TOPICOS DE ECONOMETRIA APLICADA Datos de Panel Efectos Fijos Efectos Aleatorios Aplicaciones

1. TOPICOS DE ECONOMETRIA APLICADADatos de PanelEfectos FijosEfectos AleatoriosAplicaciones

2. Estimador de Efectos Fijos • Transformación de efectos fijos

3. Es tambien conocida como transformación intra grupos (within) • El efecto no observable desaparece • Puede usarse OLS en variables transformadas • Los estimadores que se obtienen son los estimadores within o de efectos fijos • El estimador utiliza la variación temporal de x e y dentro de cada observación cross section

4. El estimador entre grupos (between) se obtiene de la regresión por OLS de la ecuación cross section utilizando las variables en promedio para cada i. • Se incluye una constante • El estimador between está sesgado cuando los ai están correlacionados con las xi

5. Si se incluyen más variables explicativas el modelo de Efectos Fijos (within) no cambia. Se estima por OLS en todas las variables transformadas • Bajo el supuesto de exogeneidad estricta de las xi el estimador FE es insesgado • Se requiere que el error uit no este correlacionado con cada una de las x en todos los períodos. • El estimador FE permite correlación entre los ai y las xi en cualquier período (igual que el de primeras diferencias) • No es posible tampoco incluir como regresores variables constantes en el tiempo

6. Regresión con Dummies • Una forma de pensar el modelo FE consiste en suponer que los ai son parámetros a estimar • Los ai son los términos constantes por individuo • Se puede estimar mediante la inclusión de una dummy por individuo • Problema: grados de libertad

7. Los estimadores son idénticos a los de FE • Pueden obtenerse los estimadores de los ai directamente

8. FE o Primeras Diferencias? • Si T=2 es indiferente • Si T es mayor a 2 los estimadores no son iguales. • Ambos son insesgados • Ambos son consistentes (con T fijo cuando N tiende a infinito) • Cuando N es grande y T pequeño la eficiencia depende de la autocorrelación de los uit

9. Si los uit no están autocorrelacionados FE es más eficiente • Las diferencias de los u no están autocorrelacionadas en el modelo en diferencias • El estimador FE es menos sensible a la violación del supuesto de estricta exogeneidad de las x • Particularmente cuando T es grande • Si se utiliza la variable dependiente rezagada los estimadores FE son sesgados • Cuando T es grande el sesgo puede ser pequeño

10. Modelo de Efectos Aleatorios • Modelo de efectos no observables

11. Podria utilizarse OLS de cross section • Se pierde información • Si se usa OLS pooled el error pasa a ser un error compuesto • vit = ai + uit • Como las ai están en el error compuesto en cada período , vit presenta autocorrelación

12. La autocorrelación positiva hace que los errores estándar de OLS pooled estén mal calculados y así tambien los estadísticos de contraste de hipótesis • Puede utilizarse MCG para resolver el problema • Condición: Debe disponerse de N grande con respecto a T

13. La transformación de variables para MCG es (Donde el supraindice m denota variable en la media)

14. El estimador de efectos aleatorios (RE) es un FGLS • Es consistente y se distribuye asintóticamente como una normal siempre que N sea lo suficientemente grande para T fijo.

15. Cuando lambda es cero el estimador RE es el estimador OLS pooled • Cuando lambda es 1 es equivalente a FE • En general nunca es cero o uno pero si está cerca de cero los estimadores RE y OLS son similares • Esto sucede cuando la heterogeneidad individual es poco importante • Es más frecuente que a sea importante. • En la medida en que aumenta la dimensión temporal lambda tiende a aumentar y se acerca a uno

16. Efectos aleatorios o fijos? • Se decide en funcion de cómo supongamos los a • Parametros a estimar o resultados de una variable aleatoria • Si las observaciones no pueden considerarse una muestra aleatoria de una poblacion: FE • Aun si los ai se consideran aleatorios debe tenerse en cuenta si estan correlacionados con las variables explicativas

17. El estimador de RE es correcto si suponemos que los ai estan incorrelacionados con todas las x • Si no es así es mejor FE ya que con RE obtenemos estimaciones inconsistentes de los parámetros

18. Test de Hausman Delta RE es un vector de parámetros estimados por RE Delta FE es un vector de parámetros estimados por FE Son vectores Mx1 Matriz de diferencias de las varianzas promedio de los estimadors MxM El test se distribuye asintoticamente como una Chi2 con M grados de libertad bajo la Ho de diferencia en coeficientes no sistemática (los coeficientes son identicos en FE y RE)

19. Si rechazamos Ho entonces tenemos problemas de especificación: no está correctamente parametrizado el modelo • O puede ser como consecuencia del supuesto de correlación cero entre las ai y las xit