APLICACIN DE TCNICAS DE DATOS EN PANEL A LA MEDICIN DE EFICIENCIA

RELATIVA ENTRE EMPRESAS DE DISTRIBUCIN ELCTRICA REGULADAS: UNA GUA

PARA LA PRCTICA REGULATORIA
Mauricio E. Roitman1
(Abril de 2006)
Resumen:
El presente trabajo es una gua para la realizacin de mediciones de eficiencia relativa (benchmarking) con objetivos
regulatorios (definicin del factor de productividad X) utilizando datos en panel. Se discuten a nivel terico las ventajas y desventajas
de utilizar datos en panel. A nivel emprico, se llevan a cabo mediciones de eficiencia relativa mediante dos mtodos de estimacin de
datos en paneles: efectos fijos y efectos aleatorios. Con el objetivo didctico de que el lector pueda replicar las estimaciones se detallan
las lneas de programacin con los comandos utilizados por el software STATA 9.0. Se discute la conveniencia o no de un mtodo u otro
de estimacin. Adicionalmente, se realizan tests recomendados en ciertas situaciones. El resultado del trabajo es un ranking donde puede
observarse la ordenacin de las empresas por grado de eficiencia relativa a la mejor prctica observada en la muestra.

Palabras-clave: benchmarking, productividad, datos en panel, eficiencia, distribucin elctrica.

I.

INTRODUCCIN
El presente trabajo es una breve gua para la realizacin de mediciones de eficiencia relativa (Benchmarking)
utilizando datos en panel2. En poltica regulatoria, estas mediciones son actualmente un insumo fundamental
para determinar el denominado factor X que, bajo el mecanismo de regulacin por precios mximos, es el
que indica potencialmente la medida en que la industria y la empresa regulada deberan mejorar su
productividad3. Este trabajo se concentra en la parte que corresponde a la medicin relativa de la
productividad entre una empresa regulada y la mejor marca (benchmark) de la muestra. Para ello, se
comienza discutiendo a nivel terico las ventajas y desventajas de utilizar datos en panel para tal fin. A nivel
emprico, se llevan a cabo mediciones de eficiencia relativa mediante dos mtodos de estimacin de datos en
paneles: Efectos Fijos y Efectos Aleatorios. Con el objetivo didctico de que el lector pueda replicar las
estimaciones se detallan las lneas de programacin con los comandos utilizados por el software STATA 9.0.
En la seccin II, se exponen cuestiones metodolgicas del uso de datos en paneles destacando sus ventajas y
desventajas en relacin con series de tiempo y datos de seccin cruzada. Tambin se discute cual es el
modelo apropiado para modelar el componente de error, siendo las alternativas el modelo de efectos fijos o el
modelo de efectos aleatorios.
La seccin III explica como se instrumenta la medicin de fronteras de eficiencia con datos en paneles. Se
discute el mtodo de estimacin elegido, la especificacin terica y emprica de una frontera de produccin.
En la seccin IV se realiza una descripcin de los datos utilizados y en la seccin V se desarrolla la secuencia
de la estimacin con STATA 9.0 y una somera explicacin de cada uno de los pasos. En la seccin VI se
discute acerca del uso de diversos tests para verificar cual modelo se ajusta mejor a los datos. En la seccin
VII se presentan los resultados con el modelo elegido (efectos aleatorios) corregido por autocorrelacin.
Mostrndose, en la seccin VIII, las lneas de programacin de STATA 9.0 necesarias para obtener un
ranking de eficiencia relativa entre las empresas, y en la seccin IX se exponen las conclusiones.

II.

METODOLOGA DE DATOS EN PANEL

i.
Ventajas y desventajas de utilizar datos en panel
Algunas de las ventajas de usar datos en panel son las siguientes: se toma en cuenta y controla la
heterogeneidad individual; da ms informacin, posee menos colinelidad entre las variables, ms grados de
libertad y ms eficiencia; pueden descomponerse las variaciones de los datos en: variaciones entre empresas,
estados o individuos de distintos tamaos y caractersticas y variaciones dentro de las empresas, estados o
individuos; es un instrumento ms apto para estudiar las dinmicas de ajuste.
Mediante esta metodologa se eliminan los sesgos resultantes de la agregacin de firmas o individuos. Y
entre las desventajas se pueden mencionar: problemas de diseo y recoleccin de datos, distorsiones debidas
a errores de medida, problemas de selectividad: selectividad propia y no respuesta, problemas cuando las
series de tiempo son de dimensin corta.

1
Profesor Investigador del Instituto de Economa y del Centro de Estudios Econmicos de la Regulacin (CEER) de la Universidad
Argentina de la Empresa. Los posibles errores u omisiones son exclusiva responsabilidad del autor. Tel.: 4379-7664. Tel. fax: 43797693. mroitman@uade.edu.ar.
2
Para una explicacin ms detallada ver: Roitman, Mauricio (Abril 2006), Aplicacin de tcnicas de datos en panel a la medicin de
eficiencia relativa entre empresas de distribucin elctrica reguladas: una gua para la prctica regulatoria, Serie de Textos de Discusin
N57, CEER-UADE.

ii.
Efectos fijos o efectos aleatorios?
La mayora de los modelos de datos en panel utilizan una forma de modelo de componente de error para los
disturbios de la siguiente forma:
uit = i + vit
i= 1,, N.
t = 1,,T
Donde i es el efecto especfico individual no observable, que tiene las particularidades de ser invariante en
el tiempo y toma en cuenta cualquier efecto especfico individual que no est incluido en la regresin. Por
otro lado, vit es el disturbio remanente, que vara con los individuos y con el tiempo y puede ser pensado
anlogamente como el disturbio de una regresin usual.
La decisin que se presenta en el modelado de datos en panel es, dada la heterogeneidad individual que hace
descartar la estimacin por Mnimos cuadrados clsicos, elegir entre suponer el trmino no observable fijo o
aleatorio. De all los nombres de los dos modelos que podemos utilizar en la estimacin de datos en paneles.
iii.
Algunas sugerencias tiles para la eleccin del modelo adecuado
El modelo de efectos fijos es una especificacin adecuada si el estudio se realiza sobre un conjunto especfico
de firmas o individuos y las inferencias se refieren a ese conjunto de firmas o individuos. Suele decirse que la
inferencia es condicional al conjunto de datos utilizados (firmas, individuos).Este modelo tiene la desventaja
de perder gran cantidad de grados de libertad. El problema de multicolinealidad entre los regresores tambin
puede ser importante.
Adems, este estimador no puede estimar el efecto de ninguna variable invariante en el tiempo (Sexo,
religin, etc.). Por lo tanto, en el presente trabajo no se podra, por ejemplo, sacar conclusiones acerca de
diferencias entre empresas debidas a que corresponden a distintos pases.
Por otro lado, como destaca Sosa Escudero (1999), discernir entre los modelos de efectos fijos y aleatorios
es, posiblemente, el problema ms complicado en la implementacin de un modelo de datos en paneles.
En el primer caso, el efecto fijo es indistinguible de cualquier otra variable que no vara por individuos e
incorpora a los efectos individuales como variables explicativas lo que implica una considerable prdida de
grados de libertad como ya se expuso anteriormente. En el caso de efectos aleatorios, por el contrario, el
efecto fijo es tratado como una variable aleatoria omitida, la cual pasa a formar parte del trmino aleatorio
alterando la estructura de la matriz de covarianzas.
A modo de recomendacin, el autor nombrado anteriormente afirma que la decisin entre efectos fijos y
aleatorios puede basarse estrictamente en cuestiones de conveniencia prctica, recomendando realizar el
denominado Test de Hausman4.
III.

MEDICIN DE FRONTERAS DE EFICIENCIA CON DATOS EN PANELES

Las fronteras de produccin no son ms que una regresin que se ajusta a los datos reconociendo la
restriccin de que todas las observaciones deben encontrarse debajo de la frontera y al menos una debe estar
sobre ella. Estas fronteras son utilizadas en los ltimos aos de forma generalizada (en los pases
desarrollados) para llevar a cabo anlisis de eficiencia relativa entre empresas de servicios pblicos
reguladas. Los anlisis de eficiencia relativa son generalmente llevados a cabo entre firmas, tomando a una
de ellas como la mejor marca (benchmark)5. Esta herramienta es de fundamental importancia en problemas
donde existe asimetra de informacin entre los agentes econmicos como por ejemplo en la relacin entre
una empresa de servicios pblicos (que sea un monopolio natural) y su regulador (una agencia gubernamental
con autonoma). Aqu, la comparacin de eficiencia relativa es de suma importancia para, por ejemplo, las
actualizaciones tarifarias bajo un mecanismo de regulacin por price cap (Rossi y Ruzzier, 2000).
i.
Mtodo de estimacin elegido
En lo relativo a la metodologa, se suelen utilizar tres enfoques paramtricos: frontera paramtrica
determinstica (FPD), frontera paramtrica estocstica (FPE), y, fronteras sin supuestos acerca de la

El Test de Hausman puede ser interpretado como un test de validez del estimador de efectos aleatorios. Es recomendable la
realizacin de este test ya que el estimador de efectos fijos es siempre consistente y el estimador de efectos aleatorios solo lo es cuando
las variables explicativas no estn correlacionadas con el trmino aleatorio. En este sentido, el test de Hausman realiza una prueba de
exogeneidad de las variables explicativas con respecto al efecto aleatorio. Si se rechaza la hiptesis nula de exogeneidad de los
regresores entonces, el test estara sugiriendo que el estimador de efectos aleatorios es inconsistente y por lo tanto convendra usar el
estimador de efectos fijos que seguira siendo consistente an en presencia de dicha correlacin.
5
Es importante sealar que la eficiencia referida es la eficiencia productiva, que comprende tanto la eficiencia tcnica como as tambin
la eficiencia en la asignacin.

distribucin de la ineficiencia (FSS) cuando los datos se encuentran en un panel de datos . El desarrollado en
este trabajo es este ltimo.
En relacin a la medicin de eficiencia con modelos de datos en panel, el modelo de efectos fijos controla los
efectos no observables especficos de las firmas, tales como la ineficiencia, que no son capturados por
variables de control. Hay dos importantes lmites a este modelo: primero, las variables invariantes en el
tiempo son capturadas por los efectos fijos y no pueden ser incluidas en el modelo. Esto implica que los
estimadores de ineficiencia incluyen las variaciones en las caractersticas de las firmas invariantes en el
tiempo. Adems, la ineficiencia se asume constante en el tiempo. Este supuesto puede ser relajado en el
modelo de efectos aleatorios.
La principal ventaja de la especificacin de efectos fijos es que las estimaciones son insesgadas an si las
variables explicativas estn correlacionadas con las dummies especficas de las firmas. Sin embargo, las
medidas de ineficiencia se confunden con otros factores.
La eleccin entre un modelo de efectos aleatorios y uno de efectos fijos depende tambin de la pertenencia o
no de las firmas a una misma poblacin. Para el caso en que la heterogeneidad entre las firmas est limitada a
una nica poblacin el modelo de efectos aleatorios es una especificacin vlida. Segn Farsi y Filippini
(2003), dado que el benchmarking est basado sobre el concepto comparacin de firmas comparables se
podra argumentar que el supuesto de nica poblacin se cumple y la especificacin de efectos aleatorios
estara justificada.
Para realizar la estimacin de una frontera de eficiencia se debe especificar primero el modelo. Este podra
consistir en una funcin de costos o en una funcin de produccin. En el presente trabajo se estima una
funcin de produccin por disponibilidad de informacin y por ser una herramienta ms apta para la
7
comparacin entre pases .
ii.
Especificacin terica de la funcin de produccin
Sobre la base de Rodrguez Pardina, Rossi y Ruzzier (1999) se postula la siguiente especificacin terica de
la funcin de produccin:

Y = A * L * K 1 * Zi i exp
Expresando la misma funcin en forma logartmica:

y = + 1L + 2K + i zi +
i

Donde

es lnA, i

son parmetros, y es ln(Y) y zi es ln Zi y

es el trmino de error. La parte

sistemtica del modelo determina el mximo producto que se puede obtener con una cantidad dada de
insumos y unas determinadas variables ambientales.
Bsicamente, todos los enfoques paramtricos calculan las medidas de eficiencia a partir del residuo de una
regresin.
iii.
Especificacin emprica de la funcin de produccin
En este apartado se discute cual es la mejor especificacin emprica de la funcin de produccin. Para la
determinacin emprica de la funcin de produccin se sigue a Rodrguez Pardina, Rossi y Ruzzier (1999).
La metodologa propuesta en dicho trabajo es la siguiente:
1) Sobre-parametrizar el modelo incluyendo la mayor cantidad posible de variables.
2) Eliminar secuencialmente la variable menos significativa (siempre y cuando la menos significativa no
sea significativa al 10%), reintroduciendo en cada paso las variables eliminadas en pasos anteriores para
comprobar que siguen siendo no significativas (en caso contrario deben ser reintroducidas en el modelo).
3) Al finalizar esta tarea se obtiene un modelo donde todas las variables son estadsticamente significativas
y las variables eliminadas, en caso de ser reintroducidas, son no significativas.
Con la base de datos cargada en STATA realizamos las regresiones para especificar el modelo. La regresin
inicial fue:

6
7

Un enfoque alternativo es el programacin matemtica (no paramtrico), denominado Data Envelopment Anlisis (DEA).
Para una explicacin ms detallada ver: Rodrguez Pardina, Rossi y Ruzzier (1999).

regress Ln Total energa entregada Ln Porcentaje ventas residenciales

Ln Total de clientes Ln Capacidad de transformacin
Ln rea concesin Ln Km de red Ln Densidad de poblacin Ln Densidad de clientes Ln Empleo

De los resultados de esta regresin y mediante el proceso descrito antes llegamos a la siguiente especificacin
final corriendo la siguiente regresin (se quit la variable Ln Densidad de clientes):
regress Ln Total energa entregada Ln Porcentaje ventas residenciales
Ln rea concesin Ln Km de red Ln Densidad de poblacin Ln Empleo

Ln Total de clientes

Ln Capacidad de transformacin

De cuyos resultados se obtuvo la especificacin del modelo a la que se arrib finalmente. Esta ltima es la
que se usar en las estimaciones.
Modelo final
Producto: Total GWH; Insumos y variables ambientales: Porcentaje de ventas residenciales, N de
empleados, Kilmetros de red, Capacidad de transformacin, rea de servicio, N total de clientes y
Densidad de poblacin.
Es importante destacar que en los trabajos empricos suelen distinguirse dos partes de la funcin de
produccin: el corazn del modelo (determinado tericamente y formado por el conjunto de insumos) y las
variables ambientales. El rol de estas ltimas es capturar los factores externos que pueden influenciar a las
firmas, logrando que las mismas sean comparables (Ej.: rea de concesin).
IV.

DATOS

Los datos utilizados para las estimaciones fueron obtenidos de los informes de la Secretara General de la
Comisin de Integracin Elctrica Regional (CIER), Datos estadsticos. Empresas Elctricas.... La base de
datos incluye informacin de un gran nmero de variables de empresas de distribucin de electricidad de
pases como Argentina, Bolivia, Brasil, Chile, Colombia, Ecuador, Paraguay, Per, Uruguay y Venezuela.
V.

ESTIMACIONES Y RESULTADOS

A continuacin se desarrolla la secuencia de la estimacin con el programa STATA 9.0 y una somera
explicacin de cada uno de los pasos:
a) Definimos las variables de Nmero de empresa y ao:
iis Nmero de empresa
tis Ao

b) Ahora ponemos el comando xtreg delante de la especificacin final del modelo definida en la seccin
anterior. Al final agregamos el comando fe (Fixed Effects):
xtreg Ln Total energa entregada Ln Porcentaje ventas residenciales
Ln Total de clientes
rea concesin Ln Km de red Ln Densidad de poblacin Ln Empleo, fe

Ln Capacidad de transformacin

Ln

c) Corremos la regresin y obtenemos la salida de resultados.

Debe sealarse que como existen variables invariantes en el tiempo (Ej.: rea), la estimacin mediante este
mtodo (Efectos Fijos) no sera correcta. El problema se presenta porque el mtodo debe realizar una
transformacin que barre con dichas variables y por ende no toma en cuenta su efecto (Baltagi, 2001).
Esta dificultad se hace evidente en la estimacin realizada up-supra ya que all se observa que la variable
rea (invariante en el tiempo) es no significativa (al 10% de significatividad).
Ahora llevamos a cabo el mismo proceso descrito anteriormente para realizar la estimacin de efectos
aleatorios a travs del programa STATA 9.0.
a) Definimos las variables de Nmero de empresa y ao:
iis Nmero de empresa
tis Ao

b) Ahora volvemos a utilizar el comando xtreg delante de la especificacin final del modelo definido en la
seccin anterior. Al final agregamos el comando re(Random Effects):
xtreg Ln Total energa entregada Ln Porcentaje ventas residenciales
Ln Total de clientes
rea concesin Ln Km de red Ln Densidad de poblacin Ln Empleo, re

Ln Capacidad de transformacin

Ln

En los resultados que arroja la estimacin (Efectos aleatorios), las variables Ln Km de red y Ln Densidad
de poblacin son no significativas (al 10%).

VI.

TESTS

Siguiendo a Sosa Escudero (1999) se realiza a continuacin el test de Hausman, que nos muestra que se
rechaza la hiptesis nula de no correlacin entre el residuo y las variables explicativas y por lo tanto estara
indicando que tendra problemas al usar el modelo de efectos aleatorios (RE) dado que el modelo RE
mantiene el supuesto de que los ui y los Xi son independientes.
En el STATA 9.0 debemos en primer lugar especificar las regresiones a testear:
xtreg Ln Total energa entregada Ln Porcentaje ventas residenciales
Ln Total de clientes
rea concesin Ln Km de red Ln Densidad de poblacin Ln Empleo, fe
est store fixed
xtreg Ln Total energa entregada Ln Porcentaje ventas residenciales
Ln Total de clientes
rea concesin Ln Km de red Ln Densidad de poblacin Ln Empleo, re
hausman fixed .

Ln Capacidad de transformacin

Ln

Ln Capacidad de transformacin

Ln

El resultado del test de Hausman indica que se debera elegir el modelo de efectos fijos y eliminar las
variables que resultan no significativas. Por otra parte, en la eleccin debe tenerse en cuenta el problema del
barrido de las variables invariantes en el tiempo que lleva a cabo el modelo de efectos fijos.
Con respecto al potencial problema de la heterocedasticidad se suele utilizar el test de multiplicador de
Lagrange de Breusch y Pagan que testea la hiptesis nula de OLS vs. la hiptesis alternativa de efectos
aleatorios (GLS). En este ejemplo el test resulta significativamente concluyente a favor del modelo de efectos
aleatorios.
xttest0

En relacin con este y otros tests que suelen llevarse a cabo para testear la existencia de heterocedasticidad,
sus resultados son poco relevantes en la medicin de eficiencia8. El problema que se presenta es que estos
tests plantean la hiptesis nula de que la varianza de los residuos es homocedstica y en los modelos de datos
en paneles el error est formado por dos trminos:

uit = i + vit
lo que hace que el posible rechazo de la hiptesis nula, y en particular en la aplicacin a fronteras de
eficiencia, no se pueda atribuir directamente a la heterocedasticidad de la varianza del residuo ya que puede
estar mostrando solo diferencias de eficiencia entre las firmas. Por lo tanto el rechazo de la hiptesis nula que
muestra este test no altera los resultados mostrados.
Adems se debe considerar el problema de autocorrelacin, el cual como seala Greene (1997), no es tan
importante en la estimacin de efectos fijos como si lo es en la de efectos aleatorios. En el caso de efectos
aleatorios, el mismo autor seala que si el residuo del componente de error es generado por un proceso
AR(1), entonces se debera proceder a realizar el procedimiento de diferenciacin parcial. A los efectos de
correccin por autocorrelacin se utiliz el comando xtregar del programa STATA 9.0 el cual corrige la
autocorrelacin de primer orden de los residuos.
VII.

RESULTADOS CON EL MODELO CORREGIDO

Teniendo en cuenta que utilizando el modelo de efectos fijos no estara considerando el efecto de variables
invariantes en el tiempo se consideran mejores las estimaciones obtenidas mediante el modelo de efectos
aleatorio, corregido para evitar autocorrelacin y el problema de poseer un panel desbalanceado.
El resultado se presenta en la tabla, donde adems se sacaron variables que eran no significativas como:
Capacidad de transformacin, Km de red y Densidad de poblacin. Se observa que las restantes
variables son significativas al 1%.
Hay que remarcar tambin que el comando xtregar del programa STATA 9.0 puede acomodar paneles
desbalanceados (como es el caso aqu) donde las observaciones estn espaciadas de forma desigual9.
tsset

Nmero de empresa

xtregar
lbi

Ao

Ln Total energa entregada

Ln Porcentaje ventas residenciales

RE GLS regression with AR(1) disturbances

Group variable (i): Nempresa

Number of obs
Number of groups

Ln Total de clientes
=
=

Ln rea concesin

Ln Empleo, re

187
35

8
Segn Greene (1997) otros tests que se utilizan para testear heterocedasticidad son entre otros: el test general de White (W) y el test de
Goldfeld-Quandt.
9
El comando implementa los mtodos derivados en Baltagi y Wu (1999).

R-sq:

within = 0.6554
between = 0.9426
overall = 0.9454

Obs per group: min

avg
max
Wald chi2(5)
Prob > chi2

=
=
=
=
=

3
5.3
7
1034.00
0.0000

corr(u_i, Xb)
= 0 (assumed)
------------------- theta -------------------mn
5%
median
95%
max
0.7677
0.7823
0.8048
0.8137
0.8137
---------------------------------------------------------------------------------------------------Ln Total energa entregada
|
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
---------------------------------------------------------------------------------------------------Ln Porcentaje ventas residenciales | -.5773709
.0605775
-9.53
0.000
-.6961007
-.4586412
Ln Total de clientes
| 1.095851
.0483671
22.66
0.000
1.001053
1.190649
Ln rea concesin
| -.0767795
.0256374
-2.99
0.003
-.1270279
-.0265311
Ln Empleo
| .1376239
.035323
3.90
0.000
.068392
.2068557
Concesin
| -4.700408
.5389213
-8.72
0.000
-5.756674
-3.644142
-------------+-------------------------------------------------------------------------------------rho_ar | .65648231
(estimated autocorrelation coefficient)
sigma_u | .35450334
sigma_e | .07595823
rho_fov | .95610505
(fraction of variance due to u_i)
---------------------------------------------------------------------------------------------------Modified Bhargava et al. Durbin-Watson = .72236195
Baltagi-Wu LBI = 1.3613831

VIII.

EVALUACIN DE EFICIENCIA. RANKEANDO LAS EMPRESAS SEGN SU EFICIENCIA RELATIVA

A continuacin se presentan las lneas de programacin de STATA 9.0 necesarias para obtener un ranking de
eficiencia entre empresas, usando como insumo el panel de datos y el modelo de efectos aleatorios corregido
por autocorrelacin.
El ranking ordena las empresas, considerando empresa-ao como una observacin, de mayor a menor
eficiencia. Este se obtiene a travs de las siguientes lneas de programacin en el STATA 9.0:
predict random, u
summ random
gen epsilon = random - r(max)
gen te_gls = exp(epsilon)
sum te_gls
gsort -te_gls, generate(g_rank)
gen rank_gls=g_rank if te_gls~=.
list Nempresa Ao te_gls rank_gls

De esta forma se obtiene un ranking que indica cuan eficiente es la empresa, siendo la mas eficiente la que da
como resultado 1 (el benchmark) y el resto valores menores a uno indicando el grado de eficiencia relativa
a la mejor marca.
IX.
CONCLUSIONES
El uso de datos en paneles para la estimacin de fronteras de eficiencia representa una respuesta a los
problemas suscitados en las estimaciones con datos de corte transversal (Schmidt y Sickles, 1984) como,
entre otras, la inconsistencia del trmino de ineficiencia, el requerimiento de algn supuesto sobre el trmino
de ineficiencia y la no independencia de los regresores como se supone en los modelos de corte transversal.
Con datos en paneles, el primer problema deja de ser tal ya que la consistencia aumenta debido al mayor
nmero de observaciones sobre la empresa. Con respecto al segundo problema, la metodologa de panel
data salva la dificultad porque varios mtodos utilizados aqu no necesitan de ningn supuesto sobre el
trmino de ineficiencia porque suelen suponerla invariante en el tiempo. Y en referencia al ltimo de los
problemas, algunas tcnicas no requieren del supuesto de independencia de la eficiencia y las variables
explicativas.
X.

REFERENCIAS

Baltagi, B. H., Econometric analysis of panel data, John Wiley & Sons; 2nd edition, October 2001.
Coelli, T., Prasada Rao, D., Battese, G., An introduction to efficiency and productivity analysis, K. A. P., 1998.
Farsi, M., Filippini, M., Regulation and measuring cost efficiency with panel data models: application to
electricity distribution utilities, CEPE, 2003.
Hausman A. J., Taylor E. W., Panel Data and Unobservable Individual Effects, Econometrica, Vol. 49, 1981.
Hsiao, Cheng, Analysis of panel data, Cambridge University Press, 1986.
Rodrguez Pardina, Rossi y Ruzzier, Fronteras de eficiencia en el sector de distribucin de energa elctrica: la
experiencia sudamericana, Centro de Estudios Econmicos de la Regulacin (CEER-UADE), TD N15, 1999.
Rossi, M. y Ruzzier, C., "On the regulatory application of efficiency measures," Utilities Policy, Elsevier, vol. 9(2), 2000.
Schmidt, P., Sickles, R., Production frontiers and Panel data, Journal of business & economic statistics, 2, 1984.
Sosa Escudero, W., Tpicos de econometra aplicada (Notas de clases), Trabajo docente N2, septiembre de 1999.