INTRODUCCION AL ANALISIS ECONOMETRICO

CON DATOS DE PANEL

Manuel Arellano
SERVICIO DE ESTUDIOS
Documento de Trabajo n 9222
BANCO DE ESPAA
BANCO DE ESPAA
INTRODUCCION AL ANALISIS ECONOMETRICO
CON DATOS DE PANEL
Manuel Aellano (*)
(') Este trabajo est dedicado a la memoria de Gonzalo Mato. Se basa en unas sesiones sobre la econo
metra de datos de panel organizadas por el Servicio de Estudios del Banco de Espaia, en diciem
bre de 1991. Se intenta poner nfasis en las ideas clave, contraponindolas a otras situaciones en
econometra, y se han minimizado los argumentos formales y los desarrollos matemticos.
Agradezco los comentarios de Vctor Aguirregabiria. Csar Alonso, Olympia Bover, Dolores Co
llado y Juan Jos Dolado. as como la excelente labor mecanogrfica de Carmina Arellano.
SERVICIO DE ESTUDIOS
Documento de Trabajo n.O 9222
El Banco de Espaa a publicar esta serie pretende facilitar la
difusin de estudios de inters que contribuyan al mejor
conocimiento de la economa espaola.
Los anlisis, opiniones y conclusiones de estas investigaciones
representan las ideas de los autores, con las que no necesariamente
coincide el Banco de Espaa.
ISBN, 84-7793-184-4
Depsito legal: M-29753
Imprenta del Banco de Espaa
1. INTRODUCCIN: REGRESIONES SILES VERSUS REGRESIONES
MLTIPLES
Se habla de datos de panel cuando tenemos observaciones
repetidas a lo largo del tiempo para una muestra de unidades individuales.
Podemos decir que para una variable y lt tenemos i;l ... N individuos
observados a lo largo de t=1 . 4 . T perodos de tiempo (i puede referirse a
paises, regiones, industrias, empresas o familias, entre otros).
Empezaremos repasando las diferencias entre coeficientes de
regresin simple y coeficientes de regresin mltiple (o entre coeficientes
alternativos de regresin mltiple basados en un conjunto de regresares
yen un subconjunto de los mismos, respectivamente). Esto se hace por
dos motivos:
1) A menudo el anlisis de regresin se motiva en trminos del
ajuste de lineas o planos por mnimos cuadrados a nubes de
puntos. Por el contrario, aqu queremos poner nfasis en la idea
de regresin como media condicionada (o como aproximacin lineal
a una media condicionada) . Esto es, una regresin describe como
cambia la media para distintos sub grupos de la poblacin en la
forma especificada por los valores de los regresares.
2) La ventaja principal de los datos de panel es que nos permiten
estimar coeficientes de regresin mltiple que no se podran
estimar con datos de corte transversal o con datos de series
temporales.
Consideremos las dos regresiones siguientes:
E(y I x
,
)

Para simplificar la presentacin supongamos que X

l
' X
2
son binarias. Por
ejemplo,
y nmero de horas anuales trabajadas por una mujer casada
X
,
salario de la mu" er
{10 salario bajo
salario alto
X, ingresos del marido;;
{
1
0 ingresos bajos
ingresos altos
En este caso B
o
' Bl' 6
2
, especifican las horas trabajadas en promedio por
cada uno de cuatro subgrupos de la poblacin:
Salario bajo
Salario alto
marido pobre marido rico
B
o
B +B
o
1
B +B
o ,
B +B +B
o
1 ,

En la regreslOn simple, Y
o
y 1 especifican las horas trabajadas en
promedio para dos subgrupos de la poblacin:
Salario bajo
Salario alto
(En el caso en que Xl' X2 no sean binarias pero discretas con
soporte finito el anlisis es similar pero el nmero de celdas se multiplica).
Sea n
o
la propor cin de maridos ricos en el grupo de mujeres con
salario bajo (con lo cual (l-n
o
)
es la propor cin de maridos pobres en ese
mismo grupo), y sea Pi n
o
+ n
i
la propor cin de maridos ricos en el
grupo de mujeres con salario alto (n
i
denota la diferencia entre Pi y n
o
)
'

De esta manera podemos relacionar las medias de los dos cuadros

anteriores de la forma siguiente:
Y
o+Yl
Por lo tanto, (
1
)
1, ~ (l, + l, n,)
Empricamente se observa que no <p
r
, o lo que es 1O mismo n?O. Por otra
parte esperamos que '
\
>0 (ntese que 61
YI0
-
Ye

Yll - Y01 es la
derencia de las horas trabajadas en promedio entre las mujeres de salario
alto y las de salario bajo para cada uno de los subgrupos), y tambn que
62<
0
(6
2
Y0
1
-Ye Yll-Y1
0
)
.Sin embargo, el signo de 11 es incierto y
puede ocurrir que y
1
<0 (en el caso en que
61
<-
62
n
1
).
Aunque 11 puede tener inters estadstico (esto es, saber si
trabajan ms las mujeres con salario alto o viceversa), por |O gene:l
muchas veces el inters principal se centra en
61
(esto es, si aumentamos
el salario efectivo de todas las mujeres, con independencia de si sus
())
Esto es,
E(x,lx, O) = Prob (x, ~ 1 Ix, = O)
E(x,lx, = 1) ~ Prob (x, 1 Ix, = 1)
Por tanto,
=n
o
= n
+
n
o 1
E(yl x) = E(E(y I x" x,> Ix) F l
o
+l, x
,
+l, E(x, I X,)
=
(60+62
n
)
+
(61+62
n
1
) X

~ 1
0
+1
1 Xl
~b-
maridos son ricos o pobres, cul es el efecto sobre las horas
trabajadas?) .
En cada caso, si disponemos de una muestra aleatoria con
observaciones sobre y, Xl' X2, o bien de muestras aleatorias para cada
uno de los subgrupos, podemos estimar los coeficientes U y calculando
las medias muestrales para cada uno de los sub grupos .
2. EL CONTROL DE HETEROGENEIDAD INOBSERVABLE CONSTANTE
Una de las ventajas ms importantes de los datos de panel con
respecto a otros tipos de datos es que nos permiten controlar diferencias
inobservables.
Supongamos que estamos interesados en la regresin lineal
Como refleja la discusin anterior, si tenemos una muestra de corte
transversal con observaciones de y, Xl' x2 podemos obtener estimaciones
consistentes de B
o
' B
1
' B
2
Supongamos que x2 no se observa. Con un slo
corte transversal ya no podemos estimar 1
1
(consistentemente), excepto
si B
2
= o Cov(x
1
, x2) = esto es, si n1=0 en el ejemplo anterior.
Sin embargo, si para cada individuo en la muestra tenemos dos
o ms observaciones temporales, bajo determinadas condiciones puede ser
posible estimar (consistentemente) _ aunque no se observe x
2
(y 82"
Cov(x
l
, x
2
) O). Consideremos el caso en que T=2 y supongamos que
={~
en donde
Ntese que estamos suponiendo que los Bis son los mismos para
los dos perodos y que la regresin de cada perodo slo depende de los
valores contemporneos de x (estos supuestos no son esenciales para el
argmento que vamos a presentar, pero si prescindimos de ellos
tendramos modelos ms complicados) .
Supongamos adems que X
21
= X
--
X
2
(esto es, x2 tiene variacin
de corte transversal pero es constante en el tiempo para un individuo
determinado) . Entonces tenemos que
E(
Y,-Y
,
l x) 6,(x12
-
x
U
)
Esto es,
|-1
(-1
Ntese que si tenemos E(y Ix) = Bx entonces
E(h(x)(y-6x = E(h(x) E(y-6x Ix -
para cualquier funcin h(x). Por lo cual B satisface
6 ~ E(h (x) y) I E(h (x) x)
(En la seccin 4 se retoma esta discusin) .
Si E(. I x) denota un predictor lineal ptimo en lugar de una
'esperanza condicionada, este resultado sigue siendo vlido para
h(x)=x. De hecho, las conclusiones bsicas de este trabajo
permanecen inalteradas si reemplazamos medias condicionadas
por predictores lineales en cada caso.
~(-
E( (x,,-xl
1
) (y
,
-y
,
E( (X,,
-
X
ll
)')
que se puede estimar (consistentemente) reemplazando esperanzas por
medias muestrales, supuesta la disponibilidad de un panel con dos
observaciones de tiempo para cada individuo.
Denotemos ' = 3
2
x
2
" A la variable Q le denominamos "efecto
individual" o "efecto permanente" y representa diferencias inobservables
potencialmente correlacionadas con x
n
y X
1
2
sobre las que estamos
interesados en condicionar, para poder estimar el coeficiente de regresin
mltiple _. Ntese que
1
es el coeficiente de regresin mltiple, no slo
con respecto a x
2
, sino con respecto a todas las variables constantes en
el tiempo.
Eemplos
Ntese que hasta ahora habamos omitido el subndice de individuos para
simplificar la notacin. A continuacin vamos a considerar tres modelos
distintos que dan lugar a ecuaciones del tipo
Y
i
t
GX
i
t
+ fh +
v
i
t
1) Funcn de pruccin Cobb-Douglas de u prducto agrcla
(Mundlak)
y 1t ~ logaritmo de la produccin
X
'
t
= logaritmo de un input (trabajo)
', = calidad del suelo (input constante a lo largo del tiempo)
v
i
t
= derencias aleatorias de y
i
t
con respecto a E(y lt 1 x
i
,1I)
que representan un input aleatorio (lluvia) fuera del control
del productor.
--
Supongamos que Q
_
es conocido por el productor pero no por el
econmetra. Si el productor maximiza beneficios esperados es fcil ver que
la demanda de trabajo Xu estar correlacionada con"
1
(vase Chamberlain
(1984 .
2) Oerta de trbjo intertempor
y
lt
= horas trabajadas
x 1 t ~ salarios
Q
_
= funcin de la utilidad marginal de la riqueza, que a su vez
depende de los salarios futuros, activos y tipos de inters,
de nuevo inobservable y correlacionada con x
1t'
B = elasticidad intertemporal del salario (mide el efecto de un
cambio a corto plazo en los salarios sobre la oferta de
trabajo manteniendo constante el perfil de salarios futuros
-un parmetro de importancia macroeconmica. Vase MaCurdy
(1981 .
3) Ingresos individuales @ rndimientos de educcn
y lt ~ logaritmo de los ingresos
xlt = Xl: educacin (aos de)
Q
_
: "habilidad", que habitualmente se supone correlacionada con
el nivel de educacin
B : mide los "rendimientos" de la educacin
En este caso cuando diferenciamos la ecuacin tambin desaparece
xitB. De hecho, los datos de panel no son tan tiles en este caso como
cuando se puede explotar la variacin temporal para separar la variacin
permanente de corte transversal (vase Griliches (1977 .
L relevancia prctica de la discusin precedente sobre la
heterogeneidad inobservable se ha demostrado repetidas veces: hay
muchas aplicaciones en las que los resultados de regresiones en niveles y
en diferencias o desviaciones son claramente distintos. La interpretacin
~
de estas discrepancias depende de cada caso, pero a menudo sugiere que
en las regresiones de corte transversal el supuesto de ceteris-paribus no
se satisface debido a que los regresores estn correlacionados con
caractersticas individuales inobservables incluidas en los trminos de
perturbacin.
Medicin economtric versus problem de prdiccin
L discusin anterior revela que las ventajas vistas por ahora
aparecen bsicamente en el contexto de problemas de medicin
economtrica, en contraposicin a problemas de prediccin. Esta
distincin es importante. Incluyendo efectos individuales conseguimos
estimar ciertos coeficientes a costa de dejar una parte de la regresin sin
modelizar. El "
-
'' que obtenemos en la poblacin viene dado por

_
Var(x)
Var(y)
que puede ser muy bajo si la varianza de Q es grande.
Podramos obtener modelos alternativos con ms altos
facilmente. Por ejemplo, incluyendo regresores constantes en el tiempo Zl
que "explicaran" en parte el efecto individual:
o bien modelos autorregresivos, por ejemplo,
Sin embargo, en general estos modelos, aunque ms apropiados para
problemas de prediccin (por ejemplo, deteccin del fraude fiscal, en el
primer caso), no seran tiles para estimar el coeficiente B de la discusin
anterior.
~)
3. MODEOS ESTTICOS: DISCUSIN GEER
Consideremos el sistema de T ecuaciones
(t=!. . =T)
en donde
Equivalentemente podemos escribir
junto con
E (y, I
x,. ',) x; B + Q
}
en donde
y, (lIT)
Et Y
i
t>
etc.
Sea v lt la desviacin de
y it con respecto a su media condicionada dados X
i
y Q
}
ii
Si estas desviaciones son "clsicas" en el sentido de que
vi
t
I X1,l
i
- iid(O,o
2
) las desviaciones en las ecuaciones en primeras
diferencias dY
lt
-4Xi estarn autocorrelacionadas. Una transformacin
lineal de las ecuaciones en primeras diferencias que elimina la
autocorrelacin es la siguiente
en donde
con
. .
E (Y" I X
"
I
,
) x" B t=I ... (T-l)

Y
't
< (T-t)/(T-t+l)
A la transformacin y 1 se le llama desviaciones ortogonales (vase
Arellano Y Bover (1990a . Por tanto el sistema de T ecuaciones se puede
escribir de la forma siguiente:
y: - x;n + v:
-)Z
en donde
Sea
y supongamos que Var(', 1 x,)
Var (U; 1 x,)
con
e'

O Se puede comprobar que

1 1
O
1
0 _
e'T
O
_
Obsrvese que la media condicionada de y: dados X_y Q_coincide
con la media condicionada de y: dado slo X_ puesto que primera es
independiente del valor que tome Q_.
pero sin embargo en general
E(y, 1
x
,.
'
,
)

x
: B + E(y,
1 x
,
)
.
~|_
A continuacin introduzcamos la siguiente notacin para la media de y i
dado Xi
-1
E(y, I x,J = x
,

( Ntese que estamos suponiendo que E(y, Ix,) E(y, Ix,

Utilizando de nuevo el argumento de la nota 2 aplicado a vectores de
coeficientes, se puede comprobar que B
y Y
satisfacen en la poblacin las
siguientes ecuaciones

[ 1 ]-' 1
B E(X, X,) E(X, Y
,
)
Por otra parte, sabemos que
\
~ B si E(li
I
x
i
)=O, esto es, si los efectos
indi viduales son independientes en media de los regresores observables.
Tenemos pues al menos tres estimadores distintos utilizando el principio
de analoga
(l)
: El estimador "intra-grupos" (within-groups)
el estimador "entre-grupos" (between-gups)
l'1
El princIpIo de analoga es una regla natural para seleccionar
estimadores. Un parmetro de la poblacin es una caracteristica definida
en la distribucin de la poblacin. Para estimarlo utilizamos la misma
caracterstica pero definda en la muestra ( vase Goldberger (1991),
y
Manski (1988 .
~|~
Y.
(l
X) -, X
l
Y
y el estimador de mnimos cuadrados generalizados (MCG)
El estimador MCG es mnimos cuadrados ponderados aplicado al sistema
completo bajo el supuesto de que
y
=B
y
2 es un estimador preliminar
consi ste
r
te
f
de e
2

x/x' Ex' X

X
l
X
_
i
_
=
_
;n la notacin anteri or tenemos
E X, x;, etc_ (vase Arellano (1992_
1"
Por otra parte, las varianzas respectivas son:
V"
Var(IW)
f
= a2(
X

X

)
-l
N

Var(
y ..
)
= a'(E'T
X
/X
)
-'
V
"
.
Var(l.
.
)

a'(x.
'
@" -+'T
X
/
X
)
-'
Estas varianzas satisfacen la siguiente relacin:
V
-' --
V
-' +
V
-'
MC W B
por _lO que se puede comprobar que BMG es una media ponderada de BW y
de
y . *
)b~
Efectos fijs versus efectos aletorios
El estimador intragrupos se puede interpretar de formas
alternativas:
(i) Como la regresin de
Y't-Y'
sobre x
i
t
-
"
,
() Como la regresin de
Y
'
t
sobre X
_
_
y
variables ficticias
individuales (efectos "fijos't ) .
El estimador B.c tambin se puede interpretar como MCG en un
modelo de regresin con un error "clsicotl compuesto:
U1t=1
1+Vit
(efectos
"aleatoriost' no correlacionados). Vase el apndice para una descripcin
del lgebra de estos dos modelos.
Cmo escogemos entre efectos "fijos" y efectos "aleatorioslt? El
problema no es si los efectos son fijos o aleatorios. De hecho, como revela
la discusin anterior los efectos pueden siempre considerarse aleatorios
sin prdida de generalidad. El problema es si los efectos estn
correlacionados con Xi o no, esto es, si la restriccin B=y se cumple o no.
En la interpretacin de efectos fijos del estimador intra-grupos, las
realizaciones de los efectos en la muestra son tratadas como parmetros a
estimar.
grfico:
J situacin se puede apreciar ms claramente con el siguiente

"
~JO~



.
linea
entr"-9rup.
En este caso hay una correlacin negativa entre '
i
y X
i
. Incluso
si los Q
+
S son "fjos" en el sentido de que el muestreo es estratificado, en
la poblacin conjunta de Q's Y x's -a partir de la que se hace el muestreo
habr una correlacin negativa entre los dos.
cntrste de rstriccin y;1
El sistema no restringido se puede escribir
en donde 6=
y-
6. Si estimamos este sistema por MeO obtenemos BW
y 6=y
E
G
-BW' A continuacin podemos calcular el contraste de la ji-cuadrado
(Wald) de la hiptesis nula H
a
: 6;0
:
h
(Y'G-B")' (V" + vBGt' (Y'G-B.)
Se puede comprobar que h tambin se puede escribir
que es la forma de un contraste de Hausman (vase Hausman (1978) y
Hausman y Taylor (1981. Por otra parte, si los errores son
heterocedsticos se pueden calcular versiones robustas de errores
estandar y contrastes.
~J(~
4. VARIABLES INSTRUTALES Y E MTODO GEZADO DE
MOMETOS
En preparacin para el tratamiento de modelos dinmicos con
efectos individuales, en esta seccin presentamos la formulacin general
de los tres modelos bsicos que utilizaremos: modelos de regresin, de
variables instrumentales y modelos generalizados de momentos.
Regsin
Un modelo de regresin lineal especifica una media condicionada de la
forma:
E (y I x) 80 + 8
,
x
Sea u la desviacin de y con respecto a su media:
Por tanto
Este resultado implica
1) E(u) = O
E(u I x) = O
2) Cov(u, x) ~ E(u x) = E(E(u
I
x) x) = O
Esto es, u y x no estn correlacionados. A partir de (2) podemos despejar
6
1
:
)~
Cov(y-l
o
-l,x,x)
Cov(y ,x)
-
l, Var(x)
l,
Cov(y,x)
Var(x)
A continuacin, utilizando (1) obtenemos 60:
E(y)
_Cov(y,X)
E(x)
Var(x)
Dado que B
o
y
_
satisfacen las ecuaciones anteriores en la poblacin, es
natural estimarlos utilizando las nsmas expresiones a ruvel muestral.
Si x es un vector kxl, el resltado es similar:
l, (Var(x)-
'
Cov(y,x)
pero intentaremos ceirnos al caso k;l para simplificar la exposicin.
Variables instrumentales
Un modelo lineal de variables instrumentales especifica una
relacin lineal entre y y x de la forma
E(y
- Y
o -
y
,
x I
z)
O
Hay muchos ejemplos en econometria de modelos de este tipo
(errores en las variables, simultaneidad, modelos dinmicos con
au tocorrelacin, etc. ).
^ )^
Los modelos dinmicos de datos de panel que estudiaremos en
seccin siguiente son modelos de este tipo, a diferencia de los modelos
estticos vistos anteriormente que eran modelos de regresin.
Veamos en primer lugar cmo estn definidas 1 Y 1
1
en este
modelo. Sea v = y - 1
9
-1
1
X
tenemos
E(v
I
z)
O
que implica como en el caso anterior
1) E( v)=O
2) Cov(v, z) E(z v) = O
Resolviendo 1 en (2):
Cov(y,z) _ Cov(x,z) O
gualmen te a partir de (1)
10
Cov(y,z)
Cov(x,z)
E(y)
- Cov(y,z)
E(x)
Cov(x,z)
Ntese que en general 1
1
"3
1
: Se trata de dos modelos distintos,
ambos correctamente definidos en la poblacin. La eleccin entre uno u
otro depende exclusivamente de si estamos interesados en 3
1
o, en 1
1
por
motivos econmicos, no estadsticos. (Naturalmente si el objetivo es
-20-
minimizar la varianza del error siempre escogel'emos B
o
' B
l
con preferencia
a
Y
O
'Yl
)
'
Igualmente la estimacin de 1 se lleva a cabo reemplazando
covarianzas poblacionales por covarianzas muestrales en su definicin, y
de forma siDlar para _.
Modelos gnerdos de mmentos
Los modelos anterores se pueden llamar "problemas de momentos"
porque los parmetros estn definidos por funciones de momentos (medias,
varianzas y covarianzas) de la distribucin conjunta de las variables
consideradas en la poblacin.
Ahora vamos a considerar modelos generalizados de momentos en
el sentido de que implican que los parmetros satisfacen ms de una
ecuacin de momentos en la poblacin(").
Supongamos
E(y
-Yo -Y
,x I z,
w
) O
Sigiendo el anlisis anterior 1 continua satisfaciendo
Y,
Cov(y,z)
Cov(x,z)
,., De hecho el problema anterior tambin satisface E(vh(z) );0 para
todo h(z) excepto en el caso en que E(.I z) represente un predictor lineal
ptimo.
Z)
pero ahora adems
y de forma similar para
Y
o
.
y,
Cov(y,w)
Cov(x,w)
Sin embargo, surge el problema de que en una muestra los dos
cocientes anteriores no coincidirn debido a errores muestrales, aunque
sean iguales en la poblacin. Por tanto vamos a utilizar como estimador de
Y
1
(y de
Yo)
una media ponderada de ambos cocientes muestrales, con
ponderaciones acordes a sus varianzas relativas.
Estos estimadores, definidos como medias ponderadas de varios
estimadores simples de variables instrumentales se llaman estimadores del
mtodo generalizado de momentos (MGM).
Ntese que en este caso podemos contrastar si la diferencia entre
los dos cocientes anteriores en la muestra es significativamente distinta
de cero. A este tipo de inferencias se le donomina contrastes de
"restricciones de sobreidentificacin" (vase Sargan (1988 .
0+ MODES AUTORREGRESIVOS CON EFECTOS INDIVIDUALES
Vamos a considerar modelos para datos de panel del tipo
Obsrvese que este modelo combina dos formas distintas de dependencia
en y it: autorregresiva y heterogeneidad permanente. En la prctica puede
resultar difcil separar estos dos efectos porque ambos inducen un
comportamiento temporal de similar. Sin embargo, muchos modelos
ZZ
econmicos de comportamiento individual incluyen estos dos ingredientes
y por ello puede tener inters considerar formas reducidas con estas
caractersticas. Si Y
1t
es un vector de variables y 11
1
un vector de efectos
individuales tendramos un modelo ''NP'' con efectos individuales.
L forma natural de interpretar esta ecuacin es como una
especificacin de la media condicionada de
Y
1
t
dado Y
1
(t-ll" " ,
Yi
l, 1
1
:
por tanto v
1
t
es desviacin de
Y
1
t
con respecto a media anterior.
Empecemos considerando el caso ms simple: F p=l; tenemos
eliminando las i's por el momento
:
E(y,
I
y,,') ay,+'l .
E(y, I y"y,,') = ay, + '
La observacn ms importante que debemos hacer es que no
podemos eliminar 11 diferenciando como en el modelo esttico porque ahora
los conjuntos en que condicionamos en cada ecuacin son distintos.
Sin embargo
E(y, I y,,'l) a E(y,
I
y,,'l) + '
__ ~
Por tanto tenemos:
E(y,
-
ay, y"
I
)

E(y
,-
ay
,
y,.I
)
=
1
y restando
E(ay,
-
aay, I
y,.I)
= O
por consiguiente tambin
E(ay,- aa y, I
Y
,) O
con lo que obtenemos un modelo de variables instrumentales en el que a
est definido como
Cov(y" ay,)
a
Cov(y" ay,)
Ntese que este modelo es distinto del modelo de regresin:
E(ay, I ay
,
)
=
6
4
y
,
en donde 6 se define
Z9-
6
COV(dy"dy,)
Var(dy,)
Es faeil comprobar que bajo supuestos clsicos
6 a_
(l+a)
a
2
Por tanto tomar primeras diferencias y estimar por MeO proporcionar
estimaciones inconsistentes de a (y consistentes de 6). Otro modelo
distinto es
para el que
E(y
,
I y,)
=
y
,
\
Cov(y"y,)
Var(y,)
En este caso habitualmente > a (vase Arellano-Bover (1990b .
Bsituacin es la misma si T > 3 Y si en lugar de regresiones en
primeras diferencias consideramos regresiones intra-grupos. Nickell
(1981) obtuvo que el coeficiente de regresin simple en la poblacin de un
modelo autorregresivo en desviaciones con respecto a las medias era igual
a
en donde
6
=
a
_(
l
+)h (
l
_ 2ah )-'
N
(T-l) (T-l) (l-a)
~_
h 1
(1-a
'
)
T(1-a)
El Cuadro siguiente (tomado de Arellano y
Bover (1990b muestra los
sesgos para distintos valores de a
y
T.
CR 11 B 8B8G DB NIC
T A a U.U5 U.5 U.96
2 ~U.52 ~U.75 ~U.97
3 ~U.35 ~U.64 ~U.73
JU U o I1 ~U.16 ~U.26
15 ~U.U7 U.11 ~U.17
Ntese que el sesgo es de orden lIT (sin embargo, incluso con
T:15 el sesgo es del 22 por ciento cuando a 0.5). Otras caractersticas
importantes son que si a > O el sesgo siempre es negativo y que el sesgo
no tiende a cero cuando a O.
El estimador intragrupos es aconsejable cuando las
aproximaciones para T grande son sufi cientemente buenas.
Continuando con el argumento anterior para el modelo
au torregresi vo
3
si T - 4 tenemos una ecuacin adicional
E (y
,
I y
"
y
"
y
l''1)
a
y
, + '
que tomando esperanzas condicionadas a (Y
2
' Y
1
J 1 proporciona
~Z~
E(y
,-<Y, I
y"y
"T
)
T
y restando de la ecuacin anterior
Ntese que con T ~ 4 ya tenemos un problema de estimacin de momentos
generalizados, puesto que a adems de satisfacer el cociente anterior
tambin satisface
a
COV(4
Y
"y,)
COV(4
Y
"y,)
COV(4
Y
"y
,
)
Cov(4y"y
,
)
En general para T observaciones temporales tenemos (T-2) ecuaciones de
variables instrumentales del tipo
(t=3, ... ,T)
Esto es, ecuaciones con distintos instrumentos vlidos en cada una de
ellas. Ntese que incluso con valores moderados de T el nmero de
restricciones de sohreidentificacin ser grande.
Las ponderaciones ptimas en el cl culo de los estimadores MGM
sern distintas segn se supong que la varianza de
4
Y
t
.
Y
t_l I Yt-2
, ... ,
Y1
es constante o no.
Ntese que la eleccin de ponderaciones afectar la precisin del
estimador pero no su consistencia (sea cual sea el esquema de
ponderaciones, tenemos una media de cocientes de momentos que coinciden
^ Z(^
con a en la poblacin, y que por tanto se aproximan a a a medida que N
crece) .
Usando la terminologa de Arellano y Bond (1991) podemos
distinguir dos tipos de estimadores MGM: El estimador MGM de "una etapa"
que es ptimo en el caso homocedstico aunque podemos calcular
estimaciones de sus varianzas robustas al caso heterocedstico, y el
estimador MGM en "dos etapas" que es ptimo en general. No obstante,
debe tenerse en cuenta que estos resultados no son ms que
aproximaciones asintticas para muestras con un gran nmero de
indi viduos.
Moelos autorrgrsivos cn varables explctvas adiconales
En este contexto es importante distingir los modelos con
variables predeterminadas de los modelos que contienen variables
exgenas en sentido estricto.
A) Varables prdeterminadas
El modelo es
(la discusin es misma si el modelo incluye retardos de x
t
y I o retardos
adicionales de y t)
Para T 3 tenemos, siguiendo el argumento anterior,
E(
.
y
, - a
.y, - 6.x, I y
" x"x
,
) O
y en general
_
(t=3, ... ,T)
La expresin anterior clarifica los instrumentos vlidos para cada ecuacin
en primeras diferencias.
Ntese que en los modelos autorregresivos que hemos visto hasta
ahora, las desviaciones de
Y
t
con respecto a la media condicionada no
estn correlacionadas con
y
t-l'
_1
Y
por tanto estarn no
autocorrelacionadas.
Si por ejemplo queremos permitir errores de media mvil de
primer orden, consideraremos la siguiente especificacin:
B) Varables exgenas en sentdo estrcto
El modelo en este caso es de la forma
E(
y
,-a
Y
H
I x
,
... x,') B x,+'
Con lo cual tenemos
Esto es, permitimos autocorrelacin arbitraria en los errores pero
necesitamos para ello una variable estrictamente exgena (tenemos los
mismos instrumentos para todas las ecuaciones).
-Z
Obviamente, todo tipo de combinaciones de los modelos anteriores
son posibles, y se pueden utilizar contrastes de restricciones de
sobreidentificacin para discriminar entre modelos alternativos.
Comentios finaes
(i) Exogeneidad estricta versus ausencia de autocorrelacin
Hay contextos en los que hay razones a priori para esperar errores
aleatorios: algunos modelos de expectativas racionales, VAR's, etc. En
el resto de los casos la identificacin de parmetros en base a supuestos
auxiliares de ausencia de autocorrelacin es confli ctiva. Por otra parte
es a menudo dificil argumentar la exogeneidad estricta de variables
econmicas en las aplicaciones.
(ii)Funcionan estos estimadores en la prctica?
Surgen problemas de excesiva mprecisin con valores de T muy
pequeos (como Z 3). Tambin hay problemas de identificacin en
modelos con races autorregresivas unitarias o prximas a la unidad.
Sin embargo, estas tcnicas son a menudo muy tiles, como lo
demuestra su utilizacin creciente en el trabajo aplicado.
~j -
REFERENCIAS
ARELLANO, M. (1992). "On the Testing of Correlated Effects with Panel
Data". Journal of Econometrics, forthcoming.
ARELLANO, M. Y S.R. BOND (1991). "Some Tests of Specification for
Panel Data: Monte Cario Evidence and an Appli cation to Employment
Equations". Review of Economic Studies, 58, 277-297.
ARELLANO, M. Y O. BOVER (1990a). "Another Look at the Instrumental
Variable Estimation of Error-Components Models", DP 7, CEP, Landan.
ARELLANO, M. Y O. BOVER (1990b). "La Econometra de Datos de
Panel". Investigaciones Econmicas, 14, 3-45.
CHAMBERLAIN, G. (1984). "Panel Data", in Z. Griliches y M.D.
Intrilligator (eds.) . Handbook of Econometrics. Vol. 2. EIsevier Science.
GOLDBERGER, A. (1991). A Course in Econometrics. Harvard University
Press.
GRILICHES, Z. (1977). "Estimating the Returns to Schooling: Some
Econometric Problemslf Econometrica, 45, 1-22.
HAUSMAN, J. A. (1978). "Specification Tests in Econometrics".
Econometrica, 46, 1251-1272.
HAUSMAN, J.A. Y W.E. TAYLOR (1981). "Panel Data and Unobservable
Individual Effects". E conometrica, 49, 1377-1398.
MACURDY, T . E. (1981). "An Empirical Model of Labor Supply in a Life
Cycle Setting". Journal of Political Economy, 89, 1059-1085.
MANSKI, C. (1988). Analog Estimation Methods in Econometrics, Chapman
and Hall, Landan.
[
NI CKELL, S. (1981). "Bases n Dynamic Models with Fxed Effects".
Econometrica, 49, 1417-1426.
SARGAN, J . D. (1988). "Testing for Misspecification after Estimating
Using Instrumental Variables" en E. Maasoumi (ed.). Contributions to
Econometrics: John Denis Sargan, vol. J Cambridge University Press.
~__
APENDleE
Al. Algebra del modelo de "efectos fijos" Ontragrupos)
En forma compacta el modelo se puede escribir
y =
X+ CT + v
en donde
Y
11
x'
11
U
1
Y
l
T
x' o
lT
X C I
U
etc. y ,
N T O
Y
q
1
y
NI
Y
'
T

U NT
El vector y es NTx1. X es NTxk y C es NTxN. Igualmente tenemos
y |7 C| [ + v = wa + v
El estimador por mnimos cuadrados ordinarios |MCJJ de a es
(W'W)-
I
W'
y
@ [ ! 1
Utilizando los resultados de la regresin particionada
en donde
con
]_ - c:'.i
Q X
Y ~ Y
[::]
D
con y_ , =
Ntese que los elementos de X e son desviaciones con respecto a las
medias temporales de las variables originales
X
!t

:
Por tanto, se puede obtener sin necesidad de calcular simultneamente
Finalmente, si definimos el operador de desviaciones ortogonales como
la matriz A de orden |J~1!i tal que = Ay. , se puede comprobar que
I ,
A' A y AA'= ____. En consecuencia, ntese que
y lo mismo ocurre con E

X

Y

= E

7;; . Esto ltimo demuestra que
coincide con la regresin por HCO de las variables en desviaciones
ortogonales, esto es, la regresin de sobre 7
I I
A2. Algebra del modelo de efectos aleatorios incorrelacionados
En este modelo se trata a ni como un componente de la perturbacin que
est incorrelacionado con .
u
\t
:t

Se asume que
El problema es que como ECu

u
;
)
El estimador eficiente es NL:
el cual es equivalente a NLU en el modelo transformado
en donde 6
2
En la prctica estimamos 6 reemplazando 2
anterior por los siguientes estimadores:
I
NC-
1
N
1:1
1 T
t:l
H
&
-
"
2
N 1 ,_) (Y,- x;al
cY - X' 12
1 t I t
2
y C 1 en
tn ambas expresiones, es el estimador intragrupos.
~J
la expresin
DOCUMENTOS DE TRABAJO (1)
v001 Jess Albarracn y Concha Artola: El crecimiento de los salarios y el deslizamiento salaal en
el perodo 1981 a 1988.
v00Z Anloni Espasa, Rosa GmezChurruca y Javier Jareo: Un anlisis economtrico de los ingre
sos por turismo en la economa espaola.
v00J Antooi Espasa: Metodologa para realizar el anlsis de la coyuntura de un fenmeno econmico.
(ublicada una edicin en ingls con el mismo nmero.)
Paloma Gmez Pastor y Jos Luis Pellicer Miret: Informacin y documentacin de las Comu
nidades Europeas.
M J Juan J. Dolado, Tim Jenkinson and Simon Sosvilla-Rivero: Cointegration and unir roots: A
survey.
v Samuel Bentolila and Juan J. Dolado: Mismatch and Interal Migration in Spain, 1962-1986.
v00Z Juan J. Dolado, Joho W. Galbraith and Anindya Banerjee: Estimaling euler equations with
integrated series.
v00S Antoni Espasa y Daniel Pea: Los modelos ARIMA, el estado de equilibrio en variables econ
micas y su estimacin. (Publicada una edicin en ingls con el mismo nmero.)
v00v Juan J. Dolado and Jos Vials: Macroeconomic policy, exteral targets and constraints: the
case of Spain.
v0l0 Anindya Banerje, Juan J. Dolado and John W.Galbraith: Recursive and sequential tests for
unit roots and structural breaks in long annual GNP series.
v011 Pedro Martnez Mndez: Nuevos datos sobre la evolucin de la peseta ente 190 y 19J.Infr
macin complementaria.
v101 Javier Valles: Estimarion of a growth model with adjustent costs in presence of unobservable
shocks.
.
v10Z Javier Valles: Aggregate investment in a growth model with adjustmeot cOsts.
v10J Juan J. Dolado: Asymptotic distribution theory for econometric estimation with integrated pro
cesses: a guide.
V10 Jos Luis IscrVa y Jos Luis Malo de Molina: La instrumentacin de la poltica monetaria
espaola en el marco de la integracin europea. (Publicada una edicin en ingls con el mismo
nmero.)
vJ0J Isabel Argimn y Jess Briones: Un modelo de simulacin de la carga de la deuda del Estado.
v10 Juan Ayuso: Los efectos de la entrada de la peseta en el SME sobre la volatilidad de las vaables
fnancieras espaolas. (Publicada una edicin en ingls con el mismo nmero.)
v10Z Juan J. Dolado y Jos Luis Escriv: demanda de dinero en Espaa: definiciones amplias de
liquidez. (Publicada una edicin en ingls con el mismo nmero.)
v10S Ferando C. Ballabriga: Instrumentacin de la metodologa VAR.
v10v Soledad Nez: Los mercados derivados de la deuda pblica en Espaa: marco institucional y
funcionamiento.
vJ J0 Isabel Argimn y Jos %Roldn: Ahorro. inversin y movilidad interacional del capilal en los
pases de la CE. (Publicada una edicin en ingls con el mismo nmero.)
v1J1 Jos Luis Escriv y Romn Santo: Un estudio del cambio de rgimen en la variable instrumen
tal del contol monetario en Espaa. (Publicada una edicin en ingls con el mismo nmero.)
v11Z Carlos Chuli: El crdito inrerempresarial. Una manifestacin de la desintennediacin financiera.
v11J Ignacio Herndo y Javier Valls: Inversin y resucciones financieras: evidencia en las empre
sas manufactureras espaolas.
v111 Miguel Sebastin: Un anlisis estuctural de las exportaciones e importaciones espaolas: eva1ua
cin del prodo 1989-91 y perspectivas a medio plazo.
v11' Pero Martnez Mndez: Intereses y resultados en pesetas constantes.
vJ1 Ana R de Lamo y Juan J. Dolado: Un modelo del mercado de trabajo y la resuiccin de oferta
en la economa espaola.
v1lZ Juan Luis Vega: Tests de races unitarias: aplicacin a seres de la economa espaola y al anisis
de la velocidad de circulacin del dinero (1964-1990).
P11S
PJ1P
P1Z0
P1Z1
PZ01
PZ0Z
PZ0J
PZ01
PZ0J
PZ0
PZ0Z
PZ0S
PZ0P
PZ10
PZJ1
PZ1Z
PZ1J
PZ11
PZ1J
PZ1
PZ1Z
PZ1S
PZ1P
PZZ0
PZ?1
P?ZZ
Javier Jareo y Juan Carlos Delrieu: La circulacin fiduciaria en Espaia: distorsiones en su
evolucin.
Juan Ayuso Huertas: Intervenciones esterilizadas en el mercado de la peseta: 1978-1991.
Juan Ayuso, Juan J. Dolado y Simn Sosvilla-Rivero: Eficiencia en el mercado a plazo de la
peseta.
Jos M. Gonzlez-Pramo, Jos M. Roldn y Miguel Sebastin: Issues 00 Fiscal Paliey in
Spain.
Pedro Martnez Mndez: Tipos de inters, impuestos e infacin.
Vctor Garca-Vaquero: Los fondos de inversin en Espaa.
Csar Alonso y Samucl Bentolila: La relacin entre la inversin y la Qde Tobin en las empre
sas industiales espaolas. (Publicada una edicin en ingls con el mismo nmero.)
Cristina Mazn: Mrgenes de benefcio, eficiencia y poder de mercado en las empresas espaolas.
Cristina Mazn: El margen precio-coste marginal en la encuesta industrial: 1978-1988.
Ferando Restoy: Intertemporal substituton, risk aversion and short ter interest rates.
Fernando Restoy: Optimal portflio policies under time-dependent returs.
Fernando Restoy and Georg Michael Rockinger: lnvestment incentives in endogenously gro
wing economies.
Jos M. Gonzlez-Pramo, Jos M. Roldn y Miguel Sehastin: Cuestiones sobre poltica fs
cal en Espaa.
Angel Serrat Thbert: Riesgo, especulacin y coberura en un mercado de futuros dinmico.
Solead Nez Ramos: Fras, futuros y opciones sobre el MIBOR.
Federico J. Sez: El funcionamiento del mercado de deuda pblica anotada en Espaa.
Javier Santilln: La idoneidad y asignacin del ahorro mundial.
Maria de los Llanos Matea: Contrastes de races unitarias para series mensuales. Una aplicacin
al L.
Isabel Argimn, Jos Manuel Gonzlez-Pramo y Jos Mara Roldn: Ahorro, riqueza y tipos
de inters en Espaa.
Javier Azcrate Aguilar-Amat: La supervisin de los conglomerados financieros.
Olympia Bover: Un modelo emprico de la evolucin de los precios de la vivienda en Espaa
(1976-1991). (Publicada una edicin en ingls con el mismo nmero.)
Jeroen J. M. Kremees, Neil R. Ericsson and Juan J. Dolado: The power of cointegration tests.
Luis Julin Alvarez, Juan Carlos Delrieu y Javier Jaro: Tratamiento de predicciones con
flictivas: empleo efciente de informacin extramuestral.
Ferndo C. Ballabriga y Miguel Sebastin: Dficit pblico y tipos de inters en la economa
espaola: existe evidencia de causalidad?
Ferando Restoy: Tipos de inters y disciplina fiscal en uniones monetias. (Publicada una edi
cin en ingls con el mismo nmero.)
Manuel Arellano: Intoduccin al anlisis economtrico con datos de panel.
(J) Los Documentos de Trabajo anteriores a J990fguran en el catlogo de publicaciones del Banco de Espaa.
Inf0rmacI0n: Banco de Espaa
Seccin de Publicaciones. Negociado de Distribucin yGestin
Telfono: ooo 1 oU
Alcal, U.ZoU1AMadrid