Datos de Panel, Métodos Avanzados

Carlos Ramos

Marzo 4, 2017
Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Introducción

Los dos métodos más utilizados para datos de panel con

variables no observables son el método de efectos fijos y el
método de efectos aleatorios.
El método de efectos fijos se utiliza cuando uno está
solamente interesado en analizar el impacto de variables que
varı́an en el tiempo.
Por el otro lado, el método de efectos aleatorios se utiliza
cuando la variación de las observaciones de la muestra son
aleatorios y no correlacionados con la variable independiente.
En otras palabras, utilizamos efectos aleatorios cuando
creemos que las variables no observables no están
correlacionadas conlas demás variables independiente.

Datos de Panel - 2/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Fijos

Cuando utilizamos efectos fijos, asumimos que alguna

caracterı́stica del ente observado puede impactar o sesgar la
variable dependiente o independientes.
Es decir, se asume que existe correlación entre el término de
error de un individuo y las variables independientes es no-cero.
Al igual que el método de primeras diferencias, el método de
efectos fijos elimino estas caracterı́sticas invariantes en el
tiempo.
Por otro lado, también asumimos que las caracterı́sticas
invariantes en el tiempo no están correlacionadas entre
individuos. Si esto no se cumple, es muchas veces mejor
utilizar el método de efectos aleatorios.

Datos de Panel - 3/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Fijos

El modelo de efectos fijos está dado por:

Yit = β1 Xit + αi + uit

donde:
αi es el intercepto especı́fico a cada individuo.
Yit es la variable dependiente del individuo i en el perı́odo t.
Xit representa las variables independientes
β1 es representa el efecto de las variables independientes en la
variable dependiente.
y uit es el término de error.
De cuál otra manera podrı́amos representar los diferentes
interceptos?
Datos de Panel - 4/24
Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Fijos

Si tomamos averages a través del tiempo, para cada individuo

i obtenemos el modelo:

Ȳi = β1 X̄i + αi + ūi

1 PT
donde ȳi = T t=1 yit , etc.
Al igual que en el modelo de primeras diferencias, ahora
tenemos 2 ecuaciones donde los efectos no observables
aparecen. De qué manera podemos utilizar esto?

Datos de Panel - 5/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Fijos

Tomando diferencias entre las ecuaciones, obtenemos el

modelo:

yit − ȳi = β1 (xit − x̄i ) + uit − ūi , ∀T

En inglés otro nombre para este estimador es el estimador

”within”(Dentro) ya que al utilizar un MCO agrupado en esta
regresión, se utiliza la variación en el tiempo de las variablse
dependiente e independientes dentro de cada corte transversal.
Si por el otro lado, utilizamos el MCO agrupado en nuestro
modelo de medias, obtenemos un estimador ”between”, ya
que sólo se explota la variación entre los individuos de la
muestra, sin variación en el tiempo.
Datos de Panel - 6/24
Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Supuestos Estimador Efectos Fijos

Para asegurar que el estimador de primeras diferencias es no
sesgado y consistente, debemos de tener que las siguientes
condiciones se cumplan:
La muestra de la población transversal es aleatoria.
Existe variación idiosincrática en el tiempo de las variables
independiente xit (Para algunas o todas las observaciones) y
las variables explicatorias no tienen una relación lineal perfecta.
E [uit |Xi , ai ] = 0, donde Xi es una matriz que contiene todas
las variables independientes en todos los perı́odos de tiempo,
para una observación en el corte transversal. (Exogeneidad
estricta condicional en los no observables).
Además, para asegurar que los errores estándares y las
pruebas estadı́ticas son asimptoticamente válidas, debemos de
asumir homocedasticidad de los errores diferenciados y que no
sean serialmente correlacionados:
Homocedasticidad: Var [uit |Xi ] = σ 2 para todo t.
No corelación serial: Cov [uit , uis |Xi , ai ] = 0, para t 6= s.
Bajo estos el estimador de Efectos Fijos es BLUE.
Datos de Panel - 7/24
Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Ejemplo 14.1

Datos de Panel - 8/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Ejemplo 14.1

Datos de Panel - 9/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Ejemplo 14.2

Datos de Panel - 10/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Ejemplo 14.2

Datos de Panel - 11/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Fijos o Primeras Diferencias? N grande, T pequeño

Cuando tenemos una base de datos de panel con 3 o más

perı́odos, surgen diferencias entre el estimador de primeras
diferencias y el de efectos fijos.
Bajo los supuestos mostrados anteriormente, el estimador de
efectos fijos es BLUE y por tanto más eficiente que el de
primeras diferencias (este último es no sesgado bajo estos
supuestos).
Muchas veces tenemos que los factores no observables pueden
ser serialmente correlacionados. Por ejemplo, uit puede serguir
un proceso de camino aleatorio.
En este caso, 4uit no es serialmente correlacionado y por
tanto el estimador de primeras diferencias es más eficiente.
Por otro lado, puede que exista correlación serial de los
errores, pero menor que la que verı́amos en un proceso de
camino aleatorio. En este caso, es mejor utilizar efectos fijos.
Datos de Panel - 12/24
Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Fijos o Primeras Diferencias? N pequeño, T

grande

En el caso que tengamos una base de datos de panel con

muchas observaciones en el tiempo, debemos de tener cuidado
que nuestro proceso temporal no sea de raı́z unitaria. En este
caso, el método de efectos fijos nos puede dar una regresión
espuria.
Por el otro lado, el método de Primeras Diferencias eliminarı́a
este problema (o por lo menos nos darı́a un proceso de poca
dependencia), y por tanto nos darı́a los resultados que
buscamos.
En ambos casos, lo mejor es estimar la regresión utilizando los
2 modelos presentados, y ası́ poder verificar si existen
problemas en nuestra regresión.

Datos de Panel - 13/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Ejemplo 14.3

Datos de Panel - 14/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Ejemplo 14.3

Datos de Panel - 15/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Aleatorios

El modelo de efectos fijos está dado por:

Yit = β0 + β1 Xit + ai + uit

donde:
β0 es el intercepto común
αi es el intercepto especı́fico a cada individuo (con media 0).
Yit es la variable dependiente del individuo i en el perı́odo t.
Xit representa las variables independientes
β1 es representa el efecto de las variables independientes en la
variable dependiente.
y uit es el término de error.
Datos de Panel - 16/24
Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Aleatorios

Ahora suponemos que los efectos no variantes en el tiempo no

están correlacionados con las variables independientes ∀T .
Por tanto, utilizando una transformación para eliminar estos
efectos de nuestra regresión es ineficiente.
Especı́ficamente, nuestro modelo es de efectos aleatorios
cuando asumimos que:

Cov (xitj , ai ) = 0∀T , j = 1, ..., k

E (ai |Xi ) = β0

Datos de Panel - 17/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Aleatorios

Por tanto, bajo este supuesto, tenemos que podemos estimar

βj utilizando un corte transversal de nuestra base de dato.
Por supuesto, haciendo esto perdemos mucha información
disponible en la base de datos de panel.
Más aún, no podemos utilizar un MCO agrupado, ya que el
error compuesto ai + uit estará serialmente correlacionado.

σa2
Corr (ai + uit , ai + uis ) = , t 6= s
(σa2 + σu2 )

El problema de errores serialmente correlacionados se puede

resolver utilizando minimos cuadrados generalizados, con tal
de que nuestra base de datos de panel sea de N grande y T
pequeña.
Datos de Panel - 18/24
Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Aleatorios

Utilizando la siguiente transformación:

σa2 1
θ =1−[ ] 2 ∈ [0, 1]
(T σa2 + σu2 )

Lo cual nos permite correr la regresión:

yit − θȳi = β0 (1 − θ) + β1 (Xit − θX̄i ) + (νit − θν̄i )

Donde νit = ai + uit es el error compuesto.

Datos de Panel - 19/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Aleatorios

El hecho que solamente estemos restando la media,

ponderada con una constante que depende de las varianzas de
nuestras variables no observables y el error, nos permite incluir
variables constantes en el tiempo que sı́ son observables (al
contrario del modelo de efectos fijos). Por qué?
Para poder estimar la constante θ, requerimos de estimados
un estimador consistente de σa y σu .
Estos estimados pueden ser obtenidos haciendo una regresión
inicial, utilizando un MCO agrupado o una regresión de
efectos fijos.

Datos de Panel - 20/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Ejemplo 14.4

Datos de Panel - 21/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Ejemplo 14.4

Datos de Panel - 22/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

Efectos Aleatorios o Efectos Fijos?

Muchas veces, efectos fijos es preferible a efectos aleatorios,

ya que es robusto cuando tenemos que las variables no
observables están correlacionadas con las variables
independientes de interés.
En casos en donde la variable independiente de interés es una
variable constante en el tiempo, preferiremos utilizar el modelo
de efectos aleatorios, con el entendimiento de que estamos
asumiendo que no existe correlación entre las variables no
observables y las variables independientes de interés.
En estos casos, debemos de incluir tantos controles constantes
en el tiempo como sea posible, para que el supuesto
posiblemente se cumpla.

Datos de Panel - 23/24

Introducción Efectos Fijos Efectos Aleatorios Efectos Aleatorios o Efectos Fijos

La Prueba de Hausman

Una manera más formal de elegir entre los dos métodos, es

utilizando la prueba de Hausman.
La prueba de Hausman es una prueba de Chi-cuadrado la cual
tiene como hipótesis nula que ambos estimadores son
consistentes, y por tanto el estimador de Efectos Aleatorios es
preferible, al ser más eficiente.
Si la prueba es rechazada, entonces procedemos a utilizar el
estimador de efectos fijos.
La prueba de Hausman se puede correr a través del comando
phtest(plm.re, plm.fe), donde plm.re es el modelo de efectos
aleatorios y plm.fe es el modelo de efectos fijos.

Datos de Panel - 24/24