Paneles Espaciales Dinámicos Modelos

Machine Translated by Google
J Geogr Syst (2012) 14: 5–28

DOI 10.1007/s10109-011-0158-4
ARTÍCULO ORIGINAL
Paneles espaciales dinámicos: modelos,

métodos e inferencias
J.Paul Elhorst
Recibido: 1 de febrero de 2011 / Aceptado: 26 de julio de 2011 / Publicado en línea: 24 de septiembre de 2011
Springer-Verlag 2011
Resumen Este documento proporciona un estudio de la literatura existente sobre la especificación y

estimación de modelos de datos de panel espaciales dinámicos, una colección de modelos para
paneles espaciales ampliada para incluir una o más de las siguientes variables y/o términos de error:
una variable dependiente rezagada en el tiempo, una variable dependiente retrasada en el espacio,
una variable dependiente retrasada tanto en el espacio como en el tiempo, variables independientes
retrasadas en el tiempo, variables independientes retrasadas en el espacio, autocorrelación de errores
en serie, autocorrelación de errores espaciales, efectos específicos del espacio y del período de
tiempo . La encuesta también examina el razonamiento detrás de las diferentes especificaciones del
modelo y los propósitos para los que se pueden utilizar, lo que debería ser útil para los profesionales.
Palabras clave Efectos dinámicos Efectos de desbordamiento espacial Identificación

Métodos de estimación Condiciones de estacionariedad
Clasificación JEL C21 C23 C51
1. Introducción
En la última década, la literatura sobre econometría espacial ha mostrado un creciente interés en la

especificación y estimación de ecuaciones de regresión dinámica basadas en paneles espaciales. Este
interés puede explicarse por el hecho de que los datos de panel ofrecen a los investigadores mayores
posibilidades de modelado en comparación con la configuración de sección transversal de una sola
ecuación, que fue el enfoque principal de la literatura sobre econometría espacial durante mucho
tiempo. Idealmente, un modelo dinámico en el espacio y el tiempo debería poder manejar (1) la
dependencia serial entre las observaciones en cada unidad espacial
JP Elhorst (&)
Departamento de Economía y Econometría, Universidad de Groningen, PO Box 800,
9700 AV Groningen, Países Bajos Correo electrónico: jpelhorst@rug.nl
123
6 JP Elhorst
a lo largo del tiempo, (2) dependencia espacial entre las observaciones en cada punto en el tiempo,
(3) efectos espaciales y/o específicos del período de tiempo no observables, y (4) endogeneidad de
uno o más de los regresores distintos de las variables dependientes rezagadas en espacio y/o
tiempo. El primer problema es el dominio de la voluminosa literatura de econometría de series
temporales (Hamilton 1994; Enders 1995; Hendry 1995), el segundo problema de la literatura de
econometría espacial (Anselin 1988; Anselin et al. 2008; LeSage y Pace 2009), y los dos últimos
problemas de la literatura de econometría de datos de panel (Hsiao 2003; Arrelano 2003; Baltagi
2005), por mencionar solo algunos libros de texto conocidos en estos campos.
Este documento proporciona un estudio de la literatura existente sobre modelos de datos de

panel espaciales dinámicos.1 Hace diez años, no había un procedimiento de estimación sencillo para
los modelos de datos de panel espaciales dinámicos. Esto se debió a que los métodos desarrollados
para modelos de datos de panel dinámicos pero no espaciales y espaciales pero no dinámicos
produjeron estimaciones sesgadas cuando se combinaron estos métodos/modelos. La literatura
revisada en este trabajo incluye los principales estudios metodológicos que han intentado solucionar
esta carencia.
Diez años después del primer artículo de Elhorst (2001) sobre modelos dinámicos en el espacio
y el tiempo, también es hora de preguntarse para qué fines se pueden utilizar las diferentes
especificaciones del modelo que se han presentado en la literatura. Para responder a esa pregunta,
nos ocupamos de los efectos a corto plazo, los efectos a largo plazo, los efectos directos y los efectos
secundarios indirectos o espaciales.
2 Un modelo dinámico generalizado en el espacio y el tiempo
En esta sección, inicialmente nos enfocamos en un modelo dinámico en el espacio y el tiempo que
generaliza varios modelos más simples que se han considerado en la literatura. Nos apresuramos a
subrayar que este modelo generalizado adolece de problemas de identificación y, por lo tanto, no es
útil para la investigación empírica. Sin embargo, cuando estos modelos econométricos se organizan
en un marco y se ejemplifican sus relaciones mutuas, puede ayudarnos a identificar qué modelos
son los candidatos más probables para estudiar datos de espacio-tiempo, dependiendo del propósito
de un estudio empírico particular.
El modelo más general cuando se escribe en forma vectorial para una sección transversal de
observaciones en el tiempo t se lee como
Yt ¼ sYt1 þ dWYt þ gWYt1 þ Xtb1 þ WXtb2

þ Xt1b3 þ WXt1b4 þ Zth þ vt; ð1aÞ
vt ¼ cvt1 þ qWvt þ l þ ktiN þ et; ð1bÞ
l ¼ jWl þ n; ð1cÞ
donde Yt denota un vector N 9 1 que consiste en una observación de la variable dependiente para
cada unidad espacial (i = 1,…,N) en la muestra en el tiempo t (t = 1,…,T), Xt es
1
Elhorst (2010a) y Lee y Yu (2010a) proporcionan encuestas recientes sobre modelos de datos de panel espacial
estáticos. La descripción general de Lee y Yu (2010a) también se ocupa de los modelos de datos de panel espaciales
dinámicos. Volveremos sobre este artículo varias veces.
123
Paneles espaciales dinámicos 7
El vector N 9 1 vt refleja la especificación del término de error del modelo, que se supone que está
correlacionado en serie y espacialmente; c es el coeficiente de autocorrelación serial yq es el coeficiente
de autocorrelación espacial. En contraste con la Ec. 1a, no se incluye el término de error rezagado tanto
en el espacio como en el tiempo, Wvt-1, ya que no encontramos este término en la literatura. El vector N
9 1 l ¼ ðl1; ...; lNÞ contiene efectos espaciales específicos, li, y están destinados a controlar todas las
T
variables espaciales
en un
específicas
estudio transversal
e invariantes
típico
en (Baltagi
el tiempo2005).
cuya omisión
De manera
podría
similar,
sesgar
kt (tlas
= 1,…T)
estimaciones
denota
efectos específicos del período de tiempo, donde iN es un vector N 9 1 de unos, destinado a controlar
todas las variables invariantes de la unidad específicas del tiempo cuya omisión podría sesgar las
estimaciones en un estudio típico de series de tiempo. Estos efectos específicos del espacio y del
período de tiempo pueden tratarse como efectos fijos o aleatorios. Además de esto, se supone que los
efectos específicos del espacio están autocorrelacionados espacialmente con el coeficiente de
autocorrelación espacial j.
T
Finalmente, et ¼ ðe1t; ...;eNtÞ yn son vectores de términos de perturbación iid, cuyos elementos tienen
media cero y varianza finita r2 y r2 respectivamente. norte,
2.1 Estacionariedad
Para lograr la estacionariedad en un modelo de datos de panel espacial dinámico, se deben imponer
restricciones a los parámetros del modelo y a la matriz de ponderaciones espaciales W.
Lee (2004) muestra que la matriz (IN - jW) en una ecuación de sección transversal como (1c) debe
ser no singular y que las raíces características de la matriz (IN - jW) deben estar en el círculo unitario,
donde IN representa la matriz
siempre que jidentidad
esté en eldeinterior
orden de
N. (1/xmin,1/xmax),
Para un W simétrico, esta
donde condición
xmin denota se cumple
el más pequeño
(es decir, el más negativo) y xmax el raíz característica real más grande de W. Si W se normaliza por
filas posteriormente, el último intervalo toma la forma (1/xmin,1), ya que la raíz característica más grande
de W es igual a la unidad en esta situación. Si W es una matriz asimétrica antes de que se normalice por
filas, puede tener raíces características complejas. LeSage y Pace (2009, pp. 88-89) demuestran que en
ese caso j está restringida al intervalo (1/rmin,1), donde rmin es igual a la raíz característica puramente
real más negativa de W después de que esta matriz ha sido redondeada. normalizado Finalmente, una
de las siguientes dos condiciones
123
8 JP Elhorst
ÿoÿ ÿ
m3
m2
1/ ÿmin 1/ÿmáx ÿ m2 d
ÿ+ÿ m3 m4 m1
m1
-1 m4
Fig. 1 Regiones estacionarias de diferentes ecuaciones del modelo. a Región de estacionariedad de d ? g y s en la ecuación. (1a),
y q y c en la ecuación. (1b). b Región de estacionariedad de d y g, dado s, en Eq. (1a). m1, m2 m3 y m4 denotan
1þs [0, m2 ¼ 1s
puntos de intersección con los ejes horizontal o vertical, donde m1 ¼ [0, xmáx xmáx
m3 ¼ 1þs \0, y m4 ¼ 1s \0
xmín xmín
-1
deben cumplirse: (a) las sumas de filas y columnas de las matrices W y (I - jW)
antes de que W se normalice por filas debe estar uniformemente acotado en valor absoluto como N
va al infinito o (b) las sumas de filas y columnas de W antes de que W se normalice por filas
no debe divergir hasta el infinito a una velocidad igual o más rápida que la velocidad de la muestra
tamaño N. La condición (a) se originó en Kelejian y Prucha (1998, 1999), y
condición (b) por Lee (2004). Ambas condiciones limitan la correlación transversal a
un grado manejable, es decir, la correlación entre dos unidades espaciales debe converger
a cero a medida que la distancia que los separa aumenta hasta el infinito.
De manera similar, Elhorst (2008a) demuestra que las raíces características de
-1
la matriz c(IN - qW) en una ecuación de espacio-tiempo como (1b) debe estar dentro de la
circulo unitario. Dado que las raíces características más pequeñas y más grandes de esta matriz toman la
forma c/(1 - qxmin) y c/(1 - qxmax), o viceversa (dependiendo de si c es
positivo o negativo), la estacionariedad en el tiempo requiere las condiciones
jjc \1 qxmax si q 0; jjc \1 qxmin si ð2aÞ
q\0: ð2bÞ
Estas condiciones de estacionariedad se grafican en la Fig. 1a y muestran que existe un

compensación entre los coeficientes de autocorrelación serial y espacial.
Finalmente, Elhorst (2001) deriva que las raíces características de la matriz
-1
(I - dW) (sI ? gW) en una ecuación de espacio-tiempo como (1a) debe estar dentro de la unidad
círculo (re-derivado en Parent y LeSage 2011), que es el caso cuando
s\1 ð Þ d þ gsi xmax

d þ g 0; s\1 ð Þ d þ g xmin si d ð3aÞ
þ g\0; 1 þ ð Þ dg xmax\s
xmin\ssisidg
dg\0:
0; 1 þ ð Þ dg ð3bÞ
ð3cÞ
ð3dÞ
Si q se reemplaza por d ? g y c por s, entonces la condición de estacionariedad entre

d ? g por un lado y s por el otro son similares a los graficados para q y c en
Figura 1a. Esto implica que existe una compensación entre la serie autorregresiva
coeficiente y la suma de los dos coeficientes autorregresivos espaciales. la estacionariedad
las condiciones entre d y g, dado s, se representan gráficamente en la Fig. 1b. Esta figura muestra que el
123
región de estacionariedad de los dos coeficientes autorregresivos espaciales toma la forma de un

rombo. La ubicación y el tamaño de este rombo dependen de s y de las raíces características
más pequeñas y más grandes de la matriz de pesos espaciales.
Los gráficos de la Fig. 1 aclaran que la región de estacionariedad implícita en la restricción |
s| ? |d| ? |g| \1, presentado en Yu et al. (2008), es demasiado restrictivo. Por ejemplo, mientras
que la combinación de valores (s, d, g) = (0.1, 0.9, -0.1) basada en la restricción |s| ? |d| ? |g| \1
debe rechazarse, no se basa en los resultados presentados en este documento. Esto se debe a
que la raíz característica más grande de la matriz (I - dW) contrasta, la región de estacionariedad
implícita en-1la(sI
restricción
? gW) essmenor
? d ? g\1,
quepresentado en Lee
uno para esta y Yu (2010a),
combinación no es lo
de valores. suficientemente
Por
restrictivo. Por ejemplo, mientras que la combinación de valores (s, d, g) = (1.1, -0.2, 0.0) está
permitida por la restricción s ? d ? g\1, debe rechazarse en base a los resultados presentados en
este documento.
-1
Esto se debe a que la raíz característica más grande de la matriz (I - dW) es (sI ? gW) es
mayor que uno para esta combinación de valores, lo que indica que el modelo explotaría en estas
circunstancias.
Si un modelo parece ser inestable, es decir, si las estimaciones de los parámetros no
satisfacen una de las condiciones de estacionariedad, Lee y Yu (2010a) proponen tomar todas
las variables de la ecuación. 1 en desviación de su valor retrasado espacialmente.
Matemáticamente, esto es equivalente a multiplicar la Ec. 1 por la matriz (IN - W). La raíz
característica más grande xmax, parte de las condiciones de estacionariedad (3a) y (3c), puede
ser reemplazada por xmax-1, la segunda raíz característica más grande de la matriz de
ponderaciones espaciales W. Dado que estas restricciones recién obtenidas son menos restrictivas
que las originales, el modelo espacial en primeras diferencias podría ser estable como resultado.
En un estudio sobre la liberalización financiera de 62 países durante el período 1976–2005,
Elhorst et al. (2010a) estiman tanto un modelo espacial dinámico de datos de panel en niveles
como un modelo reformulado en primeras diferencias espaciales. Encuentran que las estimaciones
de los coeficientes de la primera especificación apuntan a componentes inestables en la variable
dependiente, mientras que las estimaciones de los coeficientes de la segunda especificación no
lo hacen. Hasta ahora, este es uno de los pocos estudios empíricos que han encontrado que
tomar primeras diferencias espaciales es una herramienta efectiva para obtener un modelo estable.
En conclusión, podemos decir que las condiciones de estacionariedad sobre los parámetros
espaciales y temporales mostrados en (2) y (3) van más allá de la condición estándar |s|\1 en
modelos seriales y la condición estándar 1/xmin\d\1/ xmax en modelos espaciales, y que son
considerablemente más difíciles de trabajar.
Las condiciones de estacionariedad que deben imponerse a la matriz W de ponderaciones
espaciales N 9 N en un entorno de datos de panel se establecen en Yu et al. (2008). La matriz IN
- pW para p = d, q no debe ser singular, y las sumas de filas y columnas de las matrices W y (IN -
-1
pW) deben estarP1
uniformemente acotadas en valor
g debe estar uniformemente absoluto
acotado. Seacuando N tiende
xi (i = 1,…,N) lasa raíces
infinito. Además,
1 h
característicash¼1
de W y RN la dWÞ
absf½ðIN correspondiente
ðsIN þmatriz
gWÞ N 9normalizados,
N de vectoresentonces
característicos
esta fórmula se
puede reescribir como absf½RNDNR1 P1 g, donde DN es una matriz diagonal cuyos elementos
diagonales son ðs þ gxiÞ=ð1 dxiÞ (i = 1,…,N). Esta expresión representa la región de
h
queh¼1
la fila
estacionariedad
y la columna de los parámetros s, g y d que se muestran en la Fig. 1. La suposición de
norte
123
10 JP Elhorst
las sumas de W antes de la normalización de filas no deben divergir hasta el infinito a una tasa igual
o más rápida que la tasa del tamaño de muestra N, que se realiza en la configuración transversal,
no se realiza explícitamente en una configuración de datos de panel. En este sentido, un par de
estudios han prestado atención a una matriz de pesos espaciales con pesos iguales, es decir, una
matriz donde todos los elementos no diagonales se definen como 1/(N - 1). Lee (2004), Kelejian y
Prucha (2002) y Elhorst ( 2010c) demuestran que esta matriz conduce a estimaciones de parámetros
inconsistentes en un entorno transversal, ya que la relación entre las sumas de las filas de esta
matriz antes de la normalización y el tamaño de la muestra, (N - 1)/N, converge a uno en lugar de
cero cuando N tiende a infinito. Por el contrario, en una configuración de datos de panel, esta matriz
de ponderaciones espaciales no causa problemas, siempre que no se incluyan los efectos del
período de tiempo (ver Kelejian y Prucha 2002; Kelejian et al. 2006). Sin embargo, si también se
consideran los efectos fijos de período de tiempo, los estimadores que se discutirán en este artículo
se vuelven inconsistentes nuevamente. En resumen, una matriz de pesos espaciales con pesos
iguales es una matriz extremadamente interesante desde el punto de vista teórico porque puede
ayudar a comprender las condiciones de estacionariedad. En la investigación empírica, sin embargo, esta matriz es
2.2 Efectos fijos versus efectos aleatorios
Los efectos específicos del espacio pueden tratarse como efectos fijos o como efectos aleatorios.
En el modelo de efectos fijos, se introduce una variable ficticia para cada unidad espacial, mientras
que en el modelo de efectos aleatorios, li se trata como una variable aleatoria que se distribuye de
manera independiente e idéntica con media cero y varianza r2 . Además, es
yo
asumió que las variables aleatorias li y eit son independientes entre sí. Se puede hacer una distinción
similar para los efectos específicos de un período de tiempo.
Sigue siendo controvertido si el modelo de efectos aleatorios es una especificación adecuada
para un conjunto determinado de unidades espaciales adyacentes, como todos los condados de un
estado o todas las regiones de un país. Si los datos resultan ser una muestra aleatoria de la
población, la inferencia incondicional sobre la población requiere una estimación con efectos
aleatorios. Sin embargo, si el objetivo se limita a hacer inferencias condicionales sobre la muestra,
entonces se deben especificar efectos fijos. Beenstock y Felsenstein (2007) señalan que el modelo
de efectos aleatorios debería ser la opción por defecto en principio, ya que los investigadores suelen
estar interesados en hacer inferencias incondicionales sobre la población y el modelo de efectos
fijos conduciría a una enorme pérdida de grados de libertad. Sin embargo, "si la muestra resulta ser
la población" (Beenstock y Felsenstein 2007, p. 178), o si se puede decir que la población "se ha
muestreado exhaustivamente" (Nerlove y Balestra 1996, p. 4) ,2 los efectos específicos deben fijarse
porque cada unidad espacial se representa a sí misma y no ha sido muestreada al azar.
Anselin (1988, p. 51) ha hecho observaciones similares : "las unidades espaciales individuales
tienen características que en realidad las distinguen de una población más grande", y Beck (2001,
p. 272), "el tema crítico es que las unidades espaciales sean fijas y no muestreadas, y que la
inferencia esté condicionada a las unidades observadas” [ver también Hsaio (2003, p. 43) para una
explicación más general]. Además, la tradicional
2
Esta observación a través de Balestra y Nerlove es llamativa sobre todo porque son los inventores de la
modelo de efectos aleatorios (Balestra y Nerlove 1966).
123
La suposición de correlación cero entre los efectos aleatorios li y las variables explicativas,
que también debe hacerse, es particularmente restrictiva.
Muchos estudios que derivan estadísticas de prueba para efectos espaciales o que
desarrollan métodos de estimación para los parámetros en modelos de datos de panel
dinámicos con efectos aleatorios pueden ser criticados por no prestar (suficiente) atención
al razonamiento detrás de la especificación de efectos aleatorios. La motivación para
considerar los efectos aleatorios en lugar de los efectos fijos en uno de los primeros estudios
que derivaron una prueba del Multiplicador de Lagrange (LM) para los efectos de interacción
espacial al combinar datos de sección transversal de series de tiempo consiste en una sola
oración en general (Baltagi et al. 2003, p. 124): "La heterogeneidad entre las unidades
transversales generalmente se modela con un modelo de componente de error" . en áreas
de estudio ininterrumpidas; de lo contrario, la matriz de ponderaciones espaciales no se
puede definir. En consecuencia, el área de estudio a menudo toma una forma similar a
todos los condados de un estado o todas las regiones de un país. Bajo estas circunstancias,
el modelo de efectos fijos es más apropiado que el modelo de efectos aleatorios. Por
ejemplo, para explicar la demanda de cigarrillos utilizando un panel de 46 estados de EE.
UU. durante el período 1963–1992, Yang et al. (2006) adoptan un modelo de datos de panel
espacial dinámico con efectos aleatorios. Sin embargo, dado que estos estados cubren casi
todo Estados Unidos, un modelo de efectos fijos hubiera sido una mejor opción (cf. Elhorst 2005).
Esta posición no significa que el modelo de efectos fijos esté libre de problemas. Primero,
los efectos fijos espaciales solo se pueden estimar consistentemente cuando T es lo
suficientemente grande, porque el número de observaciones disponibles para la estimación
de cada li es T. Muestrear más observaciones en el dominio de la sección transversal no es
una solución para las observaciones insuficientes en el tiempo. dominio, ya que el número
de parámetros desconocidos aumenta a medida que aumenta N, situación conocida como
problema de parámetros incidentales. Afortunadamente, la inconsistencia de li no se
transmite al estimador de los coeficientes de pendiente b, ya que no es función de la li
estimada. En consecuencia, el problema de los parámetros incidentales no importa cuando
b son los coeficientes de interés y los efectos fijos espaciales li no lo son, como es el caso
en muchos estudios empíricos.
En segundo lugar, cualquier variable que no cambie con el tiempo o que solo varíe un
poco no puede estimarse cuando se controlan los efectos fijos espaciales. Esta es la razón
principal por la que muchos estudios no controlan los efectos fijos espaciales, por ejemplo,
porque tales variables son el foco principal del análisis. Por otro lado, si una o más variables
explicativas relevantes se omiten de la ecuación de regresión, cuando deberían incluirse, el
estimador de los coeficientes de las variables restantes es sesgado e inconsistente (Greene
2005). Esto también es cierto para los efectos fijos espaciales y se conoce como el sesgo
del regresor omitido.
3
La pérdida de grados de libertad si N es grande puede ser una de las principales razones para adoptar el modelo de efectos
aleatorios (Cressie y Wikle 2011). Sin embargo, el número de observaciones en el dominio transversal de la mayoría de los estudios
empíricos en economía espacial y geografía económica es inferior a 1.000. Además, los estudios metodológicos que consideran
extensiones adicionales de los modelos de efectos aleatorios con efectos de interacción espacial también tienden a presentar
experimentos de simulación Monte Carlo para valores relativamente pequeños de N (N\500).
123
12 JP Elhorst
3 modelos factibles
La Figura 2 presenta dos ecuaciones de regresión que se han discutido extensamente en

la literatura econométrica: el modelo dinámico sin efectos de interacción espacial y
el modelo espacial sin efectos dinámicos. Primero hablaremos brevemente de estos dos
modelos y luego considerar mezclas de ambos modelos.
3.1 Modelos de datos de panel dinámicos no espaciales
Un modelo de datos de panel sin efectos de interacción espacial y sin efectos dinámicos
(es decir, un modelo de datos de panel estático) se puede estimar mediante la variable ficticia de mínimos cuadrados
estimador de variables (LSDV) si los efectos espaciales específicos l se tratan como fijos
efectos, y por el estimador de mínimos cuadrados generalizados (GLS) si el espacio específico
los efectos l se tratan como efectos aleatorios (Hsiao 2003, cap. 3; Baltagi 2005, cap. 2). Él
problema de estimación más serio causado por la extensión de este modelo con un
variable dependiente rezagada en el tiempo, Yt-1, es que estos dos estimadores se vuelven
inconsistente si T es fijo, independientemente del tamaño de N (Hsiao 2003, Ch. 4; Arrelano
2003; Baltagi 2005, cap. 8). Esto se debe a que la variable de la derecha Yt-1 está correlacionada
con el efecto espacial específico l, y falta de correlación de regresores y perturbaciones
es una de las condiciones básicas que debe cumplirse en el análisis de regresión. Tres
Se han desarrollado procedimientos para eliminar esta inconsistencia si T es fijo.
El primer y más popular procedimiento es el método generalizado de momentos (GMM).
Al definir y resolver un conjunto de condiciones de momento que deben satisfacerse en el
verdaderos valores de los parámetros a estimar, se obtiene un conjunto de factores exógenos
variables correlacionadas con Yt-1 pero ortogonales a los errores, lo que como resultado puede ser
utilizado para instrumentar Yt-1. El estimador GMM de diferencia de Arrelano y Bond (1991)
se basa en las condiciones de momento después de tomar las primeras diferencias para eliminar los
efectos espaciales específicos. Típicamente, este estimador GMM instrumenta DYt-1 por las variables
Y1 hasta Yt-2 y X1 hasta Xt-1 (t C 3). En la práctica, el estimador de diferencia GMM
se ha demostrado que funciona mal en datos con series persistentes. la explicacion es
que, en estas circunstancias, los niveles rezagados de las variables tienden a tener sólo
correlación débil con la variable dependiente rezagada en primeras diferencias. el Blundell
Resultados específicos
Modelo
+ para ÿ3 ÿ 0 ; regresores
dinámico no
espacial Xt-1 ÿ ÿ 0 ; regresores endógenos
ÿ=ÿ=0
ÿ ÿ 0 ; autocorrelación serial
ÿ2=ÿ4=0
General Mezclas
Modelo Ver Figura 3
ÿ=ÿ=0
Resultados específicos
ÿ3=ÿ4=0 Modelo
para ÿ2 ÿ 0 ; WXt regresores
espacial no
dinámico + ÿ ÿ 0 ; regresores endógenos ÿ ÿ
0 ; autocorrelación espacial ÿ ÿ 0 ;
efectos específicos espacialmente
correlacionados
Fig. 2 Dos modelos factibles que ignoran los efectos espaciales o dinámicos
123
y Bond (1998) se ha demostrado que el estimador GMM del sistema ofrece una eficiencia mucho
mayor y menos sesgo de muestra finita en comparación con el estimador GMM de diferencias,
ya que este estimador también utiliza primeras diferencias rezagadas para la ecuación en niveles.
Típicamente, este estimador GMM también instrumenta Yt-1 por las variables DY1 hasta DYt-2
y DX2 hasta DXt-1 (t C 3). Ver Baltagi (2005) para un resumen de los principales resultados y las
principales referencias, y Kukenova y Monteiro (2009) para una exposición matemática más
detallada.
El segundo procedimiento aplica la máxima verosimilitud (ML) basada en la función de
verosimilitud incondicional del modelo. Las ecuaciones de regresión que incluyen variables
retrasadas un período en el tiempo a menudo se estiman condicionadas a las primeras observaciones.
Nerlove (1999, p. 139), sin embargo, señala que el condicionamiento sobre esos valores iniciales
es una característica indeseable, especialmente cuando la dimensión temporal del panel es corta.
Si el proceso que genera los datos en el período de la muestra es estacionario, los valores
iniciales transmiten mucha información sobre este proceso, ya que reflejan cómo ha operado en
el pasado. Teniendo en cuenta la función de densidad de la primera observación de cada serie
temporal de observaciones, se obtiene la función de verosimilitud incondicional.
Este procedimiento se ha aplicado con éxito a modelos de datos de panel dinámicos de efectos
aleatorios formulados en niveles (Bhargava y Sargan 1983). Desafortunadamente, la función de
verosimilitud incondicional no existe cuando se aplica este procedimiento al modelo de efectos
fijos, incluso sin variables explicativas exógenas. La razón es que los coeficientes de los efectos
fijos no se pueden estimar de forma consistente, ya que el número de estos coeficientes aumenta
a medida que aumenta N. La solución estándar para eliminar estos efectos fijos de la ecuación
de regresión degradando las variables Y y X tampoco funciona, porque esta técnica crea una
correlación de orden (1/T) entre la variable dependiente retrasada en serie y los términos de error
degradados, conocidos como el sesgo de Nickell (1981) , como resultado del cual los parámetros
comunes s no pueden estimarse consistentemente. Sólo cuando T tiende a infinito desaparece
esta inconsistencia. Más recientemente, Hsiao et al. (2002) han sugerido un procedimiento
alternativo para el modelo de datos de panel dinámico de efectos fijos. Este procedimiento
primero diferencia el modelo para eliminar los efectos fijos espaciales y luego considera la función
de verosimilitud incondicional del modelo de primeras diferencias teniendo en cuenta la función
de densidad de las primeras observaciones de primeras diferencias en cada unidad de sección
transversal. Encuentran que esta función de probabilidad está bien definida, depende de un
número fijo de parámetros y satisface las condiciones habituales de regularidad. Acto seguido,
concluyen que el estimador ML es consistente y asintóticamente distribuido normalmente cuando
N tiende a infinito, independientemente del tamaño de T. También encuentran que el estimador
ML es asintóticamente más eficiente que el estimador GMM.
El tercer procedimiento consiste en corregir el sesgo del estimador LSDV. Kiviet (1995), Hahn
y Kuersteiner (2002) y Bun y Carree (2005) desarrollan procedimientos de corrección de sesgo
cuando tanto el número de unidades transversales (N) como el número de puntos temporales (T)
en la muestra llegan al infinito. tal que el límite de la razón de N y T existe y está acotado entre
cero e infinito (0\lim(N/T)\?). El único problema es que en la mayoría de los estudios empíricos
basados en datos de espacio-tiempo, se cree que las asintóticas más relevantes son N tiende a
infinito y T es fija. Cuando T es fijo, los efectos específicos del espacio deben eliminarse mediante
la primera diferenciación, mientras que la primera diferenciación no es necesaria cuando T tiende
a infinito.
123
14 JP Elhorst
Problemas específicos ocurren cuando el modelo de datos de panel dinámico también se extiende
para incluir un término de error autocorrelacionado en serie, c = 0, regresores retrasados en el tiempo,
Xt-1, o regresores endógenos, Zt. La consistencia de los estimadores GMM de diferencia y sistema se
basa en los supuestos de que no existe una autocorrelación serial de primer orden en los errores de la
ecuación de nivel, y que los instrumentos son verdaderamente exógenos y, por lo tanto, válidos para
definir las condiciones de momento. La prueba de Arrelano y Bond (1991) para la autocorrelación serial
prueba la hipótesis de que no existe una correlación serial de segundo orden en los residuos de primeras
diferencias, lo que a su vez implica que los errores de la ecuación de nivel no están correlacionados
serialmente. Sin embargo, los coeficientes de correlación de las observaciones sobre variables realizadas
en unidades espaciales únicas separadas por 1 año, 2 años o hasta T-1 años tienden a ser grandes y a
disminuir solo levemente con el tiempo (Elhorst 2008b). En consecuencia, la hipótesis nula de ausencia
de autocorrelación serial de los términos de error a menudo debe rechazarse. Una reacción correctiva
podría ser volver a estimar el modelo usando métodos que asumen que los errores son generados por un
proceso autorregresivo en serie de primer orden, pero este enfoque ha sido severamente criticado. En
lugar de mejorar un modelo inicial cuando parece ser insatisfactorio, Hendry (1995, capítulo 7) argumenta
que es mejor comenzar con un modelo más general que contenga una serie de modelos más simples
anidados como casos especiales. El modelo general que Hendry recomienda como una generalización
del modelo de autocorrelación serial de primer orden para datos de series de tiempo es el modelo de
rezago distribuido autorregresivo serial de primer orden, un modelo de regresión dinámica lineal en el que
la variable dependiente Yt se regresa en Yt-1 y las variables explicativas Xt y Xt-1. Por esta razón, los
modelos de datos de panel dinámicos ampliados para incluir variables explicativas Xt-1 son más populares
que los modelos de datos de panel dinámicos ampliados para incluir autocorrelación serial. Otra razón es
que la literatura econométrica ha prestado mucha atención a los estimadores de la matriz de covarianza
que son robustos a la autocorrelación serial y la heteroscedasticidad, lo que afecta las inferencias sobre
la significancia estadística de las variables explicativas en el modelo (Newey y West 1987; Greene 2005).
Si una o más de las variables explicativas son endógenas (Zt), también es necesario instrumentarlas.
Dado que el estimador GMM ya instrumenta Yt-1, este estimador puede ampliarse fácilmente para incluir
variables explicativas endógenas adicionales. Véase Kukenova y Monteiro (2009) sobre cómo ajustar el
estimador GMM cuando se tienen variables explicativas tanto endógenas como exógenas (Zt y Xt).
3.2 Modelos de datos de panel no dinámicos espaciales
Al imponer las restricciones de parámetros s = g = 0 y b3 = b4 = 0 en la ecuación. 1a, como se muestra

en la Fig. 2, se obtiene el modelo espacial de Durbin, que se lee como
Yt ¼ dWYt þ Xtb1 þ WXtb2 þ vt: ð4Þ
El modelo espacial de Durbin simplifica aún más el modelo de retraso espacial cuando se impone la
restricción b2 = 0 y el modelo de error espacial cuando se impone la restricción b2 ? db1 = 0.
La estimación de modelos de datos de panel espacial estáticos se analiza ampliamente en Elhorst

(2003, 2010a) y Lee y Yu (2010a, b). Elhorst (2003, 2010a) presenta el estimador ML del modelo de
rezago espacial de efectos fijos y del modelo de efectos aleatorios
123
modelo de retraso espacial. Cabe señalar que el modelo espacial de Durbin puede estimarse
como un modelo de retardo espacial con variables explicativas [X WX] en lugar de X. Los
parámetros de respuesta del modelo de retardo espacial de efectos fijos pueden estimarse
concentrando primero los efectos fijos, denominados degradante En un modelo con efectos
1
fijos espaciales pero sin efectos fijos de período de tiempo, este procedimiento
T PAGt Dt
toma
Dt para
la forma
Dt =
Yt, WYt, Xt, WXt (ver Baltagi 2005; y Elhorst 2010a para más detalles matemáticos).
La ecuación resultante se puede estimar mediante el procedimiento de estimación ML desarrollado por Anselin
(1988) para el modelo de retardo espacial, siempre que este procedimiento se generalice de una sola sección
transversal de N observaciones a T secciones transversales de N observaciones. De manera similar, el modelo
de retardo espacial de efectos aleatorios se puede estimar casi degradando cada variable en el modelo, Dt ð1
wÞ1 TRtDt, donde w es un parámetro adicional a estimar.
Lee y Yu (2010b) muestran que el estimador ML del modelo de rezago espacial con efectos fijos espaciales,
como se establece en Elhorst (2003, 2010a), producirá una estimación de parámetro inconsistente del parámetro
de varianza (r2 ) si N es grande y T es estimaciones pequeñas e inconsistentes de todos los parámetros del
modelo de retraso espacial con efectos fijos espaciales y de período de tiempo si tanto N como T son grandes.
Para corregir esto, proponen un procedimiento de corrección de sesgo simple basado en las estimaciones de
parámetros del enfoque no corregido. Elhorst (2010b) proporciona rutinas de Matlab en su sitio web
www.regroningen.nl/elhorst tanto para el modelo de retardo espacial de efectos fijos como para el de efectos
aleatorios, así como para el modelo de error espacial de efectos fijos y de efectos aleatorios.
Recientemente, estas rutinas se han actualizado para el procedimiento de corrección de sesgo

de Lee y Yu (2010b).
Un desarrollo importante en la literatura de econometría espacial es la creciente
atención a los efectos indirectos directos, indirectos y espaciales de las variables
independientes. Esto se aplica tanto a modelos de datos de panel transversales como
espaciales. Al reescribir el modelo espacial de Durbin como (dejando de lado el subíndice
t por simplicidad de notación)
1
Y ¼ ðI dWÞ ðXb1 þ WXb2ÞþðI dWÞ 1 v; ð5Þ
la matriz de derivadas parciales de Y con respecto a la k-ésima variable explicativa de X en la

unidad 1 hasta la unidad N (digamos xik para i = 1,…,N, respectivamente) puede verse como
oy1 oy1
buey1k bueyNk
oY oY 2
.. . .. 3
¼ 6 7
buey1k buey
6
. .. . 7
oyN oyN
4 ox1k bueyNk 5
b1k w12b2k w1Nb2k
2 3
1 w21b2k b1k w2Nb2k
.. .. .. ..
6 7
¼ ðIN dWÞ 6 7
. . . . 7
4 wN1b2k wN2b2k b1k 5

1
¼ ðI dWÞ ½b1kIN þ b2kW ; ð6Þ
donde wij es el (i, j)-ésimo elemento de W, b1k es el k-ésimo elemento del vector b1 y b2k es
el k-ésimo elemento del vector b2. Para obtener el último término en la Ec. 6, hicimos uso de
la propiedad de que los elementos diagonales de W son cero.
123
dieciséis JP Elhorst
La expresión en (6) ilustra que las derivadas parciales de Y con respecto a la k-ésima variable
explicativa en el modelo espacial de Durbin tienen las siguientes propiedades. Primero, si una
variable explicativa particular en una unidad particular cambia, no solo cambiará la variable
dependiente en esa unidad sino también las variables dependientes en otras unidades. El primero
se llama efecto directo y el segundo efecto indirecto. Cabe señalar que los efectos indirectos no
ocurren si d = 0 y b2k = 0. En segundo lugar, los efectos indirectos que ocurren si b2k 6¼ 0 se
conocen como efectos locales, a diferencia de los efectos indirectos que ocurren si d = 0 y que son
conocidos como efectos globales.
Los efectos locales obtuvieron su nombre porque surgen solo del conjunto de vecindario de una
unidad; si el elemento wij de la matriz de ponderaciones espaciales es cero (distinto de cero),
entonces el efecto de xjk sobre yi también es cero (distinto de cero). Los efectos globales obtuvieron
su nombre porque también surgen de unidades que no pertenecen al conjunto de vecindad de una
unidad. Esto se deduce del hecho de-1que, elementos
la matriz (IN
cero
- dW),
(siempre
a diferencia
que d =de
0).W, no contiene
Dado que los efectos directos e indirectos son diferentes para diferentes unidades en la muestra,
LeSage y Pace (2009) proponen reportar un efecto directo medido por el promedio de los elementos
diagonales, y un efecto indirecto medido por el promedio de las sumas de las filas de los elementos
no diagonales de esa matriz. Los resultados informados para el modelo 0 en la Tabla 1 brindan una
descripción general del tipo de efectos que se pueden calcular a partir del modelo espacial estático
de Durbin, donde el superíndice d denota el operador que calcula el elemento diagonal medio de
una matriz y el superíndice rsum denota el operador que calcula la suma media de las filas de los
elementos no diagonales.
Una de las fortalezas del modelo espacial de Durbin es que no impone restricciones previas
sobre la magnitud de los efectos indirectos. Estos efectos indirectos, también conocidos como
efectos indirectos espaciales, suelen ser el foco principal de un estudio empírico que utiliza técnicas
econométricas espaciales. En un modelo no espacial o en un modelo de error espacial, estos
efectos de desbordamiento espacial se establecen en cero por construcción, mientras que en un
modelo de retraso espacial, la magnitud de estos efectos de desbordamiento espacial en relación
con los efectos directos es la misma para cada explicativo. variable (Elhorst 2010c). Estas
restricciones dejan en claro que estos modelos son menos apropiados en la investigación empírica
que el modelo espacial de Durbin. Por el contrario, la principal deficiencia de un modelo de Durbin
espacial estático es que no se puede utilizar para calcular los efectos a corto plazo de las variables
explicativas (ver la última columna de la Tabla 1).
Se producen problemas específicos cuando el modelo de datos de panel espacial estático
también se amplía para incluir un término de error espacialmente autocorrelacionado, q = 0, o
regresores endógenos, Zt. El I de Moran de las observaciones realizadas sobre variables en
diferentes unidades espaciales en un momento particular a menudo respalda la opinión de que los
valores vecinos son más similares que los que están más separados (Elhorst 2008b). En
consecuencia, la hipótesis nula de ausencia de autocorrelación espacial entre los términos de error
a menudo debe rechazarse si tales variables están relacionadas entre sí. Una reacción correctiva
podría ser volver a estimar el modelo usando métodos que asumen que los errores son generados
por un proceso autorregresivo espacial de primer orden, pero este enfoque ha sido criticado. En
lugar de mejorar un modelo inicial cuando parece ser insatisfactorio, Burridge (1981) argumenta
que es mejor comenzar con un modelo más general que contenga una serie de modelos más
simples anidados dentro de él como casos especiales. El modelo general Burridge
123
123
7.
gramo
=
0 6.
g
=
-sd 5.
re
=
0 4.
b2
=
0 3.
Dinámica
espacial 2.
¿Modelo
dinámico? 0.
Espacial
estático modelo Tipo
de Cuadro
1Efectos
a
corto
ylargo
plazo,
directos
e
indirectos
(desbordamiento
espacial)
de
diferentes
modelos
1.
Términos
de
error
retrasados
modelo
durbin error
espacial
corr. tiempo en
el
espacio
y/
o
en modelo
durbin
½ðI
dWÞ ½ðb1k
IN
þb2
Wk
Þ ½ðI
dWÞ ðb1k
IN
þb2
Wk
Þ
½ðI
dWÞ b1k – – efecto
directo Corto
plazo
ðb1k
IN
þb2
Wk
Þ
ðb1k
IN
þb2
Wk
Þ
½ðI
dWÞ
1 1 ðb1k
EN
Þ
1 1
d
d d d
d
½ðI
dWÞ ½ðI
dWÞ ½ðb1k
IN
þb2
Wk
Þ ½ðI
dWÞ ½ðI
dWÞ – – – efecto
indirecto Corto
plazo
ðb1k
IN
þb2
Wk
Þ
1 ðb1k
IN
þb2
Wk
Þ
1 ðb1k
INÞ
1 ðb1k
IN
þb2
Wk
Þ
1
resumen
resumen
resumen resumen resumen
½ð1
sÞI
dWÞ ½ð1
sÞI
gWÞ ½ð1
sÞI
ðd
þgÞWÞ ½ð1
sÞI
ðd
þgÞWÞ b1k=ð1
sÞ b1k ½ðI
dWÞ efecto largo
plazo
directo A
1s
h1 ðI
dWÞ
ðb1k
IN
þb2
Wk
Þ
1
ðb1k
IN
þb2
Wk
Þ
1
ðb1k
IN
þb2
Wk
Þ
1 ðb1k
IN
þb2
Wk
Þ
1
ðb1k
INÞ
1 ðb1k
IN
þb2
Wk
Þ
1
d
d d
d d
d
½ð1
sÞI
dWÞ
i ½
1
1s
ðI
dWÞ
½ð1
sÞI
gWÞ ½ð1
sÞI
ðd
þgÞWÞ
ðb1k
IN
þb2
Wk
Þ
½ð1
sÞI
ðd
þgÞWÞ – – ½ðI
dWÞ
1
efecto A
largo
plazo
indirecto
ðb1k
IN
þb2
Wk
Þ
ðb1k
IN
þb2
Wk
Þ
1
resumen
ðb1k
IN
þb2
Wk
Þ
1 ðb1k
IN
þb2
Wk
Þ
1
ðb1k
EN
Þ
1 1
resumen
resumen
resumen
resumen rsum
No
acorto
plazo
– Relación
efectos
ind./
dir. Relación
efectos
ind./
dir. Parámetros
no Sin
efectos
indirectos Sin
efectos
indirectos Sin
corto
plazo Sin
corto
plazo Defecto
constante
en
el
tiempo efectos indirecta
global X lo
mismo
para
cada identificado efectos efectos
17 Paneles espaciales dinámicos
18 JP Elhorst
recomienda como una generalización del modelo de autocorrelación espacial de primer orden para datos
espaciales es el modelo de rezago distribuido autorregresivo espacial de primer orden, un modelo de
regresión dinámica lineal en el que la variable dependiente Y se retrocede en WY y las variables explicativas
X y WX. Hoy en día, este modelo se conoce como el modelo espacial de Durbin. LeSage y Pace (2009,
pp. 155–158) presentan otra razón para adoptar el modelo espacial de Durbin en lugar del modelo de error
espacial . El costo de ignorar la dependencia espacial en la variable dependiente y/o en las variables
independientes es relativamente alto ya que la literatura econométrica ha señalado que si una o más
variables explicativas relevantes son omitidas de una ecuación de regresión, el estimador de los coeficientes
para las restantes variables es sesgada e inconsistente (Greene 2005, pp. 133–134). Por el contrario,
ignorar la dependencia espacial de las perturbaciones, si las hay, solo provocará una pérdida de eficiencia.
Además, el modelo espacial de Durbin produce estimaciones de coeficientes imparciales, incluso si el
verdadero proceso de generación de datos es un retraso espacial o un modelo de error espacial. Una
razón final es que la literatura econométrica espacial ha comenzado a desarrollar estimadores de la matriz
de covarianza que son robustos a la autocorrelación espacial (Driscoll y Kraay 1998) y la autocorrelación
espacial y la heteroscedasticidad (Kelejian y Prucha 2010), lo que afecta las inferencias sobre la
significación estadística de la variables explicativas en el modelo.
Si una o más de las variables explicativas son endógenas (Zt), es necesario instrumentarlas. En
trabajos de econometría aplicada, la presencia de variables endógenas en el lado derecho es una
ocurrencia común, ya que la endogeneidad puede ser el resultado de errores de medición en variables
explicativas, de variables omitidas correlacionadas con variables explicativas incluidas o de la existencia
de un conjunto desconocido. de ecuaciones estructurales simultáneas. Por el momento, el mejor método
de estimación en estas circunstancias es el estimador IV/GMM desarrollado por Fingleton y LeGallo (2008;
véase también Elhorst 2010c para más información). El principal argumento de aplicar estimadores GMM
en lugar de los estimadores espaciales de máxima verosimilitud tradicionales es que los primeros también
pueden usarse para instrumentar variables explicativas endógenas (distintas de las variables Yt-1 y WYt),
mientras que los segundos no. Los estimadores ML de modelos con un retraso espacial y variables
endógenas adicionales no aparecen en la literatura de econometría espacial y serían difíciles, si no
imposibles, de derivar.
3.3 Una taxonomía de modelos dinámicos en el espacio y el tiempo
La Figura 3 presenta seis modelos diferentes que tienen dinámicas mixtas tanto en el espacio como en el
tiempo.
Un primer conjunto de estudios (modelo 1 en la Fig. 3) tiene espacio y tiempo mixtos en la especificación
del término de error. Los parámetros en las Ecs. 1b y 1c que pueden variar y aquellos que no se han
incluido en estos estudios se informan a continuación entre paréntesis. Baltagui et al. (2003) consideran la
prueba de correlación de error espacial en un modelo con efectos espaciales aleatorios (q, l; c, k, j no
incluidos). Baltagui et al. (2006) amplían este estudio para incluir la autocorrelación serial (c, q, l; k, j no
incluidos). Elhorst (2008a) considera la estimación ML de un modelo con autocorrelación serial y espacial
(c, q; l, k, j no incluidos). Kapoor et al. (2007) consideran la estimación GMM de un
123
1. ÿt-1 + Wÿt
2. Yt-1 + Wÿt
3. Yt-1 + WYt + WYt-1 + Xt + WXt,

Problemas de identificación
4. Yt-1 + WYt + WYt-1 + Xt , sin WXT

General
Modelo
5. Yt-1 + WYt-1 + Xt + WXt, sin WYt
6. Yt-1 + WYt + WYt-1 + Xt + WXt

Restricción del coeficiente WYt-1
7. Yt-1 + WYt + Xt + WXt, sin WYt-1
Fig. 3 Modelos de datos de panel espacial dinámico que se han considerado en la literatura
modelo de error espacial con efectos aleatorios de período de tiempo (q, k; c, l, j no incluidos).
Finalmente, Baltagi et al. (2007) consideran la prueba de autocorrelación espacial en ambos
el término de error restante y los efectos aleatorios espaciales (q, l, j; c, k no incluidos).
Esta breve descripción muestra que no se han considerado todas las combinaciones de modelos.
aún. Es cuestionable, sin embargo, si se necesita más investigación en esta dirección.
Primero, el modelo de efectos fijos suele ser más apropiado que el de efectos aleatorios.
modelo al modelar datos de panel espacial (ver la discusión en la Sección 2.2). Segundo,
Lee y Yu (2010a) argumentan que el modelo de efectos fijos es robusto y también
computacionalmente más simple que el modelo de efectos aleatorios. La ecuación 1c puede ser
1
reescrito como n ¼ ðIN jWÞ yo En consecuencia, si l se trata como un vector de valores fijos
efectos para cada unidad espacial en la muestra, por lo que puede n sin tener que estimar el
parámetro j. Asimismo, si l se trata como un vector de efectos aleatorios para cada espacio
unidad en la muestra, un vector de efectos fijos para cada unidad espacial en la muestra n puede
reemplazar l sin tener que estimar el parámetro j. En otras palabras, al controlar
para efectos espaciales fijos, la autocorrelación espacial entre los efectos espaciales específicos es
contabilizados automáticamente, sin importar si estos efectos son fijos o aleatorios
y sin tener que estimar la magnitud de esta forma de error espacial
autocorrelación Tercero, efectos de interacción espacial entre la variable dependiente Y
y/o las variables independientes X son más importantes que la interacción espacial
efectos entre los términos de error; al ignorar las variables WY y/o WX, el estimador
de las estimaciones de los parámetros restantes perderá su propiedad de ser consistente. Por
contraste, al ignorar los efectos de interacción espacial entre el término de error, Wet, el
estimador de las estimaciones de parámetros restantes "sólo" perderá su propiedad de
siendo eficiente En cuarto lugar, este tipo de modelos no se pueden utilizar para determinar los efectos
a corto plazo y los efectos indirectos (desbordamiento espacial) (véase el modelo 1 en el Cuadro 1), que
son a menudo el propósito principal del análisis.
123
20 JP Elhorst
Quizás más importante es el desarrollo de estimadores de la matriz de covarianza que sean

robustos a la autocorrelación serial, la autocorrelación espacial y la heteroscedasticidad, como
ya se señaló en Seccs. 3.1 y 3.2. Newey y West (1987) derivan un estimador consistente de la
matriz de covarianza robusto a la autocorrelación serial y la heteroscedasticidad. De manera
similar, Kelejian y Prucha (2010) derivan un estimador consistente de la matriz de covarianza
robusto a la autocorrelación espacial y la heteroscedasticidad. Aún debe investigarse si estos
dos estimadores pueden combinarse y usarse en un entorno de datos de panel.
Pesaran y Tosetti (2011) se encuentran entre los primeros en considerar dicho estimador. Este
estudio, sin embargo, estima una ecuación para cada unidad espacial en la muestra, lo que
requiere que T sea grande mientras que T en la mayoría de los estudios de espacio-tiempo
tiende a ser pequeño, y no considera las variables WYt y WXt en la ecuación de regresión determinista.
Si este enfoque sigue siendo practicable y si los parámetros se identifican si este modelo se
amplía para incluir variables WYt y WXt es un tema interesante para futuras investigaciones.
Un segundo conjunto de estudios (modelo 2 en la Fig. 3) ha combinado el espacio y el

tiempo al especificar la ecuación de regresión determinista como un modelo de datos de panel
dinámico y la especificación del término de error estocástico como un modelo de error espacial.
Elhorst (2005) considera que la estimación ML de este modelo se extendió para incluir efectos
fijos espaciales y de período de tiempo, y Yang et al. (2006) ampliado para incluir efectos
aleatorios espaciales (pero no efectos específicos de tiempo). La práctica ha demostrado que
esta configuración de separar los efectos dinámicos deterministas en el tiempo y los efectos de
interacción estocástica entre diferentes unidades en el espacio es beneficiosa. Primero, ofrece
la oportunidad de controlar por variables independientes retrasadas en el tiempo, Xt-1. Cuando
los efectos de interacción entre diferentes unidades en el espacio se toman en la ecuación de
regresión en lugar de la especificación del término de error, la identificación de los parámetros
requiere la eliminación de las variables Xt-1 (Anselin et al. 2008). Además, también ofrece la
oportunidad de ajustar la especificación del error de modo que se puedan controlar las variables
Zt endógenas, también cuando el modelo se estima mediante ML (ver Elhorst 2008b ). En
segundo lugar, el rendimiento de pronóstico de estos modelos tiende a ser mucho mejor que el
del modelo de datos de panel dinámico que no controla la autocorrelación espacial (Elhorst
2005; Kholodilin et al. 2008). Sin embargo, la desventaja de este tipo de modelos es que no se
pueden utilizar para determinar los efectos indirectos (desbordamiento espacial) (ver modelo 2
en la Tabla 1).
Un tercer conjunto de estudios (modelo 3 en la Fig. 3) ha considerado un modelo espacial
de Durbin ampliado para incluir efectos dinámicos. Estos estudios se ocupan principalmente del
crecimiento y la convergencia entre países o regiones (Ertur y Koch 2007; Elhorst et al. 2010b).
Por lo general, estos estudios hacen una regresión del crecimiento económico sobre el
crecimiento económico en las economías vecinas, sobre el nivel de ingreso inicial en la propia
economía y en las economías vecinas, y en las tasas de ahorro, crecimiento demográfico,
cambio tecnológico y depreciación en la propia economía y en las economías vecinas. Elhorst
et al. (2010b) demuestran que este modelo de crecimiento económico puede representarse
mediante la ecuación de regresión dinámica
Yt ¼ sYt1 þ dWYt þ gWYt1 þ Xtb1 þ WXtb2 þ vt; ð7Þ
123
que puede etiquetarse como un modelo espacial dinámico de Durbin. Reescribiendo este modelo como
1 1 1
Yt ¼ ðI dWÞ ðsI þgWÞYt1 þ ðI dWÞ ðXtb1 þWXtb2ÞþðI dWÞ Vermont; ð8Þ
la matriz de derivadas parciales de Y con respecto a la k-ésima variable explicativa de

Se puede ver que X en la unidad 1 hasta la unidad N en un punto particular en el tiempo es
oY oY 1
¼ ðI dWÞ ½b1kIN þ b2kW : ð9Þ
buey1k buey t
Estas derivadas parciales denotan el efecto de un cambio de una variable explicativa particular en una
unidad espacial particular sobre la variable dependiente de todas las demás unidades en el corto plazo. Del
mismo modo, los efectos a largo plazo pueden verse como
oY oY 1
¼ ½ð1 sÞI ðd þ gÞW ½b1kIN þ b2kW : ð10Þ
buey1k buey
Las expresiones en (9) y (10) muestran que los efectos indirectos a corto plazo no ocurren si d = 0 y b2k
= 0, mientras que los efectos indirectos a largo plazo no ocurren si d = -g y b2k = 0. Cabe señalar que
expresiones similares han sido derivadas recientemente por Debarsy et al. (2011). Al simular los efectos de
los shocks en el término de error, vt, también es posible encontrar el camino por el cual una economía se
mueve hacia su equilibrio a largo plazo (Blanchard y Katz 1992; De Groot y Elhorst 2010).
Los resultados informados en la Tabla 1 muestran que este modelo de Durbin espacial dinámico (modelo
3) se puede utilizar para determinar los efectos directos a corto y largo plazo, y los efectos indirectos
(desbordamiento espacial) a corto y largo plazo. En este sentido, parece ser el modelo ideal. Sin embargo,
caben aquí tres observaciones. En primer lugar, Anselin et al. (2008) critican este modelo porque podría
sufrir problemas de identificación. Por sustitución continua de Yt-1 hasta Yt-(t-1) en la ecuación. 8 y
reorganizando los términos, esta ecuación se puede reescribir como
T
T T pag p1
Yt ¼ ðI dWÞ ðsI þ gWÞ YtT þX ðI dWÞ ðsI þ gWÞ ðXtðp1Þb1
p¼1
þ WXtðp1Þb2 þ vtðp1ÞÞ: ð11Þ
Esta expresión muestra que dos matrices de multiplicadores espaciales globales están trabajando en p1
, que produce efectos indirectos espaciales
al mismo tiempo, ðI qWÞ p y ðsI þ gWÞ junto con un proceso
locales, WXtðp1Þb2. Ese es un proceso demasiado.4,5 Volvemos a esto más adelante. En segundo lugar,
se necesita más investigación empírica para averiguar si los efectos directos e indirectos a corto y largo plazo
antes mencionados
4
Para investigar esto analíticamente, se debe considerar el valor esperado de la función de verosimilitud logarítmica y examinar si
es plano o casi plano. Alternativamente, se debe mejorar el algoritmo que se utiliza para encontrar el óptimo.
5
Como se ha señalado en las Seccs. 3.1 y 3.2, Hendry (1995) recomienda hacer una regresión de Yt sobre Yt-1, Xt y Xt-1 como una
generalización del modelo de autocorrelación serial de primer orden para datos de series temporales, mientras que Burridge (1981)
recomienda hacer una regresión de Yt sobre WYt , Xt y WXt como una generalización del modelo de autocorrelación espacial de
primer orden para datos de sección transversal. Elhorst (2001) combina estas dos recomendaciones y sugiere hacer una regresión
de Yt sobre Yt-1, WYt, WYt-1, Xt, WXt, Xt-1 y WXt-1 al tener datos en espacio y tiempo. Esta extensión de la Ec. 7, sin embargo,
empeora el problema de identificación. Véase también Beenstock y Felsenstein (2007) , pero luego presentado en forma de modelo
VAR espacial.
123
22 JP Elhorst
los efectos tienen sentido. En tercer lugar, algunos investigadores prefieren modelos más simples
a los más complejos (la navaja de Occam). Un problema de los modelos complejos es el
sobreajuste, el hecho de que los modelos excesivamente complejos se ven afectados por el ruido
estadístico, mientras que los modelos más simples pueden capturar mejor el proceso subyacente
y, por lo tanto, pueden tener un mejor rendimiento predictivo. Sin embargo, si se puede cambiar la
simplicidad por un mayor poder explicativo, es más probable que el modelo complejo sea el correcto.
Para evitar problemas de identificación, una de las siguientes cuatro restricciones tomadas de
la literatura de econometría espacial sobre modelos de datos de panel espaciales dinámicos podría
imponerse a los parámetros de la ecuación. 7.
La primera restricción es b2 = 0 (modelo 4 en la Fig. 3 y la Tabla 1). Este modelo se considera
en Yu et al. (2008) y Lee y Yu (2010c). Sin embargo, el precio que debe pagarse por la identificación
es relativamente alto. Debido a esta restricción, los efectos locales indirectos (desbordamiento
espacial) se anulan por construcción, por lo que los efectos indirectos en relación con los efectos
directos se igualan para todas las variables explicativas, tanto a corto como a largo plazo. a largo
plazo. Si esta relación resulta ser p por ciento para una variable, también es p por ciento para
cualquier otra variable.
Esto se debe a que b1k en el numerador y b1k en el denominador de esta razón se anulan entre
sí. Por ejemplo, la razón para la k-ésima variable explicativa en el corto plazo toma la forma
1 1 d
½ðI dWÞ ðb1kINÞ rsum=½ðI dWÞ ðb1kINÞ
1 1 día
¼ ½ðI dWÞ rsum=½ðI dWÞ ; ð12Þ
lo que muestra que es independiente de b1k y por lo tanto el mismo para cada variable explicativa.
Un resultado similar se obtiene al considerar este ratio en el largo plazo.
La segunda restricción que podría imponerse es d = 0 (modelo 5 en la Fig. 3 y la Tabla 1). Este
modelo es considerado en LeSage y Pace (2009, Cap. 7) y Korniotis (2010). La desventaja de
1
esta restricción es que la matriz ðI qWÞ degenera a la matriz de identidad y, por lo tanto, el efecto
global indirecto a corto plazo (desbordamiento espacial) de cada variable explicativa a cero. En
otras palabras, este modelo es menos adecuado si el análisis se centra en los efectos de
desbordamiento espacial a corto plazo.
La tercera restricción que podría imponerse es g = - sd (modelo 6 en la Fig. 3 y la Tabla 1).
Esta restricción se presenta en Parent y LeSage (2010, 2011). La ventaja de esta restricción es
que el impacto de un cambio en una de las variables explicativas sobre la variable dependiente se
puede descomponer en un efecto espacial y un efecto temporal; el impacto en el espacio cae por
el factor dW para cada vecino de orden superior, y en el tiempo por el factor s para cada período
de tiempo siguiente (ver Elhorst 2010c para una derivación matemática). La desventaja es que los
efectos indirectos (desbordamiento espacial) en relación con los efectos directos permanecen
constantes en el tiempo para cada variable explicativa. La razón de la k-ésima variable explicativa
toma la forma
1 1 d
½ðI dWÞ ðb1kIN þ b2kWÞ rsum=½ðI dWÞ ðb1kIN þ b2kWÞ ; ð13Þ
tanto a corto como a largo plazo. En otras palabras, si es p por ciento para una variable a corto
plazo, también es p por ciento para esa variable a largo plazo.
123
La cuarta restricción que podría imponerse es g = 0 (modelo 7 en la Fig. 3; Tabla 1). Esta
restricción del modelo se considera en Franzese y Hays (2007), Kukenova y Monteiro (2009),
Elhorst (2010d), Jacobs et al. (2009) y Brady (2011). Aunque este modelo también limita la
flexibilidad de la relación entre efectos directos e indirectos, parece ser el modelo menos
restrictivo. Se necesita más investigación empírica para averiguar si este es realmente el caso.
3.4 Métodos de estimación
En la literatura se han desarrollado tres métodos para estimar modelos que tienen dinámicas
mixtas tanto en el espacio como en el tiempo. Un método consiste en corregir el sesgo del
estimador de máxima verosimilitud (ML) o cuasi-máxima verosimilitud (QML), un método se
basa en variables instrumentales o método generalizado de momentos (IV/GMM), y un método
utiliza el Bayesiano Markov Chain Monte Enfoque de Carlo (MCMC). Estos métodos se basan
(parcialmente) en estudios previos discutidos en Seccs. 3.1 y 3.2.
Yu et al. (2008) construyen un estimador corregido por sesgo para un modelo dinámico
(Yt-1, WYt y WYt-1) con efectos fijos espaciales. Lee y Yu (2010d) amplían este estudio para
incluir efectos fijos de período de tiempo. Primero estiman el modelo mediante el estimador
ML desarrollado por Elhorst (2003, 2010a) para el modelo de retraso espacial con efectos
fijos espaciales (y de período de tiempo). Este estimador se denomina estimador LSDV y se
basa en la función condicional de verosimilitud logarítmica del modelo, es decir, condicionada
a la primera observación de cada unidad espacial de la muestra debido a los regresores Yt-1 y WYt-1.
Luego, proporcionan una teoría asintótica rigurosa para el estimador LSDV y su estimador
LSDV corregido por sesgo (BCLSDV) cuando tanto el número de unidades espaciales (N)
como el número de puntos de tiempo (T) en la muestra llegan al infinito de modo que el existe
un límite entre N y T y está acotado entre cero e infinito (0\lim(N/ T) \?). En palabras de Lee y
Yu (2010c, p. 2), esta condición implica que ''T ? ? donde T no puede ser demasiado pequeño
en relación con N.'' La corrección de sesgo se obtiene tanto para los términos de error
distribuidos normalmente (ML) como para los términos de error que no se basan en la
suposición de normalidad. En este último caso, se requieren los cuatro primeros momentos
(QML). Finalmente, cabe señalar que este estimador BCLSDV también se puede utilizar
cuando se elimina del modelo la variable Yt-1 o la variable WYt-1 .
Elhorst (2010d) investiga las propiedades de muestra pequeña de este estimador BCLSDV.
Para ello, extiende el estimador ML incondicional propuesto por Hsiao et al. (2002) con la
variable WYt. Para determinar el valor esperado y la varianza de las primeras observaciones
diferenciadas en la muestra, necesarias para obtener la función de verosimilitud logarítmica
incondicional, aplica la aproximación de Bhargava y Sargan (1983) . Esta extensión se basa
en el trabajo anterior de Elhorst (2005) en el que se compara la aproximación de Bhargava y
Sargan con la de Nerlove y Balestra (1996), pero luego para un modelo de datos de panel
dinámico con Yt-1 y Wet.
Una de sus conclusiones es que la estimación del parámetro d de la variable WYt sigue
estando considerablemente sesgada al utilizar este estimador ML incondicional. Sin embargo,
si la estimación del parámetro d se basa en el estimador BCLSDV y los otros parámetros,
dado d, en el estimador ML incondicional, entonces este denominado estimador mixto
123
24 JP Elhorst
El estimador ML/BCLSDV supera al estimador BCLSDV de Yu et al. (2008) para valores

pequeños de T (T = 5).
Korniotis (2010) construye un estimador LSDV corregido por sesgo para un modelo de
datos de panel dinámico (Yt-1, WYt-1) con efectos fijos espaciales, también asumiendo 0\lim(N/T)\?.
La corrección del sesgo en este estudio es diferente a la de Yu et al. (2008), ya que el estimador
LSDV no tiene que tener en cuenta los efectos de interacción endógenos WYt.
Un par de estudios han considerado estimadores IV/GMM, basándose en trabajos previos
de Arrelano y Bond (1991) y Blundell y Bond (1998). Elhorst (2010d) extiende el estimador
GMM de diferencia de Arrelano y Bond para incluir efectos de interacción endógena y encuentra
que este estimador aún puede estar severamente sesgado, especialmente con respecto a la
estimación del parámetro d de la variable WYt. Señala un sesgo de 0,061. La explicación de
esto se puede encontrar en Lee y Yu (2010c). Encuentran que un estimador 2SLS como el
estimador GMM de Arrelano y Bond que se basa en valores rezagados de Yt-1, WYt-1, Xt y
WXt no es consistente debido a demasiados momentos, y que el sesgo dominante es causado
por la endogeneidad de la variable WYt en lugar de la variable Yt-1. Para evitar estos problemas,
proponen un estimador GMM óptimo basado en condiciones de momento lineales, que son
estándar, y condiciones de momento cuadrático, que están implícitas en la variable WYt y, por
lo tanto, no son estándar en los modelos de datos de panel dinámicos. Demuestran que este
estimador GMM es consistente, también cuando T es pequeño en relación con N.
Tanto Kukenova y Monteiro (2009) como Jacobs et al. (2009) consideran un modelo de
datos de panel dinámico (Yt-1, WYt) y amplían el estimador GMM del sistema de Blundell y
Bond (1998) para tener en cuenta los efectos de interacción endógena (WYt). El primer estudio
también considera variables explicativas endógenas Zt, y el segundo términos de error
espacialmente autocorrelacionados Wet. El principal argumento de aplicar estimadores GMM
en lugar de los estimadores espaciales de máxima verosimilitud tradicionales es que los
primeros también pueden usarse para instrumentar variables explicativas endógenas (distintas
de las variables Yt-1 y WYt).
Ambos estudios encuentran que el estimador GMM del sistema reduce sustancialmente el
sesgo en la estimación del parámetro de la variable WYt, y que el estimador GMM del sistema
supera al estimador GMM de diferencia de Arrelano y Bond. El mensaje principal de estos
estudios parece ser que el sesgo que Lee y Yu (2010c) han descubierto recientemente que
ocurre en teoría puede reducirse tan fuertemente que se vuelve aceptable en la práctica.
En Jacobs et al. (2009), el sesgo en d de la variable WYt asciende en promedio al 0,50% del
valor real del parámetro. Por otro lado, los experimentos de simulación de Monte Carlo solo
pueden cubrir un número limitado de situaciones y, por lo tanto, no prueban que estos
resultados se mantengan en general. Kukenova y Monteiro (2009), por ejemplo, solo consideran
valores positivos para el coeficiente autorregresivo espacial s de la variable WYt. Además, en
algunos casos, ambos estudios también encuentran sesgos que son bastante grandes. Para T
= 10, N = 50 y d = 0,3, por ejemplo, Kukenova y Monteiro (2009, apéndice 6.C) encuentran un
sesgo de -0,0219, o 7,3 % del valor real del parámetro. De forma comparable, Jacobs et al.
(2009, Tabla A.1) encuentran un sesgo creciente, hasta el 6,1 % del valor real del parámetro,
en el coeficiente autorregresivo espacial s de la variable WYt, siempre que no se tenga en
cuenta la autocorrelación espacial en los términos de error. Cuando se corrige la correlación
del error espacial, este sesgo disminuye considerablemente, pero luego aumenta el sesgo en
el coeficiente q de autocorrelación espacial.
123
Parent y LeSage (2010, 2011) señalan que el enfoque bayesiano MCMC considera las
distribuciones condicionales de cada parámetro de interés condicionales a los demás, lo que
conduce a cierta simplificación computacional. Al igual que en Elhorst (2001, 2005, 2010d),
tratan la sección transversal del primer período como endógena, utilizando la aproximación de
Bhargava y Sargan (1983) . Encuentran que el tratamiento correcto de las observaciones iniciales
(endógenas en lugar de exógenas) es importante, especialmente en los casos en que T es
pequeño. Dado que Yu et al. (2008) y Elhorst (2010d) encuentran que maximizar la función de
verosimilitud logarítmica conduce a estimaciones sesgadas del parámetro espacial autorregresivo
d de la variable WYt, el primero al considerar la verosimilitud logarítmica condicionada a la
primera sección transversal de observaciones y la último, al considerar el log-verosimilitud
incondicional, surge la pregunta de si el estimador bayesiano MCMC no está también sujeto a
un sesgo. Para T = 5, N = 50 y d = 0,7, por ejemplo, Parent y LeSage (2011, Tabla 3) encuentran
un sesgo de 0,0149, o 2,13 % del valor real del parámetro.
4. Conclusión
Hace diez años, no existía un procedimiento de estimación sencillo para los modelos de datos
de panel espaciales dinámicos. Hoy en día, se pueden estimar mediante métodos ML o QML, IV/
GMM y bayesianos MCMC con corrección de sesgo. Sin embargo, quedan muchos problemas.
En primer lugar, no todos los métodos pueden abordar adecuadamente el posible sesgo en el
coeficiente d de la variable WYt . En segundo lugar, algunos estimadores tienen un rendimiento
inferior cuando T es pequeño; tratar las observaciones iniciales como endógenas en lugar de
exógenas puede ser beneficioso en estas circunstancias. En tercer lugar, no todos los
estimadores pueden manejar variables explicativas endógenas distintas de las variables
dependientes rezagadas en el espacio y/o el tiempo. Cuarto, las condiciones de estacionariedad
que deben imponerse a los parámetros del modelo no siempre se implementan correctamente.
Un problema final es el tratamiento de los efectos específicos del espacio; muchos estudios
adoptan una especificación de efectos aleatorios, donde una especificación de efectos fijos podría ser más apro
Un modelo de datos de panel dinámico puede tomar varias formas. En este artículo
presentamos los más populares. Cada forma parecía tener ciertas deficiencias.
Dependiendo del propósito de un estudio empírico particular y la estructura de los datos (p. ej.,
N grande o pequeño, y T pequeño o grande), es el investigador quien debe determinar qué
forma es la más apropiada y qué estimador usar.
Agradecimientos El autor desea agradecer a Jan Jacobs, tres árbitros anónimos, el editor de esta revista y los participantes de la 5ª
Conferencia Mundial de la Asociación de Econometría Espacial en Toulouse 2011 por sus valiosos comentarios sobre una versión
anterior de este artículo.
Referencias
Anselin L (1988) Econometría espacial: métodos y modelos. Kluwer, Dordrecht Anselin L, Le Gallo J,
Jayet H (2008) Econometría de panel espacial. En: Ma´tya´s L, Sevestre P (eds) La econometría de datos de panel, fundamentos y
desarrollos recientes en teoría y práctica, 3ra ed.
Kluwer, Dordrecht, págs. 627–662
123
26 JP Elhorst
Arrelano M (2003) Econometría de datos de panel. Oxford University Press, Oxford Arrelano M, Bond
S (1991) Algunas pruebas de especificación para datos de panel: evidencia de Monte Carlo y una
aplicación a las ecuaciones de empleo. Rev Econ Stud 58 (2): 277–297
Balestra P, Nerlove M (1966) Combinación de datos de sección transversal y series de tiempo en la estimación de una dinámica
modelo: la demanda de gas natural. Econometrica 34(3):585–612 Baltagi BH (2005)
Análisis econométrico de datos de panel, 3.ª ed. Wiley, Chichester Baltagi BH, Song SH, Koh W (2003)
Prueba de modelos de datos de panel con correlación de error espacial. Economía J
117(1):123–150
Baltagi BH, Song SH, Jung BC, Koh W (2006) Pruebas de correlación serial, autocorrelación espacial y
Efectos aleatorios utilizando datos de panel. J Economía 140(1):5–51
Baltagi BH, Egger P, Pfaffermayr M (2007) Un modelo de datos de panel espacial generalizado con efectos aleatorios. http://
ideas.repec.org/p/max/cprwps/113.html
Beck N (2001) Datos de sección cruzada de series de tiempo: ¿qué hemos aprendido en los últimos años? Ann Rev Polit
Ciencias 4:271–293
Beenstock M, Felsenstein D (2007) Autoregresiones de vectores espaciales. Spatial Econ Anal 2(2):167–196 Bhargava A, Sargan
JD (1983) Estimación de modelos de efectos aleatorios dinámicos a partir de datos de panel que cubren períodos de tiempo cortos.
Econométrica 51 (6): 1635–1659
Blanchard OJ, Katz LF (1992) Evoluciones regionales. Brookings Pap Econ Act 23(1):1–75 Blundell R, Bond S (1998)
Condiciones iniciales y restricciones de momento en modelos de datos de panel dinámicos.
J Economía 87(1):115–143
Brady RR (2011) Medición de la difusión de los precios de la vivienda en el espacio y el tiempo. Economía de la aplicación J
26(2):213–231
Bun M, Carree M (2005) Estimación con corrección de sesgo en modelos de datos de panel dinámicos. Estado económico del autobús J
3(2):200–211
Burridge P (1981) Prueba de un factor común en un modelo de autorregresión espacial. Entorno Plan A
13(7):795–800
Cressie N, Wikle CK (2011) Estadísticas para datos espacio-temporales. Wiley, Blackwell Debarsy N, Ertur
C, LeSage JP (2011) Interpretación de modelos dinámicos de datos de panel de espacio-tiempo. Método Stat.
doi:10.1016/j.stamet.2011.02.002
De Groot AJ, Elhorst JP (2010). Efectos de la flexiguridad en el mercado laboral desde una perspectiva regional.
Tijdschrift voor Economische en Sociale Geografie [J Econ Soc Geogr] 101(4):392–408 Driscoll JC, Kraay AC (1998)
Estimación de matriz de covarianza consistente con datos espacialmente dependientes. Rvdo
Estadística económica 80(4):549–560
Elhorst JP (2001) Modelos dinámicos en el espacio y el tiempo. Geogr Anal 33(2):119–140 Elhorst JP (2003)
Especificación y estimación de modelos de datos de panel espacial. Int Reg Sci Rev
26(3):244–268
Elhorst JP (2005) Estimación de máxima verosimilitud incondicional de modelos dinámicos lineales y logarítmicos lineales para paneles
espaciales. Geogr Anal 37(1):62–83
Elhorst JP (2008a) Autocorrelación serial y espacial. Econ Lett 100(3):422–424 Elhorst JP (2008b) Un
análisis espaciotemporal del comportamiento agregado de la fuerza laboral por sexo y edad en
la Unión Europea. J Geogr Syst 10(2):167–190
Elhorst JP (2010a) Modelos de datos de panel espacial. En: Fischer MM, Getis A (eds) Manual de técnicas espaciales aplicadas
análisis. Springer, Berlín, Heidelberg y Nueva York, págs. 377–407
Elhorst JP (2010b) Software Matlab para paneles espaciales. Documento presentado en la 4ª conferencia mundial de la asociación de
econometría espacial, Chicago Elhorst JP (2010c) Econometría espacial aplicada: subiendo el listón. Spatial Econ Anal 5(1):9–
28 Elhorst JP (2010d) Paneles dinámicos con efectos de interacción endógena cuando T es pequeño. Reg Sci Urban Econ 40(5):272–
282 Elhorst JP, Piras G, Arbia G (2010a) Growth and convergence in a multi-regional model with space-time
dinámica. Geogr Anal 42(3):338–355

Elhorst JP, Zandberg E, De Haan J (2010b) El impacto de los efectos de interacción entre vecinos
países sobre la reforma financiera: un enfoque dinámico de datos de panel espacial. Mimeo, Groninga
Enders W (1995) Serie temporal econométrica aplicada. Wiley, Nueva York Ertur C, Koch
W (2007) Crecimiento, interdependencia tecnológica y externalidades espaciales: teoría y evidencia. J Appl Econom 22(6):1033–1062
Fingleton B, Le Gallo J (2008) Estimación de modelos espaciales con variables endógenas, un retraso espacial en perturbaciones
dependientes del espacio: propiedades de muestras finitas. Pap Reg Sci 87(3):319–339
123
Franzese RJ Jr, Hays JC (2007) Modelos econométricos espaciales de interdependencia transversal en panel de ciencia política y
datos de sección transversal de serie temporal. Anal político 15 (2): 140–164
Greene WH (2005) Análisis econométrico, 6.ª ed. Pearson Prentice Hall, Nueva Jersey Hahn J, Kuersteiner G
(2002) Inferencia asintóticamente imparcial para un modelo de panel dinámico con
efectos cuando tanto n como T son grandes. Econometrica 70(4):1639–1657 Hamilton
JD (1994) Análisis de series de tiempo. Princeton University Press, Nueva Jersey Hendry DF (1995)
Econometría dinámica. Oxford University Press, Oxford Hsiao C (2003) Análisis de datos de panel, 2ª ed.
Cambridge University Press, Cambridge Hsiao C, Pesaran MH, Tahmiscioglu AK (2002) Estimación de máxima
verosimilitud de la dinámica de efectos fijos
modelos de datos de panel que cubren periodos de tiempo cortos. J Economía 109(1):107–150
Jacobs JPAM, Ligthart JE, Vrijburg H (2009) Modelos de datos de panel dinámicos con interacción endógena y errores espacialmente
correlacionados. http://ideas.repec.org/p/ays/ispwps/paper0915.html Kapoor M, Kelejian HH, Prucha IR (2007) Modelos de
datos de panel con componentes de error espacialmente correlacionados.
J Economía 140(1):97–130
Kelejian HH, Prucha IR (1998) Un procedimiento espacial generalizado de mínimos cuadrados en dos etapas para estimar un modelo
autorregresivo espacial con perturbaciones autorregresivas. J Finanzas inmobiliarias Econ 17(1):99–121
Kelejian HH, Prucha IR (1999) Un estimador generalizado de momentos para el parámetro autorregresivo en un modelo espacial. Int
Econ Rev 40(2):509–533 Kelejian HH, Prucha IR (2002) 2SLS y OLS en un modelo autorregresivo espacial con pesos
espaciales iguales. Reg Sci Urban Econ 32 (6): 691–707
Kelejian HH, Prucha IR (2010) Especificación y estimación de modelos autorregresivos espaciales con perturbaciones autorregresivas
y heterocedásticas. J Econom 157(1):53–67 Kelejian HH, Prucha IR, Yuzefovich Y (2006) Problemas de estimación en modelos
con matrices de ponderación espacial que tienen bloques de elementos iguales. J Reg Sci 46(3):507–515 Kholodilin KA, Siliverstovs
B, Kooths S (2008) Un enfoque de datos de panel dinámico para la previsión de la
PIB de los La¨nder alemanes. Anal económico espacial 3 (2): 195–207

Kiviet JF (1995) Sobre sesgo, inconsistencia y eficiencia de algunos estimadores en modelos dinámicos de datos de panel.
J Economía 68(1):53–78
Korniotis GM (2010) Modelos de panel de estimación con formación de hábitos internos y externos. Estado económico del autobús J
28(1):145–158
Kukenova M, Monteiro JA (2009) Modelo de panel dinámico espacial y sistema GMM: una investigación de Monte Carlo. http://
ideas.repec.org/p/pra/mprapa/11569.html Lee LF (2004) Distribución asintótica de estimadores de verosimilitud casi máxima
para modelos autorregresivos espaciales. Econometrica 72(6):1899–1925 Lee LF, Yu J (2010a) Algunos desarrollos recientes en
modelos de datos de panel espacial. Reg Sci Urban Econ
40(5):255–271
Lee LF, Yu J (2010b) Estimación de modelos de datos de panel autorregresivos espaciales con efectos fijos. Economía J
154(2):165–185
Lee LF, Yu J (2010c). Estimación GMM eficiente de modelos de datos de panel dinámicos espaciales con efectos fijos. http://
www.economics.smu.edu.sg/events/Paper/LungfeiLee.pdf Lee LF, Yu J (2010d) Un modelo de datos de panel dinámico
espacial con efectos fijos individuales y de tiempo.
Teoría económica 26 (2): 564–597
LeSage JP, Pace RK (2009) Introducción a la econometría espacial. Prensa CRC Taylor & Francis Group,
Boca Ratón
Nerlove M (1999) Propiedades de estimadores alternativos de modelos de panel dinámico: un análisis empírico de datos entre países
para el estudio del crecimiento económico. En: Hsiao C, Lahiri K, Lee LF, Pesaran MH (eds) Análisis de paneles y modelos de
variable dependiente limitada. Prensa de la Universidad de Cambridge, Cambridge, págs. 136–170
Nerlove M, Balestra P (1996) Formulación y estimación de modelos econométricos para datos de panel. En: Ma´tya´s L, Sevestre P
(eds) The econometrics of panel data, 2ª edición revisada. Dordrecht, Kluwer, pp 3–22 Newey W, West K (1987) Una
heteroscedasticidad y autocorrelación semidefinidas positivas simples
matriz de covarianza consistente. Econométrica 55(3):703–708
Nickell S (1981) Sesgos en modelos dinámicos con efectos fijos. Econometrica 49(6):1417–1426 Parent O, LeSage JP
(2010) Un modelo de panel dinámico espacial con efectos aleatorios aplicados a los tiempos de viaje. Transp Res Part B 44(5):633–
645 Parent O, LeSage JP (2011) Un filtro de espacio-tiempo para modelos de datos de panel que contienen efectos aleatorios.
computar
Datos estadísticos Anal 55(1):475–490
123
28 JP Elhorst
Pesaran MH, Tosetti E (2011) Grandes paneles con factores comunes y correlación espacial. Economía J
161(2):182–202
Yang Z, Li C, Tse YK (2006) Forma funcional y dependencia espacial en paneles espaciales. Lett económico
91(1):138–145
Yu J, De Jong R, Lee L (2008) Estimadores de verosimilitud casi máxima para datos de panel dinámico espacial con
efectos fijos cuando tanto n como T son grandes. J Economía 146(1):118–134
123
Los derechos de autor de Journal of Geographical Systems son propiedad de Springer Science & Business Media BV y su contenido no puede
copiarse ni enviarse por correo electrónico a varios sitios ni publicarse en un servidor de listas sin el permiso expreso por escrito del titular de los
derechos de autor. Sin embargo, los usuarios pueden imprimir, descargar o enviar artículos por correo electrónico para uso individual.

Paneles Espaciales Dinámicos Modelos

Cargado por

Información del documento

Título original

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

Paneles Espaciales Dinámicos Modelos

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

J Geogr Syst (2012) 14: 5–28

Paneles espaciales dinámicos: modelos,

Resumen Este documento proporciona un estudio de la literatura existente sobre la especificación y

Palabras clave Efectos dinámicos Efectos de desbordamiento espacial Identificación

Clasificación JEL C21 C23 C51

En la última década, la literatura sobre econometría espacial ha mostrado un creciente interés en la

Este documento proporciona un estudio de la literatura existente sobre modelos de datos de

2 Un modelo dinámico generalizado en el espacio y el tiempo

Yt ¼ sYt1 þ dWYt þ gWYt1 þ Xtb1 þ WXtb2

vt ¼ cvt1 þ qWvt þ l þ ktiN þ et; ð1bÞ

Paneles espaciales dinámicos 7

jjc \1 qxmax si q 0; jjc \1 qxmin si ð2aÞ

Estas condiciones de estacionariedad se grafican en la Fig. 1a y muestran que existe un

s\1 ð Þ d þ gsi xmax

Si q se reemplaza por d ? g y c por s, entonces la condición de estacionariedad entre

Paneles espaciales dinámicos 9

región de estacionariedad de los dos coeficientes autorregresivos espaciales toma la forma de un

2.2 Efectos fijos versus efectos aleatorios

Paneles espaciales dinámicos 11

La Figura 2 presenta dos ecuaciones de regresión que se han discutido extensamente en

3.1 Modelos de datos de panel dinámicos no espaciales

Paneles espaciales dinámicos 13

3.2 Modelos de datos de panel no dinámicos espaciales

Al imponer las restricciones de parámetros s = g = 0 y b3 = b4 = 0 en la ecuación. 1a, como se muestra

Yt ¼ dWYt þ Xtb1 þ WXtb2 þ vt: ð4Þ

La estimación de modelos de datos de panel espacial estáticos se analiza ampliamente en Elhorst

Paneles espaciales dinámicos 15

Recientemente, estas rutinas se han actualizado para el procedimiento de corrección de sesgo

la matriz de derivadas parciales de Y con respecto a la k-ésima variable explicativa de X en la

4 wN1b2k wN2b2k b1k 5

3.3 Una taxonomía de modelos dinámicos en el espacio y el tiempo

Paneles espaciales dinámicos 19

3. Yt-1 + WYt + WYt-1 + Xt + WXt,

4. Yt-1 + WYt + WYt-1 + Xt , sin WXT

5. Yt-1 + WYt-1 + Xt + WXt, sin WYt

6. Yt-1 + WYt + WYt-1 + Xt + WXt

7. Yt-1 + WYt + Xt + WXt, sin WYt-1

Quizás más importante es el desarrollo de estimadores de la matriz de covarianza que sean

Un segundo conjunto de estudios (modelo 2 en la Fig. 3) ha combinado el espacio y el

Yt ¼ sYt1 þ dWYt þ gWYt1 þ Xtb1 þ WXtb2 þ vt; ð7Þ

Paneles espaciales dinámicos 21

la matriz de derivadas parciales de Y con respecto a la k-ésima variable explicativa de

þ WXtðp1Þb2 þ vtðp1ÞÞ: ð11Þ

Paneles espaciales dinámicos 23

3.4 Métodos de estimación

El estimador ML/BCLSDV supera al estimador BCLSDV de Yu et al. (2008) para valores

Paneles espaciales dinámicos 25

dinámica. Geogr Anal 42(3):338–355

Paneles espaciales dinámicos 27

PIB de los La¨nder alemanes. Anal económico espacial 3 (2): 195–207

También podría gustarte