Econometria de Datos en Panel PDF

Universidad Nacional de Cordoba
Econometra de
Datos en Paneles
Walter Sosa Escudero
(wsosa@udesa.edu.ar)
Universidad de San Andres y UNLP
19 de Mayo de 2004
Introduccion
Econometria de Datos en Paneles
Econometria de Datos en Paneles. Walter Sosa Escudero
Datos en paneles
Una base de datos en panel contiene informacion para
varios individuos (empresas, paises, etc.) en el tiempo.
El aspecto fundamental es esta bidimensionalidad de los
datos.
PSID: 6500 familias desde 1968.
EPH: tiene una estructura de panel rotativo.
Ventajas de usar datos en panel
Con N individuos y T periodos podriamos estimar N
modelos de series de tiempo y T modelos de corte
transversal.
Las ventajas de disponer de un panel tiene que ver con
la posibilidad de agregar esta informacin de alguna
manera.
Ejemplo: y
it
=x
it
[+u
it
Supone que el modelo lineal subyacente es el mismo
para todos los individuos y periodos.
Control de "heterogeneidades no-observables":
Ej. (Cronwell y Trumbull)
y=g(E,l)
y=crimen, E=variables economicas,l=variables de
justicia criminal.
En la estimacion de corte transversal l resulta ser
muy importante.
Critica: l esta muy correlacionada con factores
regionales que influyen sobre el crimen (problema de
omision de variables.
Un panel de datos permite controlar por estos efectos
omitidos.
Ventajas
Explorar efectos dinmicos:
Ej: (Ben-Porath, 1973)La tasa de desempleo de los
ultimos dos aos ronda el 18%. Son siempre los
mismos individuos o van rotando?
Permite eliminar sesgos por agregacion.
Varias ms (Baltagi, 2002)
Limitaciones
No siempre es posible agregar informacion temporal y
de corte transversal (pueden ser ms observaciones
pero de poblaciones heterogeneas).
Los paneles son costosos de implementar y administrar.
Problemas de selectividad: auto-seleccion, no
respuesta, "attrition".
Dimension temporal corta
El Modelo Bsico de
Componente de Errores
Especificacion
El modelo basico es:
x
it
vector de K variables explicativas (incluye una
constante). [ es un vector de coeficientes
El termino de error incluye dos componentes, uno
especifico del individuo y otro de la observacion.
Caso ms simple:
i
= 0
Supongamos adicionalmente, que r
LW
satisface todos los
supuestos clasicos:
En este caso, el estimador de MCO es MELl
La estructura de panel no agrega informacion
El estimador MCO de es:
en donde X es una matriz NT x K con las observaciones
de todas las variables explicativas para todos los
individuos, Y se define en forma similar
Modelo de efectos fijos
Corresponde a:
en donde
L
es un numr
/] para cada individuo.
Equivale a A modelos de
regresion, uno para cada
invididuo, misma
pendiente, y un
intercepto especifico
para cada individuo


Estimacion del modelo de EF
Si r satisface todos los supuestos clasicos, el
estimador MELI de [ y
i
es el estimador MCO
incorporando N-1 variables binarias.
(una por individuo menos una. Porque?).
En terminos matriciales:
en donde Z es una matriz NT x (K+(N-1)) con todas
las K variables explicativas (X) y las N-1 dummies
Problema: Z es una matriz muy grande para invertir.
Truco: transformar el modelo para eliminar los
L
Comencemos con:
(1)
tomando promedios por individuo:
(2)
restando (1) (2):
(3)
Es facil mostrar que el estimador MCO de en (3) es
xacIamnI guaI al estimador MCO de en el
modelo con variables binarias.
(3) es llamado modelo wInn.
Bajo el supuesto de normalidad de los e
LW
, la teoria
estandar bsica de inferencia para MCO funciona Ok
(tests t, F, etc.).
En general, los paquetes estandarizados (Stata, etc.)
calculan correctamente las varianzas (hay que tener
cuidado con los grados de libertad si uno lo hace a
mano).
La teoria asintotica de MCO tambien funciona en
forma estandar (tests basados en resultados de
normalidad asintotica).
Estimacion de la matriz de varianzas. lnferencia
Propiedades del estimador de EF
El estimador de es consistente cuando N o T
tienden a infinito.
El estimador de no es consistente (el numero de
parametros aumenta con N). Problema de
paramIrs ncnIaIs.
Modelo de efectos aleatorios
Corresponde a:
en donde
L
es una varaI aIaIra para cada individuo.

L
forma parte del termino de error, que ahora tiene dos
componentes uno especifico del individuo y otro de la
observacin.
Recordatorio MCG y MGCF
Consideremos:
Y=X[ +u
Valen todos los supuestos
clasicos, salvo que:
V(u) = L,
simetrica y positiva
definida (permite
autocorrelacion y
heterocedasticidad).
Teorema (Aitken): El MELl
de [ es:
Alternativamente:
con X
=FX
y F satisface FF=L
.
MCG Factibles
MCG requiere conocer D, en muchos casos esto no es
"factible".
Si es un estimador consistente de D, una version
/acII del estimador es:
No es MELl, es asintoticamente equivalente a MCG.
La estrategia es estimar D y luego computar el MCGF

Especificacion del modelo de EA
En terminos matriciales:
1 = X[ u
con E{u)= U, y 1{u)=L.
L es una matriz AT x AT con elemento caracteristico:
O sea que L no es un escalar por la identidad.
Por construccion, el modelo de EA tiene
autocorrelacion.
El MELl de es el estimador MCG.
Estimacion del modelo de EA
Se puede mostrar que el estimador MCG de es identico
al estimador de MCO en:
Con
El estimador de MCGF reemplaza las varianzas por
estimaciones consistentes de las mismas.
Relaciones entre modelos
Dos estimadores alternativos
Estimacion MCO
Si el verdadero modelo es EA, MCO es ineficiente
(porque?). Si el verdadero modelo es EF, MCO es
potencialmente sesgado e inconsistente (porque?).
Estimacion Between: promedios por individuo
Si el verdadero modelo es EA, (B) es ineficiente
(porque?). Si el verdadero modelo es EF, (B) es
potencialmente sesgado e inconsistente.
9DULDEOHVTXHYDULDQVRORSRULQGLYLGXRV 9DULDEOHVTXHYDULDQVRORSRULQGLYLGXRV 9DULDEOHVTXHYDULDQVRORSRULQGLYLGXRV 9DULDEOHVTXHYDULDQVRORSRULQGLYLGXRV
Consideremos el modelo
z
L
= vector observable de variables que varian solo por
individuos (ej, tamao de una provincia). No
correlacionada con ni r.
El estimador de EF no puede identificar . Porque?
El estimador de EA si puede identificar . Porque?
Que pasa con Between y MCO?
;FRUUHODFLRQDGDFRQ ;FRUUHODFLRQDGDFRQ ;FRUUHODFLRQDGDFRQ ;FRUUHODFLRQDGDFRQ
Resultado muy importante
El estimador de EA es inconsistente (porque?).
El estimador de EF sigue siendo consistente.
Between y MCO son inconsistentes.
(IHFWRVILMRVRDOHDWRULRV" (IHFWRVILMRVRDOHDWRULRV" (IHFWRVILMRVRDOHDWRULRV" (IHFWRVILMRVRDOHDWRULRV"
Pregunta muy complicada
No confundir modelos (DGP's) con estimadores.
Algunos creen que es una cuestion de tratamiento.
Otros, de seleccion de modelos (Hsiao)
EF es valido (no necesariamente optimo) aun cuando X
esta correlacionado con .
EA tiende a ser mas eficiente cuando X esta
correlacionado con .
Estas reglas "eliminan" estimadores, pero no
necesariamente sugieren cual usar.
Ejemplo empirico
Disparidades regionales en el desampleo
Fuente: Galiani, Porto, Lamarche y Sosa Escudero
(Regional Science and Urban Economics, 2004).
Cuestion: fuertes disparidades regionales con
desempleo cambiante.
lnformacion: panel de provincias argentinas, 11 aos.
Variable explicada: tasa de desempleo regional para
cada periodo
Variables explicativas: pbgm (producto regional), shockp
(desvios de la tendencia en el producto), uprom
(desempleo promedio), rpf, amen (indicador de
"amenities).
Estimacion de efectos fijos
. xtreg iu pbgm shockp uprom rpf amen, fe i(indice)
Fixed-effects (within) regression Number of obs = 242
Group variable (i) : indice Number of groups = 22
R-sq: within = 0.5810 Obs per group: min = 11
between = 0.1198 avg = 11.0
overall = 0.1781 max = 11
F(4,216) = 74.88
corr(u_i, Xb) = -0.8359 Prob > F = 0.0000
------------------------------------------------------------------------------
iu | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
pbgm | .0045631 .0012047 3.788 0.000 .0021886 .0069377
shockp | -3.756665 2.9543 -1.272 0.205 -9.579612 2.066283
uprom | .8426046 .0596304 14.130 0.000 .7250727 .9601365
rpf | .0128717 .0070708 1.820 0.070 -.001065 .0268084
amen | (dropped)
_cons | -2.038174 .8060633 -2.529 0.012 -3.626931 -.4494178
------------------------------------------------------------------------------
sigma_u | 4.9293803
sigma_e | 1.8148176
rho | .88063494 (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(21,216) = 15.99 Prob > F = 0.0000
EF no puede estimar
el coeficiente de
amenities
Test F de
significatividad
conjunta
Test de Efectos
Fijos
Stata NO
muestra las
estimaciones de
los efectos fijos!
Estimacion de efectos aleatorios
. xtreg iu pbgm shockp uprom rpf amen, re i(indice)
Random-effects GLS regression Number of obs = 242
Group variable (i) : indice Number of groups = 22
R-sq: within = 0.5658 Obs per group: min = 11
between = 0.1243 avg = 11.0
overall = 0.3646 max = 11
Random effects u_i ~ Gaussian Wald chi2(5) = 284.74
corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000
------------------------------------------------------------------------------
iu | Coef. Std. Err. z P>|z| [95% Conf. Interval]
---------+--------------------------------------------------------------------
pbgm | .001187 .0004271 2.779 0.005 .00035 .0020241
shockp | -1.932403 2.932216 -0.659 0.510 -7.679442 3.814635
uprom | .8982061 .0574937 15.623 0.000 .7855206 1.010892
rpf | .0085048 .0070188 1.212 0.226 -.0052518 .0222615
amen | -.0355677 .0751639 -0.473 0.636 -.1828862 .1117509
_cons | .2122568 1.196021 0.177 0.859 -2.131901 2.556415
---------+--------------------------------------------------------------------
sigma_u | 2.2612849
sigma_e | 1.8148176
rho | .60823435 (fraction of variance due to u_i)
------------------------------------------------------------------------------
RE puede estimar
el coeficiente de
amenities
Componentes
de varianzas
Test de
Efectos
Aleatorios
Inferencia en el Modelo
de Componente de Errores
"The three golden rules of econometrics are test, test, test."
(D. Hendry, 1980, pp. 403)
Tests de agrupamiento
("To pool or not to pool")
Modelo restringido (pooled):
Modelo sin restringir:
Hipotesis (poolability):
Bajo H
o
estimamos un solo modelo agregado.
Bajo H
A
estimariamos T modelos de series temporales.
Es una discusion clsica de "sesgo-varianza" (ver Baltagi,
Griffin y Xiong (2000) para una aplicacion interesante).
Tests de agrupamiento
Si
it
satisface todos los supuestos clasicos y bajo
normalidad, el test es un Test de Chow simple!:
e son residuos de estimar el modelo agregado por OLS,
e
*
son residuos de estimar los modelos por separado.
Es identico a estimar un solo modelo agregado con dummies por
intercepto y pendiente, y evaluar la significatividad de todas las
dummies con un test F.
Se puede testear igualdad solo de pendientes
Si V()= : usar test de Chow luego de la estimacion FGLS (Test de
Roy-Zellner).
Test de efectos fijos
Consideremos el modelo de efectos fijos en forma
matricial:
en donde Z es una matriz de N-1 variables binarias por
intercepto.
Bajo el supuesto de normalidad de e, la hipotesis:
H
o
:
1
=
2
= ...=
N-1
=0 (ausencia de efectos fijos) puede
evaluarse con un test F estandar de significatividad
conjunta de las N-1 variables binarias.
Test de efectos aleatorios
En el modelo de efectos aleatorios,
corresponde a la hipotesis de ausencia de efectos
aleatorios.
Test de Breusch-Pagan: bajo normalidad, el estadistico
tiene distribucion asintotica chi-cuadrado con 1 grado de
libertad bajo H
0
. Rechazar si LM es muy grande.
Honda (1985): el supuesto de normalidad se puede
relajar. Test unidireccional.
Tests de autocorrelacin
Baltagi-Li (1991) H
o
: =0 en:
(suponen implicitamente no efectos aleatorios)
Test: con
tiene distribucion asintotica Chi
2
(1) bajo H
o
.
Es muy similar a un test LM estandar de autocorrelacion.
Tests modificados de efectos
aleatorios y autocorrelacion
Bera-Yoon-Sosa Escudero (2001):
Test de BP de efectos aleatorios supone implicitamente no
autocorrelacion.
La presencia de efectos aleatorios "confunde" al test de BP,
induciendo a rechazar H
o
, aun cuando es cierta.
Misma cosa sucede con el test de autocorrelacion.
BYS: tests modificados.
Test conjunto Baltagi-Li (1991)
Test de la hipotesis nula conjunta de no autocorrelacion y no
efectos aleatorios (baja potencia, poco informativo)
Sosa Escudero (2001):
Test conjunto de efectos aleatorios y correlacion serial positiva
(one-sided, one-directional)
Ejemplo empirico
BSY (2001). Dos bases de datos (Grunfeld y Greene)
" * " tests modificados
En ambos ejemplos los tests originales rechazan H
0
(autocorrelacion, efectos aleatorios, ambos?)
Los test modificados sugieren que en el caso de Grunfeld
el problema es EA y en el de Greene autocorrelacion!!
No rechaza!
No rechaza!
Heterocedasticidad
En el modelo:
cual es la nocion relevante de heterocedasticidad? En o
en ? O en ambos?
Lejeune (1998): Test de heterocedasticidad en el efecto
especifico. Distribution-free.
Holly and Lucien (2000). Test de heterocedasticidad en
el efecto individual. Supone normalidad
Sosa Escudero (2003). Test de heterocedasticidad en el
efecto individual y/o en el especifico. Distribution-free.
Test de Hausman
Si esta correlacionado con X:

EA
es inconsistente

EF
es consistente.
Si NO esta correlacionado con X:

EA
es consistente y eficiente.

EF
es consistente.
Hausman (1978) propone evaluar la hipotesis de ausencia
de correlacin entre y X en base a:
que tiene distribucion asintotica Chi
2
(K) bajo H
o
Test de Hausman
Intuitivamente, bajo H
o
ambas estimaciones deberian
coincidir.
El estimador de EF es consistente independientemente
de H
o
.
Rechazar H
o
sugiere que el estimador de EA es
inconsistente.
No necesariamente se sigue que hay que usar EF. Hay
otras estrategias consistentes adems de EF.
No es un test de EA vs. EF., solo explora la consistencia
de los estimadores.
Test de Hausman. Ejemplo empirico.
. xthaus
Hausman specification test
---- Coefficients ----
| Fixed Random
iu | Effects Effects Difference
---------+-----------------------------------------
pbgm | .0045631 .001187 .0033761
shockp | -3.756665 -1.932403 -1.824262
uprom | .8426046 .8982061 -.0556016
rpf | .0128717 .0085048 .0043669
Test: Ho: difference in coefficients not systematic
chi2( 4) = (b-B)'[S^(-1)](b-B), S = (S_fe - S_re)
= 25.60
Prob>chi2 = 0.0000
Las diferencias
entre EF y RE son
significativas
Topicos adicionales y
comentarios finales
Paneles dinamicos
Los estimadores estandar son sesgados e inconsistentes
Estrategias de estimacion
Variables instrumentales: Anderson-Hsiao
(1981)
GMM: Arellano-Bond (1981)
Modificaciones al estimador de efectos fijos:
Kiviet
Otras reas
Modelos dinamicos.
Raices unitarias y cointegracion.
Casi todos los resultados estandar en
econometra estan siendo rescritor para paneles
(modelos de eleccion, semi y no parametricos,
etc.).
Textos recientes
Wooldridge, J., 2001, The Econometrics of Cross
Section and Panel Data, MIT Press.
Arellano, M., 2003, Panel Data, Oxford University Press.
Hsiao, C., 2002, Analisis of Panel Data, Cambridge
University Press, Cambridge.
Baltagi, B., 2001, The Econometrics of Panel Data,
Wiley, New York.
Baltagi, B., 2002, Recent Developments in the
Econometrics of Panel Data, Edward Elgar Publishing.
Software
Stata 8 tiene muy buenas rutinas para paneles
(www.stata.com).
La version 5 de Eviews tiene una modulo para
paneles fcil de usar (www.eviews.com)
Limdep 8 sigue teniendo una buena coleccion de
metodos sofisticados, sobre todo para modelos de
eleccion (www.limdep.com)
Ox o R son buenos entornos programables.
Referencias
&RPSRQHQWHVGHHUURUHV(IHFWRVILMRV\DOHDWRULRV &RPSRQHQWHVGHHUURUHV(IHFWRVILMRV\DOHDWRULRV &RPSRQHQWHVGHHUURUHV(IHFWRVILMRV\DOHDWRULRV &RPSRQHQWHVGHHUURUHV(IHFWRVILMRV\DOHDWRULRV
Baltagi (2002), Capitulos 1 a 3.
Cornwell, C. and Trumbull, W., 1994, Estimating the Economic Model of Crime With Panel Data, 5HYLHZRI(FRQRPLFV
DQG6WDWLVWLFV, pp. 360-366.
lslam, N., 1995, Growth empirics: a panel data approach, 4XDUWHUO\-RXUQDORI(FRQRPLFV, 110, 1127-1170.
(VSHFLILFDFLRQGHPRGHORVOLQHDOHV (VSHFLILFDFLRQGHPRGHORVOLQHDOHV (VSHFLILFDFLRQGHPRGHORVOLQHDOHV (VSHFLILFDFLRQGHPRGHORVOLQHDOHV
Baltagi, B., Griffin, J and Xiong, W., 2000, To poor or not to pool: homogeneous versus heterogeneous estimators
applied to cigarette demand, 5HYLHZRI(FRQRPLFVDQG6WDWLVWLFV, 82(1), pp. 117-126.
Baltagi, B. and Griffin, J., 2001, The econometrics of rational addiction: the case of cigarettes, -RXUQDORI%XVLQHVVDQG
(FRQRPLF6WDWLVWLFV 19, 4, 449-454.
Bera A. and Sosa-Escudero, W., 2002, Testing for serial correlation and random effects in incomplete panels, mimeo,
University of lllinois
Bera, A., Sosa Escudero, W. and Yoon, M., 2001, Tests for the Error-Component Model under Local Misspecification,
-RXUQDORI(FRQRPHWULFV, 101, pp. 1-23.
Sosa Escudero, W. and Bera, A., 2001, Specification Tests for Linear Panel Data Models, 2001, con Anil Bera, 6WDWD
7HFKQLFDO%XOOHWLQ, 61, pp. 18-21.
Referencias
0RGHORVGLQDPLFRV 0RGHORVGLQDPLFRV 0RGHORVGLQDPLFRV 0RGHORVGLQDPLFRV
Anderson, T.W. and Hsiao, C., 1982, Formulation and estimation of dynamic models using panel data, -RXUQDORI
(FRQRPHWULFV 18, 47-82.
Arellano, M. and Bond, S., 1991, Some tests of specification for panel data: Monte Carlo evidence and an application to
employment equations, 5HYLHZRI(FRQRPLFV6WXGLHV 58, 277-297.
Arellano, M. and Bover, O., 1995, Another look at the instrumental variables estimation of error-component models
-RXUQDORI(FRQRPHWULFV 68, 29-51
Durlauf, S., 2001, A manifesto for a growth econometrics, -RXUQDORI(FRQRPHWULFV 100, 65-69.
Forbes, K., 2000, A reassessment of the relationship between inequality and growth, $PHULFDQ(FRQRPLF5HYLHZ, 90,4,
869-887.
Judson, R., and Owen, A., 1999, Estimating dynamic panel data models: a guide for macroeconomists, (FRQRPLFV
/HWWHUV, 65, 9-15.
Kiviet, J., 1995, On bias, inconsistency, an efficiency of various estimators in dynamic panel data models, -RXUQDORI
(FRQRPHWULFV 68, 53-78.
3DQHOHVQRHVWDFLRQDULRV5DLFHVXQLWDULDV\FRLQWHJUDFLRQ 3DQHOHVQRHVWDFLRQDULRV5DLFHVXQLWDULDV\FRLQWHJUDFLRQ 3DQHOHVQRHVWDFLRQDULRV5DLFHVXQLWDULDV\FRLQWHJUDFLRQ 3DQHOHVQRHVWDFLRQDULRV5DLFHVXQLWDULDV\FRLQWHJUDFLRQ
Porto, A., Galiani, S., Lamarche, C. and Sosa Escudero, W., 2003, Persistence and regional disparities in
unemployment. Argentina 1980-1997, 5HJLRQDO6FLHQFHDQG8UEDQ(FRQRPLFV, en prensa.
Maddala, G.S., Wu, S, and Liu, P., 2000, Do panel data rescue the purchasing power parity theory?, in Krishnakumar,
et al., op. cit.
Nerlove, M., 2000, Growth rate convergence, fact or artifact? An essay on panel data econometrics, in Krishnakumar,
et al., op. cit.

Econometria de Datos en Panel PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Econometria de Datos en Panel PDF

Transféré par

Droits d'auteur :

Formats disponibles

Universidad Nacional de Cordoba

Econometria de Datos en Paneles. Walter Sosa Escudero

Econometria de Datos en Paneles. Walter Sosa Escudero

Vous aimerez peut-être aussi