Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Datos panel
𝑋𝑖𝑡 = Variable que cambia a través del tiempo y en su sección cruzada.
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
Within variation: 𝑋𝑖𝑡 − 𝑋̅𝑖 , Variación del mismo individuo a través del tiempo.
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.
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.
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
= (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.
𝑎𝑖 : Efecto no observable
𝛼𝑡 : Efecto temporal
N(T-1) observaciones.
Desventajas:
NT observaciones
Para estimar:
∑ 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:
Normalizo 𝑎1 para controlar por esta variable, interpreto las demás dummys relativo a lo que elimino.
Ventaja:
Desventajas:
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:
Desventajas:
= 𝜎𝑎2
Transformar el modelo:
Donde:
𝜎𝑢2
𝜃=1− √ 2
𝜎𝑢 + 𝑇𝜎𝑎2
Dos casos:
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
Independientemente del resultado, se suelen escoger más los efectos fijos within ya que en cualquiera de los casos es consistente.