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

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

. 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.6. 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. 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).

.4. o específico para la unidad transversal.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. .El Método de Efectos Aleatorios La idea básica es comenzar con (16. Además. el valor de la intersección para una empresa individual se expresa como: (16. y las regresoras X.2): (16.3. 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 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.4. 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. 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. sin subíndice i). Donde es la sección transversal o el componente del error especifico individual.

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

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

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

Sign up to vote on this title
UsefulNot useful