.01372
-359.5819

Std. Err.
.0274237
.0416591
67.68668
24.8116
41.16781
72.00957
66.46131
66.10801
66.82507
63.9173
63.78342
63.45228
64.92635
63.47345
63.65855
62.83216
61.82815
62.87224
63.16828
62.10854
61.1856
57.53413
56.39349
54.99911
82.63602

t
4.72
8.82
1.55
13.75
5.35
1.87
1.31
0.45
0.72
-0.12
0.81
1.70
1.82
1.13
1.08
0.70
1.69
1.59
1.46
0.50
0.59
0.83
1.03
0.98
-4.35

Number of obs
F( 24,
55)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
0.126
0.000
0.000
0.067
0.194
0.656
0.474
0.902
0.420
0.095
0.074
0.262
0.287
0.484
0.098
0.117
0.150
0.617
0.561
0.409
0.309
0.330
0.000

=
=
=
=
=
=

80
42.58
0.0000
0.9489
0.9266
77.154

[95% Conf. Interval]

.0743487
.2837625
-30.40141
291.3773
137.8219
-9.946798
-45.86174
-102.8975
-85.79829
-135.9797
-75.9746
-19.43706
-11.75613
-55.20486
-59.09638
-81.63321
-19.71216
-25.80715
-34.2889
-93.26046
-86.81396
-67.45878
-55.05073
-56.20695
-525.1882

.1842653
.450736
240.8929
390.8244
302.8262
278.674
220.5211
162.0693
182.0426
120.2066
179.6751
234.8854
248.4745
199.2024
196.0528
170.2037
228.1006
226.1904
218.8952
155.6761
158.4234
163.1432
170.9794
164.2344
-193.9756

Outras opes de modelos seria considerar que todos os coeficientes variam

entre os indivduos, isto , utilizar dummies de inclinao. Todavia, deve-se ter cautela
quanto ao uso de dummies, uma vez que um grande nmero delas reduz os graus de
liberdade, alm de aumentar a possibilidade de multicolinearidade.
Quanto escolha entre o modelo da equao pool e cada uma das especificaes
apresentadas anteriormente, utiliza-se o teste F restrito.
5) Modelo de efeitos fixos
. xtreg y x2 x3, fe
Fixed-effects (within) regression
Group variable: id

Number of obs
Number of groups

=
=

80
4

R-sq:

Obs per group: min =

avg =
max =

20
20.0
20

within = 0.8068
between = 0.7304
overall = 0.7554

corr(u_i, Xb)

F(2,74)
Prob > F

= -0.1001

Coef.

x2
x3
_cons

.1079481
.3461617
-73.84946

sigma_u
sigma_e
rho

139.05116
75.288894
.77329633

F test that all u_i=0:

Std. Err.
.0175089
.0266645
37.52291

t
6.17
12.98
-1.97

P>|t|
0.000
0.000
0.053

=
=

154.53
0.0000

[95% Conf. Interval]

.0730608
.2930315
-148.6155

.1428354
.3992918
.9165759

(fraction of variance due to u_i)

F(3, 74) =

67.11

Prob > F = 0.0000

Os diferentes valores de R 2 indicam como o modelo se ajusta dentro das

2
2
2
unidades ( Rwithin
), entre unidades ( Rbetween
) e no geral ( Roverall
). O termo sigma _ u o
erro padro de i e sigma _ e o erro padro de it ( sigma _ e ). A expresso rho

 2
uma estimativa da relao Corr ( it is ) = 2
, ou seja, a razo da varincia de i
+ 2
para a varincia do erro composto. O teste F na ltima linha o teste utilizado para
verificar se o modelo pool mais adequado que o modelo de efeitos fixos (Ho: modelo
pool prefervel ao modelo de efeitos fixos).
Efeitos fixos para unidades:
. predict fe_id, u
. list fe_id
fe_id

1.
2.
3.
4.
5.

-171.9429
-171.9429
-171.9429
-171.9429
-171.9429

41.
42.
43.
44.
45.

167.6899
167.6899
167.6899
167.6899
167.6899

6.
7.
8.
9.
10.

-171.9429
-171.9429
-171.9429
-171.9429
-171.9429

46.
47.
48.
49.
50.

167.6899
167.6899
167.6899
167.6899
167.6899

11.
12.
13.
14.
15.

-171.9429
-171.9429
-171.9429
-171.9429
-171.9429

51.
52.
53.
54.
55.

167.6899
167.6899
167.6899
167.6899
167.6899

16.
17.
18.
19.
20.

-171.9429
-171.9429
-171.9429
-171.9429
-171.9429

56.
57.
58.
59.
60.

167.6899
167.6899
167.6899
167.6899
167.6899

21.
22.
23.
24.
25.

-10.37068
-10.37068
-10.37068
-10.37068
-10.37068

61.
62.
63.
64.
65.

14.62365
14.62365
14.62365
14.62365
14.62365

26.
27.
28.
29.
30.

-10.37068
-10.37068
-10.37068
-10.37068
-10.37068

66.
67.
68.
69.
70.

14.62365
14.62365
14.62365
14.62365
14.62365

31.
32.
33.
34.
35.

-10.37068
-10.37068
-10.37068
-10.37068
-10.37068

71.
72.
73.
74.
75.

14.62365
14.62365
14.62365
14.62365
14.62365

36.
37.
38.
39.
40.

-10.37068
-10.37068
-10.37068
-10.37068
-10.37068

76.
77.
78.
79.
80.

14.62365
14.62365
14.62365
14.62365
14.62365

Efeitos fixos para tempo:

Para que o Stata reconhea que ele deve calcular o efeito fixo na varivel de
tempo, deve-se setar: iis para a varivel de tempo e tis para a varivel cross-section. Ou
seja:

. tis id
. iis ano
. qui xtreg y x2 x3, fe
. predict ano_fe, u
. list ano_fe
ano_fe
1.
2.
3.
4.
5.

28.87476
-6.184439
-50.56469
-40.81604
-88.95282

6.
7.
8.
9.
10.

-28.25827
29.01627
38.14917
-4.919267
-9.978021

11.
12.
13.
14.
15.

-31.12014
34.75816
35.66232
33.90859
-20.80534

16.
17.
18.
19.
20.

-12.544
8.831759
29.81048
47.28172
7.849801

21.
22.
23.
24.
25.

28.87476
-6.184439
-50.56469
-40.81604
-88.95282

26.
27.
28.
29.
30.

-28.25827
29.01627
38.14917
-4.919267
-9.978021

31.
32.
33.
34.
35.

-31.12014
34.75816
35.66232
33.90859
-20.80534

36.
37.
38.
39.
40.

-12.544
8.831759
29.81048
47.28172
7.849801

41.
42.
43.
44.
45.

28.87476
-6.184439
-50.56469
-40.81604
-88.95282

46.
47.
48.
49.
50.

-28.25827
29.01627
38.14917
-4.919267
-9.978021

51.
52.
53.
54.
55.

-31.12014
34.75816
35.66232
33.90859
-20.80534

56.
57.
58.
59.
60.

-12.544
8.831759
29.81048
47.28172
7.849801

61.
62.
63.
64.
65.

28.87476
-6.184439
-50.56469
-40.81604
-88.95282

66.
67.
68.
69.
70.

-28.25827
29.01627
38.14917
-4.919267
-9.978021

71.
72.
73.
74.
75.

-31.12014
34.75816
35.66232
33.90859
-20.80534

76.
77.
78.
79.
80.

-12.544
8.831759
29.81048
47.28172
7.849801

6) Modelo de efeitos aleatrios

. tis ano
. iis id
. xtreg y x2 x3, re
Random-effects GLS regression
Group variable: id

Number of obs
Number of groups

=
=

80
4

R-sq:

Obs per group: min =

avg =
max =

20
20.0
20

within = 0.8068
between = 0.7303
overall = 0.7554

Random effects u_i ~ Gaussian

corr(u_i, X)
= 0 (assumed)
Std. Err.

Wald chi2(2)
Prob > chi2

Coef.

x2
x3
_cons

.1076555
.3457104
-73.03529

.0168169
.0265451
83.94957

sigma_u
sigma_e
rho

152.15823
75.288894
.80332024

(fraction of variance due to u_i)

6.40
13.02
-0.87

P>|z|
0.000
0.000
0.384

=
=

317.79
0.0000

[95% Conf. Interval]

.0746949
.2936829
-237.5734

.140616
.3977378
91.50284

7) Escolha entre pool, efeitos fixos e efeitos aleatrios

Para realizar a escolha entre os modelos, utilizam-se os seguintes testes:
MODELO POOL
TESTE DE CHOW
MODELO DE EFEITOS FIXOS

TESTE LM DE
BREUSH-PAGAN

TESTE DE HAUSMAN
MODELO DE EFEITOS ALEATRIOS

i) Teste de Chow
H0: modelo restrito (pooled)
H1: modelo irrestrito (efeitos fixos)
A estatstica do teste F da linha inferior da estimativa de efeitos fixos, bem como
seu respectivo p-valor indica que o modelo de efeitos fixos melhor que o pool.
. xtreg y x2 x3, fe
Fixed-effects (within) regression
Group variable: id

Number of obs
Number of groups

=
=

80
4

R-sq:

Obs per group: min =

avg =
max =

20
20.0
20

within = 0.8068
between = 0.7304
overall = 0.7554

corr(u_i, Xb)

F(2,74)
Prob > F

= -0.1001

Coef.

x2
x3
_cons

.1079481
.3461617
-73.84946

sigma_u
sigma_e
rho

139.05116
75.288894
.77329633

F test that all u_i=0:

Std. Err.
.0175089
.0266645
37.52291

P>|t|

6.17
12.98
-1.97

0.000
0.000
0.053

=
=

154.53
0.0000

[95% Conf. Interval]

.0730608
.2930315
-148.6155

.1428354
.3992918
.9165759

(fraction of variance due to u_i)

F(3, 74) =

67.11

Prob > F = 0.0000

ii) Teste de Hausman

H0: modelo de efeitos aleatrios
H1: modelo de efeitos fixos
. qui xtreg y x2 x3, fe
. estimates store fe
. qui xtreg y x2 x3, re
. estimates store re
. hausman fe re
Coefficients
(b)
(B)
fe
re
.1079481
.3461617

x2
x3

.1076555
.3457104

(b-B)
Difference
.0002926
.0004513

sqrt(diag(V_b-V_B))
S.E.
.0048738
.0025204

b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test:

Ho:

difference in coefficients not systematic

chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)
=
0.07
Prob>chi2 =
0.9678

Pela estatstica do teste de hausman, tem-se que o modelo de efeitos aleatrios

melhor que o de efeitos fixos.

iii) Teste LM de Breusch-Pagan

H0: modelo pooled
H1: modelo de efeitos aleatrios
. qui xtreg y x2 x3, re
. xttest0
Breusch and Pagan Lagrangian multiplier test for random effects
y[id,t] = Xb + u[id] + e[id,t]
Estimated results:
Var

Test:

sd = sqrt(Var)

81141.1
5668.418
23152.13

y
e
u

284.8528
75.28889
152.1582

Var(u) = 0
chi2(1) =
Prob > chi2 =

379.08
0.0000

O resultado do teste indica que efeitos aleatrios so preferveis ao modelo pool.

8) Deteco de autocorrelao e heterocedasticidade em painel
i) autocorrelao (teste de Wooldridge)
Instalao: findit xtserial, clicar em st0039 e depois click here to install
. xtserial

y x2 x3, output

Linear regression

Number of obs =
F( 2,
3) =
Prob > F
=
R-squared
=
Root MSE
=

76
45.61
0.0057
0.4578
65.499

(Std. Err. adjusted for 4 clusters in id)

D.y
x2
D1.
x3
D1.

Coef.

Robust
Std. Err.

P>|t|

[95% Conf. Interval]

.0901393

.0168937

5.34

0.013

.0363761

.1439025

.3229579

.1240902

2.60

0.080

-.0719524

.7178683

Wooldridge test for autocorrelation in panel data

H0: no first-order autocorrelation
F( 1,
3) =
1300.479
Prob > F =
0.0000

Rejeita-se a hiptese nula de ausncia de autocorrelao.

ii) Teste de Wald para heterocedasticidade em grupo (efeitos fixos)

Instalao: findit xttest3, clicar em st0004 e depois click here to install

. qui xtreg y x2 x3, fe
. xttest3
Modified Wald test for groupwise heteroskedasticity
in fixed effect regression model
H0: sigma(i)^2 = sigma^2 for all i
chi2 (4) =
Prob>chi2 =

240.33
0.0000

Rejeita-se a hiptese nula de ausncia de heterocedasticidade.

A correo desses problemas pode ser feita por estimaes considerando erros
padro robustos ou por bootstrap.