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

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

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. 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. es invariante respecto al tiempo. 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 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. y las regresoras X. sin subíndice i). el valor de la intersección para una empresa individual se expresa como: (16. se supone que es una variable aleatoria con medio igual a (en este caso.3. 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.El Método de Efectos Aleatorios La idea básica es comenzar con (16. Es una variable no observable o latente Donde es la serie de tiempo combinada y el componente de error transversal. Además.2) Donde es un término de error aleatorio con un valor medio igual a cero y una varianza de .1) En vez de considerar a como fija. 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 .2): (16. .4. o específico para la unidad transversal. Donde es la sección transversal o el componente del error especifico individual. .4.

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

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

N.de Efectos Fijos (MEF) que utiliza esas variables se conoce como modelo de mínimos cuadrados con variable dicótoma (MCVD). Así pues. Sólo se requiere estimar el valor medio de la intersección y su varianza. también conocido como Modelo de Efectos Aleatorios (MEA). . en vista de que no se tiene que calcular N intersecciones transversales. la intersección individual se expresa como una desviación respecto a este 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. 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. 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. es muy grande. en cuyo caso se tendrán que introducir N variables dicótomas (pero habrá que suprimir el término de intersección común). En este último. 7. 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. La prueba de Hausman se emplea para decidir entre el Método de Efectos Fijos (MEF) y el Método de Componentes de Error (MCE). Una alternativa al Método de Efectos Fijos (MEF) es el Método de Componentes de Error (MCE). 6.

Sign up to vote on this title
UsefulNot useful