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

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

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. cada intersección en sí no varía con el tiempo. Se pueden minimizar el sesgo pudiera resultar si se agregan individuos o empresas en amplios conjuntos añadidos. .6. es invariante respecto al tiempo. es decir. 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).

Es una variable no observable o latente Donde es la serie de tiempo combinada y el componente de error transversal.1) En vez de considerar a como fija. el valor de la intersección para una empresa individual se expresa como: (16.4. . 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. y las regresoras X. sin subíndice i).2): (16. 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 . se supone que es una variable aleatoria con medio igual a (en este caso.2) Donde es un término de error aleatorio con un valor medio igual a cero y una varianza de . Donde es la sección transversal o el componente del error especifico individual.4. o específico para la unidad transversal.3.El Método de Efectos Aleatorios La idea básica es comenzar con (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. en cuyo caso las inferencias estadísticas estarán condicionadas a las de la muestra. la conclusión es que el MCE no resulta adecuado y que convendría más emplear el MEF. Hausman la desarrolló en 1978. donde es el componente aleatorio transversal. . en tanto que en MEF se considera a como fijo y no aleatorio. en tanto que los obtenidos a partir del MEF son insesgados. entonces el MCE es adecuado. En ese caso el MEF es apropiado. las cuales pueden resultar de utilidad: 1. Bajo esta perspectiva. Recuérdese que en MCE. se considera que las unidades transversales de la muestra se extrajeron de modo aleatorio. El estadístico de prueba desarrollado por Hausman presenta una distribución asintótica . En el último caso. y si las suposiciones subyacentes en el MCE siguen siendo válidas. entonces el Método de Efectos Fijos (MEF) puede ser adecuado. ya que aquí la inferencia estadística es incondicional. ¿Existe una prueba formal que ayude a elegir entre el MEF y el MCE? Si. o transversales. entonces los estimadores MCE están sesgados. 4. Cuando N es grande y T pequeño. pero si y las X están correlacionadas. entonces es probable que haya muy poca diferencia entre los valores de los parámetros estimados mediante el MEF y el MCE. entonces los estimadores MCE son más eficientes que los estimadores MEF. Si el componente de error individual y una o más de las regresoras están correlacionados. en este caso la elección se basa en la conveniencia de cálculo. las estimaciones obtenidas mediante los dos métodos pueden variar de manera significativa. Si se rechaza la hipótesis nula. Lo anterior resulta adecuado si se tiene una firme creencia en que las unidades individuales.. en la muestra no se extrajeron de manera aleatoria de una muestra mayor. Por tanto. Sin embargo. el Método de Componentes de Error (MCE) puede resultar apropiado. 2.Si se supone que y las X no están correlacionadas. Si N es grande y T es pequeña. No se examinarán los detalles de esta prueba ya que están más allá del alcance de este libro. parece que MEF es preferible. . Si se tiene en cuenta esa diferencia fundamental en los dos métodos. la inferencia estadística es condicional respecto a las unidades transversales observadas en la muestra. La hipótesis nula subyacente en la prueba de Hausman es que los estimadores MEF y MCE no difieren sustancialmente. Si T (el número de datos de series de tiempo) es grande y N (el número de unidades transversales) es pequeño. ¿qué más se puede decir respecto a la elección entre el MEF y MCE? Las observaciones hechas por Judge et al.

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

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