Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Muro.Doctorado00-
12
5. Modelos dinmicos de datos de panel (DPD).
Una de las mayores ventajas de los datos de panel es la de que, al disponer de observaciones de los
mismos agentes econmicos a lo largo del tiempo, es posible analizar los comportamientos
dinmicos de los agentes econmicos a travs de datos microeconmicos. El tratamiento de este
tipo de modelos es relativamente reciente en la literatura economtrica. Entre las referencias bsicas
se encuentran: Arellano y Bond(1991), Keane y Runkle(1992), Arellano y Bover(1993) y Ahn y
Schmidt(1993). En la exposicin se sigue sustancialmente el tratamiento que se da a este tema en
Baltagi(1995).
5.1 Introduccin.
Los modelos que vamos a considerar en lo que sigue son de tres tipos:
a) Un caso especial de (1.8) que se suele denominar modelo autorregresivo y que es el
modelo ms simple de datos de panel dinmico. En efecto, si colocamos como nico
regresor la variable endgena retardada un periodo queda
[1.9]
T. 1,2,.., = t N; 1,2,.., = i
, + + Y = Y
it
i t i it
) 1 (
b) Un modelo autorregresivo como en (1.9) pero con regresores exgenos o
predeterminados. En general, en los modelos con datos de panel, la condicin de
exogeneidad se determina por la incorrelacin entre la variable y el trmino de error,
mientras que las variables son predeterminadas cuando estn incorrelacionadas con los
trminos de error pretritos, pero no con los contemporneos y futuros. La especificacin
del modelo es en este caso
[1.10]
T. 1,2,.., = t N; 1,2,.., = i
, + X + Y =
Y it
i it t i it
+
) 1 (
c) El modelo de Hausman y Taylor(1981). En este clsico modelo se distingue entre los
regresores que varan a lo largo del tiempo y entre los individuos, Xit, y los regresores
invariantes a lo largo del tiempo pero que toman valores diferentes para cada individuo, Zi.
El carcter de los regresores no se especifica en este modelo. La expresin es
[1.11]
T. 1,2,.., = t N; 1,2,.., = i
, + Z X =
Y it i i it it
+ +
En esta introduccin, por mera simplicidad en la exposicin, nos referiremos siempre al modelo
(1.9).
El rasgo distintivo de (1.9), si lo comparamos con los modelos del planteamiento tradicional de
los datos de panel, es la correlacin entre el regresor retardado y el trmino de error del modelo, a
travs de la correlacin entre el regresor retardado y los efectos individuales. Las consecuencias
13
Muro.Doctorado00-
13
para las propiedades estadsticas de los estimadores utilizados hasta ahora son las siguientes:
1. El estimador por MCO de en (1.9) es sesgado e inconsistente, aunque las it no presenten
autocorrelacin (este ltimo comentario relativo a las propiedades del trmino de error es
oportuno para apreciar la diferencia entre los modelos dinmicos con datos de serie temporal y
los modelos dinmicos con datos de panel; recurdese que en presencia de datos
exclusivamente temporales el sesgo slo se introduce en los estimadores por MCO de la
ecuacin con la correlacin serial del trmino de error, ya que en el caso de dependencia parcial
los estimadores por MCO continan siendo consistentes). Trognon(1978) y Sevestre y
Trognon(1983, 1985) han estudiado la magnitud del sesgo del estimador por MCO en el caso
de modelos dinmicos del tipo de efectos aleatorios.
2. El estimador intragrupos del modelo, cuya expresin se encuentra antes en (1.3), es sesgado
y, en general, inconsistente. En efecto, la utilizacin del estimador intragrupos de en (1.9) es
lo mismo que aplicar MCO en la ecuacin
Donde las medias, como puede verse, son para cada agente econmico, es decir, internas al
grupo. Con estas diferencias, como ya vimos, desaparecen los efectos individuales. Sin
embargo, ya que el modelo es dinmico, el estimador intragrupos ser sesgado. Esto ocurre
porque
. ;
1
2
1
1
T T
Y
Y
i
it
i
T
it
it
Y la media de i contiene a t-1. El tamao del sesgo asinttico es en esta situacin una funcin
de 1/T, por lo que si disponemos, como es habitual, de una muestra con una dimensin
temporal reducida, aunque el tamao de la muestra en el corte transversal, N, sea muy grande,
el estimador intragrupos es inconsistente.
Nickell(1981) facilita la expresin del tamao del sesgo del estimador intragrupos en trminos
del tamao temporal de la muestra, T. La frmula es
.
1
1 1
1 ) , (
,
.
) 1 )( 1 (
) , ( 2
1
) 1 (
) , ( ) 1 (
) *
(
1
,
_
,
_
T
N
T
T h
Donde
T
T h
T
T h
plim
Ridder y Wansbeek(1G990) tambin estudian este problema y Beggs y Nerlove(1988)
investigan qu hacer en esta situacin.
Nickell(1981) tambin evala el tamao del sesgo para valores habituales de y T. La tabla
siguiente recoge sus resultados.
. ) (
1 1 i it it it i it
Y Y Y Y +
14
Muro.Doctorado00-
14
y y
y y
=
1 - it 2 - it
i t
it 2 - it
i t
Este estimador es consistente. Equivale a un estimador por V.I. del modelo (1.12), que utiliza el
incremento de yit-2 como instrumento del incremento de yit-1. Arellano(1989) estudia el problema del
estimador de Anderson y Hsiao y demuestra que es preferible utilizar como instrumentos la variable
retardada en niveles, yit-2.
Realizada esta pequea introduccin, estudiamos a continuacin las sugerencias ms
importantes de la literatura sobre modelos dinmicos de datos de panel. Como veremos los
enfoques se centran en los dos aspectos ms relevantes a considerar: la obtencin de estimadores
consistentes y el incremento de la eficiencia de los estimadores obtenidos. Ambos objetivos se
alcanzan mediante el recurso al incremento de los instrumentos utilizados en la estimacin
(sobreidentificacin) y a la explotacin de la forma de la matriz de varianzas y covarianzas del
problema considerado.
15
Muro.Doctorado00-
15
5.2 El enfoque de Arellano y Bond (1991).
Este enfoque es de los ms populares en el anlisis de los modelos dinmicos con datos de panel.
Los autores construyeron adems un programa para la estimacin de estos modelos, llamado DPD,
que ha sido un elemento adicional para su gran popularidad. En esencia, el artculo de Arellano y
Bond(1991), a partir de ahora AB(1991), est dedicado a descubrir cmo seleccionar instrumentos
de forma que la estimacin de un modelo dinmico no slo sea consistente sino con grandes
mejoras de eficiencia. Para ello utilizan las condiciones de ortogonalidad entre los valores
retardados de la variable del lado izquierdo y el trmino de error del modelo de panel.
Utilizaremos nuevamente el modelo en (1.9) por su simplicidad. Con N grande y T pequeo, si
tomamos primeras diferencias el modelo queda
[1.14] .
it 1 - it it
+ y = y
Donde, si las perturbaciones aleatorias se distribuyen iid, it N(0,
2
), el trmino de error es
un MA(1) no invertible, con una raiz unitaria.
Veamos que forma adopta el modelo anterior para cada observacin de la muestra. Para
t=3, la expresin es
. ) (
2 3 1 2 2 3 i i i i i i
+ y y = y y
Donde, por existir correlacin, para la obtencin de estimadores consistentes podemos utilizar
el mtodo de variables instrumentales. El instrumento a utilizar es yi1. Si hacemos lo mismo
para t=4, la frmula que se obtiene es
. ) (
3 4 2 3 3 4 i i i i i i
+ y y = y y
Por la misma razn anterior, el mtodo de estimacin apropiado es el de variables
instrumentales. Podemos utilizar como instrumentos yi1 e y i2. Finalmente, si reiteramos el
procedimiento, para la estimacin por variables instrumentales de la ecuacin en diferencias de la
observacin T podremos utilizar como instrumentos desde yi1 a y iT-2.
Hasta ahora, no hemos analizado la estructura del trmino de error en (1.14). Si calculamos su
matriz de varianzas y covarianzas tenemos
[ ] ). ( '
2
G I E
N i i
Donde, IN es la matriz identidad de orden N y G es
16
Muro.Doctorado00-
16
1
1
1
1
1
1
]
1
2 1 0 0 0
1 2 0 0 0
0 0 1 2 1
0 0 0 1 2
) 2 ( ) 2 (
L
L
O M M
L
L
T x T
G
Si volvemos a los instrumentos a utilizar, podemos definir la matriz de instrumentos como
.
) ( 0 0
0 ) ( 0
0 0
2 2 1
2 1
1
) 2 ( ) 2 (
1
1
1
1
1
1
]
1
T i i
i i
i
T x T
i
y y y
y y
y
W
L L L
O M M
O M M
L L
L L L
Finalmente, para todas las i, la matriz de instrumentos es
[ ]. ' , , ' , '
2 1 N
W W W W L
Las restricciones de ortogonalidad en (1.14) son
[ ] . 0 '
i i
W E
Este conjunto de restricciones se encuentra tambin en Holtz-Eakin(1988), Holtz-Eakin, Newey
y Rosen(1988) y Ahn y Schmidt(1993).
Si aplicamos el mtodo de variables instrumentales a la estimacin de (1.14) resulta
. ' ' '
1
+
W y W y W
Modelo que tiene una estructura de errores autocorrelacionada. Si aplicamos MCG obtenemos
[1.15] [ ] [ ]. ) ( ' ) ) ( ' ( )' ( ) ( ' ) ) ( ' ( )' (
1
1
1
1
1
1 1
y W W G I W W y y W W G I W W y
N N
N
i
i i N
GW W W G I W
1
. ' ) ( '
sustituida por
17
Muro.Doctorado00-
17
N
i
i i i i N
W W V
1
. )' )( ( '
Esta expresin puede estimarse sin ms que sustituir en la expresin anterior i por la
diferencia de los residuos del modelo cuando se estima mediante el estimador en (1.15).
El estimador en dos etapas por el mtodo generalizado de los momentos de AB (1991) es
[1.16] [ ] [ ]. ) ( '
)' ( ) ( '
)' (
1
1
1
1
1
1 2
y W V W y y W V W y
N N
)' (
r va
1
1
1
1 2
y W V W y a
N
Que si construimos una expresin vectorial, con vectores columna formados por las variables de
las tres ecuaciones anteriores queda
[ ] [ ] [ ]. ' , ' , ' ' *' ; ' , ' , ' ' *' ; ' , ' , ' ' *'
:
. * * *
2 3 2 3 1 2 1 2 2 3 2 3
u u u u u y y y y Y y y y y y
Donde
u Y y
+
En el artculo de Holtz-Eakin(1988), este sistema se estima por variables instrumentales, con
instrumentos distintos para cada ecuacin debido a que el modelo es dinmico. Podemos llamar a la
matriz de instrumentos W, de tal manera que
. 0 )
* '
(
N
u W
plim
N
El modelo de tres ecuaciones se estima simultneamente por MCG. La matriz de ponderacin es
. ) *' * ( ' W u u E W
Un estimador consistente de dicha matriz es
. '
i
is ir is ir
e e W W
Donde, como se ve, se ha sustituido la matriz de varianzas y covarianzas por el producto de los
residuos de cada ecuacin individual del modelo, por ejemplo la ecuacin i-sima, estimada por
mnimos cuadrados bietpicos (MC2E).
El estimador simultneo por MCG es
[ ] [ ]. * '
*' * '
*'
1
1
1
y W W Y Y W W Y
Este estimador es eficiente dentro de la clase de estimadores por variables instrumentales,
Hansen(1982) y White(1986).
La suma de cuadrados de los residuos del modelo ser en este caso
).
* * ( '
)'
* * (
1
1
Y y W W Y y
N
SCR
La distribucin de este estadstico cuando el tamao de N crece es una
2
con los grados de
libertad igual al nmero de restricciones de sobreidentificacin.
Cabe desarrollar un contraste de la hiptesis nula mediante un estadstico de la forma
19
Muro.Doctorado00-
19
. SSW SCR L
r
Donde SCRr es la expresin anterior, obtenida de la estimacin del modelo de inters con todas las
restricciones posibles, es decir, bajo el supuesto de ausencia de efectos individuales, y SSW es la
suma de cuadrados de los residuos del modelo estimado exclusivamente con las restricciones
necesarias para la estimacin, es decir, el modelo en primeras diferencias. El estadstico L se
distribuye asintticamente bajo la hiptesis nula como una
2
con grados de libertad igual a la
diferencia entre el nmero de restricciones utilizadas para la estimacin de ambos modelos.
5.2.2 Modelos con variables exgenas.
Si en el modelo considerado existe tambin un conjunto de regresores estrictamente exgenos,
stos pueden utilizarse como instrumentos adicionales en el proceso de estimacin y, por tanto,
cabe incluirlos en la diagonal de la matriz de instrumentos W. En esta nueva situacin si empleamos
el mtodo anterior la expresin sera
. ' ) ( ' ) ( ' '
1
u W X W y W y W + +
Expresin a partir de la que cabe obtener frmulas de los estimadores anlogas a las anteriores.
Por el contrario, si las variables que se encuentran en la especificacin del modelo no son
estrictamente exgenas sino predeterminadas el procedimiento adecuado para su tratamiento es
anlogo al empleado con la variable endgena retardada. Por ejemplo, para t=3 la ecuacin
diferenciada (con un nico regresor sera
). ( ) ' ' ( ) (
2 3 2 3 1 2 2 3 i i i i i i i i
u u X X y y y y + +
En la ecuacin anterior los instrumentos vlidos para los regresores son X'i1 y X'i2. As
sucesivamente, para cada nueva observacin temporal, se iran aadiendo instrumentos, de forma
anloga a lo realizada antes. Estos instrumentos nuevos se incluyen en la diagonal de la matriz W y
se aplica el mtodo de estimacin anterior.
En consecuencia, dado que en el anlisis econmico aplicado la regla es el encontrar todo tipo
de variables se recomienda el considerar cada una de ellas individualmente y tratarlas segn el
mtodo antes descrito.
5.3 El enfoque de Arellano y Bover (1993).
Para Arellano y Bover, a partir de ahora AB(93), la estimacin de modelos dinmicos para
datos de panel cabe considerarla desde el enfoque general de la estimacin de un modelo
economtrico por el mtodo generalizado de momentos (MGM). Desde este punto de vista,
una gran parte de los mtodos conocidos de estimacin para datos de panel puede
demostrarse que son casos particulares de una estimacin por MGM de un modelo general. La
extensin de este procedimiento a la estimacin de paneles dinmicos conduce a una expresin
muy general de un estimador por MGM de un modelo dinmico para datos de panel.
20
Muro.Doctorado00-
20
La especificacin general de un modelo para datos de panel que consideran AB(93) es la
bien conocida y clsica del modelo de Hausman y Taylor(1981), que se encuentra en (1.11).
Conviene recordar que en el modelo de Hausman y Taylor(1981) se distingue entre los
regresores que varan a lo largo del tiempo y los individuos y los regresores que varan con los
individuos pero que son fijos a lo largo del tiempo. Para facilitar la comprensin escribimos de
nuevo el modelo de Hausman y Taylor (1981). Su forma es
[1.11]
T. ., 1,2,...... = t
N; , 1,2,...... = i
, + Z X =
Y it
i i it it
+ +
Donde, X representa la matriz de los k regresores que varan a lo largo del tiempo y Z la matriz de
los g regresores fijos a lo largo del tiempo. La expresin en (1.11) en forma matricial es para cada
individuo o grupo i la siguiente
[1.18] [ ]
.
. 1 ) ( ); ( ; 1
;
i T i i
i i i i
i i i
v i u
x g k es g k Tx es Z X W Tx es Y
donde u W Y
+
+
1
]
1
+
+
( ' '
+ +
i i i i
X v Z X y
Para desarrollar su enfoque general por el mtodo de MGM AB(93) sugieren efectuar una
transformacin del modelo de T ecuaciones que se encuentra en (1.18) mediante una
21
Muro.Doctorado00-
21
transformacin no singular. La no singularidad de la transformacin garantiza que ambos modelos,
el original y el transformado, tienen la misma informacin. La transformacin tiene la forma
[1.20] .
/ '
1
]
1
T i
C
H
T
Donde C es una matriz cualquiera de dimensin (T-1)xT, de rango T-1, y que cumple que
. 0
T
Ci
El resto de la matriz es un vector fila que tiene como elementos el recproco del tamao
muestral, de dimensin (1xT). A ttulo ilustrativo, la matriz C puede ser considerada la matriz de las
T-1 primeras diferencias o las T-1 filas del estimador intragrupos. El objetivo de esta matriz C es
limpiar los efectos individuales de las T-1 primeras filas del vector de perturbaciones aleatorias
compuesto. En efecto,
[1.21] .
1
]
1
+
i
i
i i
u
Cu
u Hu
Es decir, las componentes del vector de los trminos de error transformado en (1.21) tienen el
significado siguiente. Las T-1 primeras filas no contienen los efectos individuales y la ltima fila es
la media de los trminos de error. Si lo expresamos con mayor detalle, la transformacin del
modelo en (1.18) a travs de la matriz H en (1.20) proporciona un sistema de T ecuaciones que
tiene la forma
[1.22]
i i i i i
iT iT iT
i i i
i i i
v Z X y
v X y
v X y
v X y
+ + +
+
+
+
'
*, * *
*, * *
*, * *
1 1 1
2 2 2
1 1 1
L L L L L
Donde las variables con asterisco son las transformadas a travs de la matriz C, primeras
diferencias o con la transformacin intragrupos. En este sistema transformado (1.22), todas las
variables exgenas presentes en (1.18) son instrumentos vlidos para las primeras T-1 ecuaciones,
ya que al desaparecer los efectos individuales desaparece la correlacin. Para la ltima ecuacin de
(1.22), si llamamos mi al subconjunto de variables que suponemos incorrelacionadas en niveles con
los efectos individuales, deberemos establecer el supuesto de que para la identificacin de los
parmetros de la ltima ecuacin el nmero de variables incorrelacionadas mi es superior al de
parmetros a estimar.
Pongamos un ejemplo aclaratorio de lo anterior. En el artculo de Hausman y Taylor(1981),
cada matriz de regresores, X, Z, esta subdividida en dos submatrices, la de los regresores
incorrelacionados, X1, Z1, y los correlacionados X2, Z2, con los efectos individuales. En otras
palabras, Hausman y Taylor suponen que hay un subconjunto de regresores que varan a lo largo
del tiempo que estn incorrelacionados y un subconjunto de regesores fijos a lo largo del tiempo
que tambin estn incorrelacionados. Digamos que hay k1 y g1 exgenos. El nmero total, k1+g1,
22
Muro.Doctorado00-
22
debe ser superior al de parmetros a estimar en la ltima ecuacin de (1.22).
Si volvemos al planteamiento general, una matriz de instrumentos apropiada para la aplicacin
del mtodo de variables instrumentales al modelo (1.22) ser la matriz diagonal por bloques
siguiente
[1.23] .
' 0
' 0
0 0
0 '
1
1
1
1
1
]
1
i
i
i
i
m
w
w
M
O
Donde,
)' ' ' ' ( ; )' ' ' (
1 1 1 1 iT i i i i i i
x x Z m Z x w K
Las restricciones en los momentos vienen dadas por
[1.24] . 0 ) ' (
i i
Hu M E
Esta expresin se cumple para las T ecuaciones referentes al individuo o grupo i. Si
generalizamos para todos los individuos queda
[1.25]
+
N N
N
N
N
I H I H
y y y Y
W W W W
M M M M
donde u H M W H M Y H M
;
)' ' ......... ' ' (
)' ' ......... ' ' (
)' ' ......... ' ' (
: , ' ' '
2 1
2 1
2 1
Si aplicamos MCG a la expresin anterior nos queda el estimador propuesto por AB(93) por
MGM. Su expresin es
[1.26] [ ] Y H M M H H M M H W W H M M H H M M H W ' ) ' ' ( ' ' ' ) ' ' ( ' '
1
1
1
En los trabajos aplicados la matriz de varianzas y covarianzas del sistema transformado se
sustituye por un estimador consistente obtenido a partir de los residuos de estimaciones
preliminares consistentes cuya expresin es
[1.27] . '
1
'
+
N
i
i i
u u
N
H H
El estimador en (1.26) es el estimador por MGM ptimo que cumple las restricciones de los
momentos en (1.24). Podemos mejorar la eficiencia del estimador si seguimos las sugerencias
respecto a la matriz de varianzas y covarianzas de Chamberlain(1982) o Hansen(1982).
Los estimadores de Hausman y Taylor(1981), Amemiya y MaCurdy(1986) y Breusch, Mizon y
23
Muro.Doctorado00-
23
Schmidt(1989) son casos particulares de la expresin anterior. En concreto,
1. El estimador de Hausman y Taylor(1981) es (1.26) con la matriz de varianzas y
covarianzas calculada en (1.27) y
) ( '
1
; )' ' ' (
2 1 1 1 i i i T i i i i
x x x i
T
x x Z m
2. Amemiya y MaCurdy(1986) utilizan como instrumentos los valores originales en vez de
la media y la misma matriz de varianzas y covarianzas.
3. Breusch, Mizon y Schmidt(1989), BMS(89) utilizan un conjunto adicional de
restricciones en los momentos que se deriva de que la correlacin entre los regresores
variantes a lo largo del tiempo y los efectos individuales es constante a lo largo del
tiempo.
Ya que la matriz de instrumentos es diagonal por bloques, la estimacin propuesta no se ve
afectada por la seleccin de la matriz C.
La extensin a paneles dinmicos no plantea excesivas dificultades tericas. Ahora el modelo es
de la forma
[1.28] . ' '
1 it i it it it
u Z X y y + + +
La presencia como regresor de la variable del lado izquierdo retardada nos lleva a establecer el
supuesto de que la observacin de las variables se extiende al periodo cero. Bajo este supuesto, la
reconsideracin de las matrices empleadas anteriormente es directa. Basta aadir a todas las
matrices la observacin del periodo cero y en las matrices de parmetros del modelo el parmetro
adicional. Si el nmero de instrumentos es suficiente para asegurar la identificacin del sistema, el
estimador por MGM en (1.26) contina manteniendo la consistencia. La matriz de instrumentos es
la misma que antes sin ms que suponer que el primer periodo observado es el cero. La
observacin menos uno no existe. Para el ltimo bloque de la diagonal de la matriz en (1.23)
tenemos las mismas opciones que antes. En el caso del estimador de BMS(89) las filas de la matriz
CXi son combinaciones lineales de mi, por lo que estos ltimos se pueden utilizar como
instrumentos para todas las ecuaciones. En conclusin, en este caso, la transformacin inicial de las
primeras ecuaciones para eliminar los efectos individuales es innecesaria y el estimador por MGM
del modelo en (1.28) cabe obtenerlo aplicando MC3E al sistema original de ecuaciones mediante la
utilizacin de mi como instrumentos. La expresin del estimador queda
[1.29]
1
]
1
i i
i i i i i i
i i
i i i i i i
m y m m m W
m W m m m W
). ( ) '
( )' (
) ( ) '
( )' (
1
1
1
1 ,
1 ,
, ,..... 3 , 2 ,