3.

2 Modelos de regressão com dados em painel

Dados em painel é a combinação de informações de unidades econômicas como

indivíduos, empresas, estados, países, etc, que são acompanhadas ao longo do tempo.
Segundo Gujarati (2006) os dados em painel são capazes de melhorar a análise empírica
de modo que seria impossível delimitar aos dados em série temporal ou em corte
transversal isoladamente.
Nesta subseção serão exibidos dois tipos de análise de dados em painel, o modelo
de efeitos fixos e aleatórios. O modelo pooled será apresentado na próxima subseção. O
objetivo de apresentar estes modelos é para escolher qual o melhor a ser utilizado.
O modelo de efeitos fixos possui o intercepto como um parâmetro fixo e
desconhecido e que absorve as disparidades entre as unidades de corte seccional. A
definição comum, de acordo com Silva e Cruz Junior (2004) para este modelo é:

Sendo Djt uma variável dummy, que mostra valores 1 ou 0 para retratar cada unidade do

corte seccional estudado, yit corresponde a variável dependente de cada unidade do corte

seccional i no tempo t, os β’s são coeficientes estimados, Xkit são K-1 variáveis

explicativas para cada setor i no tempo t, e eit é o erro aleatório ou erro variante no tempo,

que reflete os fatores não percebidos que variam no tempo e afetam yit.
Ao comparar os efeitos fixos com os efeitos aleatórios, observa-se que cada
modelo trata o intercepto de modo diferente. Para Duarte, Lamounier e Takamatsu (2007,
p. 9) explicam esse diferencial:
O modelo de efeitos fixos trata os interceptos como parâmetros fixos. Já o
modelo de efeitos variáveis trata os interceptos como variáveis aleatórias. Isto
é, este modelo considera que os indivíduos sobre os quais dispõe-se de dados
são amostras aleatórias de uma população maior de indivíduos.

Portanto, o modelo de efeitos aleatórios admite que cada βit é uma variável
aleatória e, segundo Silva e Cruz Junior (2004) a formulação é descrita da seguinte forma:
yit configura a variável dependente de cada unidade de corte seccional i no tempo t, é

uma variável desconhecida que retrata o intercepto populacional médio, os β’s são os

coeficientes estimados, Xkit são K-1 variáveis explicativa para cada setor i no tempo t e

vit é o componente de erro não observado.

A variável dependente e as explicativas podem mudar entre os indivíduos e ao
longo do tempo. Ao passo que, a variação ao longo do tempo ou para um certo indivíduo
é denominada within, a variação entre indivíduos é tida como between. No modelo de
efeitos fixos, segundo Wooldridge (2010), a estimação do coeficiente da variável
explicativa com baixa variação within será inconsistente e não será reconhecido se não
houver alguma variação within. Logo, é primordial a diferenciação entre essas variações
para elucidação do mais adequado modelo em painel.
A escolha de qual modelo será utilizado depende conforme Silva e Cruz (2004)
do propósito do trabalho e em quais circunstâncias os dados foram coletados. Se a
finalidade for fazer uma investigação para uma população definida, a partir de uma
amostra de dados aleatória, escolhe o modelo aleatório. Contudo, se o objetivo do trabalho
for a análise do desempenho de uma unidade econômica (indivíduos, empresas, estados,
países), o modelo de efeitos fixos é preferível, contanto que a aleatoriedade não
intervenha no resultado.
Para definir o modelo é preciso antes de tudo escolher entre o modelo pooled ou
de efeitos fixos. Para isso, usa-se o teste F1 para definir entre os dois modelos. Desse
modo, se o F calculado for maior que o F crítico, usa-se o modelo de efeitos fixos.
Hausman (1978) propõe que os efeitos fixos e os efeitos aleatórios estimados
podem ser comparados através de um teste para saber se há correlação entre as variáveis
independentes e o efeito fixo não observável, considerando que os erros aleatórios e as
variáveis independentes não são correlacionados todo o tempo. A aceitação da hipótese
alternativa do teste de Hausman aponta que o modelo de efeitos aleatórios é mais
adequado; senão, aceita-se o modelo de efeitos fixos.

3.3 Painel curto

1
Este teste é denominado teste de Chow, que conforme Wooldridge (2010), possui as seguintes hipóteses:
Ho: modelo pooled e H1: modelo de efeitos fixos (irrestrito). Se confirmar a hipótese alternativa (rejeição
de Ho) conclui-se que o modelo de efeitos fixos é a opção mais adequada.
 Se não acontecerem efeitos fixos no entanto os erros apresentarem relação dentro
do painel, logo os efeitos aleatórios terá um estimador consistente contudo ineficiente e,
assim, deverá ser obtida uma estimação com erros-padrão robustos clusterizados. À vista
disso, um painel curto, onde tem-se T < N, os erros-padrão robustos clusterizados
estimados podem ser obtidos acatando a premissa de que os erros não são dependentes
entre indivíduos e que N→∞, ou melhor, que (it, js) = 0 para i ≠ j, que E (it, is) seja

irrestrita e que it não seja homocedástico.

Conforme Cameron e Trivedi (2009), a primeira etapa para aplicar um modelo
com dados em painel é a utilização de um modelo POLS (pooled ordinary least squares),
atribuindo que as variáveis explicativas sejam exógenas e que o erro seja it, ao invés de

separar i + it. Então:

A estimação dos parâmetros desse modelo é por meio de OLS (ordinary least
squares), porém infere-se que haja controle da relação within do erro it para um certo
indivíduo, a ser formulado usando os erros-padrão robustos com grupamento no nível do
indivíduo.
Depois da exposição dos modelos em painel, evidencia-se que este estudo aplicará
seis tipos distintos de modelagens, com intenção em proporcionar um melhor
conhecimento dos vários tipos de estimadores e das suas circunstâncias de utilização,
assim como mostrar modelos para o estudo dos principais fatores que reduzem a
desigualdade de renda. O quadro 1 com base em Cameron e Trivedi (2009) e em Fávero
(2013) exibe esses seis tipos diferentes de modelos.

Quadro1 - Modelos de Dados em Painel a Serem Estimados

VARIÁVEL DESCRIÇÃO

POLS com Erros-Padrão Robustos

Clusterizados Estimação do parâmetro por OLS com contenção
da correlação within do erro it ao decorrer do
tempo.

Modelo com Estimador Between O estimador between apenas usa a variação do

corte seccional e é o estimador OLS de uma
regressão de em função de . Para que esse
 estimador seja consistente o termo de erro
não deva ser correlacionado com

Efeitos Fixos Os parâmetros βlj podem ser relacionados com

as variáveis explicativas Xkit, permitindo uma
maneira limitada de endogeneidade. Admite-se
que Xkit não é correlacionado com o erro
aleatório eit.

Efeitos Fixos com Erros-Padrão Robustos
Clusterizados
Os parâmetros βlj podem ser relacionados com as
variáveis explicativas Xkit, permitindo uma
maneira limitada de endogeneidade. Admite-se
que os erros não sejam dependentes entre
indivíduos e que eit não seja homocedástico.

Efeitos Aleatórios
Os parâmetros βlj e os termos de erro aleatório vit
são independentes e igualmente distribuídos
(i.i.d.).

Efeitos Aleatórios com Erros-Padrão Se os efeitos fixos não são identificados,

Robustos entretanto os erros exibirem correlação within, os
Clusterizados efeitos aleatórios terá um estimador consistente
porém ineficiente. Sendo assim, deverá ser obtida
uma estimação com erros-padrão robustos
clusterizados
Fonte: Elaboração própria a partir de Cameron e Trivedi (2009) e Fávero (2013).