Datos de Panel

Preliminares: Datos de Panel
Maestra en Economia para Polticas P

ublicas
Nicolas Acosta
Pontificia Universidad Cat

olica del Ecuador - Universit
e Pierre Mend`
es
September 14, 2016
Nicol
as Acosta (PUCE) Preliminares: Datos de Panel September 14, 2016 1 / 28
Contenido
1 Pooled OLS
2 Introduccion a datos de panel
3 Efectos fijos
4 Efectos aleatorios
Nicol
Pooled OLS
Pooled OLS
El estimador de Pooled OLS ignora la estructura de los datos de panel

y estima
Nicol
Pooled OLS
Pooled OLS

y estima
Se fusionan(pool) secciones para tener muestras mas grandes: mayor
precision y poder
Nicol
Pooled OLS
Pooled OLS

y estima
precision y poder
Supuesto: Las relaciones de interes/parametros permanecen
constantes
Nicol
Pooled OLS
Pooled OLS

y estima
precision y poder
constantes
log (wage) = 0 + 1 educit + it , t = 1978, 1985
Nicol
Pooled OLS
Pooled OLS

y estima
precision y poder
constantes

log (wage) = 0.984 + 0.069educ
Nicol
Pooled OLS
Pooled OLS

y estima
precision y poder
constantes

log (wage) = 0.984 + 0.069educ
El retorno a la educaci
on is 6.9% para ambos a
nos
Nicol
Pooled OLS
Pooled OLS

y estima
precision y poder
constantes

log (wage) = 0.984 + 0.069educ
El retorno a la educaci
on is 6.9% para ambos a
nos
Supuesto: E(xt0 t ) = 0 t = 1, 2......T
Nicol
Pooled OLS
Pooled OLS
Alternativamente, podramos investigar el efecto del tiempo

asumiendo que solo el intercepto cambia
Nicol
Pooled OLS
Pooled OLS

Se debe incluir una variable dummy para cada perodo para evitar
multicolinealidad perfecta. Ej. omito el primer perodo
Nicol
Pooled OLS
Pooled OLS

log (wage) = 0 + 1 educit + 1 y 85t + it
Nicol
Pooled OLS
Pooled OLS

y 85t = 1 si t = 1985 ; y 0 si t = 1978
Nicol
Pooled OLS
Pooled OLS

y 85t = 1 si t = 1985 ; y 0 si t = 1978

log (wage) = 0.086 + 0.063educ + 0.034y 85
Nicol
Pooled OLS
Pooled OLS

y 85t = 1 si t = 1985 ; y 0 si t = 1978

log (wage) = 0.086 + 0.063educ + 0.034y 85
1 indica que los salarios crecieron 34,8% entre 1978 y 1985
manteniendo educaci on constante
Retorno de la educaci
on es 6,3% para ambos a
nos
Nicol
Pooled OLS
Pooled OLS: modelo alternativo
Podemos investigar si la relaci

on de interes cambia en el tiempo
Nicol
Pooled OLS

Incluir interacciones entre educ y tiempo; (educ y 78 y educ y 85)
Nicol
Pooled OLS

Opci on 1:
log (wage) = 0 + 1 educit y 78 + 2 educit y 85t + 3 y 85 + it
Nicol
Pooled OLS

Opci on 1:
1 = efecto de la educaci
on en los salarios en 1978
Nicol
Pooled OLS

Opci on 1:
Nicol
Pooled OLS

Opci on 1:

log (wage) = 1.030 + 0.052educ78 + 0.077educ85 + 0.029y 85
Nicol
Pooled OLS

Opci on 1:

log (wage) = 1.030 + 0.052educ78 + 0.077educ85 + 0.029y 85
El efecto estimado de la educaci
on en los salarios es 5,2% en 1978 y
7,7-% para 1985
El efecto permanece constante? Ho : 2 1 = 0
Nicol
Pooled OLS
on 2: log (wage) = 0 + 2 educit y 85t + 3 y 85 + it

Opci
Nicol
Pooled OLS

Opci
Cada interaccion mide el retorno vs el a
no de referencia (1978)
Nicol
Pooled OLS

Opci

log (wage) = 1.030 + 0.052educ78 + 0.0025 educ85 + 0.035y 85
Nicol
Pooled OLS

Opci

on en los salarios en 1978 es 5.2%; en
1985 is 2.5 puntos porcentuales mas alto
Nicol
Pooled OLS

Opci

on en los salarios en 1978 es 5.2%; en
1985 is 2.5 puntos porcentuales mas alto
El efecto permanece constante? Ho : 2 = 0
Nicol
Pooled OLS
Chow Test para cambio estructural
log (wage) = 0t + 1 educit + it
Nicol
Pooled OLS

Consiste en usar un test F para medir si los parametros son distintos
en dos diferentes perodos
Nicol
Pooled OLS

Modelo restringido: Pooled OLS
Nicol
Pooled OLS

Modelo no restringido: uno por cada perodo
Nicol
Pooled OLS

log (wage) = 0 + 1 educ + 1 y 85 + 2 educ y 85 +
Nicol
Pooled OLS

1 = 0 no hay diferencia en la constante; 2 = 0 no hay diferencia en
los retornos a la educaci
on
Nicol
Pooled OLS

1 = 0 no hay diferencia en la constante; 2 = 0 no hay diferencia en
los retornos a la educaci
on
Chow Test: Ho : 1 = 2 = 0 (no hay cambio estrucutral)
Nicol
Introducci
on a datos de panel
Datos de panel
Los datos de panel se refieren a los datos para n entidades

individuales distintas observadas en T diferentes periodos
Nicol
Introducci
on a datos de panel
Datos de panel

Los datos estatales sobre mortalidad en accidentes de trafico, n = 48
entidades individuales (estados), en T = 7 periodos (1982...1988)
para un total de 7 48 = 336 observaciones
Nicol
Introducci
on a datos de panel
Datos de panel

Yit expresa la variable Y observada para la i-esima de las n entidades
individuales en el i- esimo de los T periodos
Nicol
Introducci
on a datos de panel
Datos de panel

Yit expresa la variable Y observada para la i-esima de las n entidades
individuales en el i- esimo de los T periodos
Existe 2 tipos de paneles:
1 Panel Balanceado todas las observaciones en i y t

2 Panel No Balanceado faltan algunas observaciones en i o en t
Nicol
Introducci
on a datos de panel
Ejemplo datos de panel
Aproximadamente 40.000 muertes en accidentes de transito en

no en USA 25% relacionado con Calcohol
carretera cada a
Nicol
Introducci
on a datos de panel

carretera cada a
El 25% de los conductores en carretera entre 1am y 3am que haban
bebido presenta una probabilidad al menos 13 veces mayor de causar
un accidente fatal que un conductor que no haba bebido (Levitt y
Porter, 2001)
Nicol
Introducci
on a datos de panel

carretera cada a
Porter, 2001)
Cuan efectiva es la poltica gubernamental diseada para disuadir a los
conductores ebrios para reducir muertes en accidentes de transito?
Nicol
Introducci
on a datos de panel

carretera cada a
Porter, 2001)
Yit numero de muertes por cada 10.000 personas en el estado
por accidentes de transito
Nicol
Introducci
on a datos de panel

carretera cada a
Porter, 2001)
Yit numero de muertes por cada 10.000 personas en el estado
por accidentes de transito
Xit tasa de impuesto real sobre una caja de cervezas
Nicol
Introducci
on a datos de panel
Muertes accidente de transito vs impuesto a la cerveza
Nicol
Introducci
on a datos de panel
Muertes accidente de transito vs impuesto a la cerveza
Table 1: Accidentes de transito vs impuesto a la cerveza
(1) (2)
1982 1988
Tax on Case of Beer 0.148 0.439
(1.12) (3.43)
Constant 2.010 1.859

(13.44) (16.22)
Observations 48 48
t statistics in parentheses

p < 0.05, p < 0.01, p < 0.001
Nicol
Introducci
on a datos de panel
Sesgo por variable omitida: calidad del auto, carreteras, densidad

de autos, urbano/rural
Nicol
Introducci
on a datos de panel

Si estos factores permanecen constantes en el tiempo para un estado
determinado se puede utilizar efectos fijos es posible aislar el sesgo
por variable omitida
Nicol
Introducci
on a datos de panel

T = 2 (1982, 1988). Sea Zi = una variable que determina la tasa de
mortalidad en el estado i-simo que no cambia en el tiempo. Ej.
actitud cultural a beber y conducir
Nicol
Introducci
on a datos de panel

tasa de fatalidadit = 0 + 1 impuesto cervezait + 2 Zi + it
Nicol
Introducci
on a datos de panel

tasa de fatalidadit = 0 + 1 impuesto cervezait + 2 Zi + it
Zi puede eliminarse mediante variaci
on entre los dos periodos
Nicol
Efectos fijos
Antes y Despues
1 tasa de fatalidadi1982 = 0 + 1 impuesto cervezai1982 + 2 Zi + i1982
Nicol
Efectos fijos
Antes y Despues

(2) (1) = tasa de fatalidadi1988 tasa de fatalidadi1982 =

0 + (1 impuesto cervezai1988 1 impuesto cervezai1982 ) + 2 Zi +
i1988 i1982
Nicol
Efectos fijos
Antes y Despuesl
Nicol
Efectos fijos
Antes y Despues
tasa de fatalidadi1988 tasa de fatalidadi1982 = 0.72

1.04(impuesto cervezai1988 1 impuesto cervezai1982 ) + i1988 i1982
Nicol
Efectos fijos
Antes y Despues

Signo esperado = 1 < 0
Si se incluye un intercepto se permite la posibilidad de que el cambio
medio en la tasa de mortalidad, en ausencia de un cambio en el
impuesto real sobre la cerveza sea distinto de cero
Nicol
Efectos fijos
Antes y Despues

Ej. intercepto negativo (0.072) puede reflejar mejores en la
seguridad de los vehculos desde 1982 a 1988 que redujeron la tasa de
mortalidad
Nicol
Efectos fijos
Antes y Despues

mortalidad
El analisis antes vs despues solo funciona para T = 2
Nicol
Efectos fijos
Antes y Despues

mortalidad
El analisis antes vs despues solo funciona para T = 2
Problema: existen muchos factores que influyen en la seguridad del
trafico y si cambian a lo largo del tiempo que podran estar
correlacionados con el impuesto real a la cerveza
Nicol
Efectos fijos
Efectos Fijos
Toma en cuenta las variables omitidas en datos de panel cuando las

variables omitidas varan entre las distintas entidades individuales
(estados), pero no cambian en el tiempo
Nicol
Efectos fijos
Efectos Fijos

Funciona para T > 2
Nicol
Efectos fijos
Efectos Fijos

Funciona para T > 2
Se tiene n interceptos diferentes, uno para cada entidad individual.
Pueden ser ser variables binarias que absorben las influencias de todas
las variables omitidas que difieren de una entidad individual a otra,
pero son constantes en el tiempo
Nicol
Efectos fijos
Efectos fijos individuales
Sea Yit = 0 + 1 Xit + 2 Zi + it
Nicol
Efectos fijos

Zi = vara entre i pero no en t (cultura beber-conducir)
Nicol
Efectos fijos

El modelo contiene n interceptos uno para cada estado
Nicol
Efectos fijos

Nicol
Efectos fijos

Entonces: i = 0 + 2 Zi
Nicol
Efectos fijos

Yit = 1 Xit + i + it
Nicol
Efectos fijos

1 , 2 , 3 ......n se tratan como intercepetos desconocidos a estimar
(uno para cada estado)
Nicol
Efectos fijos

1 , 2 , 3 ......n se tratan como intercepetos desconocidos a estimar
(uno para cada estado)
1 , 2 , 3 ......n se conocen como efectos individuales
Nicol
Efectos fijos
Sea D1i una variable binaria igual a 1 cuando i = 1 y 0 caso contrario
Nicol
Efectos fijos

Nicol
Efectos fijos

............ y as sucesivamente
Nicol
Efectos fijos

Es posible incluir las n variables binarias adem
as de un
intercepto comun?
Nicol
Efectos fijos

as de un
intercepto comun?
No. Multicolinealidad perfecta (trampa de la dummy). Se debe omitir
una variable. Ej. D1i
Nicol
Efectos fijos

as de un
intercepto comun?
Yit = 0 + 1 Xit + 2 D2i + 3 D3i + n Dni + it
Nicol
Efectos fijos

as de un
intercepto comun?
Yit = 0 + 1 Xit + 2 D2i + 3 D3i + n Dni + it
Estimar = 0 , 1 , 2 ......n
Nicol
Efectos fijos
Para i = 1, recta poblacional es 0 + 1 Xit , por lo que i = 0
Nicol
Efectos fijos

Para i = 2......n, recta poblacional es 0 + 1 Xit + i , por lo que
i = 0 + i para i 2
Nicol
Efectos fijos

i = 0 + i para i 2
El software estadstico calcula el estimador de MCO de efectos fijos
en dos etapas
1 En la primera etapa se resta a cada variable la media especfica de su

entidad individual
Nicol
Efectos fijos

i = 0 + i para i 2
El software estadstico calcula el estimador de MCO de efectos fijos
en dos etapas
1 En la primera etapa se resta a cada variable la media especfica de su

entidad individual
2 Se estima la regresion utilizando las variables en desviacion respecto a
la media
Nicol
Efectos fijos
Y i = 0 + 1 Xi + i + i
Nicol
Efectos fijos
Y i = 0 + 1 Xi + i + i
Donde:
Nicol
Efectos fijos
Y i = 0 + 1 Xi + i + i
Donde:
1 PT
Yi = T i=1 Yit
Nicol
Efectos fijos
Y i = 0 + 1 Xi + i + i
Donde:
1 PT
Yi = T i=1 Yit
1 PT
Xi = T i=1 Xit
Nicol
Efectos fijos
Y i = 0 + 1 Xi + i + i
Donde:
1 PT
Yi = T i=1 Yit
T
X i = T1 i=1 Xit
P
i = T1 i=1 T it
P
Nicol
Efectos fijos
Y i = 0 + 1 Xi + i + i
Donde:
1 PT
Yi = T i=1 Yit
T
X i = T1 i=1 Xit
P
i = T1 i=1 T it
P
Entonces: Yit Yi = 1 (Xit Xi ) + (it i )
Nicol
Efectos fijos
Y i = 0 + 1 Xi + i + i
Donde:
1 PT
Yi = T i=1 Yit
T
X i = T1 i=1 Xit
P
i = T1 i=1 T it
P
Entonces: Yit Yi = 1 (Xit Xi ) + (it i )

La ecuacion con variables binarias parece muy diferente al modelo de
regresion antes y despues. Para T = 2 el estimador de MCO es
identicos entre mabas estimaciones si se excluye o
En conclusion existe tres metodos de estimaci on: i) antes y despues ,
ii) variable binaria y iii) desviaciones respecto a la media
Nicol
Efectos fijos
Los supuestos para datos de panel (efectos fijos) son similares,

excepto por muestreo aleatorio. Ahora, las variables son
independientes entre las distintas unidades individuales, pero no
impone ninguna restrccion dentro de cada unidad individual
Nicol
Efectos fijos

En otras palabras, Xit esta correlacionada en el tiempo dentro de una
entidad individual
Nicol
Efectos fijos

entidad individual
Si Corr (Xit , Xis ) para t 6= s = estan serialmente correlacionada o
autocorrelacionado
Nicol
Efectos fijos

entidad individual
autocorrelacionado
Ej. Xit es es alto de t sera alto en s, el poder legislativo no cambia
Nicol
Efectos fijos

entidad individual
autocorrelacionado
Con el error it : una recesi
on disminuye puestos de trabajo y
desplazamiento de vehculos en carreteras durante 2 anos
Nicol
Efectos fijos

entidad individual
autocorrelacionado
Con el error it : una recesi
on disminuye puestos de trabajo y
desplazamiento de vehculos en carreteras durante 2 anos
Que ocurre con las condiciones meteorol
ogicas?
Nicol
Efectos fijos
Errores estandar en efectos fijos
Si Corr (Xit , Xis ) para t 6= s = error estandar robusto a

heteocedasticidad no es valido
Nicol
Efectos fijos

Se debe utilizar errrores estandar consistentes a heterocedasticidad y
autocorrelacion (HAC) o errores agrupados(cluster)
Nicol
Efectos fijos

HAC permiten la correlaci
on de los errrores de la regresion dentro de
un grupo (cluster) pero no entre grupos
Nicol
Efectos fijos

HAC permiten la correlaci
on de los errrores de la regresion dentro de
un grupo (cluster) pero no entre grupos
En la practica puede existir gran diferencia entre errores estandar
robusto a heteorcedasticidad vs HAC, por lo que t e IC varan: error
estadstico tipo II
Nicol
Efectos fijos
Efectos fijos temporales
Las mejoras en la seguridad de los autom

oviles cambiaron en el
tiempo, pero fueron las mismas en todos los estados
Nicol
Efectos fijos

Solucion: Efectos fijos temporales que permiten tener en cuenta las
variables que son constantes entre las entidades individuales pero que
cambian en el tiempo
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
St = no observable pero cambia en el tiempo (seguridad automoviles)
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
Si Corr (St , Xit ) 6= 0 = sesgo por variable omitida
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
Si Yit = 1 Xit + t + it
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
1 ......T es un intercepeto diferente para cada periodo del tiempo:
efectos fijos temporales
Nicol
Efectos fijos

Nicol
Efectos fijos

Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 Zi + 3 St + it
1 ......T es un intercepeto diferente para cada perodo del tiempo:
efectos fijos temporales
Nicol
Efectos fijos
Con variables binarias (T 1)
Nicol
Efectos fijos

Yit = 0 + 1 Xit + 2 B2t + 3 B3t + T Bnt + it
Nicol
Efectos fijos

2 ......T son coeficientes desconocidos a estimar y B2t = 1 si t = 2 y
B2t = 0 en caso contrario, y as sucesivamente
Nicol
Efectos fijos

2 ......T son coeficientes desconocidos a estimar y B2t = 1 si t = 2 y
B2t = 0 en caso contrario, y as sucesivamente
Con efectos fijos temporales e individuales
Yit = 0 + 1 Xit + 2 D2i + 3 D3i + n Dni + 2 B2t + 3 B3t + T Bnt + it
Nicol
Efectos aleatorios
Efectos aleatorios
Sea: Yit = 0 + 1 Xit1 + k Xitk + ai + it
Nicol
Efectos aleatorios
Efectos aleatorios

ai es heterogenidad no observada
Nicol
Efectos aleatorios
Efectos aleatorios

Supuesto: Cov (Xit , ai ) = 0 t = 1, 2......T
Nicol
Efectos aleatorios
Efectos aleatorios

it = ai + it
Nicol
Efectos aleatorios
Efectos aleatorios

it = ai + it
Sea: Yit = 0 + 1 Xit1 + k Xitk + it
Nicol
Efectos aleatorios
Efectos aleatorios

it = ai + it
ai aparece en cada perodo del tiempo = autocorrelacion
Nicol
Efectos aleatorios
Efectos aleatorios

it = ai + it
2
Cov (it , is ) = a2 +2
para t 6= s
Nicol
Efectos aleatorios
Efectos aleatorios

it = ai + it
2
Cov (it , is ) = a2 +2
para t 6= s
2 = Var (i ) y a2 = Var (ai )
Nicol
Efectos aleatorios
Efectos aleatorios

it = ai + it
2
Cov (it , is ) = a2 +2
para t 6= s
2 = Var (i ) y a2 = Var (ai )
Pooled OLS (MCO Fusionados) no tiene en cuenta estos errores
estandar
Nicol
Efectos aleatorios
Efectos aleatorios

it = ai + it
2
Cov (it , is ) = a2 +2
para t 6= s
2 = Var (i ) y a2 = Var (ai )
Pooled OLS (MCO Fusionados) no tiene en cuenta estos errores
estandar
GLS (MCG) podra utilizarse para resolver la autocorrelacion pero se
necesita N bastante grande respecto a T
Nicol
Efectos aleatorios
Efectos aleatorios
La derivacion de MCO que elimina la autocorrelacion es:
Nicol
Efectos aleatorios
Efectos aleatorios

2
= 1 [ 2 +T 2
]1/2
a
Nicol
Efectos aleatorios
Efectos aleatorios

2
= 1 [ 2 +T 2
]1/2
a
(0, 1)
Nicol
Efectos aleatorios
Efectos aleatorios

2
= 1 [ 2 +T 2
]1/2
a
(0, 1)
Yit = Y it = 0 (1)+1 (Xit1 Y it )+k (Xik1 Y it )+(it i )
Nicol
Efectos aleatorios
Efectos aleatorios

2
= 1 [ 2 +T 2
]1/2
a
(0, 1)
La barra superior denota los valores medios temporales; una
desviacion respecto a la media
Nicol
Efectos aleatorios
Efectos aleatorios

2
= 1 [ 2 +T 2
]1/2
a
(0, 1)
(T 1) 1 PN PT 1 PT
a2 = [ NT
2(k+1) ] i=1 t=1 s=t+1
it is
Nicol
Efectos aleatorios
Efectos aleatorios

2
= 1 [ 2 +T 2
]1/2
a
(0, 1)
(T 1) 1 PN PT 1 PT
a2 = [ NT
2(k+1) ] i=1 t=1 s=t+1
it is
Donde: it son los residuos de la estimaci
on por Pooled OLS
Nicol
Efectos aleatorios
Efectos aleatorios

2
= 1 [ 2 +T 2
]1/2
a
(0, 1)
(T 1) 1 PN PT 1 PT
a2 = [ NT
2(k+1) ] i=1 t=1 s=t+1
it is
Donde: it son los residuos de la estimaci
on por Pooled OLS
Ahora se puede estimar:
= a
Nicol
Efectos aleatorios
Efectos aleatorios
se denomina estimador de
El estimador de GLS(MCG) que utiliza
efectos aleatorios
Nicol
Efectos aleatorios
Efectos aleatorios
El estimador de GLS(MCG) que utiliza se denomina estimador de

efectos aleatorios
Cuando = 0 se obtiene el estimador de Pooled OLS
Nicol
Efectos aleatorios
Efectos aleatorios

efectos aleatorios
Cuando = 1 se obtiene el estimador de efectos fijos
Nicol
Efectos aleatorios
Efectos aleatorios

efectos aleatorios
nunca es 0 o 1
En la practica
Nicol
Efectos aleatorios
Efectos aleatorios

efectos aleatorios
nunca es 0 o 1
En la practica
Cuando es cercano a 0, las estimaciones de Pooled OLS y efectos
aleatorios son muy cercanas. Esto ocurre cuando a <
Nicol
Efectos aleatorios
Efectos aleatorios

efectos aleatorios
nunca es 0 o 1
En la practica
Cuando es cercano a 0, las estimaciones de Pooled OLS y efectos
aleatorios son muy cercanas. Esto ocurre cuando a <
Cuando a > , se acerca a 1 = las estimaciones de efectos fijos
y efectos aleatorios son muy similares
Nicol

Datos de Panel

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Datos de Panel

Cargado por

Copyright:

Formatos disponibles

Preliminares: Datos de Panel

Maestra en Economia para Polticas P

Pontificia Universidad Cat

September 14, 2016

2 Introduccion a datos de panel

El estimador de Pooled OLS ignora la estructura de los datos de panel

El estimador de Pooled OLS ignora la estructura de los datos de panel

El estimador de Pooled OLS ignora la estructura de los datos de panel

El estimador de Pooled OLS ignora la estructura de los datos de panel

El estimador de Pooled OLS ignora la estructura de los datos de panel

El estimador de Pooled OLS ignora la estructura de los datos de panel

El estimador de Pooled OLS ignora la estructura de los datos de panel

Alternativamente, podramos investigar el efecto del tiempo

Alternativamente, podramos investigar el efecto del tiempo

Alternativamente, podramos investigar el efecto del tiempo

Alternativamente, podramos investigar el efecto del tiempo

Alternativamente, podramos investigar el efecto del tiempo

Alternativamente, podramos investigar el efecto del tiempo

Pooled OLS: modelo alternativo

Podemos investigar si la relaci

Pooled OLS: modelo alternativo

Podemos investigar si la relaci

Pooled OLS: modelo alternativo

Podemos investigar si la relaci

Pooled OLS: modelo alternativo

Podemos investigar si la relaci

Pooled OLS: modelo alternativo

Podemos investigar si la relaci

Pooled OLS: modelo alternativo

Podemos investigar si la relaci

Pooled OLS: modelo alternativo

Podemos investigar si la relaci

Pooled OLS: modelo alternativo

on 2: log (wage) = 0 + 2 educit y 85t + 3 y 85 + it

Pooled OLS: modelo alternativo

on 2: log (wage) = 0 + 2 educit y 85t + 3 y 85 + it

Pooled OLS: modelo alternativo

on 2: log (wage) = 0 + 2 educit y 85t + 3 y 85 + it

Pooled OLS: modelo alternativo

on 2: log (wage) = 0 + 2 educit y 85t + 3 y 85 + it

Pooled OLS: modelo alternativo

on 2: log (wage) = 0 + 2 educit y 85t + 3 y 85 + it

Chow Test para cambio estructural

log (wage) = 0t + 1 educit + it

Chow Test para cambio estructural

log (wage) = 0t + 1 educit + it

Chow Test para cambio estructural

log (wage) = 0t + 1 educit + it

Chow Test para cambio estructural

log (wage) = 0t + 1 educit + it

Chow Test para cambio estructural

log (wage) = 0t + 1 educit + it

Chow Test para cambio estructural

log (wage) = 0t + 1 educit + it

Chow Test para cambio estructural

log (wage) = 0t + 1 educit + it

Los datos de panel se refieren a los datos para n entidades

Los datos de panel se refieren a los datos para n entidades

Los datos de panel se refieren a los datos para n entidades

Los datos de panel se refieren a los datos para n entidades

1 Panel Balanceado todas las observaciones en i y t

Ejemplo datos de panel

Aproximadamente 40.000 muertes en accidentes de transito en

Ejemplo datos de panel