ESCUELA MILITAR DE INGENIERIA “MCAL.

ANTONIO JOSÉ DE SUCRE” BOLIVIA

INTEGRANTES: Aguilera Sthefanny Aquino Diego A. Murillo Andrea Vargas Rodrigo S2387-6 S2248-9 S2028-1 A10133-8

CARRERA:

Ing. Comercial

SEMESTRE:

6to SEMESTRE

TEMA: DOCENTE:

Modelos de regresión con Datos en Panel Lic. Vidal Aparicio

Santa Cruz,

11 / 10 / 2011

Los datos de panel permiten estudiar modelos de comportamiento más complejos. estados. Existen otros nombres para los datos en panel. hogares. Puesto que los datos relacionan individuos. El estudio de panel de la dinámica de ingreso (EPDI) llevando a cabo por el Instituto de Investigación Social de la Universidad de Michigan. empresas.) durante varios períodos de tiempo. etc. Los datos de panel pueden detectar y medir mejor los efectos que sencillamente no pueden ni si quiera observarse en datos puramente transversales o series de tiempo. 5. 2. como: Datos agrupados (agrupamiento de observaciones de series de tiempo y transversales). empresas. etc a lo largo del tiempo. Se presentan en la dimensión de espacio y la del tiempo. el examen del movimiento de sujetos a lo largo del tiempo y a través de sucesivos estados o condiciones). Análisis de historia de sucesos (por ejemplo. los datos en panel proporcionan una mayor cantidad de datos informativos. Datos en micropanel. . El Estudio del ingreso y participación del programa(EIPP). VENTAJAS DE LOS DATOS EN PANEL RESPECTO A LOS DATOS TRANSVERSALES O DE SERIES DE TIEMPO 1. dar seguimiento a la trayectoria profesional de los egresados en una escuela de un año determinado). 3. Los datos en panel resultan más adecuados para estudiar la dinámica del cambio. Combinación de datos en series de tiempo y transversales. 4. - Los datos en panel ahora se utilizan cada vez más en la investigación económica.CAPITULO 16 MODELOS DE REGRESIÓN EN DATOS DE PANEL CONCEPTO Los datos de panel combinan series temporales con unidades de sección cruzada o de corte transversal (países. 2. al permitir la existencia de variables específicas individuales. no existe límite alguno para heterogeneidad en estas unidades. Al combinar las series de tiempo de las observaciones transversales. regiones. Algunos conjuntos de datos en panel bien conocidos son: 1. Datos longitudinales (un estudio a lo largo del tiempo de una variable de una variable o grupo de temas). países. Análisis de compañeros (es decir.

es invariante respecto al tiempo. En resumen se enriquece el análisis empírico de maneras que no serían posibles si solo se utilizarían los datos transversales o de series de tiempo. es decir. Se pueden minimizar el sesgo pudiera resultar si se agregan individuos o empresas en amplios conjuntos añadidos.6. ESTIMACIÓN DE LOS MODELOS DE REGRESIÓN CON DATOS EN PANEL: El método de efectos fijos I = identificador transversal T = Identificador de tiempo El término “efectos físicos” se debe al hecho de que a pesar de que la intersección pueda variar para cada individuo (en este caso para cada empresa). cada intersección en sí no varía con el tiempo. .

El Método de Efectos Aleatorios La idea básica es comenzar con (16. el valor de la intersección para una empresa individual se expresa como: (16. o específico para la unidad transversal. se supone que es una variable aleatoria con medio igual a (en este caso. y las regresoras X. Es una variable no observable o latente Donde es la serie de tiempo combinada y el componente de error transversal. Donde es la sección transversal o el componente del error especifico individual.4.2): (16. Es decir que significa que los componentes de error individuales no están correlacionados entre sí y no están autocorrelacionadas en las unidades de series de tiempo ni en las transversales EL MODELO ALEATORIOS DE EFECTOS FIJOS Vs EL MODELO DE EFECTOS La disyuntiva que enfrenta un investigador es: ¿Cuál modelo es mejor.3.2) Donde es un término de error aleatorio con un valor medio igual a cero y una varianza de . Además. . el Método de Efectos Fijos (MEF) o el Método de Componentes de Error (MCE)? La respuesta a esta pregunta gira en torno a la suposición que se hace respecto a la probable correlación entre el componente de error individual. sin subíndice i).1) En vez de considerar a como fija.4. . Lo que en esencia se está diciendo es que las cuatro empresas incluidas en la muestra se tomaron de un universo mucho más grande de ese tipo de compañías que tienen una media común para la intersección y que las diferencias individuales en los valores de la intersección de cada empresa se reflejan en el término de error .

entonces los estimadores MCE están sesgados. entonces el MCE es adecuado. ¿qué más se puede decir respecto a la elección entre el MEF y MCE? Las observaciones hechas por Judge et al. No se examinarán los detalles de esta prueba ya que están más allá del alcance de este libro.. las cuales pueden resultar de utilidad: 1. pero si y las X están correlacionadas. parece que MEF es preferible. las estimaciones obtenidas mediante los dos métodos pueden variar de manera significativa. Si N es grande y T es pequeña. ya que aquí la inferencia estadística es incondicional. en tanto que los obtenidos a partir del MEF son insesgados. ¿Existe una prueba formal que ayude a elegir entre el MEF y el MCE? Si. Bajo esta perspectiva. En el último caso. en cuyo caso las inferencias estadísticas estarán condicionadas a las de la muestra. Lo anterior resulta adecuado si se tiene una firme creencia en que las unidades individuales. En ese caso el MEF es apropiado. . el Método de Componentes de Error (MCE) puede resultar apropiado. La hipótesis nula subyacente en la prueba de Hausman es que los estimadores MEF y MCE no difieren sustancialmente. o transversales. Si el componente de error individual y una o más de las regresoras están correlacionados. se considera que las unidades transversales de la muestra se extrajeron de modo aleatorio. 3. Si se tiene en cuenta esa diferencia fundamental en los dos métodos. en tanto que en MEF se considera a como fijo y no aleatorio. Si se rechaza la hipótesis nula. la conclusión es que el MCE no resulta adecuado y que convendría más emplear el MEF. entonces los estimadores MCE son más eficientes que los estimadores MEF. Hausman la desarrolló en 1978. la inferencia estadística es condicional respecto a las unidades transversales observadas en la muestra. Por tanto. entonces es probable que haya muy poca diferencia entre los valores de los parámetros estimados mediante el MEF y el MCE. entonces el Método de Efectos Fijos (MEF) puede ser adecuado. Cuando N es grande y T pequeño. en la muestra no se extrajeron de manera aleatoria de una muestra mayor.Si se supone que y las X no están correlacionadas. Sin embargo. y si las suposiciones subyacentes en el MCE siguen siendo válidas. Si T (el número de datos de series de tiempo) es grande y N (el número de unidades transversales) es pequeño. El estadístico de prueba desarrollado por Hausman presenta una distribución asintótica . 2. en este caso la elección se basa en la conveniencia de cálculo. donde es el componente aleatorio transversal. . Recuérdese que en MCE. 4.

El Modelo de Efectos Fijos (MEF) resulta apropiado en situaciones donde la intersección específica individual podría estar correlacionada con una o más regresoras. a manera de reconocimiento del hecho de que cada unidad individual. los datos en panel no son una cura milagrosa para todas las aflicciones de los econometristas. es muy grande. a lo largo de varios intervalos de tiempo. El Modelo . los cuales consisten en observaciones sobre las mismas unidades transversales. o individuales. o transversal. es importante tener en cuenta la advertencia hecha por Jonhston y DiNardo. Sin embargo. Primera.” RESUMEN Y CONCLUSIONES 1. N. En el Modelo de Efectos Fijos (MEF) se permite que la intersección en el modelo de regresión difiera entre individuos. 5. Los dos más importantes son: 1) El modelo de efectos fijos (MEF) y 2) El modelo de efectos aleatorios (MEA) o también llamado Modelo de Componentes de Error (MCE). los datos en panel resultan más adecuados para estudiar las dinámicas de cambio. o transversal. En el Modelo de Efectos Fijos (MEF) se permite que la intersección en el modelo de regresión difiera entre individuos.Independientemente de la prueba de Hausman. 3. a manera de reconocimiento del hecho de que cada unidad individual. se pueden utilizar variables dicótomas. incrementan de modo considerable el tamaño de muestra. 4. Una desventaja del modelo MCVD es que consume muchos grados de libertad cuando el número de unidades transversales. Hay varias técnicas de estimación para abordar uno o más de tales problemas. pueda tener algunas características especiales por sí mismas. Al tener que decidir entre el modelo de efectos fijos y el de efectos aleatorios. El Modelo de Efectos Fijos (MEF) que utiliza esas variables se conoce como modelo de mínimos cuadrados con variable dicótoma (MCVD). argumentan que “…no hay una prueba sencilla que ayude al investigador a navegar entre el Escila de los efectos y el Caribdis del error de medición y la selección dinámica. Los modelos de regresión de panel se basan en los datos de panel. Existen diversas ventajas en la utilización de los datos de panel. 2. Tercera. Segunda. A fin de tomar en cuenta las distintas intersecciones. A fin de tomar en cuenta las distintas intersecciones. aunque representan una mejora respecto a los datos transversales. al estudiar observaciones transversales repetidas. en cuyo caso se tendrán que introducir N variables dicótomas (pero habrá que suprimir el término de intersección común). se pueden utilizar variables dicótomas. pueda tener algunas características especiales por sí mismas. los datos en panel permiten estudiar modelos de comportamientos más complejos.

Una desventaja del modelo MCVD es que consume muchos grados de libertad cuando el número de unidades transversales. En este último. 6. El Modelo de Efectos Fijos (MEF) resulta apropiado en situaciones donde la intersección específica individual podría estar correlacionada con una o más regresoras. La prueba de Hausman se emplea para decidir entre el Método de Efectos Fijos (MEF) y el Método de Componentes de Error (MCE). en vista de que no se tiene que calcular N intersecciones transversales. es muy grande. Una alternativa al Método de Efectos Fijos (MEF) es el Método de Componentes de Error (MCE). Una ventaja del Método de Componentes de Error (MCE) respecto al Método de Efectos Fijos (MEF) consiste en la economía de los grados de libertad. Sólo se requiere estimar el valor medio de la intersección y su varianza. N. El Método de Componentes de Error (MCE) es adecuado para situaciones en las que la intersección (aleatoria) de cada unidad transversal no está correlacionada con las regresoras. también conocido como Modelo de Efectos Aleatorios (MEA). 7.de Efectos Fijos (MEF) que utiliza esas variables se conoce como modelo de mínimos cuadrados con variable dicótoma (MCVD). se supone que la intersección de la unidad individual se extrae de manera aleatoria de una población mucho más grande que tiene un valor medio constante. la intersección individual se expresa como una desviación respecto a este valor medio constante. . en cuyo caso se tendrán que introducir N variables dicótomas (pero habrá que suprimir el término de intersección común). Así pues.

Sign up to vote on this title
UsefulNot useful