Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Año 2019
De…nición de Panel (o Base de datos longitudinal)
I Es una muestra de N unidades y T observaciones por unidad
fwit g i = 1, .....N, t = 1, 2, .....T .
I O sea, hay observaciones repetidas a lo largo del tiempo para
las mismas unidades.
I Unidades: hogares, empresas, paises,industrias,personas
I Diferencia con cortes transversales repetidos.
I Paneles: balanceados, rotativos, etc..
Macropaneles: los individuos son países, sectores de actividad, etc.
El interés de los macropaneles está, generalmente, en realizar
análisis de series temporales multivariantes. N suele ser pequeño
en relación a T , es posible pensar que son N variables a explicar.
Micropaneles: los individuos son empresas, hogares, personas, etc.
Este es el tipo de problemas en que nos concentraremos. Aquí N
es grande en relación a T , es posible pensar que son T variables a
explicar.
Origen de los micropaneles: Encuestas, Registros administrativos,
Censos
La dimensión del panel es relevante para poder encontrar las
propiedades asintóticas de los estimadores (semiasintótica):
I N grande T chico lo usual en micropaneles
I T grande N chico lo usual en macropaneles
Recientes desarrollos analizan propiedades asintóticas de muestras
con N grande T grande.
El enfásis aquí será en N grande y T chico.
Es importante notar que el comportamiento de los estimadores no
será el deseable si tanto N como T son pequeños.
Ventajas generales de los micropaneles
Hay estadísticos que no puedo generar a partir de corte
transversales repetidos:
I transiciones desempleo/empleo, duración en el empleo, etc.
I momentos basados en distribuciones conjuntas; por ejemplo
probabilidades condicionales Pr(y2 = 1 jy1 = 0 ).
Ventajas de los micropaneles desde el punto de vista
econométrico:
Con respecto a las series temporales:
I es posible evitar los sesgos de agregación, lo que explota es
fundamentalmente la variabilidad individual.
Con respecto a los datos de corte transversal:
I controlar por la presencia de heterogeneidad individual
inobservable,
I descomponer componentes de error
I considerar la dinámica
I ofrecer instrumentos alternativos ante el problema de errores
de medida.
Limitaciones de los micropaneles:
I el efecto de los errores de medida puede verse ampli…cado,
I falta de representatividad de la muestra debido a desgaste
muestral (o atricción) o a que la muestra en cada período no
es representativa de la población
Modelo Heterogeneidad inobservable
Motivación
Considere la siguiente regresión simple utilizando una muestra de
corte transversal, fyi , xi g , i = 1, ..., N.
yi 1 = βxi 1 + η i + vi 1
yi 2 = βxi 2 + η i + vi 2
y riqueza futura)
yi 1 = xi01 β + η i + vi 1 (2.1)
∆yi 2 = ∆xi02 β + ∆vi 2 (2.2)
..
..
∆yiT = ∆xi02 β + ∆viT (2.T)
pero, supongamos T = 5
" # 1 " #
N N
b
βMCG = ∑ (DXi ) 0
Ωi 1
(DXi ) ∑ (DXi ) 0
Ωi 1
(Dyi )
i =1 i =1
" # 1" #
N N
∑ (DXi ) ∑ (DXi )
0 0 1 0 0 1
= DD (DXi ) DD (Dyi )
i =1 i =1
siendo
Recordar:
I D=matriz operadora de primeras diferencias
I en este caso MCG es factible, la matriz de ponderaciones es
Ωi 1 = (DD 0 )
3. (Desvíos respecto a la media MCO) Estimando por MCO una
ecuación en diferencias respecto a la media.
0
yeit = e
xit β + veit (7)
siendo
T
1
yeit = yit y i con y i =
T ∑ yit
t =1
T
1
e
xit = xit x i con x i =
T ∑ xit
t =1
T
1
veit = vit v i con v i =
T ∑ vit
t =1
El modelo lo podemos escribir como
yei = e
xi β + vei (8)
T
1
yit = yit
T t ∑ yis
s =t +1
T
1
xit = xit
T t ∑ xis
s =t +1
T
1
vit = vit
T t ∑ vis
s =t +1
El modelo en desvios ortogonales lo puedo escribir como
E [Ψ(wi , θ )] = E e
xit yeit xit0 β
e
t = 1, 2..T
E e
xit yeit xit0 β
e = 0 ()
xi 1 + xi 2 + ... + xiT vi 1 + vi 2 + ... + viT
E xit vit =0
T T
Modelos estáticos: Estimador IG desde la perspectiva MM
El supuesto de exogeneidad estricta es muy "restrictivo". Notar
que, por ejemplo, la existencia de feed-backs desde los shocks en t
hacia las x futuras viola dicho supuesto.
Si escribieramos las CO correspondientes a los estimadores
VD_MCO, PD_MCG y DO encontraríamos que también se
requiere el cumplimiento del supuesto de exogeneidad estricta para
que las CO se cumplan y por lo tanto que el estimador IG sea
consistente.
Sin embargo, existen algunas alternativas para encontrar
estimadores para β cuya consistencia dependa de supuestos menos
restrictivos.
Modelos estáticos: Estimadores alternativos al IG desde la
perspectiva MM
Primeras diferencias MCO:
E (vi j xi ) = 0
Var (vi j xi ) 6= σ2 IT
La fórmula
0 1
d b
Var βIG b2 X X
= σ
X = (In A) X
y = (In A) y
1
b2 =
σ (y X b
βIG )0 (y X b
βIG )
N (T 1) k
0
Si se cumple E Xi vi = 0 el lado derecho es una media
muestral con media 0 a la que se puede aplicar el TCL
(considerando el caso de T …jo y N ! ∞)
N
1
∑ Xi
0 d 0 0
vi ! N 0, E Xi vi vi Xi
N i =1
vbi = (yi Xi b
βIG ). Sin embargo, esta alternativa no será
adecuada para casos con T grande y N …jo.
Estimador MCG óptimo ante heterocedasticidad y
autocorrelación de forma no conocida
0
E vi vi j xi = Var (vi j xi ) = Ω (xi )
El estimador óptimo (no factible) está dado por
" # 1
N N
βUGLS = ∑ Xi Ω (xi ) 1 Xi ∑ Xi Ω (xi )
0 0
b 1
yi
i =1 i =1
N i =1
Estimador GMM bajo heterocedasticidad y autocorrelación
de forma no conocida.
Var b
βUGLS Var b
βOGMM Var b
βWG
" # 1 " #
N N
b
βBG = ∑ (xi x)0 (xi x) ∑ (xi x) 0 (y i y) (10)
i =1 i =1ii
con
σ2η
σ2η + σ2
N T
1
N (T 1) i =1 t∑
∑
b2 =
σ (yit y i )2 (13)
=1
1 N
b2
σ
b2η
σ =
N ∑ (y i y )2
T
(14)
i =1
con
1 N 2 b2
σ
b2η
σ =
N ∑ yi x it0 b
βBG
T
(19)
i =1
b
θE
b
θR
b
θ E es un estimador consistente y e…ciente bajo la hipótesis nula
(por ejemplo MCO en una regresión lineal de un modelo
homocedástico, bajo la hipótesis de no correlación entre las x y el
error)
b
θ R es un estimador consistente tanto bajo la hipótesis nula como
bajo la hipótesis alternativa, pero (probablemente) menos e…ciente
(por ejemplo IV) que b θ E bajo la nula
Hausman demostró que el estadístico
0h i 1
h = b
θR b θE b b
V θR b θE b
θR b θE (20)
0h i 1
= bθ R bθ E b b
V θR Vb b
θE b
θR b θE
b
θE = b
βBN
b
θR = b
βWG
E xi ∆yiT 0
∆xiT β = 0 (23)
yi = α + βxi + vi (24)
cov (yi , xi )
β=
var (xi )
cov (yi , xi ) 1
p lim b
β= =β
var (xi ) 1+λ
donde λ = σ2 /σ2e .
Dos alternativas para enfrentar el problema:
1. Utilizando una estimación de λ.
2. Si se cuenta con una medición alternativa zi = xi + ζ i .En
este caso procedemos estimando por MGM
2.6.2 Sesgo por error de medida y sesgo por heterogeneidad
inobservable
Modelo
yi = α + βxi + η i + vi
xi = xi + εi .