Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema 6 P
Tema 6 P
Contenido
1 Introducción
2 Modelos estáticos
Modelo con Efectos Individuales: Fijos y Aleatorios
Extensiones del Modelo Básico
3 Estimación de Modelos estáticos. Predicción
Estimadores Agrupados (“Pooled”)
Estimador “Between”
Estimador de Efectos Aleatorios
Estimadores de Efectos Fijos
Test de Hausman
Predicción.
4 Paneles largos
5 Variables instrumentales
6 Modelos Dinámicos para datos de panel
Introducción
Estimador de Arellano y Bond
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Consideraciones básicas
Datos de Panel
{Yit , Xit0 } i = 1, . . . , N; t = 1, . . . , T
Algunos ejemplos:
PSID (Panel Study of Income Dynamics)
ECHP (European Community Household Panel)
SHIW (Survey on Household Income and Wealth)
EPA (Encuesta de Población Activa)
ESEE (Encuesta sobre Estrategías Empresariales)
FES (Family Expenditure Survey)
CEX (Consumers Expenditure Survey)
ECPF (Encuesta Continua de Presupuestos Familiares)
paneles de estados americanos, de países, etc.
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Consideraciones básicas
Consideraciones básicas
Consideraciones básicas
Descomposición “within”-“between”
P P
Variabilidad “overall” (en torno a la media total x = 1/NT i t xit )
1 XX
2
sO = (xit − x )2
NT − 1 i t
P
Variabilidad “within” (en torno a la media individual x i = 1/T t xit )
1 XX 1 XX
2
sW = (xit − x i )2 = (xit − x i + x )2
NT − 1 i t NT − 1 i t
Estadísticas Descriptivas
Las estadísticas pueden describir los datos
totales (“overall”): xit
“within”: xit − x i + x
“between”: xi
Gráficos
donde
x1it , . . . , xkit : variables explicativas (observables)
uit = αi + εit : término de error compuesto (inobservado)
αi : efectos individuales (heterogeneidad inobservada permanente en
el tiempo)
εit : error idiosincrásico
αi |Xit ∼ N 0, σ2α
Extensiones
Estimador “Between”
Estimador “Between”
y i = α + β1 x 1i + · · · + βk x ki + u i
donde
E [αi |Xit ] = 0; Var [αi |Xit ] = σ2α
E [εit |Xit ] = 0; Var [εit |Xit ] = σ2ε
Esto implica que los regresores son exógenos respecto al término de
error compuesto uit = αi + εit
E [uit |Xit ] = 0
σ2α
Corr (uit , uis ) = , t 6= s
σ2 2
α + σε
bi es un estimador consistente de
θ
q
θi = 1 − σ2ε/(Ti σ2α +σ2ε )
Suponemos
E [εit |αi , x1it , . . . , xkit ] = 0
La estimación de los parámetros β requiere la eliminación de αi
Estos estimadores sólo utilizan variación “within” de los datos
la estimación de los datos con poca variación “within” será bastante
imprecisa
no se puede estimar el coeficiente de variables que no varíen en el
tiempo
Son consistentes tanto si los regresores están correlacionados con la
heterogeneidad permanente como si no
si no existe correlación, otros estimadores son más eficiente
en cualquier caso, los errores estándar serán mayores que los de otros
estimadores
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Test de Hausman
Test de Hausman
+ ++
++ + + + +
+ ++
+ +++ + +
+ + +
+++ +
α1 + + ++ + ++
+++ + +++ +
+++ +
+ + ++ + + + ++
++ + ++ +
+ +++
+ +
+
α2
xit
α3 x1 x2 x3 x4
α4
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Test de Hausman
Contraste de Hausman
Predicción.
Predicción
Se puede predecir el valor de la variable dependiente, incondicional
en los efectos fijos E (yit |Xit ), como
0b
yc
it = Xit β + α
b
1
P
donde α
b= N i α
bi
Se puede predecir el valor de la variable dependiente dado su efecto
individual E (yit |Xit , αi ), como
0b
yc
it = Xit β + α
bi
Predicción.
2
Se pueden obtener obtener un R del modelo para los datos totales,
“within” y “between”
2
dependiendo del modelo, el R habitual será uno de estos tres
2
Estos R se obtienen como correlaciones entre los datos observados
y los datos predichos por el modelo observado
h i2
2
Ro = Corr yit , Xit0 β
b
0 2
2
Rw = Corr (yit − y i ) , Xit − Xi β
b
h 0
i2
2
Rb = Corr y i , Xi β
b
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Predicción.
2
No existe una descomposición para los R como en la varianza: cada
uno se interpreta independientemente
También puede resultar interesante obtener estimaciones separadas
b2α
de la varianza de los efectos individuales σ
2
de la varianza del error idiosincrásico σ
bε
por tanto, automáticamente de la varianza del término de error
compuesto
de la autocorrelación del término de error compuesto uit
b = Corr
ρ d (uit uit −1 )
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Introducción
Introducción (cont.)
La longitud temporal de los datos supone la principal característica a
considerar cuando se estima un modelo con un panel largo
En todos los casos, debe tenerse en cuenta la probable
autocorrelación en εit o directamente en uit
mediante errores estándar robustos a autocorrelación
o estimando por MCGF si se considera apropiado un determinado
proceso (estacionario)
Aunque tampoco puede olvidarse la posibilidad de
heterocedasticidad en uit o εit
Se pueden estimar modelos con efectos temporales
ρi = 1
Introducción
E [uit |Zit ] = 0
Estimador de Hausman-Taylor
Estimador de Hausman-Taylor
Supuestos:
1 algunos regresores invariantes en el tiempo W1i NO están
correlacionados con αi
2 algunos regresores que sí varían con el tiempo X1it NO están
correlacionados con αi
3 otros regresores, W2i y X2it , sí pueden estar correlacionados con αi
4 todos los regresores están incorrelados con εit
Este estimador es más restrictivo porque se basa en supuestos
adicionales a los del estimador de efectos fijos
la existencia de regresores no correlacionados con los efectos
individuales
Introducción Modelos estáticos Estimación. Predicción Paneles largos Variables instrumentales Modelos Dinámicos
Estimador de Hausman-Taylor
X
e1it = X1it − θ
bi X 1i
q
donde θ
bi es un estimador consistente deθi = 1 − σ2
ε/(Ti σ2 2
α +σε )
Estimador de Hausman-Taylor
e 0 β1 + X
yeit = X e 0 β2 + W
f 0 γ1 + W
f 0 γ2 + α
ei + e
εit
1it 2it 1i 2i
e2it es X
Un instrumento para X e 2it = X2it − X 2i
e
Un instrumento para X
e1it es X
e 1it = X1it − X 1i
e
Introducción
Modelos dinámicos
Introducción
Estimador de Arellano-Bond
Sea el modelo transformado en primeras diferencias
∆yit = γ1 ∆yit −1 + ∆Xit0 β + ∆εit
Arellano-Bond (cont.)
Arellano-Bond (cont.)
Arellano-Bond (cont.)
Este estimador necesita que εit sea i.i.d. para ser consistente
Este supuesto se puede contrastar, porque: