Complementos de Econometria, Lic.

em Economia
Lu Filipe Martins is luis.martins@iscte.pt Dpt. de Mtodos Quantitativos e http://home.iscte.pt/lfsm ISCTE - EG Lisboa, 29/09/2006

MODELOS COM DADOS DE PAINEL

Wooldridge 13.3-13.5,14

0.1

Introduo e Motivao ca ca

Neste capitulo discutimos a modelizaao de variveis medidas por dados de painel que normalc a mente combinam dados seccionais e temporais. Um painel de uma dada varivel econmica x a o e uma amostra (conjunto de observaoes) na qual os n individuos (ou rmas, ...) so observados c a ao longo de T periodos de tempo. Por exemplo, Salit , i = 1, ..., n; t = 1, ..., T representa o mone ivel tante de salrio do trabalhador i no periodo t; enquanto que Qit o n do output da rma i a para o periodo t. Devido a sua natureza, em dados de painel natural que exista heterogeneidade para os difer` e entes individuos e tambm dependncia nas observaoes porque a varivel evolui cronolgicamente. e e c a o Neste capitulo, no estamos a estudar variveis nas quais os individuos/rmas/... no so os a a a a mesmos ao longo do tempo. Um exemplo desta situaao - dados Pooled seccionais - os census c e em que se verica uma independncia amostral para diferentes periodos de tempo (assume-se ine dependencia entre individuos). Nestes casos, a modelizaao semelhante a de dados seccionais. c e ` A anlise pode ser feita ano a ano (e depois comparar estatisticamente) ou ento agregam-se os a a dados para os diferentes periodos (a amostra combinada seccional passa a ter dimenso nT ) e a usam-se variveis Dummy para captar a informaao respeitante a cada periodo. Note-se que ao a c combinarem-se T amostras seccionais, a dimenso dispon para a amostra (muito) superior a ivel e quando comparada com uma unica amostra seccional. Ao longo do capitulo vamos assumir que o painel no unbalaced, isto , que no h falta a e e a a de observaoes para um conjunto de individuos num particular periodo de tempo; que a forma c funcional do modelo a mais simples - a linear; e que n relativamente mais elevado que e e T. Em relaao a esta ultima hiptese, considera-se que o nmero de individuos/rmas, ... n c o u e grande e que o periodo em anlise T pequeno, e no o contrrio ou serem ambos grande. Por a e a a outras palavras, qualquer resultado assimpttico derivado quando n e T > 1 xo. Eis o e e alguns exemplos de modelos lineares com dados de painel.

Example 1 Salit = 1 + 2 Expit +uit , i = 1, ..., n; t = 1, ..., T, onde Salit representa o montante de salrio do trabalhador i no periodo t e Expit o nmero de anos de experincia do trabalhador a e u e i no periodo t. Example 2 ln (Qit ) = 1 + 2 ln (Lit ) + (i + vit ) , i = 1, ..., n; t = 1, ..., T, onde Qit o n do e ivel output da rma i para o periodo t; Lit o respectivo input trabalho (numero de trabalhadores); e i uma medida da ecincia da rma i (assumido que permanece constante ao longo do tempo) e e e vit o choque tecnolgico na rma i para o periodo t. e o Sem mencionar as propriedades dos erros uit , i e vit nos dois examplos anteriores, identicamos o primeiro como um modelo de efeitos aleatrios e o segundo de efeitos xos. Como o se observa, no segundo exemplo assume-se que os erros uit podem ser decompostos em duas componentes, i e vit . A componente no observvel i o efeito xo ou efeito individual a a e (heterogeneidade individual) porque, sendo constante para todo o t, apenas est indexado ao a particular individuo i. O estudo destes dois modelos feito em seguida. e

0.2

O Modelo de Efeitos Aleatrios como uma SUR o

O modelo para os salrios, em que no se assume a existncia de heterogeneidade individual, a a e e 1, ..., T }, considere-se a seguinte especicaao, c de efeitos aleatrios. Em termos gerais, e para uma amostra {(xit1 , ..., xitk , yit ) : i = 1, ..., n; t = o yit = 1 xit1 + ... + k xitk + ui = xit + uit , i = 1, ..., n; t = 1, ..., T que se reduz a yit = 1 + 2 xit2 + ... + k xitk + uit = xit + uit , i = 1, ..., n; t = 1, ..., T quando se inclui um termo independente xit1 = 1, i, t.
0 0 0

(1)

(2)

Este modelo pode ser visto como um caso especial de um sistema de equaoes simultneas c a yim = xim m + uim , i = 1, ..., n; m = 1, ..., M (3)

e em que existem M equaoes lineares para n observaoes e m um vector km dimensional em c c e u c a que km o nmeros de regressores da equaao m (no tem portanto de ser igual para todo m). Este modelo no alvo de estudo mas podem-se enumerar os mtodos GMM, 3SLS, FIML e a e e FIVE (entre outros) para estimar m . O modelo SUR (seemingly unrelated regressions) o (3) e mas impondo a hiptese de que os erros uim so exgenos para todo o m (os regressores so pro a o a e determinados em cada equaao e tambm nas outras equaoes), E (xim uih ) = 0, m, h = 1, ..., M. c e c Nestas condioes pode-se estimar m equaao a equaao por OLS (ou o GLS=SUR que mais c c c e 0 2 I .)1 eciente quando existe heterocedasticidade e/ou autocorrelaao dos erros, E u1 u1 6= M c
1

Pode-se demonstrar que o OLS e o GLS coincidem quando os regressores so os mesmos para todas as a

equaes, como o caso dos modelos com dados de painel. Veja-se, para isso, a expresso do estimador no modelo co e a com efeitos aleatrios a derivar em seguida. o

Em relaao ao modelo (1) , assume-se para o SUR que as variveis dependente yim e os c a regressores xim so os mesmos para todas as M equaoes - MRLM. Consequentemente, km = k a c para todo m e, por outro lado, imposta a restriao de coecientes comuns para todas as e c equaoes, m = . c Tal como para o MRLM, podemos especicar o modelo de efeitos aleatrios (1) em termos o de matrizes. Como estamos a considerar o caso de n grande e T xo, (1) equivalente a e Yi = Xi + Ui = 1 T + 2 xi2 + ... + k xik + Ui , i = 1, ..., n, onde UiT 1 = (ui1 , ..., uiT ) ; k1 = ( 1 , 2 , ..., k ) ; TT 1 = (1, ..., 1) 0 yi1 xi1 1 xi12 ... xi1k YiT 1 = ... ; XiT k = ... = ... ... ... yiT xiT
0 0 0 0

(4)

(5)

xiT 2 ... xiT k

0

xitk1 = (1, xit2 , ..., xitk ) , xijT 1 = (xi1j , xi2j , ..., xiT j ) , i = 1, ..., n; j = 2, ..., k.

= (, xi2 , ..., xik ) ;

Note que (4) pode ser interpretado como um MRLM de dados seccionais i = 1, ..., n. A diferena c que devido a componente temporal, t = 1, ..., T, a varivel dependente Yi (e os erros Ui ) e ` a e um vector e Xi uma matriz para todo i. Desta forma, as hipteses bsicas do modelo (4) e os e o a estimadores so uma extenso natural das do MRLM. a a P1 Para cada i = 1, ..., n xo, o processo estocstico (xi1 , ..., xiT , yi1 , ..., yiT ) conjuntamente a e estacionrio que possui memria que se dissipa (conjuntamente fracamente dependente a o (weakly dependent)). Por outro lado, a amostra i.i.d. ao longo dos individuos/rmas/... e i : {(xit1 , ..., xitk , yit ) : i = 1, ..., n; t = 1, ..., T xo} ou {(x1t , ..., xnt , y1t , ..., ynt ) : t = 1, ..., T xo}. Note que se considerarmos heterocedasticidade, {(xit1 , ..., xitk , yit ) : i = 1, ..., n; t = 1, ..., T xo} apenas independente pois {yit : i = 1, ..., n; t = 1, ..., T xo} deixa de ser e

identicamente distribuido.

P2 (ortogonalidade) Para cada t = 1, ..., T, os k regressores so ortogonais (no correlacionaa a dos) aos erros: E(xit uit ) = 0k1 , t = 1, ..., T E(Xi Ui ) =
0 0

T X t=1

E(xit uit ) = 0k1 .

(6)

Existem, portanto, T k condioes de ortogonalidade. Sob a condiao de i.d., temos que c c E(X1 U1 ) = 0k1 . P3 (identicaao de ) Para cada i = 1, ..., n (ou xando i = 1 para dados i.d.), a caracteristica c 0 0 E xi1 xi1 xi1 xi1 . da matriz ... k. Para x estocstico, a matriz e a e ... 0 0 xiT xiT E xiT xiT
T kk

P4 (homocedasticidade condicional e existncia de autocorrelaao nos erros): Para cada indie c viduo i = 1, ..., n, E(uit uis |xit , xis ) = E(uit uis |xit2 , ..., xitk , xis2 , ..., xisk ) = ts , t, s = 1, ..., T, (7)

que no depende de i nem dos regressores x. Consequentemente, pode-se escrever esta a mocedasticidade para cada equaao), E(u2 |x1t ) = 2 , t = 1, ..., T. A forma matricial de c t 1t
0

condiao como E(u1t u1s |x1t , x1s ) = ts , t, s = 1, ..., T. Por outro lado, quando t = s (hoc

(7) , E(U1 U1 |X1 ), e E(u2 |x11 ) 11 T T = ...

... E(u11 u1T |x11 , x1T ) ... E(u2 |x1T ) 1T

E(u1T u11 |x1T , x11 ) ...

uma matriz que comum para todo o individuo i = 1, ..., n e da implicar homocedase i ticidade. Note que esta condiao ainda mais dicil de se vericar do que a corresponc e dente condiao de homocedasticidade no MRLM com dados seccionais. A justicaao c c e que em (7) estamos a condicionar em todo o passado e futuro dos regressores! Como o modelo de interesse de dados de painel, natural considerar dependncia entre erros: e e e Cov(uit , uis |xit , xis ) = ts 6= 0, t 6= s.

= ... T 1 ...

2 1

... 1T

... , 2 T

(8)

Finda a discusso das hipteses do modelo2 , apresentamos o estimador FGLS (estimador a o SUR) para que tambm denominado por estimador de efeitos aleatrios: e e o n n !1 !1 n n X 0 X 0 1 X 0 b 1 1 X 0 b 1 b b b Xi Xi Xi Yi = Xi 1 Xi Xi 1 Yi , EA = n n
i=1 i=1 i=1 i=1

(9)

com dados de painel, apesar de serem ambos consistentes (sob P 1 P 3), o estimador FGLS b b e o EA assimptticamente mais eciente do que o OLS OLS : h 0 i1 b = E X1 1 X1 (12) AV EA h 0 i1 0 h 0 i1 0 b = E X1 X1 E X1 U1 U1 X1 E X1 X1 (13) AV OLS h 0 i1 h 0 i1 0 = E X1 X1 E X1 X1 E X1 X1 (14)
2

Pooled seccionais pois, neste caso, T T = E(U1 U1 |X1 ) = 2 IT . No modelo de efeitos aleatrios o

b e E interessante vericar que o OLS OLS muito simplesmente o estimador do modelo com dados
0

b b a em que Ui = Yi Xi OLS so os (vector) residuos OLS no qual n !1 n X 0 X 0 b Xi Xi Xi Yi . OLS =

i=1 i=1

e em que Xi uma matriz e Yi um vector e onde n 1 X b b0 b Ui Ui , = n

i=1

(10)

(11)

No consideramos a normalidade dos erros pois assumimos que n elevado para um xo T. a e

No entanto, importante salientar o facto de que a temtica da eciencia com dados de painel e a no to decisiva como a de dados seccionais pois em dados de painel o nmero de observaoes a e a u c T vezes maior para o mesmo nmero de individuos n. Finalmente, pode ser demonstrado que, e u sob P 1 P 4, d b b n EA N 0, AV EA , d b AV EA = 1 X 0 b 1 Xi Xi n
i=1 n

(15)

bEA pode ser consistentemente estimado por onde AV

!1

(16)

Apesar da sua simplicidade em termos de dados de painel, o modelo de efeitos aleatrios o tem algumas limitaoes. Em primeiro lugar, o nmero de parmetros a estimar na matriz c u a pode ser elevado para T grande. Sob a hiptese P 4, esta matriz tem o
T 2 T 2

+T =

T (T +1) 2

coecientes diferentes! Ainda em relaao ` condiao P 4 em conjunto com P 2, estas so muito c a c a dificeis de se vericar na prtica. Estamos a assumir que os regressores, que so variveis a a a observveis, no dependem contemporneamente dos no-observveis erros e nem do passado a a a a a e futuro! Por outro lado, o modelo (1) no considera a existncia de um efeito individual a e (heterogeneidade individual) no-observvel para todos os periodos i . No modelo ln (Qit ) , mas a a de efeitos aleatrios, ln (Qit ) = 1 + 2 ln (Lit ) + uit , se no se considerar a ecincia da rma o a e i, i , este um modelo cuja estimaao estar esviesada ao se omitir a informaao relevante i . e c a c Uma especicaao alternativa a (1) dada pelo modelo de efeitos xos que ser alvo de c e a a estudo na prxima secao. No modelo de efeitos xos, assume-se que os erros uit = i + vit so o c explicados por duas componentes no observveis: i , um efeito individual que constante ao a a e para cada individuo i e periodo t. Formalmente, e para a longo do tempo; e vit uma varivel ruido uma amostra {(xit1 , ..., xitk , yit ) : i = 1, ..., n; t = 1, ..., T }, yit gerado por e yit = 1 xit1 + ... + k xitk + i + vit = xit + i + vit , i = 1, ..., n; t = 1, ..., T que se reduz a yit = 1 + 2 xit2 + ... + k xitk + i + vit = xit + i + vit , i = 1, ..., n; t = 1, ..., T quando se inclui um termo independente. Em termos matriciais, Yi = Xi + T i + Vi , i = 1, ..., n,
0 0 0

(17)

(18)

(19)

onde Yi , Xi , , i e T foram denidos anteriormente e ViT 1 = (vi1 , ..., viT ) . Em seguida, apresentam-se as hipteses para i e vit e, consequentemente, para uit = i + vit , as quais o determinam o mtodo de estimaao do modelo de efeitos xos. e c

 Condition 1 (EF) O processo vit i.i.d. 0, 2 para todo i = 1, ..., n e t = 1, ..., T ; o efeito e v individual i (constante ao longo do tempo, i = it = is , t, s) i.i.d. 0, 2 para todo i = e
2 2 1, ..., n; e vit e i no esto autocorrelacionados para todo i. Deste modo, E(vit ) = E(v11 ) = 2 a a v

e E(2 ) = E(2 ) = 2 . Note-se que i , sendo constante em t, tem correlaao igual a 1 para c 1 i diferentes periodos. a Com estas condioes em relaao a vit e i conseguimos resolver a questo de existir um c c signicativo nmero de coecientes na matriz variancias-covarincias para U1 , E(U1 U1 |X1 ). Sob u a a condiao 1, a estimaao de reduz-se ` estimaao de dois parmetros, 2 e 2 : c c a c a v P4F A homocedasticidade condicional (comum para todo individuo i = 1, ..., n) dada por e 2 ... 1T 2 + 2 ... 2 v 1 ... = = 2 T 0T + 2 IT , (20) T T = ... ... ... ... v T 1 ... 2 T 2 ... 2 + 2 v ( isto , e E(uit uis |xit , xis ) = E(u1t u1s |x1t , x1s ) = 2 + 2 , t = s v 2 , t 6= s t, s = 1, ..., T. (21)
0

Como era de esperar, os erros uit para um individuo i esto autocorrelacionados no tempo a 2 devido ao efeito individual i , que constante no tempo. De salientar que esta e parmetros em T T . a Note-se que na condiao 1 nada foi dito em relaao ` exogeneidade/endogeneidade (ortogc c a

hiptese ainda mais restrictiva do que P 4! O objectivo foi simplicar a dimenso dos o e a

a onalidade) entre erros uit (via i ) e regressores xit . Num primeiro cenrio, admitamos como vlida a hiptese P 2, a o E(Xi Ui ) = E(X1 U1 ) = E(X1 T 1 ) + E(X1 V1 ) = E(X1 T 1 ) = 0
0 0 0 0 0

(22)

em que erros (via i ) e regressores so ortogonais contemporneamente e no contemporneamente. a a a a Ento, o mtodo de estimaao e a distribuiao assimpttica do estimador coincide com o a e c c o FGLS=EA mas onde
0 b b = 2 T T + 2 IT , bv

(23)

em que, com os res iduos OLS uit , b 2 bv

2 = b

Porque as condioes impostas so muito diceis de se vericar na prtica, este mtodo de esc a a e e e timaao de evitar. Nomeadamente, estamos a assumir que o efeito individual i que idntico c e para todos os periodos no est correlacionado com os regressores nem contemporneamente! a a a 6

T n T XX X 2 uit uis b b nT (T 1) i=1 t=1 s=t+1 ! n T 1 XX 2 = uit 2 . b b nT t=1 i=1

(24)

(25)

0.3

Modelo de Efeitos Fixos

Num cenrio mais realista vamos admitir que o efeito individual i (e no vit ) est correlacionado a a a a com os regressores xit (no existe exogeneidade estrita entre uit e xit ). No exemplo em estudo, assume-se que a ecincia da rma i, i , est correlacionada com o nmero de trabalhadores, e a u Lit , independentemente do periodo em causa3 . Como se sabe, o OLS enviesado e inconsistente e sob a hiptese de endogeneidade, o E(Xi Ui ) = E(X1 U1 ) = E(X1 T 1 ) 6= 0.
0 0 0

(26)

Uma forma de estimar o modelo (17) em que i no observado e existe endogeneidade atravs a e e e de primeiras-diferenas, um procedimento que, obviamente, no pode ser aplicado para modelos c a em que os regressores no dependem do tempo, xit = xi , t = 1, ..., T. Transformando o modelo a (17) em primeiras-diferenas, elimina-se a causa da endogeneidade (i ) em que se assume c exogeneidade entre vit e xit , E(X1 V1 ) = 0, e obtem-se yit yi,t1 = (xit xi,t1 ) + (vit vi,t1 ) , i = 1, ..., n; t = 2, ..., T.
0 0

(27)

No modelo `s primeiras-diferenas, se o erro vit vi,t1 no est correlacionado com os regresa c a a

equivalente a

sores xit xi,t1 para todo i e t, pode-se utilizar o OLS (11) para mas aplicado ao modelo b transformado (27) . Identique-se esse estimador como P D . Neste caso, xit substituido por e 1 1 .. . 0 y i1 ... = AT 1T Yi 0 T 1 = YiT 11 , i = 1, ..., n yi,T 1 1 0 .. . 0

xit xi,t1 e yit por yit yi,t1 . Note-se que, por exemplo, yit yi,t1 , i = 1, ..., n; t = 2, ..., T e

xi1 , ..., xi,t1 pode ser utilizado como instrumentos pois esto correlacionados com xit xi,t1 e a so ortogonais a vit vi,t1 : E (xis (vit vi,t1 )) = 0, 1 s t 1. a Em muitas aplicaoes, o investigador tem dois anos de observaoes (T = 2) , normalmente c c

variveis instrumentais. Desde que E (xit vis ) = 0, 1 t s T, o passado dos regressores a

a e Quando vit vi,t1 esto correlacionados com os regressores xit xi,t1 utiliza-se o mtodo das

0 0

(28)

consecutivos, para n individuos. Ento, o modelo as primeiras-diferenas (27) muito simplesa ` c e mente um MRLM de tipo seccional e no qual se pode utilizar o OLS (dadas as hipteses de o vit ) : 4yi = 1 4xi1 + ... + k 4xik + 4vi = 4xi + 4vi , i = 1, ..., n, em que 4yi = yiT yi,T 1 ; 4xij = xiT j xi,T 1,j e 4vi = viT vi,T 1 .
3 0

(29)

Mais evidente seria se o regressor fosse constante no tempo tal como o efeito individual.

Quando exite endogeneidade, podemos utilizar mtodos alternativos ao de primeiras-diferenas. e c Entre outros inconvenientes, salienta-se que primeiras-diferenas implica a eliminaao dos regresc c sores que no dependem de t e, por outro lado, a perda de ecincia/informaao ao reduzir-se a a e c dimenso da amostra em n observaoes (um ano de observaoes). O mtodo de variveis instrua c c e a mentais (GMM) de Hausman-Taylor uma metodologia alternativa. Se os regressores que no e a dependem de t no estiverem correlacionados com i podemos usar um mtodo semelhante ao de a e FGLS=EA. Nenhum destes dois mtodos alternativos ser alvo de estudo nestes apontamentos. e a a a Podemos estar perante um modelo no qual os efeitos individuais i so observveis. Por exemplo, no modelo ln (Qit ) , a ecincia da rma i, i , pode ser quanticada por uma medida e de produtividade. Como obvio, se i mensurvel, ento estima-se por FGLS=EA o modelo e e a a ln (Qit ) i e onde os erros so vit ! O objecto de interesse nesta secao tratar os 0 s como a c e i do modelo apenas vit que no tem necessariamnte de ter , (8) , como matriz de varinciase a a covarincias. Mais importante, podermos assumir que i correlacionado com xit pois ambos a e e so tidos como regressores. Nestas condioes, e ao contrrio do modelo anterior, no estamos a a c a a tratar de um modelo com endogeneidade. a a c a e c Se os 0 s no so objecto de estimaao, ento o mtodo de primeiras-diferenas pode ser i aplicado para estimar . Existem, no entanto, formas alternativas de estimar o modelo de efeitos xos. Em primeiro lugar, vamos considerar a transformaao do modelo (17) em diferenas em c c relaao ` mdia temporal (modelo demeaned). O modelo (17) equivalente a c a e e yit y i = (xit xi ) + (i i ) + (vit vi ) = (xit xi ) + (vit v i ) , i = 1, ..., n; t = 1, ..., T, (30) onde y i =
1 T
0 0

coecientes desconhecidos e que podem ou no ser alvo de estimaao. De qualquer forma, o erro a c

a a que no h endogeneidade no modelo (30) : vit vi e xit xi no esto autocorrelacionados. a a

EF i

a c e modelo demeaned se consegue retirar o efeito individual i da regresso. Sob a condiao 1, vit 2 , ou seja, E V V 0 |X 2 I . Suponha-se (por absurdo, muito provavelmente) i.i.d. 0, v = v T 1 1 1
T T

PT

t=1 yit

e xi , vi so denidos de uma forma anloga. Como se v, tambm com o a a e e

Ento, o OLS (11) para aplicado ao modelo transformado (30) o mais eciente4 e identiquea e b se esse estimador como . Neste caso, xit substituido por xit xi e yit por yit y , i = e 1, ..., n; t = 1, ..., T que pode ser escrito como yi1 yi1 ... 1 T 0T ... = IT 1 T 0T IT YiT 1 = Yi , i = 1, ..., n. T 1 T T T T yi,T yi,T (31)

O problema que a hiptese de exogeneidade muito dicilmente se verica na prtica. A exe o a

plicaao a seguinte: Mesmo que vit e xit no estejam autocorrelacionados contemporneamente c e a a (pode no acontecer, no entanto), vit v i e xit xi podem-no estar pois v i e xi dependem das a
4

0 Ou o GLS caso se admita que E V1 V1 |X1

T T

= 6= 2 IT . v

observaoes i para todos os periodos - passado, presente e futuro. Por exemplo, xit pode dec pender do passado dos erros vi,t1 , vi,t2 , ..., vi,1 ! A soluao em termo de estimaao passa pelo c c uso de IV (GMM). A diculdade encontrar instrumentos que so ortogonais a vit para todos e a os periodos t! Por tudo isto, talvez seja mais prefer ivel na prtica o recurso ao estimador de a equivalente a (30) . Quando T > 2, estes dois mtodos j no coincidem. O mtodo de efeitos e a a e xos pode ser aplicado a paineis unbalaced. E interessante notar que o mtodo de diferenas em relaao ` mdia temporal (modelo e c c a e demeaned (30)) idntico a um mtodo em que o modelo tem um termo independente para e e e cada observaao/individuo i que resulta da existncia de efeitos individuais i . De (17) , em que c e i pode estar correlacionado com xit , yit = xit + di i + vit , i = 1, ..., n; t = 1, ..., T,
0 0 0

b b b primeiras-diferenas P D em vez de EF . Note-se que quando T = 2, P D = EF pois (27) c b e

(32)

onde n1 = (1 , ..., n ) e din1 uma coluna de zeros excepto o isimo que um. Em termos e e e matriciais, Yi = Xi + T di i + Vi , i = 1, ..., n.
0

(33)

a a c Dada a hiptese 1 onde vit e i no esto autocorrelacionados para todo i e sob a condiao de o exogeneidade estrita onde E(Xi Vi ) = E(X1 V1 ) = 0 E(x1t v1s ), t, s = 1, ..., T, presso do estimador a e b EF = n X
i=1
0 0 0

(34)

e o o OLS (11) para 5 consistente e assimptticamente normal. Pode-se demostrar6 que a ex!1

Xi M Xi

n X i=1

Xi M Yi ,

(35)

onde

e para o qual

0 1 0 0 1 T = IT T T , M = IT T T T T

(36)

que pode ser consistentemente estimado por n !1 n ! n !1 d 1X 0 1X 0 b 1X 0 b Xi M Xi Xi M M Xi Xi M Xi , AV EF = n n n

i=1 i=1 i=1
5 6

h 0 i1 0 h 0 i1 0 b E X1 M V1 V1 M X1 E X1 M X1 AV EF = E X1 M X1

(37)

(38)

0 Ou o GLS caso se admita que E V1 V1 |X1

Estimao a dois passos ( e ) e com recurso a matrizes de projeco. ca ca

T T

= 6= 2 IT . v

onde 0 1 X b b b M Yi M Xi EF M Yi M Xi EF . = n i=1 0 b bv Se = 2 IT quando se assume que E V1 V1 |X1 = 2 IT , ento a v

n

(39)

Caso exita interesse na estimaao consistente dos 0 s esta pode ser feita num segundo passo c i b u aps a obtenao de EF desde que dispomos de um suciente nmero de graus de liberdade. o c Note-se que a dimenso de aumenta com n e que apenas T observaoes so utilizadas para a c a b estimar cada i . Com o recurso ao modelo com mdias pode-se estimar i aps obter-se e o :
EF

d b bv AV EF = 2

1X 0 Xi M Xi n
i=1

!1

(40)

b i = y i xi EF , i = 1, ..., n.
0 0

Para nalizar esta secao discutimos um pormenor na modelizaao de efeitos xos. Se os c c

a a efeitos individuais (podem ser vistos como regressores) i e os regressores xit no esto auto-

correlacionados, ento pode-se estimar consistentemente pela partiao da matriz de regressores a c em que a componente di i far parte do erro (compsito e autocorrelacionado, neste caso). Mas a o ento, estamos perante o modelo de efeitos xos no observveis da secao anterior e para o a a a c b = 2 T 0 + 2 IT . Como se sabe, o (F)GLS qual foi proposto o estimador FGLS=EA onde b b
T v

o OLS de um modelo transformado no qual os (novos) erros no esto autocorrelacionados e a a (alm da homocedasticidade condicional). Neste modelo de efeitos xos, o modelo transformado e quase-demeaned: e yit y i = (xit xi ) + (vit vi ) , i = 1, ..., n; t = 2, ..., T. s 2 v = 1 2 + T 2 v
0

(41) (42)

Se = 0, temos o mtodo OLS; se = 1, o de EF. Portanto, quanto maior a variabilidade dos e e efeitos individuais, 2 , mais prximo de EF o estimador. Quanto menor a variabilidade dos o e e efeitos individuais, 2 , mais prximo do OLS est o estimador. o a

0.4

Efeitos Aleatrios versus Efeitos Fixos o

O teste de Hausman (apresentado no capitulo de endogeneidade no MRLM) pode ser aplicado, neste contexto de dados de painel, para distinguir efeitos aleatrios de efeitos xos. O modelo o geral e yit = 1 xit1 + ... + k xitk + i + vit = xit + i + vit , i = 1, ..., n; t = 1, ..., T
0

(43)

a a a e a questo a de saber se na prtica os efeitos individuais i no esto ou esto autocorrelaa e a a c cionados com os regressores xit . Se no primeiro caso (ver a discusso no nal na ultima secao) os efeitos so aleatrios; no segundo caso estes so xos. a o a 10

b b outro lado, sob H0 , EA (assimptticamente) mais eciente do que EF . Portanto, a estat e o istica de Hausman dada por e 0 d b bEF EA b H=n AV EF AV d 1 b d b b EA EF EA 2 , k
H0

A hiptese nula de interesse de efeitos aleatrios, isto , de exogeneidade entre i e xit . O o e o e b que consistente sob ambas as hipteses H0 e H1 o de efeitos xos , (35) . O b estimador C e o e EF b b estimador que apenas consistente sob a nula H0 o de efeitos aleatrios , (9) , (23) . Por e e o
E EA

(44)

d d b b e onde AV EF dada por (38) , (39) e AV EA por (16) , (23) . Se o valor observado da a modelo no existem processos correlacionados com os regressores. Se Hobs se situa na regio a b critica, prefere-se o estimador EF pois admite-se como vlida a hiptese de endogeneidade. a o estatistica H, Hobs , inferior ao valor critico (na distribuiao 2 e para um dado nivel de sige c k b b a EF e assume-se que nos erros (no observveis) do nicncia - 5%) ento EA preferivel a a e a a

Aplicaoes c
(...)

Exerc icios
1. Prove (21) . b b 2. Verique que quando T = 2 (27) equivalente a (30) , e por isso, P D = EF . e 3. ...

11