Documentos de Académico
Documentos de Profesional
Documentos de Cultura
que tiene rango T - 1. El rango deficiente en la expresión (10.60) causa problemas para
el enfoque habitual de GLS, porque la matriz de varianza no se puede invertir. Una
forma de proceder es utilizar un inverso generalizado. Un enfoque mucho más fácil, y
uno que resulta ser algebraicamente idéntico, es eliminar uno de los períodos de
tiempo del análisis. Se puede demostrar (ver Im, Ahn, Schmidt y Wooldridge, 1999) que
no importa cuál de estos períodos de tiempo se descarte: el estimador de GLS
resultante es el mismo.
Para ser concretos, suponga que descartamos el período de tiempo T, dejando las
ecuaciones
y€I1 ¼ X€ i1 B þ tu€ yo1
.
. ð10:
61Þ
y€I; T—1 ¼ X€ I; T—1B þ tu€I;
T—1
Para que no tengamos que introducir una nueva notación, escribimos el sistema
(10.61) como ecuación (1 0 ,4 9 ) , in ge n io h th mi en tend iendo gramo e s o t N o w
€ yi es ðT - 1Þ × 1, X € I es ðT - 1Þ × K,y € ui es ðT - 1Þ × 1. Defina la matriz ðT - 1Þ × ðT -
1Þ positiva definida W 1 Eð € ui € ui0Þ. No necesitamos hacer explícita la dependencia
de W en L y QT; el punto clave es que, si no se imponen restricciones a L, W tampoco
está restringido.
Para estimar W, estimamos b mediante efectos fijos en la primera etapa. Después
de caer
thmi último período de tiempo para cada i, defina los residuos ðT - 1Þ × 1 u ^ u ^ , yo ¼
F
ui ¼ € yi - X € ib ^ E
1; 2; ...; N. Un estimador consistente de W es
W^ ¼ N n
—1 or ^ui ^ uuI
0
ð10: 62Þ
X
te
I¼1
Av ^ !—1
n
arðb ^ €I 0
or X W^
te
—1 €
FEGL Þ¼ X X I
S I¼1
La suma de las estadísticas residuales cuadradas de FGLS se puede utilizar para
probar múltiples restricciones. Tenga en cuenta que G = T - 1 en el estadístico F en la
ecuación (7.53).
El estimador FEGLS fue propuesto por Kiefer (1980) cuando los ci se tratan como
parámetros. Como acabamos de mostrar, el procedimiento estima consistentemente b
cuando vemos ci como aleatorio y permitimos que se correlacione arbitrariamente con
xit.
El estimador FEGLS es asintóticamente no menos eficiente que el estimador
FEbajo el supuesto FEGLS.3, incluso cuando Lt ¼ s2IT. Generalmente,t si L 0 s2IT,
FEGLS u u
es más eficiente que FE, pero esta conclusión se basa en las asintóticas de N grande
y T fijo. Desafortunadamente, debido a que FEGLS todavía usa la transformación de
efectos fijos para eliminar ci, puede tener grandes errores estándar asintóticos si las
matrices X € i tienen col-
umns cercanos a cero.
En lugar de permitir que W sea una matriz sin restricciones, podemos imponer
restricciones a L que implican que W tiene una forma restringida. Por ejemplo,
Bhargava, Franzini y Narendranatahn (1982) (BFN) asumen que fuitg sigue un AR
homocedástico estable (1)
modelo. Esta suposición implica que W depende de solo tres parámetros, s2, s2 y
cu
el coeficiente AR, r, no importa cuán grande sea T. BFN obteneruna
transformación que
elimina el efecto no observado, ci, y elimina la correlación serial en uit. También
proponen estimadores de r, de modo que sea posible GLS factible. Modelar fuitg
como un proceso de serie de tiempo específico es atractivo cuando N no es muy
grande en relación con T, ya que la estimaciónuna matriz de covarianza no restringida
para € ui [el vector ðT - 1Þ × 1 de errores degradados en el tiempo] sin N grande puede
conducir a un desempeño deficiente de la muestra finita del estimador FGLS. Sin
embargo, las únicas afirmaciones generales que podemos hacer se refieren a fijos: ¡T,
N! y asintóticas. En este escenario, el estimador FGLS que usa W sin restricciones no es
menos asintóticamente eficiente que un estimador FGLS que pone restricciones en
W. Y, si las restricciones sobre W son incorrecto, el estimador que impone las
restricciones es menos eficiente asintóticamente. Por lo tanto, por motivos
teóricos, preferimos un estimador del tipo de la ecuación (10.62).
10.5.6 Uso de la estimación de efectos fijos para el análisis de políticas
Hay otras formas de interpretar la transformación de efectos fijos para ilustrar por qué
los efectos fijos son útiles para el análisis de políticas y la evaluación de programas.
Considere el modelo
yeso ¼ xitb þ vit ¼ zitg þ idiota þ vit
donde vit puede contener o no un efecto no observado. Sea wit la variable política de
interés; puede ser continuo o discreto. El vector zit contiene otros controles que
podrían estar correlacionados con el ingenio, incluidas las variables ficticias de período
de tiempo.
Como ejercicio, puede demostrar que lo suficiente para la consistencia de los efectos
fijos, junto con la condición de rango FE.2, es
E½xI0tDvit - viÞ] ¼ 0; t ¼ 1; 2; . . . ; T
Este supuesto muestra que cada elemento de xit, y en particular la variable de
política wit, puede correlacionarse con vi. Lo que los efectos fijos requieren para la
coherencia es que el ingenio no esté correlacionado con las desviaciones de vit del
promedio durante el período de tiempo. Entonces una políticaLa variable, como la
participación en el programa, se puede relacionar sistemáticamente con el componente
persistente en el error vit, medido por vi. Es por esta razón que FE suele ser superior a
OLS agrupados o efectos aleatorios para aplicaciones donde la participación en un
programa está determinada por atributos preprogramados que también lo afectan.
10.6.1 Inferencia
En la sección 10.1 usamos la diferenciación para eliminar el efecto no observado ci con
T = 2. Ahora estudiamos la transformación diferencial en el caso general del modelo
(10.41). Para completar, expresamos el primer supuesto de la siguiente manera:
suposición FD.1: Igual como Supuesto FE.1.
Enfatizamos que el modelo y la interpretación de b son exactamente como en la Sección
10.5. Lo que difiere es nuestro método para estimar b.
Retrasar el modelo (10.41) un período y restar da
D yeso ¼ Dxitb þ Duit; t ¼ 2; 3;. . . ; T ð10:
63Þ
donde D yit ¼ yit - yi; t — 1, Dxit ¼ xit - xi; t — 1 y Duit ¼ uit - ui; t — 1. Como con la
FEtransformación, esta transformación de primera diferenciación elimina el efecto no
observado ci. Al diferenciar, perdemos el primer período de tiempo para cada sección
transversal: ahora tenemos períodos de tiempo T - 1 para cada i, en lugar de T. Si
comenzamos con T ¼ 2, entonces, después de la diferencia
A diferencia, llegamos a un período de tiempo para cada sección transversal: D yi2 ¼
Dxi2b þ Dui2.
La ecuación (10.63) aclara que los elementos de xit deben variar en el tiempo
(para al menos algunas unidades de sección transversal); de lo contrario, Dxit tiene
elementos que son idénticamente cero para todo i y t. Además, mientras que la
intersección en la ecuación original se diferencia, la ecuación (10.63) contiene
cambios en las variables ficticias de tiempo si xit contiene variables ficticias de
tiempo. EnEn el caso de T = 2, el coeficiente de la variable ficticia de tiempo del
segundo período se convierte en el intercepto en la ecuación diferenciada. Si
diferenciamos la ecuación general (10.43) obtenemos
D yeso ¼ y2ðDd2tÞ þ ··· þ yT ðDdTtÞþ ðDd2tÞzig2
þ · · · þ DDdTtÞzigT þ Dwitd þ Duit ð10:
64Þ
Los parámetros y1 y g1 no se identifican porque desaparecen de la ecuación
transformada, al igual que con los efectos fijos.
La primera diferencia (FD) estimador, F , es el estimador MCO agrupado de la
b^ D
regresión
D yeso en Dxit; t ¼ 2; . . . ; T; I¼ 1; 2;. . . ; norte
ð10:sesenta y cincoÞ
Bajo el supuesto FD.1, la estimación combinada de MCO de las ecuaciones con la
primera diferencia será consistente porque
Bajo el supuesto FD.3 podemos escribir uit ¼ ui; t — 1 þ eit, de modo que ninguna
correlación serial en el eit implica que uit es un paseo aleatorio. Un paseo aleatorio
tiene una dependencia serial sustancial, por lo que el Supuesto FD.3 representa un
extremo opuesto al Supuesto FE.3.
Bajo los supuestos FD.1-FD.3 se puede demostrar que el estimador FD es más
eficiente en la clase de estimadores que utilizan el supuesto estricto de
exogeneidad FE.1. Además, a partir del análisis MCO agrupado de la Sección 7.8,
Av ^ arðb ^ Þ ¼ s^ 2DDX0 DXÞ — 1 ð10: 67Þ
F m
D
dondemi s ^ 2
esi un estimador consistente de s2. El estimador más simple se obtiene
comparando
ee
poniendo los residuales de OLS
m XT ð10:
i 2m
e
69Þ
I¼1 t¼2 si
Av ^ arðb ^ Þ ¼ -1 —1
DDX0 DXÞ DXI0^ei ^ !DDX0 DXÞ ð10:
F
D norte 0 70Þ
eI DXi
X
I¼
1
Dlogð ^ chatarraÞ¼ -:
091 - : 096 d89 - : 223 Dgrant - : 351 Dgrant—1
D: 091Þ D: 125Þ D: 131Þ D: 235Þ
½: 088] ½: 111] ½: 128] ½: 265]
R2 ¼: 037
donde los errores estándar habituales están entre paréntesis y los errores estándar
robustos entre paréntesis. Reportamos R2 aquí porque tiene una interpretación útil:
mide la cantidad de variación en el crecimiento en la tasa de desperdicio que se explica
por Dgrant y Dgrant — 1 (y d89). Las estimaciones de la subvención y la subvención — 1
son bastante similares a las estimaciones de efectos fijos, aunque la subvención ahora
es estadísticamente más significativa que la subvención — 1. La prueba F habitual para
la significación conjunta de Dgrant y Dgrant — 1 es 1,53 con un valor de p ¼: 222.
10.6.3 Prueba de correlación serial
DebajoSupuesto FD.3, los errores eit 1 Duit no deben correlacionarse en serie.
Podemos probar fácilmente esta suposición dados los residuales de MCO
agrupados de la regresión(10,65). Dado que se cumple el supuesto de exogeneidad
estricta, podemos aplicar la forma simple de la prueba de la sección 7.8. La regresión se
basa en períodos de tiempo T - 2:
mi^eso ¼ r^1 mi^yo; t—1 þ errorit; t ¼ 3; 4; . . . ; T; I ¼ 1; 2; . . . ; norte ð10: 71Þ
Thmi test statistiC Is thmi usual t statistiC onorte r ^ 1. Ingenioh T ¼ 2 estos test Is
Not disponible, ni es necesario. Con T = 3, la regresión (10.71) es solo una regresión de
sección transversal porque perdemos los períodos de tiempo t = 1 y t = 2.
Si los errores idiosincrásicos son: t = 1; 2; ...; Tg no están correlacionados al principio,
feit: t = 2; 3; ...; Tg se correlacionará automáticamente. De hecho, bajo el supuesto FE.3
se muestra fácilmente que Corrðeit; ei; t — 1Þ¼ -: 5. En cualquier caso, el hallazgo de
una correlación serial significativa en el eit justifica calcular la matriz de varianza
robusta para el estimador FD.
Ejemplo 10.6 (continuación): Probamos la correlación serial AR (1) en la primera
ecuación diferenciada regresando e ^ it sobre e ^ i; t — 1 usando el año 1989.
Obtenemos r ^1 ¼ : 237 ingenioh t estadística
¼ 1,76. Hay evidencia marginal de correlación serial positiva en las primeras
diferencias
Duit. Más, r ^ 1 ¼ : 237 Is very di¤erent de un lado a otrometro r1 ¼ -: 5, queh Is
implicarD By thmi Stan- Dard efectos aleatorios y fijos suposición de que las uit no
están correlacionadas en serie.
En los casos en que las variables clave en xt no varían mucho con el tiempo, los efectos
fijos y los métodos de primera diferenciación pueden llevar a estimaciones imprecisas.
Es posible que nos veamos obligados a utilizar la estimación de efectos aleatorios para
aprender algo sobre los parámetros de la población. Si un análisis de efectos aleatorios
es apropiado, es decir, si ci es ortogonal axit, entonces los estimadores de efectos
aleatorios pueden tener varianzas mucho más pequeñas que los estimadores FE o FD.
Ahora obtenemos una expresión para el estimador RE que nos permite compararlo con
el estimador FE.
0
Usingramo thmi fact esot jT jT ¼ T, wmi Californianorte escriturami W under
thmi randometro efectos estructurami como
W ¼ s2ESO þ ¼ s IT þ Ts ðj0 Þ—1j 0
s2j j0 j 2 2 j
uc TT tu c TT T T
22 2 2
¼ stu ESO þ TsC PAGT ¼ ðstu þ TsC ÞðPT þ hQT Þ
donde PT 1 IT - QT ¼ j 0
T DJ
—1
Þ j 0 y h 1 s2 = ðs2 þ Ts2Þ. A continuación, defina
j TT T ST 1 t t C
PT þ hQT. EntoncesTS — 1 ¼ PT þ ð1 = hÞQT, comou puede
u verse por la multiplicación
directa de matrices.
ción. Además, S —T 1 = 2 ¼ PT þ ð1 = p ffi Th ffiffi ÞQ, porque multiplicar esta matriz por sí
misma
da S — 1 (la matriz es claramente simétrica, ya que PT y QT son simétricos).
Después T