ESCUELA MILITAR DE INGENIERIA MCAL.

ANTONIO JOS 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 regresin con Datos en Panel Lic. Vidal Aparicio

Santa Cruz,

11 / 10 / 2011

CAPITULO 16 MODELOS DE REGRESIN EN DATOS DE PANEL CONCEPTO Los datos de panel combinan series temporales con unidades de seccin cruzada o de corte transversal (pases, regiones, empresas, hogares, etc.) durante varios perodos de tiempo. Se presentan en la dimensin de espacio y la del tiempo. Existen otros nombres para los datos en panel, como: Datos agrupados (agrupamiento de observaciones de series de tiempo y transversales); Combinacin de datos en series de tiempo y transversales; Datos en micropanel; Datos longitudinales (un estudio a lo largo del tiempo de una variable de una variable o grupo de temas); Anlisis de historia de sucesos (por ejemplo, el examen del movimiento de sujetos a lo largo del tiempo y a travs de sucesivos estados o condiciones); Anlisis de compaeros (es decir, dar seguimiento a la trayectoria profesional de los egresados en una escuela de un ao determinado).

Los datos en panel ahora se utilizan cada vez ms en la investigacin econmica. Algunos conjuntos de datos en panel bien conocidos son: 1. El estudio de panel de la dinmica de ingreso (EPDI) llevando a cabo por el Instituto de Investigacin Social de la Universidad de Michigan. 2. El Estudio del ingreso y participacin del programa(EIPP). VENTAJAS DE LOS DATOS EN PANEL RESPECTO A LOS DATOS TRANSVERSALES O DE SERIES DE TIEMPO 1. Puesto que los datos relacionan individuos, empresas, estados, pases, etc a lo largo del tiempo, no existe lmite alguno para heterogeneidad en estas unidades, al permitir la existencia de variables especficas individuales. 2. Al combinar las series de tiempo de las observaciones transversales, los datos en panel proporcionan una mayor cantidad de datos informativos. 3. Los datos en panel resultan ms adecuados para estudiar la dinmica del cambio. 4. 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. Los datos de panel permiten estudiar modelos de comportamiento ms complejos.

6. Se pueden minimizar el sesgo pudiera resultar si se agregan individuos o empresas en amplios conjuntos aadidos. En resumen se enriquece el anlisis emprico de maneras que no seran posibles si solo se utilizaran los datos transversales o de series de tiempo. ESTIMACIN DE LOS MODELOS DE REGRESIN CON DATOS EN PANEL: El mtodo de efectos fijos

I = identificador transversal T = Identificador de tiempo El trmino efectos fsicos se debe al hecho de que a pesar de que la interseccin pueda variar para cada individuo (en este caso para cada empresa), cada interseccin en s no vara con el tiempo; es decir, es invariante respecto al tiempo.

El Mtodo de Efectos Aleatorios La idea bsica es comenzar con (16.3.2): (16.4.1) En vez de considerar a como fija, se supone que es una variable aleatoria con medio igual a (en este caso, sin subndice i). Adems, el valor de la interseccin para una empresa individual se expresa como: (16.4.2) Donde es un trmino de error aleatorio con un valor medio igual a cero y una varianza de . Lo que en esencia se est diciendo es que las cuatro empresas incluidas en la muestra se tomaron de un universo mucho ms grande de ese tipo de compaas que tienen una media comn para la interseccin y que las diferencias individuales en los valores de la interseccin de cada empresa se reflejan en el trmino de error .

Donde es la seccin transversal o el componente del error especifico individual. Es una variable no observable o latente Donde es la serie de tiempo combinada y el componente de error transversal.

Es decir que significa que los componentes de error individuales no estn correlacionados entre s y no estn 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: Cul modelo es mejor, el Mtodo de Efectos Fijos (MEF) o el Mtodo de Componentes de Error (MCE)? La respuesta a esta pregunta gira en torno a la suposicin que se hace respecto a la probable correlacin entre el componente de error individual, o especfico para la unidad transversal, , y las regresoras X.

Si se supone que y las X no estn correlacionadas, el Mtodo de Componentes de Error (MCE) puede resultar apropiado; pero si y las X estn correlacionadas, entonces el Mtodo de Efectos Fijos (MEF) puede ser adecuado. Si se tiene en cuenta esa diferencia fundamental en los dos mtodos, qu ms se puede decir respecto a la eleccin entre el MEF y MCE? Las observaciones hechas por Judge et al., las cuales pueden resultar de utilidad: 1. Si T (el nmero de datos de series de tiempo) es grande y N (el nmero de unidades transversales) es pequeo, entonces es probable que haya muy poca diferencia entre los valores de los parmetros estimados mediante el MEF y el MCE. Por tanto, en este caso la eleccin se basa en la conveniencia de clculo. Bajo esta perspectiva, parece que MEF es preferible. 2. Cuando N es grande y T pequeo, las estimaciones obtenidas mediante los dos mtodos pueden variar de manera significativa. Recurdese que en MCE, , donde es el componente aleatorio transversal, en tanto que en MEF se considera a como fijo y no aleatorio. En el ltimo caso, la inferencia estadstica es condicional respecto a las unidades transversales observadas en la muestra. Lo anterior resulta adecuado si se tiene una firme creencia en que las unidades individuales, o transversales, en la muestra no se extrajeron de manera aleatoria de una muestra mayor. En ese caso el MEF es apropiado. Sin embargo, se considera que las unidades transversales de la muestra se extrajeron de modo aleatorio, entonces el MCE es adecuado, ya que aqu la inferencia estadstica es incondicional. 3. Si el componente de error individual y una o ms de las regresoras estn correlacionados, entonces los estimadores MCE estn sesgados, en tanto que los obtenidos a partir del MEF son insesgados. 4. Si N es grande y T es pequea, y si las suposiciones subyacentes en el MCE siguen siendo vlidas, entonces los estimadores MCE son ms eficientes que los estimadores MEF. Existe una prueba formal que ayude a elegir entre el MEF y el MCE? Si, Hausman la desarroll en 1978. No se examinarn los detalles de esta prueba ya que estn ms all del alcance de este libro. La hiptesis nula subyacente en la prueba de Hausman es que los estimadores MEF y MCE no difieren sustancialmente. El estadstico de prueba desarrollado por Hausman presenta una distribucin asinttica . Si se rechaza la hiptesis nula, la conclusin es que el MCE no resulta adecuado y que convendra ms emplear el MEF, en cuyo caso las inferencias estadsticas estarn condicionadas a las de la muestra.

Independientemente de la prueba de Hausman, es importante tener en cuenta la advertencia hecha por Jonhston y DiNardo. Al tener que decidir entre el modelo de efectos fijos y el de efectos aleatorios, 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 medicin y la seleccin dinmica. Sin embargo, aunque representan una mejora respecto a los datos transversales, los datos en panel no son una cura milagrosa para todas las aflicciones de los econometristas. RESUMEN Y CONCLUSIONES 1. Los modelos de regresin de panel se basan en los datos de panel, los cuales consisten en observaciones sobre las mismas unidades transversales, o individuales, a lo largo de varios intervalos de tiempo. 2. Existen diversas ventajas en la utilizacin de los datos de panel. Primera, incrementan de modo considerable el tamao de muestra. Segunda, al estudiar observaciones transversales repetidas, los datos en panel resultan ms adecuados para estudiar las dinmicas de cambio. Tercera, los datos en panel permiten estudiar modelos de comportamientos ms complejos. 3. Hay varias tcnicas de estimacin para abordar uno o ms de tales problemas. Los dos ms importantes son: 1) El modelo de efectos fijos (MEF) y 2) El modelo de efectos aleatorios (MEA) o tambin llamado Modelo de Componentes de Error (MCE). 4. En el Modelo de Efectos Fijos (MEF) se permite que la interseccin en el modelo de regresin difiera entre individuos, a manera de reconocimiento del hecho de que cada unidad individual, o transversal, pueda tener algunas caractersticas especiales por s mismas. A fin de tomar en cuenta las distintas intersecciones, se pueden utilizar variables dictomas. El Modelo de Efectos Fijos (MEF) que utiliza esas variables se conoce como modelo de mnimos cuadrados con variable dictoma (MCVD). El Modelo de Efectos Fijos (MEF) resulta apropiado en situaciones donde la interseccin especfica individual podra estar correlacionada con una o ms regresoras. Una desventaja del modelo MCVD es que consume muchos grados de libertad cuando el nmero de unidades transversales, N, es muy grande, en cuyo caso se tendrn que introducir N variables dictomas (pero habr que suprimir el trmino de interseccin comn). 5. En el Modelo de Efectos Fijos (MEF) se permite que la interseccin en el modelo de regresin difiera entre individuos, a manera de reconocimiento del hecho de que cada unidad individual, o transversal, pueda tener algunas caractersticas especiales por s mismas. A fin de tomar en cuenta las distintas intersecciones, se pueden utilizar variables dictomas. El Modelo

de Efectos Fijos (MEF) que utiliza esas variables se conoce como modelo de mnimos cuadrados con variable dictoma (MCVD). El Modelo de Efectos Fijos (MEF) resulta apropiado en situaciones donde la interseccin especfica individual podra estar correlacionada con una o ms regresoras. Una desventaja del modelo MCVD es que consume muchos grados de libertad cuando el nmero de unidades transversales, N, es muy grande, en cuyo caso se tendrn que introducir N variables dictomas (pero habr que suprimir el trmino de interseccin comn). 6. Una alternativa al Mtodo de Efectos Fijos (MEF) es el Mtodo de Componentes de Error (MCE), tambin conocido como Modelo de Efectos Aleatorios (MEA). En este ltimo, se supone que la interseccin de la unidad individual se extrae de manera aleatoria de una poblacin mucho ms grande que tiene un valor medio constante. As pues, la interseccin individual se expresa como una desviacin respecto a este valor medio constante. Una ventaja del Mtodo de Componentes de Error (MCE) respecto al Mtodo de Efectos Fijos (MEF) consiste en la economa de los grados de libertad, en vista de que no se tiene que calcular N intersecciones transversales. Slo se requiere estimar el valor medio de la interseccin y su varianza. El Mtodo de Componentes de Error (MCE) es adecuado para situaciones en las que la interseccin (aleatoria) de cada unidad transversal no est correlacionada con las regresoras. 7. La prueba de Hausman se emplea para decidir entre el Mtodo de Efectos Fijos (MEF) y el Mtodo de Componentes de Error (MCE).