12

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

0.05 0.50 0.95

2 -0.52 -0.75 -0.73
3 -0.35 -0.54 -0.26
10 -0.11 -0.16 -0.26
T
15 -0.07 -0.11 -0.17
Como se ve, en todas las combinaciones el estimador intragrupos sesga negativamente el
verdadero valor del parmetro a estimar, pero el tamao del sesgo disminuye con el crecimiento de
la muestra temporal.
3. El estimador por MCG es inconsistente. En este caso, las transformaciones son de
cuasidiferencias, como puede verse en (1.4), con lo que para la cuasidiferencia del regresor
retardado se vuelve a dar correlacin con el trmino de error en cuasidiferencia.
4. El estimador de Anderson y Hsiao(1981). Una de las sugerencias ms empleadas para
estimar (1.9) es tomar primeras diferencias. En este caso el modelo queda
[1.12]
.
;
1
it 1 - it it
it it 2 - t i, 1 - t i, 1 - t i, it
+ y = y
) - ( + ) y - y ( = y - y

Si aplicamos MCO el estimador es sesgado y, a diferencia del estimador intragrupos,

Nickell(1981), tiene un sesgo no nulo permanentemente para cualquier valor de T.
Anderson y Hsiao(1982), sugieren estimar por variables instrumentales. Consideran como
instrumentos las diferencias retardadas o la variable en niveles retardada. En (1.12) si utilizamos
como instrumentos las diferencias retardadas el estimador es
[1.13] .

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

Que es el estimador inicial en AB (1991).

Como se sabe, Hansen(1982) introduce el mtodo generalizado de los momentos (MGM). Si
aplicamos en esta situacin su mtodo, la expresin resultante es similar a la anterior pero con la
expresin

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

Una matriz de varianzas y covarianzas consistente del estimador en (1.16) es

[1.17] [ ] . ) ( '

)' (

r va
1
1
1
1 2

y W V W y a
N

Los dos estimadores son asintticamente equivalentes si iid, it N(0,

2
),
5.2.1. Contraste de efectos individuales en modelos autorregresivos. Holtz-Eakin
(1988)
Los desarrollos anteriores descansan sobre el supuesto de existencia de efectos individuales. Si
estos no existieran, el planteamiento anterior sera en cierta manera ocioso. En efecto, se estara
recomendando la utilizacin de forma innecesaria de mtodos de estimacin que permiten el
control de la heterogeneidad observada. Estos mtodos son, en general, ms complicados y
requieren mayor nmero de datos que los diseados para el tratamiento de datos de panel sin
efectos individuales. Vamos a exponer un contraste de este supuesto en modelos autorregresivos.
Supongamos nuevamente que analizamos el modelo (1.6) y que el tamao de la muestra es T=3.
Para la aplicacin de variables instrumentales podremos utilizar como instrumentos yi1 e yi2 . Las
condiciones de ortogonalidad son
. 0 ) ( ; 0 ) ( ; 0 ) (
2 1 3 1 3 2

i i i i i i
u y E u y E u y E
Como cabe observar disponemos de tres restricciones para determinar un solo parmetro, . Las
restricciones anteriores podemos reformularlas como
. 0 ) ( ; 0 )) ( ( ; 0 ) (
2 1 2 3 1 3 2

i i i i i i i
u y E u u y E u y E
Si de las anteriores restricciones en los momentos poblacionales pasamos a sus momentos
muestrales equivalentes tendremos tres ecuaciones para determinar una incgnita. Cabe utilizar una
sola para calcular y las otras dos restricciones de sobreidentificacin para contrastar la presencia
de efectos individuales. Es conveniente destacar que la restriccin central en la frmula anterior se
cumple tanto si estamos en presencia de heterogeneidad como si sta ltima est ausente. De ah
que pueda ser usada para obtener un estimador consistente de en primeras diferencias. Bajo la
hiptesis nula de no presencia de efectos individuales los dos momentos no empleados para
determinar estarn muy cercanos a cero.
Las restricciones en los momentos pueden ser expresadas en forma de regresiones. Estas seran
18
Muro.Doctorado00-
18
.
;
); ( ) ( ) (
2 1 2
3 2 3
2 3 1 2 2 3
u y y
u y y
u u y y y y
+
+
+

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

+
+

Donde iT es un vector columna de unos de dimensin (Tx1).

Si nos centramos en las propiedades del trmino de error compuesto en (1.18), vi,en la literatura
se suelen encontrar dos supuestos bsicos para su estructura de varianzas y covarianzas.
1. E(ui ui)=. Esta estructura es independiente de wi y la forma de es arbitraria, con la
nica condicin de que sea igual para todos los individuos.
2. La forma tradicional del modelo de efectos aleatorios o de componentes del error, es
decir,
. '
2 2
T T T
v i i I +
Conviene destacar que la presencia de regresores fijos en el modelo de (1.18) hace que sus
correspondientes parmetros no puedan ser estimados si aplicamos primeras diferencias o la
transformacin intragrupos, ya que las variables fijas a lo largo del tiempo desaparecen del modelo
si realizamos estas transformaciones. Sin embargo, la afirmacin anterior no implica que no se
puedan estimar en ningn caso. Por ejemplo, pueden ser estimados mediante el uso del estimador
intragrupos de . En efecto, la aplicacin de MCO a la ecuacin (1.19) que figura a continuacin
proporcionara estimadores consistentes de los parmetros de inters, bajo el supuesto de
incorrelacin entre las X y el trmino de error compuesto.
[1.19] ).

( ' '

+ +
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

Este estimador es asintticamente equivalente al de Bhargava y Sargan(1983).

Finalmente, si se introduce el supuesto adicional de que los trminos de error no estn
correlacionados serialmente existe un nuevo conjunto de restricciones de ortogonalidad que cabe
aadir en el proceso de estimacin. Detalles pueden verse en el artculo original de AB(93).
24
Muro.Doctorado00-
24
5.4 El enfoque de Ahn y Schmidt (1993).
El planteamiento de Ahn y Schmidt(1993) es demostrar que bajo los supuestos habituales en
los modelos de panel dinmicos hay un conjunto de restricciones de ortogonalidad adicionales
a las que se han tenido en cuenta en los artculos de Anderson y Hsiao(1981), Holtz-
Eakin,Newey y Rosen(1988) y Arellano y Bond(1991). Su utilizacin en el contexto de la
estimacin por MGM incrementar la eficiencia de los estimadores obtenidos.
Volvamos a considerar el modelo ms simple, con un regresor retardado y sin regresores
adicionales que se encuentra en (1.9)
.
1 i i i
u y y +

Los supuestos habituales en modelos de panel dinmicos son

1. La observacin cero est incorrelacionada con el trmino de error clsico para
todo i, t.
2. Los efectos individuales estn incorrelacionados con los trminos de error clsicos,
para todo i, t.
3. Los trminos de error clsicos estn incorrelacionados, para todo i.
Al margen de la discusin de si esos supuestos son ms o menos restrictivos que los
habituales, en especial el relativo al comportamiento de la observacin cero, de ellos se pueden
derivar las siguientes T(T-1)/2 restricciones de ortogonalidad en los momentos
[1.30] ) 2 .....( 2 , 1 , 0 ; ,..... 3 , 2 . 0 ) ( t s T t u y E
it is
Restricciones que pueden encontrarse por ejemplo en AB(1991). En el trabajo de Ahn y
Schmidt se encuentran T-2 restricciones de ortogonalidad adicionales. Estas son
[1.31] ) 1 ,......( 3 , 2 . 0 ) ( T t u u E
it iT
Si utilizamos todas las restricciones disponemos de T(T-1)/2+(T-2) condiciones en los
momentos que se derivan de los tres supuestos anteriores.
Veamos como funciona en la estimacin del modelo el conjunto de restricciones en los
momentos disponibles. Para ello escribamos el modelo en forma diferenciada y la ltima
ecuacin, correspondiente a la ltima observacin en niveles
[1.32]
iT T i iT
it t i it
u y y
T t u y y
+
+

1 ,
1 ,
, ,..... 3 , 2 ,

El enfoque clsico, por ejemplo AB(91), es utilizar un estimador por variables

instrumentales para el sistema en diferencias en (1.32) en cuya formulacin se utilizan las
restricciones en (1.30). Esto es lo mismo que estimar el sistema de las ecuaciones en
diferencias en (1.32) por MC3E y bajos el supuesto de que es el mismo para todas las
ecuaciones. Los instrumentos son los ya vistos en el apartado 5.3, es decir, uno para la
primera ecuacin, la observacin cero, dos para la segunda, las observaciones cero y uno, y as
25
Muro.Doctorado00-
25
sucesivamente. Aunque no hay en propiedad instrumentos observables que nos permitan la
estimacin de la ecuacin en niveles en (1.32), Ahn y Schmidt sugieren que cabe estimarla si
utilizamos las restricciones contenidas en (1.31). Los autores tambin demuestran que
cualquier otra restriccin adicional en las perturbaciones aleatorias es redundante y queda
recogida por la expresin en (1.31). Estas restricciones en los momentos tambin se cumplen
si relajamos los supuestos de partida en los siguientes trminos:
- No exigimos que la covarianza entre la observacin cero y los trminos de error
sea nula sino constante.
- Lo mismo para la covarianza entre trminos de error y efectos individuales. Se
exige la constancia pero no la nulidad.
- Lo mismo para la covarianza temporal entre trminos de error. Se exige la
constancia y no la nulidad.
El estimador por MGM que utiliza las condiciones de ortogonalidad en (1.30) y (1.31) es
asintticamente equivalente al estimador de mnima distancia ptimo de
Chamberlain(1982,1984).
Finalmente, Ahn y Schmidt(1993) estudian el modelo dinmico de Hausman y
Taylor(1981) que se encuentra en (1.28) y muestran como utilizar las variables exgenas
como instrumentos adicionales.
5.5 El enfoque de Keane y Runkle (1992).
El enfoque de Keane y Runkle(1992), a partir de ahora KR(92) parte de una reconsideracin de los
modelos para datos de panel en el caso de que los instrumentos no sean estrictamente exgenos. En
el supuesto de que los instrumentos sean predeterminados los autores presentan un mtodo para
obtener estimadores consistentes y eficientes. Ya que esta cuestin se revela importante en la
estimacin de modelos para datos de panel, KR(92) presentan tambin un contraste que permita
tomar una decisin sobre el carcter dbilmente o estrictamente exgeno de los instrumentos de un
modelo para datos de panel.
En un modelo general para datos de panel tal como
. u X Y +
En el que, por ejemplo, podemos situar el modelo de Hausman y Taylor(1981), los instrumentos
son estrictamente exgenos con relacin al componente del error que es variante en el tiempo.
KR(92) presentan ejemplos en que esto no se produce: modelos de expectativas racionales,
modelos con regresores predeterminados como la inclusin del nmero de hijos en una ecuacin de
oferta de trabajo. En este caso, el enfoque de KR(92) es alternativo al de estudios previos como
Anderson y Hsiao(1981), Barghava y Sargan(1983), Holtz-Eakin,Newey y Rosen(1988),Arellano
y Bover(1993) y Ahn y Schmidt(1993), entre otros. Su fundamento es utilizar un filtro
desarrollado en el anlisis de series temporales que elimina cualquier forma de correlacin serial sin
causar inconsistencia en los estimadores.
Los contrastes ofrecidos por KR(1992) son del tipo Hausman.
26
Muro.Doctorado00-
26
El primero permite dilucidar si los instrumentos son estrctamente exgenos (H0) frente a
predeterminados (H1).
El estimador MC2E del modelo en primeras diferencias es consistente en ambos supuestos. El
estimador MC2E del modelo de efectos fijos es consistente (y ms eficiente) bajo H0 e inconsistente
bajo H1.
El segundo permite contrastar si los instrumentos no estn correlacionados con los efectos
individuales (H0) frente a la existencia de correlacin entre efectos individuales e instrumentos
(H1)(efectos fijos: prediccin o inferencia condicionada).
El estimador MC2E del modelo en primeras diferencias es consistente en ambos supuestos. El
estimador MC2E del modelo global de panel (panel completo) es consistente (y ms eficiente) bajo
H0 e inconsistente bajo H1.
27
Muro.Doctorado00-
27
Bibliografa.
Ahn, S.C. y P. Schmidt (1993), Efficient Estimation of Models for Dynamic Panel Data. Journal
of Econometrics, 68, pgs.5-28.
Amemiya, T. y T.E. MaCurdy (1986), "Instrumental Variable Estimation of an Error-Components
Model". Econometrica, 54, pgs. 869-881.
Anderson, T.W. y C. Hsiao (1981), Estimation of Dynamic Models with Error Components.
Journal of the American Statistical Association, 76, pgs. 598-606.
Anderson, T.W. y C. Hsiao (1982), Formulation and Estimation of Dynamic Models using Panel
Data. Journal of Econometrics, 18, pgs. 47-82.
Arellano, M. (1989), A Note on the Anderson-Hsiao Estimator for Panel Data. Economics
Letters, 31, pgs. 337-341.
Arellano, M. y S. Bond (1991), Some Tests of Specification for Panel Data: Monte Carlo
Evidence and an Application to Employment Equations. Review of Economic Studies, 58, pgs.
277-297.
Arellano, M. y O. Bover (1990), La Econometra de Datos de Panel. Investigaciones
Econmicas, 14, pgs. 3-45.
Arellano, M. y O. Bover (1993), Another Look at the Instrumental Variables Estimation of Error
Components Models. Journal of Econometrics, 68, pgs. 29-52.
Balestra, P. y M. Nerlove (1966), Pooling Cross-section and Time-series Data in the Estimation of
a Dynamic Model: The Demand for Natural Gas, Econometrica, 34, pgs. 585-612.
Baltagi, B. (1986), Pooling under Misspecification: Some Montecarlo Evidence on the Kmenta
and the Error Components Techniques. Econometric Theory, 2, pgs. 429-440.
Baltagi, B. (1995). The Econometric Analysis of Panel Data. Johm Wiley and Sons. Nueva York.
Beggs, J.J. y M. Nerlove (1988), Biases in Dynamic Models with Fixed Effects". Economics
Letters, 26, pgs. 29-31.
Bhargava, A. y J.D. Sargan (1983), "Estimating Dynamic Random Effects Models from Panel Data
Covering Short Time Periods". Econometrica, 51, pgs. 1635-1659.
Breusch, T.S.; G.E. Mizon y P. Schmidt (1989) "Efficient Estimation Using Panel Data".
Econometrica, 57, pgs. 695-700.
Chamberlain, G. (1978), Omitted Variable Bias in Panel Data: Estimating the Returns to
Schooling. Annales de LInsee, 30/31, pgs. 49-82.
Greene, W.H. (1993), Econometric Analysis, MacMillan, Nueva York.
28
Muro.Doctorado00-
28
Hansen, L.P. (1982), Large Sample Properties of Generalized Methods of Moments Estimators.
Econometrica, 50, pgs. 1029-1054.
Hausman, J.A. (1978), Specification Tests in Econometrics. Econometrica, 46, pgs. 1251-1271.
Hausman, J.A. y W.E. Taylor (1981), Panel Data and Unobservable Individual Effects.
Econometrica, 49, pgs. 1377-1398.
Holtz-Eakin, D. (1988), Testing for Individual Effects in Autorregresive Models. Journal of
Econometrics, 39, pgs. 297-307.
Holtz-Eakin, D.; W. Newey y H.S. Rosen (1988), Estimating Vector Autorregresions with Panel
Data. Econometrica, 56, pgs. 1371-1395.
Keane, M.P. y D.E. Runkle (1992), On the Estimation of Panel-Data Models with Serial
Correlation when Instruments are not Strictly Exogenous. Journal of Business and Economic
Statistics, 10, pgs. 1-9, con discusin.
Mundlak, Y. (1961), Empirical Production Function Free of Management Bias. Journal of Farm
Economics, 43, pgs. 44-56.
Mundlak, Y. (1978), On the Pooling of Time Series and Cross-section Data. Econometrica, 46,
pgs. 69-85.
Nickell, S. (1981), Biases in Dynamic Models with Fixed Effects. Econometrica, 49, pgs. 1417-
1426.
Ridder, G. y T.J. Wansbeek (1990), Dynamic Models for Panel Data. En R. Van der Ploeg
(Ed.) , Advanced Lectures in Quantitative Economics. Academic Press, pgs. 557-582.
Sevestre, P. y A. Trognon (1983), Proprietes de Grand Echantillons dune Classe destimateurs
des models autorregressifs a erreurs composees. Annales de Linsee, 50, pgs. 25-48.
Sevestre, P. y A. Trognon (1985), A Note on Autorregresive Error Component Models. Journal
of Econometrics, 28, pgs. 231-245.
Tauchen, G. (1985), "Diagnostic Testing and Evaluation of Maximum Likelihood Models".
Journal of Econometrics, 30, pgs. 415-443.
Trognon, A. (1978), Miscellaneous Asymptotic Properties of Ordinary Least Squares and
Maximum Likelihood Estimators in Dynamic Error Components Models. Annales de LInsee, 30-
31, pgs. 632-657.
White, H. (1986), Instrumental Variables Analogs of Generalized Least Squares Estimators. En
R.S. Mariano (Ed.) Advances in Statistical Analysis and Statistical Computing. Vol. 1. JAI Press,
Nueva York, pgs. 173-277.