ECONOMETRIA II

Milena Hoyos

Facultad de Ciencias Económicas

Universidad Nacional de Colombia

2021-II

1 / 21
Contenido

Modelo de Efectos Fijos.

Modelo de Efectos Aleatorios.

Referencia: Wooldridge, Capı́tulo 14. Stock & Watson,

Capı́tulo 10.

2 / 21
Modelo de Efectos Fijos

Para i = 1, ..., N y t = 1, ..., T considere el modelo

yit = 0 + 1 xit1 + 2 xit2 + ... + k xitk + ai + uit ,

Promediando la ecuación en el tiempo se obtiene

ȳi = + 1 x̄i1 + 2 x̄i2 + ... + k x̄ik + ai + ūi ,

0
P
donde ȳi = T 1 Tt=1 yit y ası́ sucesivamente.

Si se resta la segunda ecuación de la primera se obtiene

yit ȳi = 1 (xit1 x̄i1 ) + 2 (xit2 x̄i2 ) + ...

+ k (xitk x̄ik ) + uit ūi t = 1, ..., T
ÿit = 1 ẍit1 + 2 ẍit2 + ... + k ẍitk + üit . t = 1, ..., T

3 / 21
Modelo de Efectos Fijos

La ecuación transformada, en la que a los datos se les resta su

respectiva media temporal, puede ser estimada por MCO
combinados.

El estimador basado en esta ecuación se conoce como

estimador de efectos fijos o estimador intragrupal (within).

La transformación de efectos fijos o intragrupal es un método

alternativo para eliminar el efecto ai .

Los grados de libertad apropiados son NT N k.

En la ecuación pueden incluirse T 1 variables binarias de

tiempo. En este caso los grados de libertad son
NT N k T + 1.

4 / 21
Modelo de Efectos Fijos

Un enfoque alternativo es suponer que ai es un parámetro que

debe estimarse para cada individuo i y asignar una variable
binaria para cada observación de corte transversal

yit = 0 + 1 xit1 + ... + k xitk + 2 d 2i + ... + n dNi + uit ,

donde dji j = 2, ..., N es una variable binaria igual a uno si la

observación pertenece al individuo j e igual a cero en otro
caso.

El estimador basado en esta ecuación se conoce como

estimador de variables binarias (VB).

Podrı́a resultar en un modelo con muchos coeficientes en

especial cuando N es grande.

5 / 21
Ejemplo: Impuestos y Accidentes de Tráfico

Considere un modelo para estudiar el efecto de los impuestos

sobre el alcohol en accidentes de tráfico, usando las variables:

⇧ Número de muertes en accidentes por cada 10.000 personas

⇧ Impuesto sobre una caja de cerveza (Impuesto)
⇧ Binaria igual a 1 si el estado tiene una regulación sobre edad
mı́nima para beber y 0 en otro caso (EdadBeber )
⇧ Binaria igual a 1 si el estado exige tiempo en prisión y 0 en
otro caso (Condena)
⇧ Millas recorridas anualmente por el vehı́culo (Millas)
⇧ Tasa de desempleo (Desempleo)
⇧ Renta real per cápita (Renta)

6 / 21
Ejemplo: Impuestos y Accidentes de Tráfico

Variable dependiente: Muertes en Accidentes de Tráfico

(1) (2) (3) (4)
Impuesto 0.365 0.656 0.640 0.456
(0.053) (0.289) (0.353) (0.301)
EdadBeber 0.002
(0.021)
Condena 0.039
(0.101)
Millas 0.00001
(0.00001)
Desempleo 0.063
(0.013)
Log(Renta) 1.786
(0.631)
Efectos individuales de estado no sı́ sı́ sı́
Efectos temporales no no sı́ sı́
Errores estándar robustos (cluster) sı́ sı́ sı́ sı́
Nota:(1) es el estimador de MCO combinados, (2) a (4) es el estimador de efectos fijos
N=48, T=7 (1982 a 1988).

7 / 21
Comparación entre los Estimadores de Efectos Fijos y de
Primera Diferencia

El estimador de variables binarias y el estimador intragrupal

proveen las mismas estimaciones para los coeficientes j , los
mismos errores estándar y estadı́sticos de prueba.

Para T = 2 los estimadores de efectos fijos (EF) (incluyendo

un intercepto) y de primeras diferencias (PD) son idénticos.

Para T > 2 los estimadores de EF y de PD son diferentes. La

elección entre los dos estimadores depende de su eficiencia:

⇧ Cuando uit no se correlaciona serialmente, los estimadores

de EF son más eficientes que los de PD.
⇧ Cuando uit sigue una caminata aleatoria, uit no está
correlacionada y los estimadores de PD son preferidos.
8 / 21
Comparación entre los Estimadores de Efectos Fijos y de
Primera Diferencia

El estimador de EF tiene las siguientes desventajas (las cuales

también se evidencian en el estimador de PD)

1. No es posible estimar los efectos marginales de las variables

que no cambian con el tiempo

⇧ VB: Estas variables y las binarias de corte transversal son

perfectamente colineales.
⇧ EF: Estas variables son eliminadas con la transformación
intragrupal.
⇧ PD: Estas variables son eliminadas con la primera diferencia.

2. La diferenciación elimina mucha de la variación de las

variables regresoras.

9 / 21
Modelo de efectos aleatorios

Considere el modelo de efectos inobservables

yit = 0 + 1 xit1 + 2 xit2 + ... + k xitk + ai + uit ,

y suponga que ai no está correlacionada con ninguna variable

explicativa en todos los periodos.

Bajo los supuestos de efectos aleatorios (véase las últimas dos

diapositivas) la correlación del error compuesto vit = ai + uit
es
2
a
Corr (vit , vis ) = 2 2
, t 6= s,
a + u

donde 2 = Var (ai ) y 2 = Var (uit ).

a u

10 / 21
Estimador de efectos aleatorios

MCO combinados produce estimadores consistentes.

Sin embargo, MCO ignora la correlación serial positiva en el

término de error, lo cual invalida los errores estándar y los
estadı́sticos de prueba usuales.

Para tener en cuenta la correlación serial en el error se podrı́a

usar los siguientes enfoques:
⇧ Estimar el modelo de efectos inobservables usando MCO
combinados (con los efectos fijos ai incluidos en el término de
error) y usando errores estándar robustos (cluster).
⇧ Emplear mı́nimos cuadrados generalizados (MCG).

11 / 21
Estimador de efectos aleatorios

La transformación de MCG que elimina la correlación serial en

los errores es

yit ✓ȳi = 0 (1 ✓) + 1 (xit1 ✓x̄i1 ) + ... + k (xitk ✓x̄ik )

+ (vit ✓v̄i ),

1
PT
donde ȳi = T t=1 yit y ası́ sucesivamente, y
✓ 2
◆1/2
u
✓=1 2 2
.
u +T a

Note que el modelo de MCO combinados se obtiene cuando

✓ = 0 y el modelo de efectos fijos cuando ✓ = 1.

12 / 21
Estimador de efectos aleatorios

El parámetro ✓ es desconocido, pero puede estimarse.

El coeficiente ✓ˆ puede ser obtenido como sigue

✓ ◆1/2
ˆu2
✓ˆ = 1 ,
ˆu2 + T ˆa2

donde ˆu2 es un estimador consistente de 2

u, y ˆa2 es un
estimador consistente de a2 .

Los estimadores ˆu2 y ˆa2 pueden ser obtenidos usando los

residuales de MCO combinados o de efectos fijos.

El estimador de MCG factibles que utiliza ✓ˆ en vez de ✓ es

llamado estimador de efectos aleatorios (EA).

13 / 21
Estimador de efectos aleatorios

El estimador de EA tiende al estimador de MCO combinados

cuando ✓ˆ ! 0 y tiende al estimador de EF cuando ✓ˆ ! 1.

Es posible incluir variables explicativas que son constantes en

el tiempo.

En la ecuación pueden incluirse T 1 variables binarias de

tiempo.

Para que el método tenga buenas propiedades se requiere un

N grande y un T pequeño.

Bajo los supuestos de efectos aleatorios, el estimador de EA es

más eficiente que el de EF o el de MCO combinados.

14 / 21
Ejemplo: Impuestos y Accidentes de Tráfico

Variable dependiente: Muertes en Accidentes de Tráfico

(1) (2) (3)
Impuesto -0.049 -0.829 -0.047
(0.093) (0.328) (0.097)
EdadBeber -0.019 0.0093 -0.004
(0.056) (0.033) (0.049)
Condena 0.221 0.046 0.236
(0.111) (0.167) (0.107)
Millas 0.00032 0.00011 0.00029
(0.00006) (0.00005) (0.00005)
Desempleo 0.007 -0.089 -0.029
(0.028) (0.021) (0.027)
Log(Renta) -1.185 1.262 -1.121
(0.450) (0.605) (0.474)
Efectos individuales de estado no sı́ no
Efectos temporales sı́ sı́ sı́
Nota: (1), (2) y (3) son los estimadores de MCO combinados, efectos fijos y efectos aleatorios,
respectivamente. Errores estándar robustos (cluster) en paréntesis.
N=48, T=2 (1982 y 1988).

15 / 21
Método de Efectos Aleatorios Correlacionados (EAC)

Considere el modelo de efectos fijos

yit = 1 xit + ai + uit .

Suponga que el efecto inobservable sigue la relación lineal

ai = ↵ + x̄i + ri ,
1
PT
donde x̄i = T t=1 xit y ri no está correlacionada con xit .

Sustituyendo la ecuación anterior en el modelo de efectos fijos

se obtiene
yit = ↵ + 1 xit + x̄i + ri + uit .

16 / 21
Método de Efectos Aleatorios Correlacionados (EAC)

El estimador basado en esta ecuación se llama estimador de

efectos aleatorios correlacionados (EAC).

El estimador de EAC es idéntico al estimador de EF.

El método de EAC puede usare para elegir entre los métodos

de EF y de EA. Para ello pruebe H0 : = 0 contra H1 : 6= 0.
Si se rechaza H0 se rechaza EA a favor de EF.

En la ecuación de EAC se pueden incluir variables explicativas

constantes en el tiempo.

La prueba puede hacerse robusta a la heterocedasticidad y a

la correlación serial.

17 / 21
Supuestos del Estimador de Efectos Fijos (EF)

EF.1 Para cada i el modelo es

yit = 1 xit1 + ... + k xitk + ai + uit .

EF.2 Se tiene una muestra aleatoria de corte transversal.

EF.3 Cada variable explicativa cambia con el tiempo y no

existe una relación lineal perfecta entre estas variables.

EF.4 Para cada t = 1, ..., T

E (uit |Xi , ai ) = 0,

donde Xi denota los regresores para todos los periodos de

tiempo, para la observación de corte transversal i .

18 / 21
Supuestos del Estimador de Efectos Fijos (EF)

EF.5 Var (uit |Xi , ai ) = Var (ui ) = 2

u, t = 1, ..., T .

EF.6 Cov (uit , uis |Xi , ai ) = 0, t 6= s.

EF.7 Condicional en Xi y en ai , los uit son variables aleatorias

independientes e idénticamente distribuidas normales.

Resultados:
⇧ Bajo EF.1 a EF.4 el estimador de EF es insesgado. El
estimador es además consistente con T fijo y N ! 1.
⇧ Bajo EF.1 a EF.6 el estimador de EF es MELI.
⇧ Bajo EF.1 a EF.7 el estimador de EF se distribuye en forma
normal y los estadı́sticos t y F tienen distribuciones exactas t
y F.

19 / 21
Supuestos del Estimador de Efectos Aleatorios (EA)

EA.1 Igual que EF.1

EA.2 Igual que EF.2

EA.3 No existe una relación lineal perfecta entre las variables

explicativas.

EA.4 Igual que EF.4. Además E (ai |Xi ) = 0.

20 / 21
Supuestos del Estimador de Efectos Aleatorios (EA)

EA.5 Igual que EF.5. Además Var (ai |Xi ) = 2

a.

EA.6 Igual que EF.6.

Resultados:
⇧ Bajo EA.1 a EA.4 el estimador de EA es consistente y se
distribuye asintóticamente como normal con T fijo y N ! 1.
⇧ Bajo EA.1 a EA.6 el estimador de EA es asintóticamente
eficiente. Además los errores estándar y los estadı́sticos de
prueba son válidos.

21 / 21