TEMA 6. Modelos para Datos de Panel - RUA - Universidad de ...
TEMA 6. Modelos para Datos de Panel - RUA - Universidad de ...
TEMA 6. Modelos para Datos de Panel - RUA - Universidad de ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
<strong>TEMA</strong> <strong>6.</strong> <strong>Mo<strong>de</strong>los</strong> <strong>para</strong> <strong>Datos</strong> <strong>de</strong> <strong>Panel</strong><br />
Profesor: Pedro Albarrán Pérez<br />
<strong>Universidad</strong> <strong>de</strong> Alicante. Curso 2010/2011.
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Contenido<br />
1 Introducción<br />
2 <strong>Mo<strong>de</strong>los</strong> estáticos<br />
Mo<strong>de</strong>lo con Efectos Individuales: Fijos y Aleatorios<br />
Extensiones <strong>de</strong>l Mo<strong>de</strong>lo Básico<br />
3 Estimación <strong>de</strong> <strong>Mo<strong>de</strong>los</strong> estáticos. Predicción<br />
Estimadores Agrupados (“Pooled”)<br />
Estimador “Between”<br />
Estimador <strong>de</strong> Efectos Aleatorios<br />
Estimadores <strong>de</strong> Efectos Fijos<br />
Test <strong>de</strong> Hausman<br />
Predicción.<br />
4 <strong>Panel</strong>es largos<br />
5 Variables instrumentales<br />
6 <strong>Mo<strong>de</strong>los</strong> Dinámicos <strong>para</strong> datos <strong>de</strong> panel<br />
Introducción<br />
Estimador <strong>de</strong> Arellano y Bond
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Consi<strong>de</strong>raciones básicas<br />
<strong>Datos</strong> <strong>de</strong> <strong>Panel</strong><br />
Los datos <strong>de</strong> panel (o datos longitudinales) consiste en observaciones<br />
<strong>de</strong> un corte transversal <strong>de</strong> unida<strong>de</strong>s individuales (hogares, empresas,<br />
países, etc.)<br />
repetidas sobre el tiempo<br />
Algunos ejemplos:<br />
{Yit, X ′<br />
it } i = 1, . . . , N; t = 1, . . . , T<br />
PSID (<strong>Panel</strong> Study of Income Dynamics)<br />
ECHP (European Community Household <strong>Panel</strong>)<br />
SHIW (Survey on Household Income and Wealth)<br />
EPA (Encuesta <strong>de</strong> Población Activa)<br />
ESEE (Encuesta sobre Estrategías Empresariales)<br />
FES (Family Expenditure Survey)<br />
CEX (Consumers Expenditure Survey)<br />
ECPF (Encuesta Continua <strong>de</strong> Presupuestos Familiares)<br />
paneles <strong>de</strong> estados americanos, <strong>de</strong> países, etc.
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Consi<strong>de</strong>raciones básicas<br />
Consi<strong>de</strong>raciones básicas<br />
En general, los datos se observan a intervalos regulares <strong>de</strong> tiempo<br />
Los datos <strong>de</strong> panel pue<strong>de</strong>n ser balanceados (Ti = T <strong>para</strong> todo i) o<br />
no balanceados (Ti = T <strong>para</strong> algún i)<br />
la selección muestral <strong>de</strong>be ser aleatoria (no correlacionada con los<br />
regresores) <strong>para</strong> que los estimadores sean consistentes<br />
Se pue<strong>de</strong>n tener paneles:<br />
<strong>de</strong> muchos individuos y pocos periodos temporales (“short panels)<br />
<strong>de</strong> pocos individuos y muchos periodos temporales (“long panels”)<br />
<strong>de</strong> muchos individuos y muchos periodos temporales<br />
Se pue<strong>de</strong> hacer inferencia asintótica<br />
NT → ∞<br />
N → ∞, T → ∞<br />
N → ∞, T fijo<br />
T → ∞, N fijo
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Consi<strong>de</strong>raciones básicas<br />
Consi<strong>de</strong>raciones básicas (cont.)<br />
Los errores estarán probablemente correlacionados (en el tiempo<br />
<strong>para</strong> un individuo y/o entre individuos)<br />
Se pue<strong>de</strong>n tener regresores invariantes en el tiempo (xit = xi), que<br />
no varían con los individuos (xit = xt) o que varían tanto con el<br />
tiempo como con los individuos (xit)<br />
Algunos coeficientes <strong>de</strong>l mo<strong>de</strong>lo pue<strong>de</strong>n variar entre individuos o en<br />
el tiempo<br />
Los datos <strong>de</strong> panel permiten la estimación <strong>de</strong> mo<strong>de</strong>los dinámicos
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estadística <strong>de</strong>scriptiva <strong>para</strong> datos <strong>de</strong> panel<br />
Descripción <strong>de</strong> los datos<br />
Para cada observación <strong>de</strong>be conocerse el individuo i y el periodo<br />
temporal t al que se refiere .<br />
p.e., un panel balanceado p.e., un panel NO balanceado<br />
individuo año renta edad individuo año renta edad sexo<br />
1 2000 1800 29 1 2000 800 19 2<br />
1 2001 1950 30 1 2001 950 20 2<br />
2 2000 800 20 2 2000 1900 29 1<br />
2 2001 850 21 2 2001 1950 30 1<br />
.<br />
.<br />
.<br />
.<br />
2 2002 2100 31 1<br />
500 2000 2200 54 1000 2000 2100 49 1<br />
500 2001 2400 55 1000 2001 2200 50 1<br />
Obviamente preferiremos una <strong>de</strong>scripción resumida <strong>de</strong> la estructura<br />
<strong>de</strong>l panel en nuestros datos<br />
.<br />
.<br />
.<br />
.<br />
.
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estadística <strong>de</strong>scriptiva <strong>para</strong> datos <strong>de</strong> panel<br />
Descripción <strong>de</strong> los datos (cont.)<br />
Para paneles balanceados, <strong>de</strong>scribir el número <strong>de</strong> observaciones<br />
implica:<br />
número <strong>de</strong> individuos distintos N<br />
total <strong>de</strong> periodos cubiertos por el panel T<br />
el número total <strong>de</strong> observaciones es simplemente NT<br />
Para paneles NO balanceados, a<strong>de</strong>más <strong>de</strong>bemos consi<strong>de</strong>rar:<br />
periodos concretos en que se observa cada individuo Ti (o su media)<br />
número total <strong>de</strong> observaciones N<br />
i=1 Ti<br />
También se pue<strong>de</strong> presentar el patrón <strong>de</strong> observaciones; p.e.,<br />
t = 1 t = 2 t = 3 t = 4<br />
| | | | n1, T i = 4<br />
. | | | n2, T i = 3<br />
. . | | n3, T i = 2<br />
| | | . n4, T i = 3<br />
Notad que no tiene porque haber individuos observados todos los<br />
periodos y que individuos con el mismo Ti pue<strong>de</strong>n ser observados en<br />
periodos diferentes.
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estadística <strong>de</strong>scriptiva <strong>para</strong> datos <strong>de</strong> panel<br />
Descomposición “within”-“between”<br />
Las variables pue<strong>de</strong>n tener variación tanto en el tiempo como entre<br />
individuos<br />
Variabilidad “within”, s 2 W : variación en el tiempo <strong>para</strong> un individuo<br />
dado<br />
Variabilidad “between”, s 2 B: variación entre individuos<br />
La variabilidad total (“overall”), s 2 O , se pue<strong>de</strong> <strong>de</strong>scomponer en<br />
“within” y “between”<br />
s 2 O ≈ s2 W + s2 B
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estadística <strong>de</strong>scriptiva <strong>para</strong> datos <strong>de</strong> panel<br />
Descomposición “within”-“between” (cont.)<br />
Variabilidad “overall” (en torno a la media total x = 1/NT<br />
<br />
i t xit)<br />
s 2 O =<br />
1<br />
NT − 1<br />
<br />
(xit − x) 2<br />
Variabilidad “within” (en torno a la media individual x i = 1/T<br />
s2 1 <br />
W =<br />
(xit − x i )<br />
NT − 1<br />
2 1 <br />
=<br />
(xit − x i + x)<br />
NT − 1<br />
2<br />
i<br />
t<br />
Variabilidad “between” (variación <strong>de</strong> x i en torno a x)<br />
s 2 B = 1<br />
N − 1<br />
i<br />
t<br />
<br />
(x i − x) 2<br />
Nota: NT <strong>de</strong>be enten<strong>de</strong>rse como total <strong>de</strong> observaciones<br />
es <strong>de</strong>cir, <strong>para</strong> paneles no balanceados <strong>de</strong>be ser N<br />
i=1 Ti<br />
i<br />
i<br />
t<br />
<br />
t xit)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estadística <strong>de</strong>scriptiva <strong>para</strong> datos <strong>de</strong> panel<br />
Estadísticas Descriptivas<br />
Las estadísticas pue<strong>de</strong>n <strong>de</strong>scribir los datos<br />
totales (“overall”): xit<br />
“within”: xit − x i + x<br />
“between”: x i<br />
Existe una distribución <strong>de</strong> cada uno <strong>de</strong> ellos que caracterizar: su<br />
máximo, mínimo, percentiles, varianza, etc.<br />
Para variables discretas, una tabulación <strong>de</strong> valores (histograma)<br />
pue<strong>de</strong> ofrecer<br />
“overall”: observaciones que toman ese valor<br />
“between”: individuos <strong>para</strong> los que alguna vez toma ese valor<br />
porcentaje <strong>de</strong> individuos que nunca cambia <strong>de</strong> valor (“within”)<br />
Para variables binarias, se pue<strong>de</strong> calcular una matriz <strong>de</strong> transiciones<br />
(ofrecen i<strong>de</strong>a <strong>de</strong> persistencia, dinámica)<br />
X it+1 = 0 X it+1 = 1<br />
X it = 0 Pr (X it+1 = 0|X it = 0) Pr (X it+1 = 1|X it = 0)<br />
X it = 1 Pr (X it+1 = 0|X it = 1) Pr (X it+1 = 1|X it = 1)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estadística <strong>de</strong>scriptiva <strong>para</strong> datos <strong>de</strong> panel<br />
Gráficos<br />
Se pue<strong>de</strong> representar la evolución <strong>de</strong> algunas o <strong>de</strong> todos los<br />
individuos i<br />
Se pue<strong>de</strong>n representar gráficos <strong>de</strong> dispersión <strong>para</strong> dos variables<br />
“overall”<br />
o “within” (cada variable en <strong>de</strong>sviaciones respecto a la media <strong>de</strong> cada<br />
individuo)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Mo<strong>de</strong>lo con Efectos Individuales: Fijos y Aleatorios<br />
Mo<strong>de</strong>lo con efectos individuales<br />
don<strong>de</strong><br />
yit = β1x1it + · · · + βkxkit + uit<br />
= β1x1it + · · · + βkxkit + αi + εit<br />
x1it, . . . , xkit: variables explicativas (observables)<br />
uit = αi + εit: término <strong>de</strong> error compuesto (inobservado)<br />
αi : efectos individuales (heterogeneidad inobservada permanente en<br />
el tiempo)<br />
εit: error idiosincrásico<br />
Existen dos mo<strong>de</strong>los sustancialmente diferentes según el tratamiento <strong>de</strong><br />
αi<br />
1 Mo<strong>de</strong>lo <strong>de</strong> efectos fijos<br />
2 Mo<strong>de</strong>lo <strong>de</strong> efectos aleatorios
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Mo<strong>de</strong>lo con Efectos Individuales: Fijos y Aleatorios<br />
Efectos Individuales “Fijos”<br />
Permite que los regresores x1it, . . . , xkit estén correlacionados con αi<br />
sin especificar la forma concreta<br />
todo el análisis será condicional en αi<br />
El supuesto fundamental es<br />
E [εit|αi, x1it, . . . , xkit] = 0<br />
los regresores <strong>de</strong>ben seguir siendo incorrelados con εit<br />
Esto implica E [yit|αi, x1it, . . . , xkit] = β1x1it + · · · + βkxkit + αi y<br />
δE [yit|αi, x1it, . . . , xkit]<br />
= βj<br />
δxj,it<br />
Se pue<strong>de</strong> i<strong>de</strong>ntificar el efecto marginal βj aunque el regresor es<br />
endógeno, respecto al término <strong>de</strong> error compuesto uit<br />
los regresores pue<strong>de</strong>n estar correlacionados uit, pero sólo con su<br />
parte constante en el tiempo<br />
ej.: yit =renta, αi =habilidad inobservada permanente
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Mo<strong>de</strong>lo con Efectos Individuales: Fijos y Aleatorios<br />
Efectos Individuales “Fijos”: problemas<br />
En principio, se necesitan estimar α1, . . . , αN junto con los<br />
parámetros βj<br />
en paneles cortos, estimar los parámetros βj necesita N → ∞<br />
Problema <strong>de</strong> parámetros inci<strong>de</strong>ntales: la estimación <strong>de</strong> los βj pue<strong>de</strong><br />
estar sesgada por estimar “infinitos” parámetros auxiliares αi<br />
Alternativamente, se pue<strong>de</strong> estimar el mo<strong>de</strong>lo transformado <strong>para</strong><br />
eliminar αi<br />
sólo se i<strong>de</strong>ntifica βj <strong>para</strong> regresores que varían en el tiempo<br />
Estimar consistentemente β pue<strong>de</strong> NO ser suficiente:<br />
Para pre<strong>de</strong>cir yit:<br />
E [yit|x1it, . . . , xkit] = β1x1it + · · · + βkxkit + E [αi |x1it, . . . , xkit]<br />
en paneles cortos, E [αi |x1it, . . . , xkit] no se estima consistentemente<br />
En mo<strong>de</strong>los no lineales, el efecto marginal no está estimado<br />
consistentemente (<strong>de</strong>pen<strong>de</strong> <strong>de</strong> αi)<br />
δE [yit|αi, x1it, . . . , xkit]<br />
δxj,it
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Mo<strong>de</strong>lo con Efectos Individuales: Fijos y Aleatorios<br />
Efectos Individuales “Aleatorios”<br />
El efecto individual αi se trata como puramente aleatorio<br />
<strong>de</strong>be especificarse su distribución, condicional en los regresores<br />
Supuesto habitual: αi no está correlacionado con los regresores<br />
αi |Xit ∼ N 0, σ 2 <br />
α<br />
Se pue<strong>de</strong> estimar el mo<strong>de</strong>lo por Mínimos Cuadrado Generalizados<br />
Factibles:<br />
todos los coeficientes y efectos marginales, incluyendo <strong>de</strong> las<br />
variables que no varían en el tiempo<br />
la predicción E [yit|x1it, . . . , xkit]<br />
PERO la estimación es inconsistente si el supuesto sobre la<br />
distribución <strong>de</strong> αi es incorrecto<br />
p.e., αi sí está correlacionado con los regresores αi |Xit ∼ N π ′ Xit, σ2 <br />
α
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Extensiones <strong>de</strong>l Mo<strong>de</strong>lo Básico<br />
Extensiones<br />
Mo<strong>de</strong>lo con dos efectos<br />
yit = β1x1it + · · · + βkxkit + αi + γt + εit<br />
la constante varía tanto entre individuos, αi , como en el tiempo, γt<br />
en paneles cortos, γt se mo<strong>de</strong>liza como “fijo” (con una dummy <strong>para</strong><br />
cada t)<br />
Mo<strong>de</strong>lo agrupado (“pooled”) o <strong>de</strong> promedio poblacional<br />
yit = α + β1x1it + · · · + βkxkit + uit<br />
supone que los regresores están incorrelados con uit<br />
pero no una estructura en uit (a diferencia <strong>de</strong> efectos aleatorios)<br />
se pue<strong>de</strong> estimar consistentemente por MCO<br />
la inferencia <strong>de</strong>be usar errores estándar robustos<br />
por la probable correlación entre individuos y en el tiempo <strong>para</strong> un<br />
individuo
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Extensiones <strong>de</strong>l Mo<strong>de</strong>lo Básico<br />
<strong>Mo<strong>de</strong>los</strong> Lineales mixtos<br />
Se pue<strong>de</strong> generalizar el mo<strong>de</strong>lo <strong>para</strong> permitir pendientes diferentes<br />
<strong>para</strong> cada individuo<br />
yit = β1ix1it + · · · + βkixkit + αi + εit<br />
= αi + X ′<br />
it βi + εit<br />
En<br />
<br />
paneles largos, se pue<strong>de</strong>n estimar fácilmente los parámetros<br />
αi, β ′ <br />
i<br />
mediante regresiones se<strong>para</strong>das <strong>para</strong> cada individuo<br />
En<br />
<br />
paneles cortos, se necesita suponer una distribución <strong>para</strong><br />
αi, β ′ <br />
i , condicionales en los regresores<br />
como en el mo<strong>de</strong>lo <strong>de</strong> efectos “aleatorios”, se suele suponer que son<br />
in<strong>de</strong>pendientes <strong>de</strong> los regresores<br />
por ejemplo,<br />
(αi , β ′ i ) |Xit ∼ N (β, Σ)<br />
También se pue<strong>de</strong> consi<strong>de</strong>rar que los parámetros varíen con el<br />
tiempo o variables observables
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimadores Agrupados (“Pooled”)<br />
Estimador “Pooled” por MCO<br />
Un mo<strong>de</strong>lo lineal estático <strong>para</strong> datos <strong>de</strong> panel<br />
yit = α + β1x1it + · · · + βkxkit + uit<br />
Se pue<strong>de</strong> estimar consistentemente por MCO si se supone que los<br />
regresores son exógenos:<br />
Pero los errores uit no serán i.i.d.:<br />
E [uit|x1it, . . . , xkit] = 0<br />
las observaciones están agrupadas <strong>de</strong> forma natural por individuos i<br />
(“clusters”)<br />
probablemente existirá heterocedasticidad entre “clusters”<br />
Deben usarse errores estándar robustos, al menos por la presencia<br />
<strong>de</strong> “clusters”<br />
Este estimador es simple y aprovecha tanto la variabilidad temporal<br />
como entre individuos <strong>de</strong> los datos
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimadores Agrupados (“Pooled”)<br />
Estimador “Pooled” por MCGF<br />
Bajo el mismo supuesto <strong>de</strong> exogeneidad E [uit|x1it, . . . , xkit] = 0<br />
(garantiza que el estimador es consistente)<br />
Se pue<strong>de</strong> obtener un estimador <strong>de</strong> MCGF, asintóticamente más<br />
eficiente que el <strong>de</strong> MCO<br />
supone una estructura concreta <strong>para</strong> la matriz <strong>de</strong> correlaciones <strong>de</strong> uit<br />
es más eficiente solo si el supuesto es correcto<br />
Se pue<strong>de</strong> suponer:<br />
in<strong>de</strong>pen<strong>de</strong>ncia ρts = 0<br />
equicorrelación ρts = ρ<br />
proceso estacionario AR(p) o MA(q)<br />
sin estructura (salvo porque <strong>de</strong>ben ser iguales entre individuos)<br />
En general, se siguen utilizando errores estándar robustos<br />
(no se consi<strong>de</strong>ra que el supuesto sea realmente correcto)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador “Between”<br />
Estimador “Between”<br />
El estimador “between” explota sólo la variación <strong>de</strong> corte transversal<br />
es <strong>de</strong>cir, utiliza los datos “between” y i , x 1i , . . . , x ki<br />
Resulta <strong>de</strong> estimar por MCO el mo<strong>de</strong>lo<br />
y i = α + β1x 1i + · · · + βkx ki + ui<br />
(<strong>de</strong>berían usarse errores estándar robustos)<br />
Será consistente bajo el mismo supuesto anterior <strong>de</strong> exogeneidad <strong>de</strong><br />
los regresores respecto al término <strong>de</strong> error compuesto<br />
En la práctica apenas se utiliza porque el estimador “pooled” y el <strong>de</strong><br />
efectos aleatorios son superiores<br />
son consistentes bajo las mismas condiciones<br />
son más eficientes (asintóticamente)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador <strong>de</strong> Efectos Aleatorios<br />
Estimador <strong>de</strong> Efectos Aleatorios<br />
Sea un mo<strong>de</strong>lo <strong>de</strong> efectos individuales<br />
don<strong>de</strong><br />
yit = β1x1it + · · · + βkxkit + αi + εit<br />
E [αi |Xit] = 0; Var [αi |Xit] = σ 2 α<br />
E [εit|Xit] = 0; Var [εit|Xit] = σ 2 ε<br />
Esto implica que los regresores son exógenos respecto al término <strong>de</strong><br />
error compuesto uit = αi + εit<br />
E [uit|Xit] = 0<br />
A<strong>de</strong>más, se tiene una estructura <strong>de</strong> correlación particular<br />
σ<br />
Corr (uit, uis) =<br />
2 α<br />
σ2 α + σ2 ε<br />
, t = s<br />
Por tanto, se pue<strong>de</strong> estimar eficientemente mediante MCGF
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador <strong>de</strong> Efectos Aleatorios<br />
El estimador <strong>de</strong> efectos aleatorios (MCGF) se obtiene estimando por<br />
MCO el mo<strong>de</strong>lo transformado<br />
<br />
yit − <br />
θiy i = α 1 − <br />
θi + Xit − ′ <br />
θiX i β+αi 1 − <br />
θi + εit − <br />
θi εi<br />
θi es un estimador consistente <strong>de</strong><br />
<br />
θi = 1 − σ2 ε/(Ti σ2 α+σ2 ε)<br />
El estimador <strong>de</strong> Efectos Aleatorios usa tanto variación “within” como<br />
“between”<br />
Otros estimadores se pue<strong>de</strong>n obtener como casos especiales <strong>de</strong>l<br />
estimador <strong>de</strong> efectos aleatorios<br />
cuando θi → 0, se tiene el estimador agrupado por MCO<br />
cuando θi → 1 (porque Ti o σ2 α/σ 2 ε son gran<strong>de</strong>s), se tiene el<br />
estimador “within”
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimadores <strong>de</strong> Efectos Fijos<br />
Estimadores <strong>de</strong> Efectos Fijos<br />
Sea un mo<strong>de</strong>lo <strong>de</strong> efectos individuales<br />
Suponemos<br />
yit = β1x1it + · · · + βkxkit + αi + εit<br />
E [εit|αi, x1it, . . . , xkit] = 0<br />
La estimación <strong>de</strong> los parámetros β requiere la eliminación <strong>de</strong> αi<br />
Estos estimadores sólo utilizan variación “within” <strong>de</strong> los datos<br />
la estimación <strong>de</strong> los datos con poca variación “within” será bastante<br />
imprecisa<br />
no se pue<strong>de</strong> estimar el coeficiente <strong>de</strong> variables que no varíen en el<br />
tiempo<br />
Son consistentes tanto si los regresores están correlacionados con la<br />
heterogeneidad permanente como si no<br />
si no existe correlación, otros estimadores son más eficiente<br />
en cualquier caso, los errores estándar serán mayores que los <strong>de</strong> otros<br />
estimadores
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimadores <strong>de</strong> Efectos Fijos<br />
Estimadores “within”: Desviaciones respecto a la media<br />
Se pue<strong>de</strong> transformar el mo<strong>de</strong>lo restando a cada variable su media<br />
individual<br />
′<br />
(yit − y i ) = Xit − X i β + (εit − εi )<br />
don<strong>de</strong> X i = 1/T i<br />
<br />
t Xit<br />
Este mo<strong>de</strong>lo se pue<strong>de</strong> estimar consistentemente por MCO<br />
porque los regresores Xit eran endógenos por su correlación con αi<br />
pero están incorrelados con εit (en cualquier periodo temporal)<br />
Cuando se disponga <strong>de</strong> estimaciones <strong>de</strong> β, se pue<strong>de</strong>n obtener<br />
estimaciones <strong>de</strong> los efectos individuales<br />
αi = y i − X ′<br />
i β<br />
sólo serán consistentes si Ti → ∞<br />
Se <strong>de</strong>ben utilizar errores estándar robustos si se piensa que εit no<br />
son i.i.d.
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimadores <strong>de</strong> Efectos Fijos<br />
Estimadores “within” con “dummies” <strong>de</strong> individuo<br />
También se pue<strong>de</strong>n estimar conjuntamente α1, . . . , αN y el vector β<br />
Mediante MCO en el mo<strong>de</strong>lo original con N “dummies” <strong>para</strong> los<br />
efectos individuales<br />
⎛ ⎞<br />
N<br />
<br />
β + ⎝ αidj,it⎠<br />
+ εit<br />
yit = X ′<br />
it<br />
j=1<br />
don<strong>de</strong> dj,it = 1 <strong>para</strong> el individuo i y dj,it = 0 en caso contrario<br />
Este estimador <strong>de</strong> β es numéricamente igual al obtenido en<br />
<strong>de</strong>sviaciones respecto a la media<br />
Asimismo, también los efectos individuales estimados son<br />
αi = y i − X ′<br />
i β
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimadores <strong>de</strong> Efectos Fijos<br />
Estimador en primeras diferencias<br />
Existen muchas formas <strong>de</strong> eliminar los efectos individuales αi<br />
Se pue<strong>de</strong> estimar por MCO el mo<strong>de</strong>lo en primeras diferencias<br />
(yit − yit−1) = (Xit − Xit−1) ′ β + (εit − εit−1)<br />
Este estimador en primeras diferencias (por MCO) es consistente<br />
El estimador en <strong>de</strong>sviaciones respecto a la media y el estimador en<br />
primeras diferencias son, en general, similares pero diferentes<br />
ambos utilizan el mismo número <strong>de</strong> observaciones<br />
<strong>para</strong> T = 2, son numéricamente iguales<br />
En mo<strong>de</strong>los estáticos, se suele preferir el estimador en <strong>de</strong>sviaciones<br />
respecto a la media porque es más eficiente cuando εit es i.i.d.<br />
el error en primeras diferencias está autocorrelacionado<br />
por tanto, MCO no es eficiente (y <strong>de</strong>ben usarse errores estándar<br />
robustos)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimadores <strong>de</strong> Efectos Fijos<br />
Exogeneidad estricta y Exogeneidad débil<br />
El estimador en <strong>de</strong>sviaciones respecto a la<br />
media requiere que<br />
(εit − εi ) esté incorrelado con Xit − X i<br />
Esto suce<strong>de</strong>rá cuando se cumpla el supuesto <strong>de</strong> exogeneidad estricta<br />
(o fuerte)<br />
E [εit|αi, Xi1, . . . , XiT ] = 0<br />
El estimador en <strong>de</strong>sviaciones respecto a la media requiere que<br />
(εit − εit−1) esté incorrelado con (Xit − Xit−1)<br />
Esto suce<strong>de</strong>rá cuando se cumpla el supuesto <strong>de</strong> exogeneidad débil<br />
E [εit|αi, Xi1, . . . , Xit] = 0<br />
a diferencia <strong>de</strong>l anterior, permite que valores futuros <strong>de</strong> los regresores<br />
estén correlacionados con el error<br />
ej., un regresores es la variable <strong>de</strong>pendiente retardada<br />
Esta distinción no suele ser relevante en mo<strong>de</strong>los estáticos
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Test <strong>de</strong> Hausman<br />
¿Efectos Fijos o Efectos Aleatorios?<br />
El estimador <strong>de</strong> Efectos Fijos permite estimar el mo<strong>de</strong>lo bajo<br />
supuestos menos restrictivos<br />
permite correlación entre los regresores y los efectos individuales<br />
permite estimar el mo<strong>de</strong>lo incluso si los regresores son “endógenos”<br />
PERO es menos <strong>de</strong>seable en otras dimensiones<br />
es menos eficiente (al explotar solo variación “within”)<br />
no i<strong>de</strong>ntifica los coeficientes <strong>de</strong> regresores que no varíen en el tiempo<br />
El estimador <strong>de</strong> Efectos Aleatorios es más eficiente<br />
si se cumplen supuestos adicionales a los <strong>de</strong> Efectos Fijos<br />
PERO pue<strong>de</strong> ser inconsistente
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Test <strong>de</strong> Hausman<br />
y it<br />
α 1<br />
α 2<br />
α 3<br />
α 4<br />
MCO/MCGF<br />
+ + +<br />
+ + + + +<br />
+ + +<br />
+ +<br />
+ +<br />
+<br />
+<br />
+<br />
+<br />
+ +<br />
+ + + +<br />
+ + + + +<br />
+<br />
+ +<br />
+ +<br />
+ + +<br />
+<br />
+ + + +<br />
+ + +<br />
+<br />
+ +<br />
Estim. “within”<br />
+ +<br />
+<br />
+ +<br />
+<br />
+ +<br />
+ + + +<br />
+ +<br />
+<br />
x 1 x 2 x3 x 4<br />
x it
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Test <strong>de</strong> Hausman<br />
Contraste <strong>de</strong> Hausman<br />
Resulta muy importante conocer si el mo<strong>de</strong>lo a<strong>de</strong>cuado <strong>para</strong> analizar<br />
nuestros datos es el <strong>de</strong> efectos fijos o el <strong>de</strong> efectos aleatorios<br />
Bajo la hipótesis nula <strong>de</strong> que se cumplen los supuestos <strong>de</strong>l mo<strong>de</strong>lo<br />
<strong>de</strong> Efectos Aleatorios, ambos estimadores, el <strong>de</strong> efectos fijos y el <strong>de</strong><br />
efectos aleatorios, <strong>de</strong>ben ser similares<br />
ambos son consistentes<br />
El contraste com<strong>para</strong> los coeficientes estimables <strong>de</strong> los regresores<br />
que varían con el tiempo<br />
El estadístico <strong>de</strong> contraste mi<strong>de</strong> la “distancia” entre ambas<br />
estimaciones: si es “gran<strong>de</strong>” se rechaza H0<br />
<br />
βEF − ′ <br />
βEA Var<br />
βEF<br />
<br />
− Var<br />
βEA<br />
−1 βEF − βEA<br />
a∼Ho<br />
χ 2<br />
(k)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Predicción.<br />
Predicción<br />
Se pue<strong>de</strong> pre<strong>de</strong>cir el valor <strong>de</strong> la variable <strong>de</strong>pendiente, incondicional<br />
en los efectos fijos E (yit|Xit), como<br />
yit = X ′<br />
it β + α<br />
don<strong>de</strong> α = 1 <br />
N i αi<br />
Se pue<strong>de</strong> pre<strong>de</strong>cir el valor <strong>de</strong> la variable <strong>de</strong>pendiente dado su efecto<br />
individual E (yit|Xit, αi ), como<br />
yit = X ′<br />
it β + αi<br />
Asimismo, se pue<strong>de</strong>n obtener:<br />
los efectos individuales estimados αi = y i − X ′<br />
i β<br />
el residuo idiosincrásico εit = yit − X ′<br />
it β − αi<br />
el residuo compuesto uit = εit + αi = yit − X ′<br />
it β<br />
Notad que αi (y, por tanto, la predicción <strong>de</strong> yit que la utiliza)<br />
requieren que T → ∞ <strong>para</strong> ser predicciones consistentes<br />
(α solo necesita NT → ∞)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Predicción.<br />
R 2 total, “within” y “between”<br />
Se pue<strong>de</strong>n obtener obtener un R 2<br />
<strong>de</strong>l mo<strong>de</strong>lo <strong>para</strong> los datos totales,<br />
“within” y “between”<br />
<strong>de</strong>pendiendo <strong>de</strong>l mo<strong>de</strong>lo, el R 2<br />
habitual será uno <strong>de</strong> estos tres<br />
Estos R 2<br />
se obtienen como correlaciones entre los datos observados<br />
y los datos predichos por el mo<strong>de</strong>lo observado<br />
R 2<br />
<br />
o = Corr yit, X ′<br />
it 2<br />
β<br />
R 2<br />
<br />
2<br />
′<br />
w = Corr (yit − y i ) , Xit − Xi<br />
β<br />
2<br />
′<br />
Corr y i , Xi<br />
β<br />
R 2<br />
b =
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Predicción.<br />
No existe una <strong>de</strong>scomposición <strong>para</strong> los R 2<br />
como en la varianza: cada<br />
uno se interpreta in<strong>de</strong>pendientemente<br />
También pue<strong>de</strong> resultar interesante obtener estimaciones se<strong>para</strong>das<br />
<strong>de</strong> la varianza <strong>de</strong> los efectos individuales σ 2 α<br />
<strong>de</strong> la varianza <strong>de</strong>l error idiosincrásico σ 2 ε<br />
por tanto, automáticamente <strong>de</strong> la varianza <strong>de</strong>l término <strong>de</strong> error<br />
compuesto<br />
<strong>de</strong> la autocorrelación <strong>de</strong>l término <strong>de</strong> error compuesto uit<br />
ρ = Corr (uituit−1)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Introducción<br />
En los paneles largos, se tienen muchos periodos temporales <strong>para</strong><br />
pocos individuos: N pequeño, T → ∞<br />
por ejemplo, unas pocas industrias, empresas o regiones observadas<br />
durante muchos periodos <strong>de</strong> tiempo.<br />
Se pue<strong>de</strong> estimar estimar un mo<strong>de</strong>lo <strong>de</strong> efectos fijos mediante<br />
“dummies” <strong>de</strong> individuo como regresores<br />
En la práctica, se suelen preferir mo<strong>de</strong>los agrupados <strong>para</strong> estimar por<br />
MCGF<br />
<strong>para</strong> incorporar estructuras <strong>de</strong> covarianza más generales <strong>de</strong>l término<br />
<strong>de</strong> error<br />
También se pue<strong>de</strong>n estimar mo<strong>de</strong>los más flexibles con pendientes<br />
específicas <strong>para</strong> cada individuo mediante regresiones se<strong>para</strong>das<br />
yit = X ′<br />
it βi + αi + εit
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Introducción (cont.)<br />
La longitud temporal <strong>de</strong> los datos supone la principal característica a<br />
consi<strong>de</strong>rar cuando se estima un mo<strong>de</strong>lo con un panel largo<br />
En todos los casos, <strong>de</strong>be tenerse en cuenta la probable<br />
autocorrelación en εit o directamente en uit<br />
mediante errores estándar robustos a autocorrelación<br />
o estimando por MCGF si se consi<strong>de</strong>ra apropiado un <strong>de</strong>terminado<br />
proceso (estacionario)<br />
Aunque tampoco pue<strong>de</strong> olvidarse la posibilidad <strong>de</strong><br />
heterocedasticidad en uit o εit<br />
Se pue<strong>de</strong>n estimar mo<strong>de</strong>los con efectos temporales<br />
yit = X ′<br />
it βi + αi + γt + εit<br />
estimar γt con “dummies” pue<strong>de</strong> suponer un problema <strong>de</strong> parámetros<br />
inci<strong>de</strong>ntales (T → ∞)<br />
PERO se pue<strong>de</strong>n reemplazar por una ten<strong>de</strong>ncia (aprovechando que el<br />
tiempo está or<strong>de</strong>nado <strong>de</strong> forma natural)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Análisis <strong>de</strong> Series Temporales con datos <strong>de</strong> panel<br />
Cuando se tiene un panel largo con pocos individuos, se podría<br />
tratar como un sistema <strong>de</strong> N series temporales<br />
PERO ya hemos visto que <strong>de</strong>bemos consi<strong>de</strong>rar aspectos ignorados<br />
por la econometría <strong>de</strong> series temporales puras<br />
controlar por heterogeneidad inobservado<br />
comportamiento asintótico cuando tanto N como T van a infinito<br />
la posibilidad <strong>de</strong> <strong>de</strong>pen<strong>de</strong>ncia <strong>de</strong> corte transversal<br />
En cualquier caso, también hemos visto que los paneles largos<br />
permiten analizar la evolución temporal <strong>de</strong> una variable<br />
Los datos <strong>de</strong> series temporales se pue<strong>de</strong>n mo<strong>de</strong>lizar<br />
como procesos estacionarios: bien la variable <strong>de</strong>pendiente o bien el<br />
término <strong>de</strong> error siguen procesos ARMA(p,q)<br />
o como procesos no estacionarios, aunque éstos sólo se pue<strong>de</strong>n<br />
analizar convincentemente cuando la serie temporal es muy larga
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Raíces unitarias y cointegración<br />
Se pue<strong>de</strong>n estudiar mo<strong>de</strong>los dinámicos como<br />
yit = ρiyit−1 + φi1∆yit−1 + · · · + φip i ∆yit−p i + Z ′<br />
it γi + uit<br />
don<strong>de</strong> los cambios retardados garantizan que uit sea i.i.d.<br />
El proceso será estacionario <strong>para</strong> el individuo i si<br />
ρi = 1<br />
Cuando dos procesos son no estacionarios, pue<strong>de</strong>n estar<br />
correlacionados (espúreamente) sólo por serlo<br />
Por tanto, cuando se estudian varias variables en una serie temporal<br />
larga, <strong>de</strong>be analizarse si están cointegradas<br />
es <strong>de</strong>cir, si siguen relacionadas <strong>de</strong>scontando el efecto <strong>de</strong> la no<br />
estacionariedad
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Introducción<br />
Variables instrumentales con datos <strong>de</strong> panel<br />
Se pue<strong>de</strong>n exten<strong>de</strong>r fácilmente los métodos <strong>de</strong> variables instrumentales al<br />
caso <strong>de</strong> datos <strong>de</strong> panel<br />
Si el mo<strong>de</strong>lo agrupado es apropiado yit = α + X ′<br />
it β + uit, un<br />
instrumento válido <strong>de</strong>be cumplir<br />
E [uit|Zit] = 0<br />
Se pue<strong>de</strong> estimar por mínimos cuadrados en dos etapas (MC2E)<br />
(con errores robustos a “clusters” <strong>de</strong> individuos)<br />
Si el mo<strong>de</strong>lo <strong>de</strong> efectos fijos es apropiado yit = X ′<br />
it β + αi + εit, un<br />
instrumento válido <strong>de</strong>be cumplir (exogeneidad estricta)<br />
E [εit|αi, Zi1, . . . , ZiT ] = 0<br />
Se pue<strong>de</strong> estimar también por MC2E en el mo<strong>de</strong>lo transformado<br />
<strong>para</strong> eliminar los efectos individuales (en <strong>de</strong>sviaciones respecto a la<br />
media, etc.)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador <strong>de</strong> Hausman-Taylor<br />
Estimador <strong>de</strong> Hausman-Taylor<br />
Este estimador <strong>de</strong> V.I. permite estimar los coeficientes <strong>de</strong> los<br />
regresores invariantes en el tiempo<br />
El mo<strong>de</strong>lo <strong>de</strong> efectos individuales se pue<strong>de</strong> escribir como<br />
Supuestos:<br />
yit = X ′<br />
1it β1 + X ′<br />
2it β2 + W ′<br />
1i γ1 + W ′<br />
2i γ2 + αi + εit<br />
1 algunos regresores invariantes en el tiempo W1i NO están<br />
correlacionados con αi<br />
2 algunos regresores que sí varían con el tiempo X1it NO están<br />
correlacionados con αi<br />
3 otros regresores, W2i y X2it, sí pue<strong>de</strong>n estar correlacionados con αi<br />
4 todos los regresores están incorrelados con εit<br />
Este estimador es más restrictivo porque se basa en supuestos<br />
adicionales a los <strong>de</strong>l estimador <strong>de</strong> efectos fijos<br />
la existencia <strong>de</strong> regresores no correlacionados con los efectos<br />
individuales
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador <strong>de</strong> Hausman-Taylor<br />
Usando la transformación <strong>de</strong> efectos aleatorios <strong>de</strong>l mo<strong>de</strong>lo<br />
yit = X ′<br />
1it β1 + X ′<br />
2it β2 + W ′<br />
1i γ1 + W ′<br />
2i γ2 + αi + εit<br />
Cada variable ha sido transformada<br />
X1it = X1it − θiX 1i<br />
don<strong>de</strong> <br />
θi es un estimador consistente <strong>de</strong>θi = 1 − σ2 ε/(Ti σ2 α+σ2 ε)<br />
Esta transformación no elimina los regresores invariantes en el<br />
tiempo<br />
se pue<strong>de</strong> estimar γ1 y γ2<br />
Tampoco elimina los efectos individuales: por tanto, X2it y W2i<br />
están correlacionados con αi<br />
esta endogeneidad se remedia mediante el uso <strong>de</strong> variables<br />
instrumentales
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador <strong>de</strong> Hausman-Taylor<br />
yit = X ′<br />
1it β1 + X ′<br />
2it β2 + W ′<br />
1i γ1 + W ′<br />
2i γ2 + αi + εit<br />
Un instrumento <strong>para</strong> X2it es X 2it = X2it − X 2i<br />
está correlacionado con X2it<br />
se pue<strong>de</strong> comprobar que NO está correlacionado con αi<br />
Un instrumento <strong>para</strong> W2i es X 1i<br />
Supone que el número <strong>de</strong> regresores exógenos que varían con el<br />
tiempo es mayor que el número <strong>de</strong> regresores endógenos invariantes<br />
en el tiempo<br />
Se usan datos <strong>de</strong> otros periodos <strong>para</strong> formar los instrumentos:<br />
X1i1, . . . , X1iT también servirían<br />
Un instrumento <strong>para</strong> X1it es X 1it = X1it − X 1i<br />
se usa X 1i dos veces<br />
Un instrumento <strong>para</strong> W1i es W1i
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Introducción<br />
<strong>Mo<strong>de</strong>los</strong> dinámicos<br />
Por simplicidad, consi<strong>de</strong>remos un mo<strong>de</strong>lo AR(1)<br />
yit = γ1yit−1 + X ′<br />
it β + αi + εit<br />
Se pue<strong>de</strong> generalizar a más retardos fácilmente<br />
La correlación en el tiempo <strong>de</strong> yit tiene distintas fuentes<br />
1 directamente a través <strong>de</strong> valores pasado <strong>de</strong> yit (verda<strong>de</strong>ra<br />
<strong>de</strong>pen<strong>de</strong>ncia temporal)<br />
2 directamente a través <strong>de</strong> los regresores Xit (heterogeneidad<br />
observada)<br />
3 indirectamente a través <strong>de</strong> los efectos individuales αi<br />
(heterogeneidad inobservada)<br />
4 (correlación serial en εit)<br />
Las implicaciones <strong>de</strong> cada fuente <strong>de</strong> correlación son muy diferentes
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Introducción<br />
Problemas <strong>de</strong> los Estimadores<br />
yit = γ1yit−1 + X ′<br />
it β + αi + εit, εit ∼ i.i.d.<br />
NO se pue<strong>de</strong> suponer que yit−1 está incorrelado con αi<br />
Por tanto, los estimadores <strong>de</strong> “pooled” y <strong>de</strong> efectos aleatorios NO<br />
son a<strong>de</strong>cuados <strong>para</strong> mo<strong>de</strong>los dinámicos<br />
El estimador “within” es inconsistente<br />
<br />
(yit − y i ) = γ1 yit−1 − y i,−1 +<br />
′<br />
Xit − X i β + (εit − εi )<br />
porque <br />
yit−1 − y i,−1 está correlado con (εit − εi )<br />
εi incluye los errores <strong>de</strong> todos los periodos<br />
Todos los estimadores <strong>de</strong> efectos fijos tienen el mismo problema<br />
(yit − yit−1) = γ1 (yit−1 − yit−2) + (Xit − Xit−1) ′ β + (εit − εit−1)
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador <strong>de</strong> Arellano y Bond<br />
Estimador <strong>de</strong> Arellano-Bond<br />
Sea el mo<strong>de</strong>lo transformado en primeras diferencias<br />
∆yit = γ1∆yit−1 + ∆X ′<br />
itβ + ∆εit<br />
Si εit es i.i.d., un instrumento válido <strong>para</strong> ∆yit−1 será yit−2<br />
yit−2 está correlacionado con ∆yit−1 = yit−1 − yit−2<br />
yit−2 NO está correlacionado con ∆εit = εit − εit−1<br />
De hecho, son instrumentos válidos cualquier valor <strong>de</strong> yit retardados<br />
dos periodos o más<br />
⎡⎛<br />
⎞<br />
⎢⎜<br />
⎢⎜<br />
E ⎢⎜<br />
⎣⎝<br />
yit−2<br />
yit−3<br />
.<br />
yi1<br />
⎟<br />
⎠ ∆εit<br />
⎤<br />
⎥<br />
⎦ = 0 ⇔ E [yis∆εit] = 0, s t − 2<br />
Se pue<strong>de</strong>n obtener estimaciones consistentes <strong>de</strong> un mo<strong>de</strong>lo dinámico<br />
<strong>de</strong> datos <strong>de</strong> panel utilizando<br />
la transformación a<strong>de</strong>cuada <strong>de</strong>l mo<strong>de</strong>lo (este argumento NO<br />
funciona en <strong>de</strong>sviaciones respecto a la media)<br />
y los instrumentos a<strong>de</strong>cuados
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador <strong>de</strong> Arellano y Bond<br />
Arellano-Bond (cont.)<br />
El estimador asintóticamente más eficiente utiliza todos los retardos<br />
posibles <strong>para</strong> estimar el mo<strong>de</strong>lo dinámico<br />
se <strong>de</strong>nomina estimador <strong>de</strong> Arellano-Bond<br />
se estima mediante el Método Generalizado <strong>de</strong> los Momentos (<strong>para</strong><br />
utilizar todos los instrumentos)<br />
Este estimador permite estimar un mo<strong>de</strong>lo dinámico sin necesidad <strong>de</strong><br />
instrumentos externos<br />
El mo<strong>de</strong>lo pue<strong>de</strong> incluir regresores (estrictamente) exógenos<br />
E <br />
εit|αi, xj,i1, . . . , xj,iT = 0<br />
son sus propios instrumentos E [xj,itεit] = 0<br />
aunque también se pue<strong>de</strong>n utilizar todos sus retardos y a<strong>de</strong>lantos<br />
E [xj,itεis] = 0, s = t<br />
A<strong>de</strong>más, el argumento utilizado <strong>para</strong> obtener instrumentos <strong>de</strong> yit−1<br />
se pue<strong>de</strong> generalizar al otros regresores que no sean estrictamente<br />
exógenos<br />
sin necesidad <strong>de</strong> buscar un instrumento nuevo
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador <strong>de</strong> Arellano y Bond<br />
Arellano-Bond (cont.)<br />
Si se tienen regresores que, como yit−1, son pre<strong>de</strong>terminados<br />
(débilmente exógenos) E <br />
εit|αi, xj,i1, . . . , xj,it = 0<br />
están correlacionados con los errores pasados E [xj,itεis] = 0, s < t<br />
pero no con errores futuros E [xj,itεis] = 0, s t<br />
Algunos regresores pue<strong>de</strong>n ser contemporáneamente endógenos<br />
E [xj,itεis] = 0, s t<br />
pero estar incorrelado con los errores futuros E [xj,itεis] = 0, s > t
Introducción <strong>Mo<strong>de</strong>los</strong> estáticos Estimación. Predicción <strong>Panel</strong>es largos Variables instrumentales <strong>Mo<strong>de</strong>los</strong> Dinámicos<br />
Estimador <strong>de</strong> Arellano y Bond<br />
Arellano-Bond (cont.)<br />
Este estimador necesita que εit sea i.i.d. <strong>para</strong> ser consistente<br />
Este supuesto se pue<strong>de</strong> contrastar, porque:<br />
Cov (∆εit, ∆εit−1) = 0<br />
Cov (∆εit, ∆εit−k) = 0 k 2<br />
Si este supuesto no se cumple, se pue<strong>de</strong> seguir estimando el mo<strong>de</strong>lo<br />
si εit ∼ AR(p), se pue<strong>de</strong> re-escribir el mo<strong>de</strong>lo original como un<br />
proceso autorregresivo y se tendrá un nuevo error i.i.d.<br />
si εit ∼ MA (q), se pue<strong>de</strong>n utilizar valores más retardados como<br />
instrumentos<br />
También se dispone un test <strong>de</strong> Sargan <strong>para</strong> contrastar la<br />
“coherencia” entre los instrumentos