Resumen econometría corte 3

Datos panel
𝑋𝑖𝑡 = Variable que cambia a través del tiempo y en su sección cruzada.

Regresores que no cambian en el tiempo: 𝑋𝑖𝑡 = 𝑋𝑖

Regresores que no cambian a nivel individual: 𝑋𝑖𝑡 = 𝑋𝑡 (Un ciclo económico que ayuda a que las empresas pongan mejores salarios sin importar los individuos)
1 𝑡
Media individual: 𝑋̅𝑖 = ∑ 𝑋
𝑇 𝑡=1 𝑖
1
Media overall: 𝑋̅𝑖 = ∑𝑇 ∑𝑁 𝑋 , 𝑑𝑜𝑛𝑑𝑒 𝑇 = 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑚𝑒𝑛𝑠𝑖ó𝑛 𝑦 𝑁 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜𝑠 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑜.
𝑇𝑁 𝑡=1 𝑛=1 𝑖𝑡

Overall variation: 𝑋𝑖𝑡 − 𝑋̅, Entre individuos a través del tiempo.

Between variation: ̅̅̅̅

𝑋𝑖𝑡 − 𝑋̅, Variación únicamente entre individuos.

Within variation: 𝑋𝑖𝑡 − 𝑋̅𝑖 , Variación del mismo individuo a través del tiempo.

• Estimador MCO agrupados

Este estimador es una combinación de secciones cruzadas.

𝑌𝑖𝑡 = 𝐵0 + 𝐵1 𝑋𝑖𝑡 + 𝐵2 𝑋2𝑖𝑡 + 𝑈𝑖𝑡 ; 𝑖 = 1,2, … , 𝑁; 𝑡 = 1,2, … , 𝑇

Número de observaciones: NT.

Debe ser insesgado (𝐸[𝐵̂] = 𝐵), consistente ( lim 𝐵̂ = 𝐵) y Eficaz (𝑉𝑎𝑟(𝐵̂𝑀𝐶𝑂 ) ≤ 𝑉𝑎𝑟(𝐵̂))
𝑛 →∞

• Estimador between
̅𝑖 = 𝐵0 + 𝐵1 𝑋̅𝑖𝑡 + 𝐵2 𝑋̅2𝑖𝑡 + 𝑈
𝑌 ̅𝑖

Número de observaciones: N

Desventajas:

- Pierde muchas observaciones (Colapsa el panel al sacar el promedio de cada estimador al número de individuos).
- No permite controlar por 𝑎𝑖 , 𝐵1 𝑦 𝐵2 van a ser sesgados.

• Estimador de diferencias en diferencias

Se asume que el tratamiento es dato de forma aleatoria

 𝑌 = 𝐵0 + 𝛿0 ∗ 𝐴𝑓𝑡𝑒𝑟 + 𝐵1 ∗ 𝑇𝑟𝑒𝑎𝑡𝑒𝑑 + 𝛿1 ∗ 𝐴𝑓𝑡𝑒𝑟 ∗ 𝑇𝑟𝑒𝑎𝑡𝑒𝑑 + 𝑈
Donde,

𝐵0 : Valor promedio de mi variable de control antes del tratamiento.

𝛿0 : Diferencia promedio de mi variable de interés para mi grupo de control después del tratamiento

𝐵1 : Diferencia promedio de mi variable de interés para mi grupo de tratamiento, relativo al grupo de control antes del tratamiento.

After: Dummy, 1 = Después, 0 = antes

Treated: Dummy, 1= Tratamiento, 0 = control

𝛿1 : Cambio promedio de la variable de interés para el grupo de tratamiento relativo al grupo control después del tratamiento. Estimador de diferencias en
diferencias.

𝑌̅𝑂,𝑐 = 𝐵0

𝑌̅1,𝑐 = 𝐵0 + 𝛿0

𝑌̅𝑂,𝑡 = 𝐵0 + 𝐵1

𝑌̅1,𝑡 = 𝐵0 + 𝛿0 + 𝐵1 + 𝛿1

Para demostrar que 𝛿1 es mi estimador de diferencias en diferencias:

𝛿1 = (𝑌̅1,𝑡 − 𝑌̅𝑂,𝑡 ) − (𝑌̅1,𝑐 − 𝑌̅𝑂,𝑐 )

= (𝐵0 + 𝛿0 + 𝐵1 + 𝛿1 − 𝐵0 − 𝐵1 ) − (𝐵0 + 𝛿0 − 𝐵0 )
= 𝛿1
De esta forma se demuestra que 𝛿1 es el estimador de diferencias en diferencias y que este debería ser el efecto del tratamiento.

Estimadores de datos panel:

• Estimador de primeras diferencias

Observo al mismo individuo a través del tiempo.

𝑌𝑖𝑡 = 𝐵0 + 𝐵1 𝑋1,𝑖𝑡 + 𝐵2 𝑋2,𝑖𝑡 + 𝑎𝑖 + 𝛼𝑡 + 𝑢𝑖𝑡

𝑎𝑖 : Efecto no observable

𝛼𝑡 : Efecto temporal
N(T-1) observaciones.

𝑌𝑖,𝑡 − 𝑌1,𝑡−1 = 𝐵1 (𝑋1,𝑖𝑡 − 𝑋1,𝑖𝑡−1 ) + 𝐵2 (𝑋2,𝑖𝑡 − 𝑋2,𝑖𝑡−1 ) + 𝑢𝑖𝑡 − 𝑢𝑖𝑡−1

Δ𝑌𝑖𝑡 = 𝐵1 Δ𝑋1,𝑖𝑡 + 𝐵2 Δ𝑋2,𝑖𝑡 + Δ𝑈

Desventajas:

- Es más costoso observar al mismo individuo.

- No voy a poder estimar cosas que no cambian en el tiempo.
- Perderé una observación por cada individuo.

• Estimador de efectos fijos within

Se toma el modelo original y se le quita el promedio del individuo en cada muestra.

𝑌𝑖𝑡 − 𝑌̅𝑖 = 𝐵1 (𝑋1,𝑖𝑡 − 𝑋̅1,𝑖 ) + 𝐵2 (𝑋2,𝑖𝑡 − 𝑋̅2,𝑖 ) + (𝑈𝑖𝑡 − 𝑈𝑖 )

NT observaciones

Para estimar:

𝑎̂𝑖 = 𝑌̅𝑖 − 𝐵̂0 − 𝐵̂1 𝑋̅1𝑗 − 𝐵̂2 𝑋̅2𝑗

𝑁

∑ 𝑎𝑖 = 0
𝑖=1

Ventajas:

- No pierdo observaciones
- Controlamos por el 𝑎𝑖 , aunque igual lo queremos eliminar porque se asume 𝐶𝑜𝑣(𝑋𝑗𝑖𝑡 , 𝑎𝑖 ) ≠ 0, lo que me genera problemas de sesgos.

Desventajas:

- No podemos estimar variables que no cambian en el tiempo.

• Estimador de efectos fijos con variables dummy

𝑌𝑖𝑡 = 𝐵0 + 𝐵1 𝑋1,𝑖𝑡 + 𝐵2 𝑋2,𝑖𝑡 + 𝑎𝑖 𝑑1 + 𝑎2 𝑑2 + 𝑎3 𝑑3 + ⋯ + 𝑢𝑖𝑡

Normalizo 𝑎1 para controlar por esta variable, interpreto las demás dummys relativo a lo que elimino.
Ventaja:

- Puede estimar las variables que no cambian en el tiempo.

Desventajas:

- Problemas de eficiencia porque son muchos individuos

- Se infla el R cuadrado.

• Estimador de efectos aleatorios

Es el punto medio entre MCO agrupados y efectos fijos within.

𝑌𝑖𝑡 = 𝐵0 + 𝐵1 𝑋1,𝑖𝑡 + 𝐵2 𝑋2,𝑖𝑡 + 𝑎𝑖 + 𝛼𝑡 + 𝑢𝑖𝑡

Donde, 𝛼𝑖 + 𝑢𝑖𝑡 = 𝑉𝑖𝑡

SUPUESTO:

• 𝑎𝑖 es aleatorio, por lo tanto, las diferencias entre individuos son aleatorias a nivel individual.
• 𝐶𝑜𝑣(𝑋𝑗𝑖𝑡 , 𝑎𝑖 ) = 0, ya que esto me eliminaría problemas de sesgos.

Ventaja:

• Puedo estimar variables que no cambian en el tiempo.

Desventajas:

• Tengo que demostrar que 𝑎𝑖 es aleatorio.

• Si 𝑎𝑖 no es aleatorio, nuestros errores vana estar correlacionados serialmente por individuo.

Paréntesis para entender lo de abajo:

𝐶𝑜𝑣(𝑉𝑖𝑡 , 𝑉𝑖,𝑡+1 ) = 𝐶𝑜𝑣 (𝛼𝑖 + 𝑢𝑖𝑡 , 𝛼𝑖 + 𝑢𝑖,𝑡+1 )

= 𝐶𝑜𝑣(𝛼𝑖 , 𝛼𝑖 ) + 𝐶𝑜𝑣( 𝛼𝑖 , 𝑢𝑖,𝑡+1 ) + 𝐶𝑜𝑣(𝛼𝑖 , 𝑢𝑖𝑡 ) + 𝐶𝑜𝑣(𝑢𝑖𝑡 , 𝑢𝑖,𝑡+1 )

= 𝜎𝑎2
Transformar el modelo:

𝑌𝑖𝑡 − 𝜃𝑌̅𝑖 = 𝐵1 (𝑋1,𝑖𝑡 − 𝜃𝑋̅1,𝑖 ) + 𝐵2 (𝑋2,𝑖𝑡 − 𝜃𝑋̅2,𝑖 ) + (𝑎𝑖 − 𝜃𝑎𝑖 ) + (𝑈𝑖𝑡 − 𝜃𝑈

̅𝑖 )

Donde:
 𝜎𝑢2
𝜃=1− √ 2
𝜎𝑢 + 𝑇𝜎𝑎2

Dos casos:

1. 𝜃̂ = 0: Se escoge MCO agrupados (𝑎𝑖 no es importante).

2. 𝜃̂ = 1: Se escoge el estimador de efectos fijos within (𝑎𝑖 son relevantes y debo controlar por ellos).

Es caso intermedio es el de efectos aleatorios.

¿Cómo se pueden dar estos efectos?

1. La varianza de 𝑎𝑖 es muy pequeña, entonces la raíz va a tender a 1. Se escogerá MCO (consistente pero ineficiente)
2. La varianza de 𝑎𝑖 es grande, relevante, entonces la raíz va a tender a 0. Se escogerá efectos fijos within.

Test de Haussman

FE vs RE

𝐻0 : 𝐶𝑜𝑣(𝑋𝑗𝑖𝑡 , 𝑎𝑖 ) = 0, No existe una diferencia significativa entre los coeficientes de FE y RE. - > RE

𝐻𝑎 : 𝐶𝑜𝑣(𝑋𝑗𝑖𝑡 , 𝑎𝑖 ) ≠ 0, Existe una diferencia significativa entre los coeficientes de FE y RE. -> FE
−1
𝑊 = (𝐵𝑅𝐸 − 𝐵𝐹𝐸 )′ ∗ (𝑉𝑎𝑟(𝐵𝑅𝐸 − 𝐵𝐹𝐸 )) ∗ (𝐵𝑅𝐸 − 𝐵𝐹𝐸 ) ~ 𝑋 2

Estimador 𝐻0 es verdadera 𝐻𝑎 es verdadera

Efectos aleatorios (RE) Consistente, eficiente Inconsistente
Efectos fijos within Consistente pero ineficiente Cosistente

Independientemente del resultado, se suelen escoger más los efectos fijos within ya que en cualquiera de los casos es consistente.