FMOLS

Phillips (1995)

https://sci-hub.se/https://www.jstor.org/stable/2171721

La regresión de mínimos cuadrados completamente modificados se diseñó

originalmente en el trabajo de Phillips y Hansen (1990) para obtener estimaciones óptimas
en las regresiones cointegradas. El método modifica los mínimos cuadrados para que
incorporen los efectos de la correlación serial y la endogeneidad en las variables regresoras
que genera la existencia de una relación de cointegración (p. 1023).

[El artículo de Phillips y Hansen (1990) se titula “Statistical inference in Instrumental

Variables Regressions with I(1) Processes”, ver la nota «Fuentes sobre los estimadores»]

[Comillas angulares o latinas, « », código ASCII 174 y 175]

ENDOGENEIDAD

Greene (2012), capítulo 8 «Endogeneity and instrumental variable estimation»

El supuesto que establece la ausencia de correlación entre las covariantes y la

perturbación en el modelo de regresión lineal… ha sido crucial hasta ahora. Sin embargo,
hay aplicaciones en las que ese supuesto es insostenible. Los ejemplos incluyen modelos
donde se evalúa la respuesta a un tratamiento, modelos que contienen variables con errores
de medición, modelos dinámicos que incluyan expectativas, y una larga variedad de
situaciones comunes que involucren variables no observables, o que debido a otras razones
son omitidas de la ecuación. Sin el supuesto que establece la ausencia de correlación entre
las perturbaciones y las covariantes, ninguna de las pruebas de consistencia o insesgadura del
estimador de mínimos cuadrados que se obtuvieron en el capítulo 4 seguirá siendo válida, de
manera que el estimador MCO pierde su atractivo (p. 259). [si quieres saber más continúa
leyendo el capítulo]
 DOLS

No he revisado lo suficiente, pero parece que el estimador fue creado por Saikkonen
(1991) y luego Kao y Chiang (1999) lo adaptaron para regresiones de cointegración con datos
panel. Saikkonen (1991) habla de un estimador eficiente, hay que revisar si DOLS corrige
problemas de heterocedasticidad (parece que no)

Kao y Chiang (1999)

https://surface.syr.edu/cgi/viewcontent.cgi?article=1144&context=cpr

“Si uno quiere obtener una estimación consistente de β en [1]…” (p. 5)

𝑦𝑖𝑡 = 𝛼𝑖 + 𝑥𝑖𝑡 𝛽 + 𝑢𝑖𝑡 ; 𝑖 = 1, … , 𝑁, 𝑡 = 1, … , 𝑇 [1]

“… o desea probar algunas restricciones sobre β, una regresión individual de series

de tiempo o una regresión múltiple de series de tiempo probablemente es suficiente. Entonces
cuáles son las ventajas de emplear aproximaciones asintóticas de (N,T), por ejemplo, las
aproximaciones asintóticas secuenciales en el supuesto 1, en lugar de aproximaciones
asintóticas de T? Una de las ventajas es que podemos obtener una aproximación normal de
las distribuciones en el límite de los estimadores y de los estadísticos de prueba mediante la
tasa de convergencia √𝑁𝑇. Más importante, los sesgos de los estimadores y de los
estadísticos de prueba pueden reducirse cuando N y T son grandes. Por ejemplo, más adelante
en esta investigación mostraremos que los sesgos de los estimadores OLS, FMOLS y DOLS
en la Tabla 2 disminuyeron a la mitad cuando el tamaño de la muestra fue cambiado de (N=1,
T=20) a (N=20, T=20). Sin embargo, para obtener una normalidad asintótica usando
aproximaciones asintóticas de (N, T) necesitamos establecer algunos supuestos fuertes; por
ejemplo, en este trabajo asumimos que los términos de error son independientes entre los
sujetos i.” (p. 5)

“Los resultados de este trabajo requieren que las regresoras no estén cointegradas.
Asumir que las regresoras I(1) no están cointegradas entre sí es realmente restrictivo…” (p.5)
 Tanto FMOLS como DOLS son mejores alternativas que OLS cuando se trata de la
estimación de regresiones cointegradas con datos panel. (p. 7)

“El estimador FMOLS se construye haciendo correcciones por endogeneidad y

correlación serial al estimador de OLS.” (p. 7)

La ecuación del estimador OLS está en la p. 6, la ecuación del estimador FMOLS está
en la p. 8 y la ecuación del estimador DOLS está en la página

El estimador DOLS usa los valores rezagados y futuros de la primera diferencia de

las variables independientes como regresoras adicionales.
Kao y Chiang (1999) presentaron en la sección 4 versiones de los estimadores
FMOLS y DOLS para el caso de paneles heterogéneos (aquellos donde los parámetros de los
modelos varían entre los sujetos transversales)
Los experimentos de Kao y Chiang (1999) [ver resumen, p. 19] muestran que DOLS
es superior a FMOLS y OLS cuando hay presencia de endogeneidad y de correlación serial,
es un estimador con buen desempeño en muestra pequeñas pero sus principales
inconvenientes son la adecuada selección de los rezagos y los adelantos de las primeras
diferencias de las variables explicativas, este estimador también necesita que la distribución
de las perturbaciones sea normal o de lo contrario pierde eficiencia.

Estimadores CCE
El modelo de residuo multifactorial que utiliza Pesaran (2006) como base para el
desarrollo de los estimadores CCE tiene las siguientes características: (p. 971)
– Es un modelo lineal de datos panel que permite parámetros heterogéneos entre las
unidades transversales, como el siguiente:

𝑦𝑖𝑡 = 𝛼′𝑖 𝑑𝑡 + 𝛽′𝑖 𝑥𝑖𝑡 + 𝑒𝑖𝑡 (1)

“d” es un vector de efectos comunes observables
“x” son las regresoras individuales
“e” es el término de error multifactorial, su estructura es la siguiente:

𝑒𝑖𝑡 = 𝛾′𝑡 𝑓𝑡 + 𝜀𝑖𝑡 (2)

“f” es el vector de efectos comunes no observables y “épsilon” son los errores
idiosincráticos (esta expresión quiere decir “errores”, simple y llanamente)
 Se asume que la distribución de los errores de ese modelo (épsilon) es
independiente de los efectos observables y de las regresoras. Eso equivale a suponer que los
efectos comunes y las regresoras son exógenas.
Sin embargo, en ese modelo los factores no observables pueden
correlacionarse con las regresoras o con los efectos comunes. En esa circunstancia, el vector
de las variables regresoras se escribe de la siguiente manera:

𝑥𝑖𝑡 = 𝐴′𝑖 𝑑𝑡 + Γ′𝑖 𝑓𝑡 + 𝑣𝑖𝑡 (3)

Bajo esa especificación alternativa, el vector de variables regresoras depende
de los efectos comunes observables “d”, de los efectos comunes no observables “f” y de “v”
que representa los componentes específicos de las regresoras “x”. A’ y Γ′ son matrices de
factores de carga con componentes fijos (esto está relacionado con el análisis factorial)
Se asume que los componentes específicos de x (el término “v”) tienen una
distribución independiente de los efectos “d” entre los sujetos transversales, y además son
procesos estacionarios. En rigor, Pesaran asume que los efectos observables “d” y los efectos
no observables “f” son variables estacionarias.
– De acuerdo a Pesaran (2006), esas tres ecuaciones permiten derivar una gran
cantidad de modelos (p. 972)
– El paper de Pesaran (2006) centra su atención en los problemas de estimación e
inferencia asociados con 𝐸 (𝛽𝑖 ) = 𝛽. Es decir, Pesaran (2006) desarrolla la estimación de los
parámetros del modelo base previo como el valor esperado de los parámetros individuales de
los sujetos “i” del panel. Esos parámetros individuales también se pueden estimar de manera
consistentes y realizar pruebas sobre ellos, pero para hacerlo se necesitan los siguientes
supuestos (pp. 972-974):
a) Los efectos comunes del modelo (los observables y los no observables) son
estacionarios y su distribución es independiente de los errores idiosincráticos y de los
componentes específicos de las regresoras [d y f son estacionarias y su distribución es
independiente del error “épsilon” y de las regresoras en todo el panel] [Este supuesto se
relaciona con la homocedasticidad]
b) Los términos de error (épsilon y “v”) son procesos lineales estacionarios y
se distribuyen independientemente (uno con respecto al otro).
c) Los factores de carga no observables del término de error y de las regresoras
tienen una distribución idéntica e independiente entre las unidades transversales, su
distribución también es independiente de los efectos comunes (d y f) y de los errores épsilon
y “v”. La media de los factores de carga es fija y su varianza finita.
d) Los parámetros individuales del modelo son aleatorios, tal que cada
parámetro individual se genera a partir de la siguiente ecuación, donde v es un proceso ruido
blanco:
 𝛽𝑖 = 𝛽 + 𝑣𝑖 , 𝑣𝑖 ~𝐼𝐼𝐷(0, Ω𝑣 )
e) La determinación de los parámetros individuales y de los parámetros
promedio se basa en ponderaciones que deben cumplir las condiciones especificadas por
Pesaran (p. 974)
– Comentarios de Pesaran (2006) (pp. 974-975)
1. El modelo que especifican las ecuaciones 1, 2 y 3 permite que los factores
comunes no observables estén correlacionados con las regresoras. También permite un grado
general de dependencia entre los sujetos transversales a partir de los términos de error.
[heterogeneidad, endogeneidad o simultaneidad y también dependencia entre datos
transversales]
2. El resultado principal de este trabajo también se mantiene si hay procesos
de raíces unitarias entre los efectos comunes (d o f), los cuales introducirán las raíces unitarias
en las regresoras individuales. [Como los términos de error son procesos estacionarios y
Pesaran indica en este comentario que también se permite el uso de regresoras con raíces
unitarias (raíces unitarias que generan en realidad los efectos comunes), entonces los modelos
CCE también deberían trabajar en regresiones de cointegración]
[DIGRESIÓN: En Kapetanios, Pesaran y Yamagata (2011) prueban los estimadores CCE
incluyendo raíces unitarias en los factores no observables y los experimentos Monte Carlo
demuestran que los estimadores CCE también son robustos a la presencia de raíces unitarias]
3. Las ponderaciones para los parámetros no son únicas (aunque sí deben
satisfacer una serie de restricciones), pero ello no afecta la distribución de los estimadores.
En cambio, las ponderaciones sí tienen importancia cuando se trabaja con muestra pequeñas.
Si N es razonablemente grande, Pesaran (2006) recomienda usar ponderaciones similares.
4. Se asume que los efectos comunes observables y las regresoras son fijas y
conocidas. Los factores no observables también son fijos, pero no son conocidos.
5. La dinámica de las características comunes entre los sujetos “i” se captura
a través de la estructura de correlación serial de los efectos comunes, y las dinámicas
individuales se admiten a través de la correlación serial en el error épsilon.
– En esencia, los estimadores CCE también son una adaptación o modificación de
OLS (p. 977)
– El estimador CCEP (la p es de pooled) está inspirado en el estimador de efectos
fijos (p. 982)
– … Nótese que los estimadores tipo CCE son robustos a la correlación serial y las
varianzas heterogéneas del error épsilon entre los sujetos “i”, estos estimadores también son
robustos cuando se emplean muestras pequeñas (p. 991)
 – Los estimadores CCE se desempeñan mejor cuando los parámetros del modelo son
heterogéneos y el estimador agrupado CCEP es más eficiente que el CCEMG cuando la
muestra es pequeña (por ejemplo, N=20 y T=20). En general, Pesaran (2006) dice que la
conclusión igual se mantiene sin que importe mucho si los coeficientes son heterogéneos u
homogéneos, CCEP tiene mejor desempeño en muestra moderadas o pequeñas, y CCEMG
es más adecuado en muestra relativamente grandes (p. 998)
– En Kapetanios, Pesaran y Yamagata (2011) indican que cuando los parámetros son
homogéneos los estimadores sí tienen mejor desempeño que cuando hay parámetros
heterogéneos. Los autores también dicen que CCE toma en cuenta la correlación serial de los
residuos (p. 336)
FMOLS Corrige endogeneidad y correlación serial,
se emplea en regresiones cointegradas,
asume términos de error independientes
entre los sujetos i, su desempeño es mejor
cuando T > N
DOLS Se emplea en regresiones cointegradas, es
más eficiente que FMOLS en muestras
pequeñas, asume términos de error
independientes entre los sujetos i, su
desempeño es mejor cuando T > N.
Un problema con el estimador DOLS es la
selección de los rezagos y los adelantos de
las primeras diferencias de la variable
dependiente; la elección de esa regresoras
adicionales cambia las estimaciones de los
parámetros y de los estadísticos de prueba.
El buen desempeño del estimador DOLS
también requiere que la distribución de los
términos de error sea normal, si tal
distribución no es normal entonces el
estimador DOLS desmejora. En paneles
heterogéneos DOLS también tiene mejor
desempeño que FMOLS y OLS.
CCE Los estimadores CCE flexibilizan tres
supuestos: permiten que haya dependencia
entre los datos transversales, que los
residuos sean heterocedásticos y también
que presenten correlación serial (esas tres
características se toman en cuenta).
 Lo que sí suponen estos estimadores es lo
siguiente: los factores comunes y las
regresoras son exógenas y estacionarias.
También se supone que los términos de
error son estacionarios.
En ninguna parte del paper señalan que CCE
sea un estimador utilizado para variables
cointegradas.
a