J.

Muro(8/12/2003) 1
Modelos dinmicos de datos de
panel.
Siga
J.Muro(8/12/2003) 2
Modelos dinmicos de datos de
panel (lineales).
Relajacin del supuesto de exogeneidad
estricta de los regresores.
Planteamiento general.
Consecuencias para los estimadores
conocidos hasta ahora (paneles clsicos).
Identificacin.
Procedimientos de estimacin.
Otros temas relevantes.
Siga
J.Muro(8/12/2003) 3
Relajacin del supuesto de
exogeneidad estricta.
Modelos clsicos de datos de panel: exogeneidad
estricta de los regresores.
Modelos dinmicos de datos de panel: se relaja
el supuesto de exogeneidad estricta.
T. 1,2,.., = t N; 1,2,.., = i , + X =
Y
it
i
it
it

+ ++ +
Atrs
J.Muro(8/12/2003) 4
Supuesto de exogeneidad estricta.
E( X
it

is
|
i
)= E(
is
|X
it
,
i
)=0, ! t,s.
Slo se cumple la restriccin incondicional en el
caso de modelos de efectos aleatorios.
No hay retroalimentacin.
Proporciona condiciones de identificacin del
vector de parmetros ".
Fuentes de persistencia: heterogeneidad
inobservada.
T. 1,2,.., = t N; 1,2,.., = i , + X =
Y
it
i
it
it

+ ++ +
Atrs
J.Muro(8/12/2003) 5
. ) , | (
i
it i it
it
X = X Y E + ++ +
Una vez c ont r ol ado el ef ec t o de l os r egr esor es y de l os
ef ec t os i ndi vi dual es, el val or esper ado de l a var i abl e de
i nt er s sl o depende de l os val or es c ont empor neos de
l os r egr esor es y het er ogenei dad i nobser vada.
Ej . sal ar i os en f unc i n de l a edad.
La edad pasada no i nf l uye sobr e l os sal ar i os ac t ual es y
st os l t i mos no i nf l uyen sobr e l a edad f ut ur a. Est o
mi smo oc ur r e c on shoc k s asoc i ados c on l a edad. Si el
sal ar i o mni mo depende de l a edad, y st a es
est r i c t ament e ex gena, l os sal ar i os pr esent es no af ec t an
al val or f ut ur o del shoc k .
Atrs
J.Muro(8/12/2003) 6
Restricciones de momentos
secuenciales.
Al margen de la correlacin entre X y .
El trmino de error genrico est incorrrelacionado con
los valores contemporneos y retardados de los
regresores (pero correlacionado con los futuros).
Los regresores son secuencialmente exgenos,
condicionados a los efectos individuales.
T. 1,2,.., = t N; 1,2,.., = i , + X =
Y
it
i
it
it

+ ++ +
T. 1,2,.., = t , = X X X E
i
i it it it
0 ) , ,.... , | (
1 1



J.Muro(8/12/2003) 7
Regresores secuencialmente
exgenos.
Una vez que se controla por los efectos de los
regresores y de la heterogeneidad individual
inobservada, los valores pasados de los
regresores no afectan al valor esperado
contemporneo de Y.
Permite que haya retroalimentacin.

i
it
i
i it it
it
X = X X X Y E + ++ +

) , ,..., , | (
1 1
Atrs
J.Muro(8/12/2003) 8
Planteamiento general.
Modelos a considerar.
Algunos ejemplos introductorios e
ilustrativos.
Atrs
J.Muro(8/12/2003) 9
Ejemplos.
Modelos de consumo u oferta de trabajo a
lo largo del ciclo vital con hbitos. El valor
de # indica la magnitud de los hbitos.
Consumo de tabaco, Becker, Grossman y Murphy
(1994).
Planes de inversin y consumo.
Keane y Runkle (1992); Bond y Meghir (1994).
Dinmica de rentas.
Atrs
J.Muro(8/12/2003) 10
Modelos que usaremos.
Modelo autorregresivo.
Modelo autorregresivo con regresores
exgenos o predeterminados.
Modelo de Hausman y Taylor (1981).
Atrs
J.Muro(8/12/2003) 11
Modelo autorregresivo.
Simple en su especificacin.
Presenta las caractersticas fundamentales de
modelos dinmicos.
E (Y
it-1

is
|
i
)=0, s$t; E (
it
|Y
it-1
, Y
it-2
,.,Y
i0
,
i
)=0.
E (Y
it
|Y
it-1
,
i
)= #Y
it-1
+
i
.
Fuentes de persistencia: het. inobservada y #.
Atrs
T. 1,2,.., = t N; 1,2,.., = i , + Y =
Y
it
i
it
it

+ ++ +
1
J.Muro(8/12/2003) 12
Modelo autorregresivo con
regresores exgenos o
predeterminados.
Supuesto: x es un regresor estrictamente
exgeno.
Se cumple:
Ejemplos: expectativas racionales; Sida.
T. 1,2,.., = t N; 1,2,.., = i , + x Y =
Y
it
i
it it
it

+ ++ + + ++ +
1
Atrs
T. 1,2,.., = t , = Y Y x E
i
i it i
it
0 ) , ,.... , | (
0 1



J.Muro(8/12/2003) 13
Modelo de Hausman y Taylor
(1981).
Regresores variantes e invariantes a lo largo del
tiempo (que varan con los individuos).
Regresores endgenos o estrictamente exgenos.
Atrs
T. ., 1,2,...... = t
N; , 1,2,...... = i
, + Z X =
Y
it
i
i it
it

+ ++ + + ++ +
J.Muro(8/12/2003) 14
Consecuencias para los estimadores
de paneles clsicos.
Inconsistencia de los estimadores
habitualmente empleados en paneles
clsicos.
estimador por MCO del modelo completo de panel.
estimador intra (within).
estimador por MCG del modelo de panel.
estimador en diferencias.
Siga
J.Muro(8/12/2003) 15
MCO del panel completo.
Sesgados e inconsistentes por la correlacin
entre regresores y trmino de error: efectos
individuales y error genrico.
No ocurre lo mismo con datos de serie
temporal (si el trmino de error no presenta
autocorrelacin).
Atrs
J.Muro(8/12/2003) 16
Estimador intra (efectos fijos).
Sesgado y, en general, inconsistente.
El tamao del sesgo asinttico, Nickell
(1981), es una funcin de 1/T, por lo que
para T fijo, y pequeo, el sesgo no
desaparece cualquiera que sea el tamao de
la muestra transversal.
En efecto,
Nickell(1981) facilita el tamao del sesgo.
Atrs
J.Muro(8/12/2003) 17
. ) (
1 1 i it i it i it
Y Y Y Y + ++ + = == =

. ;
1
2
1
1
T T
Y
Y
t
it
i
T
it
i

= == =

= == =




donde
Atrs
J.Muro(8/12/2003) 18
Atrs
-0.17 -0.11 -0.07 15
-0.26 -0.16 -0.11 10
-0.26 -0.54 -0.35 3
-0.73 -0.75 -0.52 2
T
0.95 0.50 0.05

J.Muro(8/12/2003) 19
Estimador en diferencias.
Anderson y Hsiao (1981) sugieren:
El estimador por MCO del modelo en
diferencias es sesgado e inconsistente. Su
sesgo no desaparece al crecer T.
Atrs
.
;
1
it
1 - it it
it it
2 - t i, 1 - t i, 1 - t i, it
+ y = y
) - ( + ) y - y ( = y - y

J.Muro(8/12/2003) 20
Identificacin.
Lo que se presenta:
Identificacin de parmetros estructurales en
modelos con variables estrictamente exgenas o
predeterminadas, pero correlacionadas con los
efectos individuales.
Lo que no se presenta:
Propiedades de series temporales de modelos con
componentes del error (esquemas autorregresivos).
Restricciones de estacionariedad.
Identificacin en modelos con mltiples efectos
individuales o efectos individuales multiplicativos.
Atrs
J.Muro(8/12/2003) 21
Identificacin de parmetros
estructurales.
Elementos a tener en cuenta:
Variables estrictamente exgenas; predeterminadas y
heterogeneidad individual inobservada.
1. Regresin esttica y exogeneidad estricta.
2. Modelo de ajuste parcial y exogeneidad estricta.
3. Modelo de ajuste parcial y variable
predeterminada.
4. Efectos individuales incorrelacionados.
Atrs
J.Muro(8/12/2003) 22
Identificacin en el caso de regresin
esttica y variable estrictamente
exgena.
Donde, (Y
T
,..Y
1
,x
T
.,x
1
,
i
) es un vector iid con
momentos finitos hasta el segundo orden.
Exogeneidad estricta:
En niveles, E(
it
|x
i
T
)=0; t =1,2..T.
En diferencias, E(
it
-
i(t-1)
|X
i
T
)=0; t=2.T.
Para T$2 el parmetro " est identificado.
Atrs
T. 1,2,.., = t N; 1,2,.., = i , + x =
Y
it t
i
it
it

+ ++ + + ++ +
J.Muro(8/12/2003) 23
)'. ......, , , (
3 2 1 it i i i
t
i
x x x x =
x
Por lo que,
)'. ......, , , (
3 2 1 iT i i i
T
i
x x x x =
x
Atrs
J.Muro(8/12/2003) 24
Identificacin para modelo de ajuste
parcial y variable estrictamente exgena.
Exogeneidad estricta:
En niveles, E(
it
|x
i
T
)=0; t=2,..T.
En diferencias, E(
it
-
i(t-1)
|x
i
T
)=0; t=3,.T.
Puede haber correlacin serial de , por lo que Y
i(t-1)
es una
variable endgena.
Tomar primeras diferencias elimina la correlacin del
regresando retardado con la heterogeneidad individual,
pero no la posible con el trmino genrico.
Para T$3 los parmetros #, "
0
, "
1
estn identificados.
Ejemplo: Becker-Grossman-Murphy (1994).
Atrs
T. 1,2,.., = t N; 1,2,.., = i , + x x Y =
Y
it
i
t it it it
it

+ ++ + + ++ + + ++ + + ++ +
1 1 0 1
J.Muro(8/12/2003) 25
Consumo de t abac o en USA, c on dat os de panel de est ados.
T. 1,2,.., = t N; 1,2,.., = i , + p C C =
C
it
i
t it it it it


1 1 1 + ++ + + ++ +
+ ++ + + ++ + + ++ + + ++ +
C: c onsumo per c pi t a; p: pr ec i os; : ut i l i dad mar gi nal del
di ner o, var i ant e ent r e est ados; : shoc k s agr egados
(c or r el ac i onados c on pr ec i os); : er r or es, despl azami ent os
no obser vados de l a ut i l i dad a l o l ar go del c i c l o vi t al .
Los pr ec i os se c onsi der an est r i c t ament e ex genos, dados
el c onsumo en el per i odo ant er i or y post er i or .
Atrs
J.Muro(8/12/2003) 26
( (( ( ) )) ) . 0
1
3 2 1 3 0 2 3
3
2
1
= == =
1 11 1
1 11 1
1 11 1
1 11 1
1 11 1

1 11 1








1 11 1
1 11 1
1 11 1
1 11 1
1 11 1

} }} }
' '' '
' '' '
' '' '
' '' '
' '' '
\ \\ \
| || |

i i i i
i
i
i
x x Y Y
x
x
x
E
Atrs
Par a T =3, l as r est r i c c i ones son:
[ [[ [ ] ]] ] . 0
2 1 1 2 0 1 2
= == =
i i i i
x x Y Y E
Lo que pr oduc e una i dent i f i c ac i n ex ac t a.
J.Muro(8/12/2003) 27
Identificacin: modelo de ajuste
parcial y variable predeterminada.
Exogeneidad secuencial:
En niveles, E(
it
|x
i
t
,y
i
t-1
)=0; t=2,..T.
Los errores contemporneos estn incorrelacionados con
valores retardados de la variable Y y con los valores
contemporneos y retardados de x. Esto no elimina la
retroalimentacin que se puede dar entre los valores
retardados de Y y los contemporneos y futuros de x.
A diferencia con el modelo con variable exgena, la
presencia de una variable predeterminada exige para la
identificacin que los errores en primeras diferencias
presenten autocorrelacin de orden 1 y no presenten
autocorrelacin de ningn otro orden.
Siga
T. 1,2,.., = t N; 1,2,.., = i , + x x Y =
Y
it
i
t it it it
it

+ ++ + + ++ + + ++ + + ++ +
1 1 0 1
J.Muro(8/12/2003) 28
Identificacin: modelo de ajuste
parcial y variable predeterminada.
En este caso, el supuesto anterior puede ser
contrastado.
Ej: ecuaciones de Euler para consumidores y
empresas; oferta de trabajo femenina y
maternidad.
La exogeneidad secuencial implica que en el
modelo en primeras diferencias se cumple:
E(
it
-
i(t-1)
|x
i
t-1
,Y
i
t-2
)=0; t=3,.T.
Para T$3 los parmetros #, "
0
, "
1
estn
identificados
J.Muro(8/12/2003) 29
( (( ( ) )) ) . 0
1
3 2 1 3 0 2 3
2
1
1
= == =
1 11 1
1 11 1
1 11 1
1 11 1
1 11 1

1 11 1








1 11 1
1 11 1
1 11 1
1 11 1
1 11 1

} }} }
' '' '
' '' '
' '' '
' '' '
' '' '
\ \\ \
| || |

i i i i
i
i
i
x x Y Y
x
x
Y
E
Atrs
Par a T =3, l as r est r i c c i ones son:
[ [[ [ ] ]] ] . 0
2 1 1 2 0 1 2
= == =
i i i i
x x Y Y E
Lo que pr oduc e una i dent i f i c ac i n ex ac t a.
J.Muro(8/12/2003) 30
Efectos individuales incorrelacionados.
La presencia en un modelo de datos de panel de
variables no correlacionadas con los efectos
individuales aade un conjunto adicional de
restricciones de identificacin (generalmente T).
Esto no suele ayudar, sin embargo, a que la
identificacin sea posible con menor dimensin
temporal.
Atrs
J.Muro(8/12/2003) 31
Procedimientos de estimacin.
Generalidades.
Lo que se presentar.
Arellano y Bond (1991).
Lo que no se presentar:
Keane y Runkle (1992); Ahn y Schmidt (1995);
Arellano y Bover (1995); Blundell y Bond (1998).
Siga
J.Muro(8/12/2003) 32
Generalidades.
Utilizar una transformacin que elimine la
heterogeneidad individual inobservada: efectos fijos;
diferencias; transformacin ortogonal.
Seleccin de instrumentos para variables endgenas
en la ecuacin anterior.
Contrastes de autocorrelacin en los errores en
niveles y en primeras diferencias.
Forma de las matrices de varianzas y covarianzas de
los trminos de error.
Atrs
J.Muro(8/12/2003) 33
Enfoque de Arellano y Bond (1991).
Muy popular (DPD).
Utilizan las condiciones de ortogonalidad
entre los valores retardados de la variable
del lado izquierdo y el trmino de error y las
caractersticas de la matriz de varianzas y
covarianzas del modelo analizado.
En el anlisis se parte del modelo
autorregresivo.
Siga
J.Muro(8/12/2003) 34
T. 1,2,.., = t N; 1,2,.., = i , + Y =
Y
it
i
it
it

+ ++ +
1
.
it
1 - it it
+ y = y
En di f er enc i as
Si el t r mi no de er r or en ni vel es er a r ui do bl anc o, el de l a
ec uac i n en di f er enc i as ser un MA(1) no i nver t i bl e (r az
uni t ar i a).
Par a apr ec i ar qu i nst r ument os pueden ser usados par a
est i mar c onsi st ent ement e #, desgr anemos l a ec uac i n
par a di st i nt os val or es de t .
. 3 ). ( ) ( ) (
2 3 1
2
2
3
= == = T + y y = y y
i i i
i
i
i

Siga
J.Muro(8/12/2003) 35
En l a ec uac i n ant er i or c abe usar y
1
c omo i nst r ument o.
Adems l a est r uc t ur a del t r mi no de er r or en l a ec uac i n
en di f er enc i as es
. 4 ). ( ) ( ) (
3 4 2
3
3
4
= == = T + y y = y y
i i i
i
i
i

En l a ec uac i n ant er i or c abe usar y
1
, y
2
c omo
i nst r ument os.
En gener al , en l a ec uac i n en di f er enc i as par a T = t se
pueden usar l os r et ar dos de l a var i abl e Y hast a t -2.
[ ] ). ( '
2
G I E
N i i
=

=

2 1 0 0 0
1 2 0 0 0
0 0 1 2 1
0 0 0 1 2
) 2 ( ) 2 (
l
l
p m m
l
l
T x T
G
Siga
J.Muro(8/12/2003) 36
Los i nst r ument os, en not ac i n mat r i c i al son
Las r est r i c c i ones de or t ogonal i dad son:
Siga
.
) ( 0 0
0 ) ( 0
0 0
2 2 1
2 1
1
) 2 ( ) 2 (

T i i
i i
i
T x T
i
y y y
y y
y
W





[ ] . 0 ' =
i i
W E
Si apl i c amos el mt odo VI :
. ' ' '
1
+ =

W y W y W
J.Muro(8/12/2003) 37
Que t i ene l a mat r i z de var i anzas y c ovar i anzas ant es
most r ada. Apl i c amos MCG y queda
Est i mador i ni c i al en AB(1991).
El est i mador por MGM, Hansen(1982), es en est e c aso
Siga
[ ] [ ]. ) ( ' ) ) ( ' ( )' ( ) ( ' ) ) ( ' ( )' (

1
1
1
1
1
1 1
y W W G I W W y y W W G I W W y
N N
=

=
=
N
i
i i i i N
W W V
1
. )' )( ( '
[ ] [ ]. ) ( '

)' ( ) ( '

)' (

1
1
1
1
1
1 2
y W V W y y W V W y
N N
=

[ ] . ) ( '

)' (

va
1
1
1
1 2

= y W V W y a
N

J.Muro(8/12/2003) 38
Como se ve se ha sust i t ui do l a mat r i z de var i anzas y
c ovar i anzas ut i l i zada en l a pr i mer a et apa por l a pt i ma
c onf or me al mt odo MGM.
La mat r i z VN se obt i ene c on l os r esi duos
c or r espondi ent es a l a pr i mer a est i mac i n.
Ambos est i mador es son equi val ent es en el c aso que se
c umpl a que el t r mi no de er r or genr i c o en l a ec uac i n
i ni c i al , en ni vel es, t enga una di st r i buc i n i i d N(0,

2
).
Atrs
J.Muro(8/12/2003) 39
El contraste se reduce al de H
0
: %=0.
Debido a la presencia de heteroscedasticidad y
autocorrelacin de forma desconocida la
matriz de varianzas y covarianzas a utilizar es
la sugerida por White (1980).
( ) . 1 ,.... 2 , 1 ...
1
1
1 ,
2 / 1
=

+ +

=
+
+
T t y y
t T
y
t T
t T
y
iT t i it it
J.Muro(8/12/2003) 40
Ahn, S.C. y P. Schmidt (1995), Efficient Estimation of Models for
Dynamic Panel Data. Journal of Econometrics, 68, pgs.5-28.
Anderson, T.W. y C. Hsiao (1981), Estimation of Dynamic
Models with Error Components. Journal of the American
Statistical Association, 76, pgs. 598-606.
Anderson, T.W. y C. Hsiao (1982), Formulation and Estimation
of Dynamic Models using Panel Data. Journal of
Econometrics, 18, pgs. 47-82.
Arellano, M.(1993), On the testing of correlated effects with
panel data. Journal of Econometrics, 59, pgs. 87-97.
Arellano, M. y S. Bond (1991), Some Tests of Specification for
Panel Data: Monte Carlo Evidence and an Application to
Employment Equations. Review of Economic Studies, 58, pgs.
277-297.
Arellano, M. y O. Bover (1993), Another Look at the
Instrumental Variables Estimation of Error Components
Models. Journal of Econometrics, 68, pgs. 29-52.
J.Muro(8/12/2003) 41
Arellano, M. y B. E. Honore (2002) Panel Data: Some recent
Developments. En E. Leamer y J.J. Heckman (eds.) Handbook of
Econometrics. North Holland.
Baltagi, B.H. (1995), Econometric Analysis of Panel Data. John
Wiley.
Becker, G., M. Grossman y K. Murphy (1994), An Empirical
Analysis of Cigarrette Addiction. American Economic Review,
84, pgs. 396-418.
Blundell, R. y S. Bond (1998), Initial Conditions and Moment
Restrictions in Dynamic Panel Data Models. Journal of
Econometrics, 87, pgs. 115-143.
Bond, S. y C. Meghir (1994), Dynamic Investment Models and the
Firms Financial Policy. Review of Economic Studies, 61, pgs.
197-222.
Bover, O. y M. Arellano (1997), Estimating dynamic limited
dependent variable models from panel data. Investigaciones
Econmicas, 21, pgs. 141-165.
J.Muro(8/12/2003) 42
Chamberlain, G. (1984), Panel data. Cap. 22 en Z. Griliches y
M. Intriligator (eds.) Handbook of Econometrics. North
Holland. Pgs. 1247-1318.
Holtz-Eakin, D. (1988), Testing for Individual Effects in
Autorregresive Models. Journal of Econometrics, 39, pgs.
297-307.
Holtz-Eakin, D.; W. Newey y H.S. Rosen (1988), Estimating
Vector Autorregresions with Panel Data. Econometrica, 56,
pgs. 1371-1395.
Keane, M.P. y D.E. Runkle (1992), On the Estimation of Panel-
Data Models with Serial Correlation when Instruments are not
Strictly Exogenous. Journal of Business and Economic
Statistics, 10, pgs. 1-9, con discusin.
Nickell, S. (1981), Biases in Dynamic Models with Fixed
Effects. Econometrica, 49, pgs. 1417-1426.
J.Muro(8/12/2003) 43
White, H. (1986), Instrumental variables analogs of generalized
least squares estimators. En R.S. Mariano (ed.) Advances in
Statistical Analysis and Statistical Computing, vol. 1. JAI
Press. Nueva York, pgs. 173-277.