Apuntes de Clase Nro5 Datos de Panel

Serie Apuntes de Clase
N 05
Setiembrede2014
ECONOMETRIA DE DATOS DE
PANEL
Mg. Bustamante Roman, Rafael
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, DECANA DE AMRICA)
FACULTAD DE CIENCIAS ECONMICAS
ESCUELA ACADMICO PROFESIONAL DE ECONOMA
La Serie Apuntes de Clase tiene por objetivo difundir los
materiales de enseanza generados por los docentes que
tienen a su cargo el desarrollo de las asignaturas que
forman parte del Plan de Estudios de la Escuela
Acadmico-Profesional de Economa de la Facultad de
Ciencias Econmicas de la Universidad Nacional Mayor de
San Marcos. Estos documentos buscan proporcionar a los
estudiantes la explicacin de algunos temas especficos
que son abordados en su formacin universitaria.
Calle Germn Amzaga N 375.

Ciudad Universitaria, Lima 1. Per.
Telfono 619-7000. Anexo 2208.
eapeco@unmsm.edu.pe
http://economia.unmsm.edu.pe/escuela/econ.htm

EconometradeDatosdePanel

RafaelBustamanteRoman

Resumen
El aumento de bases de datos, junto con el progreso en las tcnicas economtricas, ha facilitado el
perfeccionamiento de estudios cada vez ms sofisticados de los fenmenos econmicos, permitiendo
asesorarmsacertadamentealosresponsablesdelaelaboracindelaspolticaspblicasyaloshombres
denegocios.Sinembargo,estasherramientassehantornadocadavezmscomplejas,demandandounalto
gradodeconocimientotericoyprcticoparapoderimplementarlas.LametodologadeDatosdePaneles
unadelasmsusadasenlosltimostiemposenelmbitodelaeconoma,lasfinanzasylosnegocios.Su
riqueza radica en que permite trabajar simultneamente varios periodos de tiempo y los efectos
individuales, y a su vez, tratar el problema de la endogeneidad. A pesar de las ventajas de esta tcnica,
existen diversos obstculos para su implementacin, tanto metodolgicos como operativos. Esta gua
intenta ayudar a los alumnos, investigadores y profesionales que buscan llevar a cabo estudios utilizando
Datos de Panel, ofreciendo una pauta para manejar y analizar datos, en forma conjunta con revisar sus
fundamentos.
Palabras Claves: Mtodos economtricos: modelos de ecuaciones mltiples; Datos de

Panel
ClasificacinJEL:C3,C33
Doctorado en Economa con mencin en los Recursos Naturales (c), Universidad Nacional Autnoma de
Mxico. MBA Gerencial, CENTRUM Pontificia Universidad Catlica del Per. Maestra en Economa con
mencin en Finanzas, Universidad Nacional Mayor de San Marcos. B. Sc. Economa, UNMSM. Profesor
Auxiliar del Departamento de Economa de la UNMSM. Investigador asociado al Instituto de
Investigaciones FCE UNMSM. Contacto: rbustamanter@unmsm.edu.per,
rafael.bustamante.romani@gmail.com
El autor agradece la colaboracin en la elaboracin del presente documento a Oscar Daz Barzola,
alumnosdelafacultaddecienciasEconmicas.Contactooscardiaz96@outlook.com

Datos de Panel. Apuntes de Clase.N05.Setiembrede2014. EAPE/FCE/UNMSM
I. INTRODUCCIN
Losmodelosqueseutilizanenelanlisiseconmicoodecualquierotrandole,
sepuedenclasificardesdedospuntosdevista:i)segnlosdatosutilizadosyii)
segnrelacionessupuestasentrelasvariables.Elobjetivodeestedocumento,es
analizarelprimerodelosdoscriterios.
En el anlisis de la informacin (econmica, social, empresarial, comercial, etc.)
pueden existir diferentes dimensiones sobre las cuales interesa obtener
conclusiones derivadas de la estimacin de modelos que traten de extraer
relacionesdecausalidadodecomportamientoentrediferentestiposdevariables,
apartirdelosdatosdisponibles(deArce&Maha,2007).
Una de estas dimensiones la constituye el anlisis de series de tiempo, la cual
incorporainformacindevariablesy/ounidadesindividualesdeestudiodurante
un perodo determinado de tiempo (dimensin temporal). En este caso, cada
perododetiempoconstituyeelelementopoblacionaly/omuestral.Porsuparte,
existe otra dimensin que no incorpora el aspecto temporal sino que ms bien
representa el anlisis de la informacin para las unidades individuales de
estudio,enunmomentodeterminadodeltiempo(dimensinestructural).Eneste
tipo de anlisis, el cual se denomina de corte transversal, el elemento o unidad
maestralnoloconstituyeeltiemposinolasunidadesdeanlisis.Ejemplosdeeste
tipodeanlisispuedenserlacantidaddemandadadealimentosporunamuestra
defamiliasduranteunperododetiempoolacantidadproducidadetelevisores
por una serie de empresas en el mismo lapso. En ambos casos los elementos
mustralesseranlafamiliaylaempresa.
Econometra de Panel Data

Bustamante Roman, Rafael
Los dos tipos de anlisis de la informacin permiten extraer conclusiones
relevantes de acuerdo con los intereses del investigador. Un sencillo ejemplo
puede ilustrar mejor la diferencia entre cada uno de los enfoques2: supngase
que se quiere modelar la rentabilidad de las firmas que pertenezcan a una
determinadaindustria. Un anlisis de regresin basado en datos de corte
transversal para un ao en particular podra incluir un conjunto de variables
explicativas tales como la calidad de la administracin, el monto del capital
fsico, el empleo de mano de obra y el nivel de apalancamiento financiero, por
ejemplo.Coneltipodeinformacinincluidaenestemodelodecortetransversal
sepodraestartomandoencuentacualquiertipodeeconomadeescaladelaque
lasfirmaspodranbeneficiarse.Sinembargo,estemodelonopodraidentificaro
tomar en cuenta como variable explicativa de la rentabilidad, cualquier
incremento en el rendimiento que pueda ocurrir con el transcurso del tiempo
como consecuencia de mejoras tecnolgicas que hayan sido incorporadas en la
industria(deArce&Maha,2007).
El principal objetivo de aplicar y estudiar los datos en panel, es capturar la
heterogeneidadnoobservable,yaseaentreagenteseconmicosodeestudioas
comotambineneltiempo,dadoqueestaheterogeneidadnosepuededetectar
niconestudiosdeseriestemporalesnitampococonlosdecortetransversal.
Estatcnicapermiterealizarunanlisismsdinmicoalincorporarladimensin
temporaldelos datos,loque enriquece elestudio,particularmenteenperodos
degrandescambios.Estamodalidaddeanalizarlainformacinenunmodelode
panelesmuyusualenestudiosdenaturalezamicroeconmica.
La aplicacin de esta metodologa permite analizar dos aspectos de suma
importanciacuandose trabajacon este tipodeinformacin yqueformanparte 2

delaheterogeneidadnoobservable:i)losefectosindividualesespecficosyii)los
efectostemporales(M.,2000).
En lo que se refiere a los efectos individuales especficos, se dice que estos son
aquellos que afectan de manera desigual a cada uno de los agentes de estudio
contenidos en la muestra (individuos, empresas, bancos) los cuales son
invariables en el tiempo y que afectan de manera directa las decisiones que
tomen dichas unidades. Usualmente se identifica este tipo de efectos con
cuestiones de capacidad empresarial, eficiencia operativa, capitalizacin de la
experiencia,accesoalatecnologa,etc.
Losefectostemporalesseranaquellosqueafectanporigualatodaslasunidades
individuales del estudio pero que no varan en el tiempo. Este tipo de efectos
pueden asociarse, por ejemplo, a los choques macroeconmicos que pueden
afectarporigualatodaslasempresasounidadesdeestudio.
1.1 CASOSENLOSQUESEUSAESTAMETODOLOGA:
Losdatoslongitudinalesopanelessiguenaloselementosdelamuestraa
lolargodeltiempo,recogiendoobservacionesconsecutivasdelosmismos
elementos.Unaencuestalongitudinal haceposibleanalizarcmocambia
el valor de determinadas variables a lo largo del tiempo para elementos
concretosdelamuestra.
El nmero de individuos (N) es generalmente grande y el nmero de
perodos(T)esgeneralmentereducido.

Datos de Panel. Apuntes de Clase.N05.Setiembrede2014.EAPE/FCE/UNMSM
Unaencuestalongitudinalhaceposibleanalizarcmocambiaelvalorde
determinadasvariablesalolargodeltiempoparaelementosconcretosde
lamuestra.
II. DIVERSASDEFINICIONES
Panel Data es mezclar informacin de corte transversal e informacin
temporal. Como en el corte transversal, se recoge informacin de
individuos y se observa cada individuo, como en el anlisis de series de
tiempo,atravsdeltiempo.Estopermiteestudiarlosefectosdinmicosy
decomportamientoindividualdelosproblemas.
Son observaciones repetidas sobre el mismo conjunto de unidades de
seccin cruzada o dicho de otra forma se tiene el mismo nmero de
observacionesencadaunidaddeseccincruzadaesdeciresunamezcla
deambasenlacualserecogeinformacinentreindividuosyseobserva
cadaindividuocomoelanlisisdeseriesdetiempo,atravsdeltiempo.
En los paneles microeconmicos, el investigador est interesado en
analizar como vara el comportamiento de los agentes econmicos
individuales frente a cuestiones como sus hbitos de consumo, su
situacin laboral, su nivel de estudios, etc. Estas son decisiones que
dependerndeunalistadecaractersticassocioeconmicasqueelanalista
debe especificarcomovariablesexplicativasdelmodelo.Sinembargono
todoslosagentestomansusdecisionesdeigualmodo:diferentesagentes,
incluso si comparten las mismas caractersticas observables, toman
decisiones distintas. Ello obliga a contemplar la existencia de efectos no
observables, especficos de cada agente encuestado, generalmente

4
constanteseneltiempo,queincidensobreelmodoenqueestetomasus

decisiones.Siestosefectoslatentesexistenynoserecogenexplcitamente
en el modelo, se producir un problema de variables omitidas: los
coeficientes estimados de las variables explicativas incluidas estarn
sesgados,porrecogerparcialmentelosefectosindividualesnoobservables
(Greene,1999)
Paraentendermejorestametodologaveamosalgunosaspectosmatriciales.
Yi1

Yi 2
.
Yi Para todo t 1, 2,3,...., T
. . ..(1)
.

YiT TX 1

X i1
1
X i1
2
. . . X i1
K 1
X i1
k

1 2 K 1 K

X i2 X i2 . . . X i2 X i2
. . . . . . .

Xi . . . . . . . .. (2)

. . . . . . .
X iT 1
1
X iT 1
2
. . . X iT 1
K 1
X iT 1
K

X iT
1
X iT
2
. . . X iT
K 1
X iT
K

TxK
Ademsloserroresdelmodeloylavariableexplicativaseexpresan:
i1 1 Y1
Y
i 2 2 2
. . .

i . Ademas : . Y .
. . . ..(3)

iT 1
N 1 YN1
Y
iT TX 1 N NTX 1 N NTX1
X1
X
2
.

X . t 1, 2, 3, T i 1, 2, 3, ....., N
.. (4)
.

N 1
X
X
N NTXK 6

Elmodelototalmenteapiladoes:
Y = X +
X jit :EselvalorJthdeunavariableexplicativai.Paratodot=01,2,3,....T.
SiexistenKvariablesexplicativaselvectordevariablesexplicativassepuede
denotarcomo:
1

2
.

.
... (5)
.

K 1

K
Enbasealoanotadopodemosafirmarquemetodologadedatosdepanelloque
haceesutilizarprocedimientosadecuadosparaelmanejodelasobservaciones
conunadimensindeseccincruzadagrande,conelobjetodeestimarmodelos
economtricos que incluyan entre las variables explicativas los efectos
individualesnoobservables.
Eldisponerdeunnmeroreducido,T,deobservacionesdecadaunodelosN
individuosdelamuestra,podrapensarseenestimarunmodeloeconomtrico
concadaunadelasTseccionescruzadasparaluegocompararlaevolucinde
loscoeficientesdelmodeloalolargodeltiempo.

Las ventajas de modelos economtricos con informacin en panel, son las
siguientes(Greene,1999):
Sedisponedeungrannmerodedatos(atravsdeindividuosyatravsdel
tiempo). Por esta razn aumentan los grados de libertad y, al utilizar las
diferenciasindividualesenlosvaloresdelasvariablesexplicativas,sereduce
la colinealidad entre las variables explicativas, mejorando de esta forma la
eficienciadelosestimadores.
Evitalossesgosdeagregacincondatosmacroeconmicos.
Engeneral,esposibleobtenerestimacionesconsistentespara N yTfijo.
Noobstante,dadalacrecienteexistenciadebasesdedatoslongitudinalescon
perodos mustrales prolongados, existen trabajos recientes en que se
consideranpropiedadesasintticaspara N y T .
La disponibilidad de datos longitudinales permite a los investigadores
analizar una variedad de importantes interrogantes econmicas, que no se
pueden analizar utilizando solo informacin de corte transversal o slo
informacindeseriesdetiempo.
Permiteconstruirytestearmodelosdecomportamientomssofisticadosque
los modelos economtricos estndar de series de tiempo o de corte
transversal.
Proporcionaunmtodopararesolveroreducirlamagnituddeunproblema
economtricoclavequesiempresurgeenlostrabajosempricos:siemprese
seala que la verdadera razn de porque se encuentra (o no se encuentran)
ciertosefectosesproductodelaomisindevariablesdebidoaproblemasde
medicin o porque ciertas variables no son observadas que estn
correlacionadasconlasvariablesexplicativas.
8

Permiteestudiardeunamejormaneraladinmicadelosprocesosdeajuste.
Esto es fundamentalmente cierto en estudios sobre el grado de duracin y
permanenciadeciertosnivelesdecondicineconmica(desempleo,pobreza,
riqueza).
Permite elaborar y probar modelos relativamente complejos de
comportamiento en comparacin con los anlisis de series de tiempo y de
corte transversal. Un ejemplo claro de este tipo de modelos, son los que se
refieren a los que tratan de medir niveles de eficiencia tcnica por parte de
unidades econmicas individuales (empresas, bancos, etc.) (Beltrn Barco,
2003).
Permite al investigador mucha ms flexibilidad para modelizar las
diferenciasdecomportamientosentrelosindividuos.Talycomosemencion
anteriormente,latcnicapermitecapturarlaheterogeneidadnoobservableya
seaentreunidadesindividualesdeestudiocomoeneltiempo.Conbaseenlo
anterior, la tcnica permite aplicar una serie de pruebas de hiptesis para
confirmarorechazardichaheterogeneidadycmocapturarla.
Entrelasdesventajassecuentan:
Sesgodeheterogeneidad:
Muchospanelesdedatosprovienendeprocesosmuycomplicadosqueexigenel
comportamientodiario.Cuandoseanalizaseriesdecortetransversalelsupuesto
tpico es que una variable econmica yt es generada por una distribucin de
f y /
probabilidad paramtrica del tipo , donde es un vector real de
dimensin k idntico para todos los individuos en todo instante de tiempo.
Estesupuestopuedenoserrealistaenelcasodedatosdepanel;esmsignorar
la heterogeneidad en los intercepto y/o en las pendientes es una que puede ser
errada. 9

Sesgodeseleccin:
Otra fuente de sesgo que se encuentra con frecuencia en datos de corte
transversalydepanelesdedatosesquelamuestrapuedenohabersidoextrada
de manera aleatoria de una poblacin lo cual es poco frecuente en series de
tiempo.Comoconsecuenciadeellosepuedetener(deArce&Maha,2007):
Amplificacin del efecto de errores de medida asociados a datos de

encuestas.
Faltaderepresentatividaddelamuestradebidoa:
Desgastemuestral

Noaleatoriedaddelasobservaciones
Ejemplos de este tipo de limitaciones se encuentran en: La cobertura de la

poblacin de inters, porcentajes de respuesta, preguntas confusas, distorsin
deliberadadelasrespuestas,etc.
10

III. DISTINTAS FORMULACIONES DE UN MODELO CON DATOS DE
PANEL
La fuente de variacin muestral afecta la formulacin y estimacin de muchos
modelos economtricos. Los tipos de modelos que se consideran en el caso de
panelesdedatosson(deArce&Maha,2007):
3.1Modelosconpendientesconstanteseneltiempoyaniveldecadaindividuo,
perolosinterceptosvaranentrelosindividuos(Greene,1999).
K
y it i k 1
k x k ,it it
.. (6)

Oenformacompacta
y it i ' x it it
.... (7)

3.2 Modelos con pendientes constantes pero los intercepto varan entre los
individuosyeneltiempo
K
y it it k 1
k x k , it it
... (8)

Oenformacompacta
y it = a it + b ' x it + e it
.... (9) 11

3.3 Todoslosparmetrosvaranentreindividuosperosemantienenconstantes
eneltiempo.
K
y it i
k 1
ki x k ,it it
.. (10)

Oenformacompacta:
y it = a i + b i ' x it + e it
... (11)

3.4 Todoslosparmetrosvaranentrelosindividuosyeneltiempo

K
y it it k 1
k ,it x k ,it it
.. (12)

Oenformacompacta
y it it ' it x it it
..... (13)

Entoncesdentrodeestametodologaentotaltendramoscuatromodelos.
Dnde:
k ,it ik,t
Quesonlasdistintasformasestndarqueusanlosautorespara
denotar a las pendientes lineales o coeficientes. En base a ello podemos
formularlasiguientematrizdecoeficientesparaelmodelomsgeneral.
12

k ,it ik,t
: La lectura es la siguiente. Es el coeficiente asociado a la
observacinisimadelavariableksimaenelperiodotemporalt.
Entonces para la observacin i tenemos la siguiente matriz de coeficientes
asociadosalasvariablesexplicativas.
i11 i12 . . . i1K1 i1K

1
i2 i22 . . . i2K1 i2K
. . . . . . .

'i . . . . . . .

. . . . . . .
1 iT12 . . . iT1K1 iT1K
iT11
iT iT2 . . . iTK1 TK
.. (14)

i1

i1
.

'i .
.

iT 1

iT 2 .. (15)
Almismotiempo,losmodelosdel(i)al(iv)sonclasificadosdependiendodesi
se asume que los coeficientes son aleatorios (random) o fijos (fixed), pero los
modelosconpendientesconstanteseinterceptosvariables(estoesmodelos(i)y
(ii) son los ms usados al estimar modelos con datos en panel, puesto que
13

proporcionanalternativassimplesperorazonablementeampliasalsupuestode
quelosparmetrosquesoncomunesatodoslosagenteseconmicos.
3.5AnlisisdeCovarianza:(GREENE,1999)
En el anlisis economtrico, se asume que Y corresponde a realizaciones
aleatorias de algn experimento con una cierta distribucin de probabilidad
asociada,condicionadaaunvectordecaractersticasyparmetros, f ( y / x, )
Unmodelodedatosdepanelinvolucraauntotaldenindividuosounidades
econmicas,coninformacinalolargodeTperiodos,paralavariableendgena
y it X k ,it
yparalasvariablesexgenas ,dondeieselnmerodeindividuos,tes
el instante de tiempo, k es el nmero de caractersticas o variables que lo
distinguenentres.
Entoncesunodelosobjetivosprimordialesdelosmodelosdedatosdepaneles
usar toda la informacin disponible para realizar las inferencias sobre .
GeneralmentesepostulaqueYesunafuncinlinealdeX;sinembargo,para
correr una regresin mediante OLS con las NT observaciones es necesario
asumir que los parmetros de la regresin toman valores comunes a travs de
todas de todas las unidades econmicas o individuos para todo periodo de
tiempo. Si este supuesto no es vlido, la estimacin OLS puede conducir a
inferenciaserrneas.
Loanteriorsignificaqueelprimerpasohaciaunaexplotacincompletadelos
datos, es testear si los parmetros que caracterizan a la variable aleatoria Y,
permanecen constantes entre los individuos y en el tiempo. El procedimiento
recomendadoesunanlisisdevarianza.
14

Elanlisisdevarianzaestenfocadoenunacategoraparticulardehiptesis
linealesqueestipulanqueelvaloresperado deunavariablealeatoriadepende
slodelaclasealacuallosindividuosconsideradospertenecen;sinembargoel
procedimiento excluye los test relacionados con regresiones. El anlisis de
covarianza, por su parte, tiene un carcter mixto involucrando a las variables
genuinamente exgenas, como en el caso de los modelos de regresin, y al
mismo tiempo permite que las verdaderas relaciones para cada individuo
dependandelaclasealacualestepertenece,talcomolohacenlosmodelosde
anlisisdevarianza.
Con el objeto de considerar los efectos de factores tanto cualitativos como
cuantitativos,seproponeunmodelolinealcomo:
yit it ' xit it ... (16)

Yelprocedimientodetesteoes(deArce&Maha,2007):
(1) Probarsilos s ylos

' ' s sononosimultneamentehomogneosentre
losdistintosindividuosyentrelosdistintosperiodosdetiempo.
(2) Probarsilos
' s sononolosmismoscolectivamente.
(3) Testearsilos
'
s sononolosmismoscolectivamente.
Enelanlisisdecovarianzadedatosdepanelseasumequelosparmetrosson
constantes en el tiempo, pero varan entre individuos, lo que circunscribe el 15

anlisis a modelos del tipo (iii). Por lo tanto, es factible postular un modelo de
regresindiferenteparacadaindividuo.Estoes,elmodeloaconsiderares:
IV. MODELO NO RESTRINGIDO (UNRESTRICTED) (Beltrn

Barco,2003)
Acontinuacinanalizamoslasversionesdepanelfrecuentementeutilizadas:
yit i 'i xit it .... (17)

Conocidocomoelmodelonorestringido,Dondeseplanteantrestiposde
restricciones:
4.1 Loscoeficientesdelasvariablesexplicativasopendientessonidnticos,pero
nolosinterceptos(individualmean):
y it i ' x it it
.. (18)

Lasdiversashiptesisalternascorrespondientes,Hi:
4.2Losinterceptossonlosmismosperonolaspendientes
H2:
y it ' i x it it ... (20)

4.3 Los interceptos y las pendientes son los mismos entre individuos (pooled
regresin):
y it ' x it i t . (21)
H3:

16

Considerandoelmodelono restringido, el estimador OLSde

i yde
i
estndadaspor(Greene,1999):

i W xx 1,iW x y , i
.. (22)

i y i ' xit ... (23)

_
1 T _
1 T
y i yit x i xit
T t 1 ; T t 1 .. (24)
'
T
_
_

Wxx ,i xit x i xit x i
t 1 ;.. (25)
'
T
_
_

Wxy ,i xit x i yit y i
t 1 .. (26)

2
T
_

W yy ,i yit y i
t 1 .. (27)

17

Donde la suma de residuos al cuadrado del isimo grupo es

1
SRCi W y y ,i W '
x y ,i W x x ,i W x y .i
, por lo que la suma no
n
S1 SC Ri
restringidadelosresiduosalcuadradoes i1 .
Si tomamos el modelo H1 (Denominado modelo con correccin de media
individual),losestimadoressern:
_ _
W W Wxy 1
xx i y i w xi .. (28)
;

N n N
Wxx Wxx ,i Wxy Wxy ,i Wyy Wyy ,i
i 1 ; i 1 i 1 .. (29)
Enestecasolasumatoriadelosresiduosalcuadradoes
S2 Wyy Wxy' WxxWxy

... (30)

Finalmente, considerando ahora el modelo H3 (pooled model), los
estimadoresson:
_ ' _
W T T 1
xx xy y i xi .. (31)

18

'
N T
_
_

Txx it
x x it
x x
i 1 t 1 ;
'
N T
_
_

T xy
i 1 t 1
x it x y it y
.. (32)

_ N T _ N T
1 1
x
NT

i 1 t 1
xit y
NT
y
i 1 t 1
it
; .. (33)
Ylasumatotalderesiduosalcuadradoes:
S3 Tyy T ' xyTxx1Txy

... (34)

iid
N (0, 2 ) alolargodeiydet,entoncesesposibleusar
Asumiendoque it
un testF para testear las restricciones impuestas por el modelo con
correccindemediasindividualesyparaelpooledmodel.Porejemplo,
(a) La hiptesis de interceptos heterogneos pero pendientes homogneas
puede formularse como el modelo no restringido sujeto a (N1)k
restriccioneslineales:
yit i 'i xit it .. (35)

19

H 10 : 1 2 ... N
.. (36)

(b) La hiptesis de interceptos y pendientes comunes pueden visualizarse
comoelmodelorestringidosujetoa(N1)(K+1)restriccioneslineales:
yit i 'i xit it ... (37)

H 30 : 1 2 ... N
.. (38)

1 2 ... N .. (39)

Luegolaaplicacindeuntestde anlisis de covarianzaesequivalente aun
testdehiptesisbasadoenlasumaderesiduosalcuadradoprovenientesde
losresultadosdeunmodeloderegresinlineal.As,porejemplo,paratestear
H 30 seutiliza:
S3 S1
N 1 k 1 F N 1
F3
S1 k 1), nT N(k 1)
NT N(k 1) .. (40)

Por lo que si F3 no es significativa, entonces lo que conviene es agrupar los
datos y estimar una ecuacin de regresin agrupada (pooled regresin
model). Por su parte, si F3 es significativamente grande, se debe realizar un

20

esfuerzoadicionalparadetectarsilanohomogeneidadpuedeatribuirsealas
pendientesheterogneasointerceptosheterogneos.
Bajo la hiptesis de interceptos heterogneos pero pendientes homogneas
(H1),elestadgrafoFes:
H1 : 1 2 ... N
... (41)

S 2 S1
n 1 k F
F1
S1 n 1 k , nT n ( k 1)
nT n ( k 1) .... (42)

YsiF1essignificativa,sedetienelasecuenciadeltesteo.SiF1esnosignificativa,
entonces podemos determinar la magnitud en la cual puede surgir la no
Homogeneidadenlosinterceptos.
Si H1 no es rechazada, tambin se puede aplicar un test condicional para la
homogeneidadenlosintercepto:
H 4 : 1 2 . . . . N .. (43)
Dado que 1 2 .... N en cuyo caso la suma de cuadrados
residualesnorestringidaesS2,mientrasquelarestringidaesS3,yelestadgrafo
Fes:
21

S 3 S2
F4 N 1 F N 1, N ( T 1 ) k
S2
N T 1 k
... (44)
Alternativamente, podemos asumir que los coeficientes son constantes a travs
de los individuos en un instante dado, pero varan entre periodos; esto implica
que podemos postular regresiones separadas para cada seccin de corte
transversal:
yit t t ' xit it .. (45)

Transformndose este ltimo en nuestro modelo no restringido. Es posible
realizarunanlisisdecovarianzaanlogoalanteriorparaestemodelo,conelfin
detestearlahomogeneidadenlosparmetrosdecortetransversalalolargode
losdistintosperiodosdetiempo.Porejemplo,podemostestearlahomogeneidad
global,planteandolasiguientehiptesisnula:
H 3'
0 : 1 2 ... T . (46)

1 2 .... T ......(47)

Yelestadgrafoapropiadoes:
22

S3 S1
'

T1 k1
F '
FT1 k1 ,nTT(k1)
S1 nTT(k1)
3 '
... (47)
Y para testear la hiptesis de interceptos heterogneos, pero pendientes
homogneas,dadapor:
H 1
'
: 1 2 . . . T ........ (48)

1 2 .... T .... (49)
Elestadgrafoes:
S '
2 S1
'

T 1 k
F1 ' F T 1 K , n T T ( k 1)
S 1' n T T ( k 1)
.. (50)
Para testear la hiptesis de interceptos homogneos condicionados a la
existenciadependienteshomogneas:
H 4'
0 : 1 2 . . . T .... (51)
Cuyoestadgrafoes:
23

S '
3 S2
'

T 1
F1 ' F T 1 , T ( n 1 ) k
S 2' T ( n 1 ) k )
.. (52)

V. CUNDO UTILIZAR DATOS DE PANEL? (Labra, 2014)

Muchos trabajos de investigacin en la ltima dcada han venido aplicando la
metodologa de datos de panel. Esto se debe en parte, al gran avance que ha
existido en las bases de datos, las cuales se han elaborado recogiendo cada vez
msdatosdeindividuosalolargodeltiempo.
Previos trabajos que han utilizado regresiones lineales, haban sido abordados
usando tcnicas de series de tiempo y de seccin cruzada. Una extensin a las
tcnicas anteriores es el Pool de datos, segn la cual cada individuo, en un
momentodetiempo,esunaobservacin.
El desarrollo de tcnicas de datos de panel, por el contrario, puede tratar en
formaindependienteelconjuntodedatosdeunindividuoeneltiempo,loquese
conocecomoefectosindividuales i
Comoseobservaenlafigura1,unconjuntodedatospuedenseranalizadosde
diferentes formas. La figura 1A muestra una serie de observaciones analizadas,
mientrasquelafigura1B,presentaunanlisisderegresinlineal,sindiferenciar
individuos,esdecircomounPooldedatos.
Porsuparte,lafigura1Cmuestracomoelconjuntodedatosestcompuestoen
larealidadportressubgrupos(individuosobservadosatravsdeltiempo)yque
por tanto, podra llevarse a cabo otro tipo de anlisis que considere esta
condicin.
Lafigura1Dmuestralasregresionesparacadasubgrupooindividuo(individuo
1, 2 y 3), de lo que se desprende que cada uno posee un comportamiento
diferenteyquedebeserdesarrolladoteniendoencuentaestaparticularidad.
Finalmente, en la figura 2E se presenta una regresin lineal teniendo en cuenta
los efectos individuales. La funcin final para el conjunto de individuos (lnea
continua de color negro) es totalmente distinta a la que obtendramos si el
anlisisnosehubiesehechoatravsdelastcnicasdepanel(figura1B).
Como conclusin de este ejemplo grfico, se puede deducir que es importante
tenerencuentalosefectosindividualescuandoestosexisten,yaqueelanlisisy
susresultadospuedenvariaralusarunauotratcnica.

24

Cabe mencionar que dentro de esta ltima tcnica, datos de panel, existen dos
grandes mtodos: Paneles Estticos y Paneles Dinmicos, cuya principal
diferencia radica en la capacidad y forma de tratar la endogeneidad de las
variables,comoseverenloscaptulossiguientes.
Figura1.EsquemaGrficodelosefectosindividuales(i)
25

VI. REGRESINSIMPLECONINTERCEPTOSVARIABLESY ELMODELO
DECOMPONENTESDEERROR
Cuando la hiptesis de homogeneidad global es rechazada para el panel de
datos, una forma simple de tomar en cuenta la heterogeneidad a travs de
individuosy/odeltiempoeselusodeunmodelodeinterceptosvariablesdel
tipo(BeltrnBarco,2003):
n
y it i
k 1
k x k ,it it
.. (53)

Odeltipo
n
y it it
k 1
k x k ,it it
... (54)

Elsupuestobsicodeestosmodelosesque,condicionadaavariablesexplicativas
observadas, los efectos de todas las variables omitidas(o excluidas) son
originadosportrestiposdevariables:
Variables individuales, invariantes en el tiempo

i : sexo,
administracin,capacidadempresarial,etc.
26

Variables peridicas, invariantes entre individuos

t : precios, tasas
deinters,etc.
Variables individuales, variables en el tiempo (Zit): polticas de las
empresas,ventas,stockdecapital,etc.
Losmodelosdeinterceptosvariablesasumenquelosefectosdeunavariedad
de variables no constantes en el tiempo omitidas, son cada una de ellas
individualmente no importantes pero colectivamente relevantes, y poseen la
propiedad de una variable aleatoria que no est correlacionada (o es
independiente)atodaslasdemsvariablesincluidasyexcluidasdelmodelo.
Por otro lado, debido a que las restantes variables omitidas permanecen
constantes en el tiempo para una unidad de corte transversal dada, o son las
mismas para todas las unidades de corte transversal en un instante dado de
tiempo,osonunacombinacindeambas,porloquepuedenserincorporadas
dentro del intercepto de un modelo de regresin para as permitir
explcitamente la posibilidad de heterogeneidad individual y/o en el tiempo
contenidaenlosdatostemporalesdecortetransversal.Estoes,elmodelosera(
MayorgaM.&MuozS.,2000):
n
y it k 1
ki x k ,it v it
.. (55)

v i t it
Ysi it (56)
27

Dnde:
i : Componentealeatorioespecficoalindividuoi.
t : Componentealeatorioespecificoaltiempot
it : Componentealeatorio

Entonces:
yi i t i
'
xi i t .... (57)

Yenconsecuencia:
n
y it i t
k 1
ki x k ,it it .. (58)
x k ,it
Sicorrespondealmodelogeneral,asumiendoquelos sonno
estocsticos.
2 ; 2 ; 2 Sonindependientes(incorrelacinnoimplicaindependencia).
v it i t it ... (59)
E ( v it ) E ( i ) E ( t ) E ( it ) 0 .. (60)
V ( v it ) 2
2

2
.. (61) 28

Dosalternativas:
i)
Cov( xit , it ) 0 Cov( xit , vit ) 0 Inconsistencia.
ii)
C o v ( x it , v it ) 0

E ( X '
i) 0 .. (62)
Laconsistenciaserefierequeamedidaqueaumentaeltamaodelamuestra
N losestimadoresconvergenasusverdaderosvalorespoblacionales.
La mayora de las aplicaciones con datos de panel utilizan el modelo de

componente de error conocido como one way para el cual t
05
. Las
diferentes variantes para el modelo one way de componentes de errores
surgendelosdistintossupuestosquesehacenacercadeltrmino
i .Pueden
presentarsetresposibilidades(MayorgaM.&MuozS.,2000)s:
El caso ms sencillo es el que considera al

i 0 o sea, no existe
heterogeneidad no observable entre los individuos o firmas. Dado lo
anterior, los
it satisfacen todos los supuestos del modelo lineal general,
por lo cual el mtodo de estimacin de mnimos cuadrados clsicos
producelosmejoresestimadoreslinealeseinsesgados.
Lasegundaposibilidadconsisteensuponera
i unefectofijoydistinto
para cada firma. En este caso, la heterogeneidad no observable se
incorporaalaconstantedelmodelo.
La tercera alternativa es tratar a

i como una variable aleatoria no
observablequevaraentreindividuosperonoeneltiempo.

29

5
Este tipo de anlisis supone que no existen efectos no cuantificables que varen en el tiempo pero no entre las
unidadesindividualesdeestudio.Existeademselmodelotwowayenelcualelcomponentedeerror t 0 a
travsdelcualsepretendecapturarefectostemporalesespecficos(choques)quenoestnincluidosenlaregresin.
ParaunmayordetallepuedeconsultarseaBalgati(1999), captulo3.
VII. MODELOBSICODEHETEROGENEIDAD
Presentamoselsiguientemodelo:
yit i ' xit it

.. (63)

Donde
i es la diferenciacin atemporal de los individuos. Si todos los i son
igualesaunaconstantes,porejemplo,seestaraenelcasodepooldataestoya
se mencion anteriormente. Cuando se da esta situacin entonces ignoramos la
estructuradeunpaneldataenlosdatos.Apilamosladatayobtenemos:
Y X .... (65)

it i i d ( 0 , 2
) i t
Esto es, las observaciones estn serialmente incorrelacionadas; a travs de los
individuosyatravsdeltiempo,ademsdequeloserroressonhomocedsticos.
Laestimacindeestemodeloesdirecta.Losestimadoressoneficientesdebidoa
queladatafueapiladadeformatalquesepuedeaplicarMCO.Peroestanoesla
estimacinqueseusaporlocomentadoanteriormente.
30

Recordando dos procedimientos adicionales para estimar el modelo en un
sistema de datos de panel: uno de ellos implica el reconocimiento de que las
variablesomitidaspuedengenerarcambiosenlosinterceptosyaseaatravsdel
tiempo o entre unidades de corte transversal, en este caso el modelo de efectos
fijosquetratadeaproximarestoscambiosconvariablesdummy;elotromodelo
es el de efectos aleatorios, que trata de capturar estas diferencias a travs del
componentealeatoriodelmodelo.
VIII. MODELODEEFECTOSFIJOS
Comoseindicbrevemente,unaposibilidadesexplicarlosdatosconelmodelo
de efectos fijos considera que existe un trmino constante diferente para cada
individuo,ysuponequelosefectosindividualessonindependientesentres.
Con este modelo se considera que las variables explicativas afectan por igual a
las unidades de corte transversal y que stas se diferencian por caractersticas
propiasdecadaunadeellas,medidaspormediodelintercepto.Esporelloque
los N interceptos se asocian con variables dummy con coeficientes especficos
para cada unidad, los cuales se deben estimar (Beltrn Barco, 2003). Entonces,
este modelo, la diferencia entre las observaciones se captura por la constante,
paracadamomentot.Enelmodelodeefectosfijos,losefectosindividualesi(i=
1,.....,N)setratancomocoeficientesdesconocidosqueseestimanconjuntamente
con(Greene,1999).
y i iT i xi i .... (66)

1
1
Dnde:
.

.
i
T
.

1
1
31

1 T X 1

Debehacersenotarqueenestemodelosepresentaunaprdidaimportantede
gradosdelibertad.
ParatodoT:
y1 i 0 0 1 x1 1
y 0 i 0 2 x2

2
2
0

N NTx1 0
y 0 i NTxN N Nx1 xN NTxK N NTx1
.... (67)
Loqueentrminosvectorialessera:

y d 1 d2 dN X k
... (68)

Dnde:
1 para las T observaciones del individuo i

di
0 para cualquier t de cualquier otra observacin
Enresumen,expresandolaserieentrminosmatriciales,tenemos:
y D x .. (69)

32

Estemodelosedenominahabitualmentecomoelmodelodemnimoscuadrados
de variables ficticias (MCVF) (aunque la parte del nombre de mnimos
cuadradosserefierealatcnicaqueseutilizahabitualmenteparaestimarlo,no
almodelocomotal).
Ahora, si N es pequeo, se estima con MCO, con K regresores en X y N
columnas en D, como una regresin mltiple con (N+K) parmetros. Si N es
grande (como en el caso de una encuesta), entonces se procede a utilizar
regresionesparticionadas,enlasqueelestimadores:
w x ' M d x x ' M d y ... (70)

1
EsunestimadorqueseobtienederegresionarporMCOtodaladataincluyendo
lasvariablesDummys.
AesteestimadorseleconocecomoestimadorIntra(Whitin)deefectosfijos.Este
tipodeestimadoresestudianelmodeloendesviaciones.
Donde:
M d I NT D ( D ' D ) 1 D (71)
Lacualesunamatrizsimtricaoidempotente,matricialmente,
33

M 0
M0
Md

M0
..... (72)
ii '
M 0 IT
ydonde T .Estoequivalearegresionar M d X y M d Y ,esdecir,
( y it y i ) vs. ( xit xi )

Esdecir:
( yit yi ) ( xit xi ) i
.. (73)
Dnde:
T
y T xit
yi it xi
t 1 T y t 1 T ... (74)
EsteeselllamadoModeloLSDV(LeastSquaresDummysVariables)
Ahora,paraencontrarlosparmetrosdeinters(
i ' s) :
i y i x i . (75)
34

Lavarianciadelestimador:
n n
( y it xit )2
Var( ) s2 x ' Md x donde : s2
1 i 1 t 1
NT N k .. (76)
Ydonde NT N k eselnmerototaldeobservaciones.
ParapoderdecidirsiutilizarelModeloLSDVoelModelodePOOLDATA,se
procede a realizar una prueba F ,ya vista anteriormente, para observar las
diferenciasentrelosgrupos,podemoscontrastarlahiptesisdequelostrminos
constantes son todos iguales, mediante un contraste F con la siguiente
especificacin:
H o :ElmejormodeloesunPOOLdedatosconconstantenica ( i )
(Ru2 RPOOL
2
)/(N 1)
F( N 1,NT N k )
(1 Ru2 )/(NT N k ) ... (77)

DondeuindicaelmodelonorestringidoyPOOLindicaelmodeloagrupado,o
restringido,conunnicotrminoconstanteparatodos.
Bajo la hiptesis nula, el estimador eficiente coincide con mnimos cuadrados
agrupados.
IX. VARIANTE DEL MODELO LSDV: EL MODELO DE EFECTOS FIJOS
TEMPORALES
El enfoque de mnimos cuadrados con variables artificiales se puede entender,
tambin,paraqueincluyaunefectotemporalespecfico. 35

El modelo de efectos fijos es un enfoque razonable cuando podemos estar
seguros que las diferencias entre unidades se pueden interpretar como un
desplazamiento paramtrico de la funcin de regresin. Este modelo podra
interpretarse:
y it i t ' xit it
.. (78)

Donde los ' s son para todos los individuos y controlados por los efectos
individuales. Se deber incluir T1 variables dicotmicas. Uno de los efectos
temporalesdebedejarsefueraparaevitarcolinealidadperfecta.Sielnmerode
variables es de demasiado grande para manejarlo mediante la regresin
ordinaria, puede estimarse, tambin, utilizando la regresin particionada. Sin
embargohayunaasimetraenestaformulacin,yaquecadaunodelosefectosde
grupoesunaconstanteespecficadegrupo,mientrasquelosefectostemporales
sonreferencias,esdecir,comparacionesconunaobase(elexcluido).Unaforma
simtricadelmodeloes
yit i t ' xit it .... (79)

DondelosefectosNyT,estnincluidosperolasrestricciones
i
i
t
0
seincorporan.
Laecuacinparticionadaesdelasiguienteforma:
y y y yvs. x x x x
it i t it i t ... (80)

36

Dnde:
N
y it
yt i1 N
..... (81)

N N
yit
y
i 1 t 1 Nt .. (82)

Losparmetrosdeinters,enestaespecificacinson:
( y i y ) ( x i x )
( y t y ) ( x t x )
Quemidenlosefectosindividualesyefectostemporales,respectivamente.
LimitacionesdelModeloLSDV:
PrdidadeGradosdeLibertad.
Nosepuedehacerinferenciafueradelamuestra
Cabedestacar,sinembargo,quesuprincipalventajaesquenotienequecuidarse
que los efectos individuales estn no correlacionados con las Xs, ya que por la
especificacindelmodeloelloestasegurado.
X. MODELODEEFECTOSFIJOS
La generalizacin del modelo con interceptos y pendientes constantes para un
panel de datos es introducir variables dummy para incorporar los efectos de
aquellas variables omitidas que son especficas a las unidades individuales de

37

cortetransversal.Asporejemplo,asumiendoquenoexistenefectosespecficos
alinstantedetiempo
t 0 ,elmodeloes:
y it i ' x it i t .. (83)
Quecorrespondealmodelodeanlisisdecovarianza.Enestemodelo,
it
representalosefectosdelasvariablesexplicativasomitidasquesonparticulares
tantoalasunidadesdecortetransversalcomoalosperiodosdetiempo
it N 0, 2
iid
considerados.Seasumeque .
ElestimadorOLSde
es:
1
n T _
_ ' n T
_
_ '

CV xit xi xit xi xit xi yit yi
i1 t 1 i1 t 1
... (84)
_
i y i xi DV
QueeselestimadorOLSde
delmodelodecovarianza.
iid
Y dado que
it N (o, ) , CV 2
es MELI (mejor estimador lineal
insesgado).
Porsupuesto,paracalcularnoesnecesarioincluirvariablesdummy.Bastacon
xi yi
calcular las medias e , de forma separada para cada unidad de corte
38

( yi yi ) e ( xi xi )
tranversal. A continuacin calcular , y luego aplicar
OLSalmodelotransformado,cuyaespecificacines:
_
'
_
_

y it y i x it x i it i
.. (85)

Esteprocedimientoesequivalenteapremultiplicarlaecuacin
ii'
y i t iT x it
' M 0 It
i i t Por T ,dondeesun
vectordeunos,porloque:
1

n N
CV W xi ' M 0 xi i x ' M y
0 i
i 1 i 1 .. (86)

y it i ' x it i t tambinse conoce

Dado queelmodelo
comomodelodeanlisisdecovarianza,elestimadordemnimoscuadradoscon
variables dummy se denomina estimador de covarianza. Tambin recibe el
nombredeestimadorintragrupal(withinestimador),puestoquesoloseutiliza
lavariacinalinteriordecadagrupoparacalcularelestimador.
39


Como se ha sealado, el estimador CV es insesgado y tambin consistente
cuando n y T tienden al infinito. Adems la matriz de varianzas y covarianzas
estdadapor:
1

n
Var CV Var W 2 xi ' M 0 xi
i 1 .... (87)

_ ' _

i yi DV xi
por otro lado el estimador de
i es
insesgado,peroconsistenteslocuandoTtiendealinfinito.
XI. MODELODEEFECTOSALEATORIOS
La decisin acerca de la estructura apropiada para el anlisis, es decir, efectos
fijos vs efectos aleatorios depende en parte de los siguientes aspectos: (Greene,
1999)
a.Losobjetivosdelestudio
Sisedeseahacerinferenciasconrespectoalapoblacin,esdecirquesetrabaja
con una muestra aleatoria, lo mejor es utilizar una especificacin del tipo
aleatoria. En caso de que el inters sea limitado a una muestra que se ha
seleccionado a conveniencia o bien que se est trabajando con la poblacin, la
estimacindeefectosfijosserlacorrecta.
Adicionalmente,sielintersdelestudioparticularestpuestoenloscoeficientes
delaspendientesdelosparmetros,ynotantoenlasdiferenciasindividuales,se 40

deberaelegirunmtodoquerelegueestasdiferenciasytratarlaheterogeneidad
noobservablecomoaleatoria.
El modelo de efectos fijos se ve como un caso en que el investigador hace
inferenciacondicionadaalosefectosqueveenlamuestraesdecirmarginalizala
funcindeprobabilidadconjunta.Eldeefectosaleatoriossevecomounoenel
cual el investigador hace inferencia condicional o marginal respecto a una
poblacin.
Se deja al investigador que decida si hace inferencia con respecto a las
caractersticas de una poblacin o solo respecto a los efectos que estn en la
muestra.
b. El contexto de los datos, es decir, cmo fueron obtenidos y el entorno de
dondeprovienen.
Conelmtododeefectosfijoslaheterogeneidadnoobservableseincorporaenla
ordenada al origen del modelo y con la de efectos aleatorios, como ya se
mencion,seincorporaneneltrminodeerror,porlocualloquesemodificaes
lavarianzadelmodelo.
Emplear un modelo de efectos fijos o aleatorios genera diferencias en las
estimacionesdelosparmetrosenloscasosenquesecuentacontpequeoyN
grande.Enestoscasosdebehacerseelusomseficientedelainformacinpara
estimar esa parte de la relacin de comportamiento contenida en las variables
quedifierensustancialmentedeunindividuoaotro.
c.Nmerodedatosdisponibles.
El mtodo de efectos fijos presenta el problema de que el uso de variables
Dummiesnoidentificadirectamentequcausaquelaregresinlinealcambie
eneltiempoyenlosindividuos.Adems,estoimplicalaprdidadegradosde
41

libertad.Asimismo,deberntomarseconsideracionesconrespectoalaestructura
delosdatosconquesecuente,dadoquesilaNesgrandeperosisetieneunT
pequeo, podra ser que el nmero de parmetros de efectos fijos sea muy
grande en relacin con el nmero de datos disponibles, con parmetros poco
confiablesyunaestimacinineficiente.Algunasinvestigacioneshandemostrado
que el emplear modelos de efectos fijos produce resultados significativamente
diferentes al de efectos aleatorios cuando se estima una ecuacin usando una
muestrademuchasunidadesdecortetransversalconpocosperiodosdetiempo
(629individuospara6periodos,porejemplo).
Sea:
yit xit it . (88)
Dondeelnmerodeindividuosesgrande,yelnmerodeperiodostemporales
es pequeo. Entonces haremos uso de la siguiente estructura del error del
trminodeperturbacin:
it i nt vit ... (89)

i :Llamadoefectoindividualoespecficoacadagrupo.Representalosefectos
noobservablesquedifierenentrelasunidadesdeestudioperonoeneltiempo,
que generalmente se los asocia a la capacidad empresarial, Por ejemplo:
Conocimiento,habilidades.
vit :
Componentealeatorio.
42

nt :Llamado efectotemporal.(Tipode cambio,tasade inters, inflacin). Sele

identificaconefectosnocuantificablesquevaraneneltiempoperonoentrelas
unidadesdeestudio.
La mayora de las aplicaciones con datos de panel utilizan el modelo de
nt 0
componente de error conocido como one way para el cual . Las
diferentes variantes para el modelo one way de componentes de errores
surgen de los distintos supuestos que se hacen acerca del trmino

i . Pueden
presentarsetresposibilidades:
El caso ms sencillo es el que considera al

i 0 , o sea, no existe
heterogeneidadnoobservableentrelosindividuosofirmas.Dadoloanterior,los
it satisfacen todos los supuestos del modelo lineal general, por lo cual el
mtodo de estimacin de mnimos cuadrados clsicos produce los mejores
estimadoreslinealeseinsesgados.

Lasegundaposibilidadconsisteensuponera i unefectofijo(modeloqueya
se explic en secciones previas) y distinto para cada firma. En este caso, la
heterogeneidadnoobservableseincorporaalaconstantedelmodelo.

Laterceraalternativaestratara i comounavariablealeatorianoobservable
quevaraentreindividuosperonoeneltiempo.
Sisedaelcasoenelque
C ov ( x it ; i ) 0 entoncesentalcasonohaymanera

deestimarlos i demaneraindependientenisiquieraconlasDUMMY.
43

Por lo tanto la nica manera de estimar los

i es conjuntamente con el error
vit : (componentealeatorio).
Porestemotivoelmodelodeefectosaleatoriostieneuntrminodeerrorcondos
componentes:
it i vit .. (90)
E(vit ) 0
.... (91)
E(v2it ) v2 .. (92)
Enestaformulacinseignoraelefectotemporallamismaquepuedeonoestar
correlacionadaconlasvariablesexplicativas.
El modelo de efectos aleatorios es ms apropiado cuando se trabaja con una
muestra reducida de una gran poblacin porque se puede inferir el
comportamientodeindividuosfueradelamuestra(enelcasoanteriorlosefectos
decadaindividuoeranfijos,propios).
Elmodelodeefectosaleatoriostienelasiguienteespecificacin:
yit xit it
..... (93)
yit i xit vit 44

... (94)

Donde
i v it es el componente del error de la ecuacin y que no est
correlacionadoconlasXs.
Esta especificacin nos permite capturar el hecho de que dos observacionesdel
mismo individuo son ms parecidas que dos que pertenecen a diferentes
individuos.Laspropiedades,dedichocomponente,sonlassiguientes:
Esimportanteresaltarestemodelosedistinguedelmodelodeefectosfijoses
queelefectoindividual
i estincorrelacionadocon x it .Estaeslacondicin
deortogonalidadconestesupuestolosestimadoresMCOsonasintticamente
insesgados.
Elproblemaesdualcuandoelmodeloverdaderoeseldeefectosaleatorios:
1.MCOproducirestimadoresconsistentesde perolasdesviacionesestndar
subestimados.
2.MCOnoeseficientecomparadoconlosprocedimientosMCG.
Efectos aleatorios es una forma de tratar con el hecho de que T observaciones
sobrenindividuosnosonlomismoquenTdiferentesindividuos.Lasolucines
directa. Primero, derivamos un estimador de la matriz de covarianzas del
trminodeerror.Segundo,usamosestaestructuraennuestroestimadorde .
Sealanaturalezaaleatoriadeltrminodelerror:
45

E v i t E i 0
v i t v2 E i
2 2 2
E
E v i t ' j 0 i, t, j
E v i t ' v js 0 t s e i j
E i ' j 0 i j
... (95)
it i vit
ParalasTobservacionesdecadaindividuo:
it v it i
i i1 , i 2 , , it
'
Donde
it , este se denomina con
frecuenciamodelosdecomponentesdeerror.
Entonces:
E it v2 2
2
E it is 2
E it jt 0 t s ... (96)
,
i j
Donde se aprecia que la correlacin temporal depende slo del efecto aleatorio
individual.
E ii '
ParalasTobservacionesdelindividuoi, donde:
46

v2 2 2 2

2 v2 2 2
v2 I 2ii '

2 v2 2
2
.... (97)
DondeiesunvectorcolumnaTx1deunos.Comolasiyjobservacionesson
independientes,lamatrizdevarianzasycovarianzasdeloserroresparalasnxT
observaciones:

V

... (98)
Enelcontextodedatosdepanel,existeunadistincintradicionalentre
modelosdeEfectosfijosymodelosdeefectosaleatorios.Enelmodelode

efectosfijos,losefectosindividuales i (i=1,..,N)setratancomocoeficientes
desconocidosqueseestimanconjuntamentecon .
En el modelo de efectos aleatorios, por el contrario, se supone que

i es una
variable aleatoria inobservable no correlacionada con las variables explicativas
delmodeloXit,porloqueseincluyeeneltrminodeerror:
it i vit .... (99)

Por tanto, en el modelo de efectos aleatorios tenemos un trmino de error

compuesto,por it nocorrelacionadoconlasvariablesexplicativasdelmodelo.
Estemodeloformapartedelosmodelosdeefectoscompuestos.
47

Eneltrabajoemprico,muchasvecesseestimanambosmodelosysecontrastasi
los efectos son fijos o aleatorios. Sin embargo, esta estrategia no es apropiada,
porque lo importante no es si los efectos individuales son fijos o aleatorios,
porquedehechoengeneraltienenuncarcteraleatorio.
El aspecto verdaderamente relevante, es conocer si dichos efectos individuales
estnonocorrelacionadosconlasvariablesexplicativasdelmodelo.(Dehecho,
elmodelodeefectosfijospuedeversecomounmodelodeefectosaleatoriosen
quelosefectosindividualessestncorrelacionadosconlasvariablesexplicativas
delmodelo).
La idea detrs de la estimacin con parmetros incidentales (efectos fijos)
respondeala necesidad decapturarlasdiferenciasentreunidadesde estudio
que son capturadas por los represores empleados. El hecho de que se tenga un
solointerceptoparacadaindividuotienecomosupuestolaheterogeneidaddela
muestra.
XII. ESTIMACIN PORMNIMOS CUADRADOS
GENERALIZADOS (CUANDO SE CONOCE ) (Beltrn Barco,
2003)
AlestimarporMCGseobtienenestimacioneseficientes.RequerimoshallarelT
quetransformeladata.As:
1 1
T V 2
I 2
1 ii ' v2
2
I 1 1
T (T )
2 2
v
2
... (100)
Esoimplicaquelaregresinparticionadaconladatatransformada
(premultiplicadapor1/2)sera:
48

( yit yi ) vs. (xit xi )

. (101)
Si 1 ,entoncesseestenelModeloLSDV.
Una forma alternativa de estimacin MCG consiste en formular la regresin de
tresmodos:
ModeloOriginal(a)1
y it x it it i .. (102)
ModelodeDesviacionesdelamediadecadaisobreeltiempo
(w)2:

( yit yi ) ( xit xi ) it i
.... (103)

ModelodecadaindividuosobreT3(b)
1
Modelocompleto
2
Modelodentrodelasunidades(withintheunits)
3
Modeloentrelasunidades(betweentheunits)
49

y i x i e i i ..... (104)

Ademssedefinenlassiguientescorrelaciones:
Modelot:
n T
T ( xit x )( xit x )
t
xx
i 1 t 1
n T
T ( xit x )( yit y )
t
xy
i 1 t 1 . (105)
Modelow:
n T
W xx (x
i 1 t 1
it x i )( x it x i )
n T
W xy (x
i 1 t 1
it x i )( y it y i )
... (106)
Modelob:
50

n T
T b
xx
i 1 t 1
( xi x )( xi x )
n T
T b
xy
i 1 t 1
( xi x )( yi y )
.... (107)
Ysecumplenlassiguientespropiedades:
T xxt W xx T xxb
T xyt W xy T xyb
.... (108)
Paradescomponerelestimador:
t 1 t
Txx Txy
t
b 1
Wxx Txx Wxy Txyb
t
. (109)
Paralosmodeloswyb:
1
w Wxx Txyw
QueeselestimadordelModeloLSDV... (110)
51

1
b Txxb Txyb
.. (111)
Loanteriorsepuederescribircomo:
Wxy Wxx w
Txyb Txxb b
.. (112)
Enconsecuenciaelestimadordelmodelototalsera:
b 1
Wxx Txx Wxxw w Txxb b
t
t F w w F b b ... (113)

1
F w Wxx Txyb Wxx w b
Y donde . Las F y F son los pesos para
explicarlasvariables.
EsposibledemostrarqueelestimadordeMCGsepuedeescribirdelasiguiente
forma:
52

b 1
t
MCG F F y
b b w w
F w
W
xx T
xx Wxx
.. (114)
v2
(1 ) 2
donde
2
v T 2
.... (115)
Elprocesollevadoacabosirveparaqueelefectode seacorregidoenlamatriz
devarianciasycovariancias.
Si 1 entonces,elestimadorMCOesidnticoalMCG.
Si 0 entonces,seestfrentealModeloLSDV.
MnimosCuadradosGeneralizados(cuandonoseconoce )
2
Estimacinde i
Paraconstruirelestimador,esposibletomarinformacindelModelow.
T _
( it i )2
2 t 1
i
T 1 .. (116)
T
( it i ) 2
s 2i t 1
T k 1 donde T K 1 eselnmerodevariablesexplicativas.
LaVarianciatotal,enconsecuencia,es: 53

s 2i
s
2
N
T

( it i )
2
1 n

N
i 1
t 1
T k 1

n T
( it i ) 2
i 1 t 1
NT Nk N .. (117)
Como se puede observar, la correccin por grados de libertad es excesiva (se
asume que y son estimadores para cada unidad i ). Pero los parmetros
Y
estimadossonlanmediade i ylaskpendienteselestimadorpropuestoes:
n T
( it i )2
2 i 1 t 1
e2 LSDV
NT N N . (118)
2
Estimacinde
Delmodeloenmedias:
e**i yi xi

ei i .. (119)
54

Analizandolavariancia:
e ** ' e **
2

n k
e **
2
e
2

T ...... (120)
Enconsecuencia:
e2

2
2
e**
T .... (121)
X.IIIMNIMOSCUADRADOSORDINARIOSEN
DESVIACIONES
Existe una forma ms simple de estimar el modelo de efectos aleatorios, se
denominaMCOendesviaciones.Lospasosaseguirsonlossiguientes:
Calcularlosestimadores y
w b
Usarlosresiduosdecadaestimacinparahallar y v
2 2
v2
1
Estimar ,donde (T2 v2 ) 2

( ~
y y y ) vs. ( ~
xit xit xi )
EstimarMCO: it it i
55

XIII. TESTPARAELERORDEESPECIFICACIN

Eltemanoessi
i esfijooaleatorio,sinoquesiladistribucincondicionalde
los
i dadoslosXiesigualaladistribucinnocondicionalde i .Ascuando
i estcorrelacionadoconlosXi,elmodelo
yit ' xit i it ... (122)

Recibeelnombredemodelodeefectosaleatorios.
CmoelegirentreelModelodeEfectosFijosyelModelodeEfectosAleatorios?
Cuandosolosedisponedeunaspocasobservacionesparadiferentesindividuos
en el tiempo, es excepcionalmente importante hacer el uso ms eficiente de los
datos a travs de los individuos con el fin de estimar aquella parte de las
relaciones de comportamiento que contienen las variables que difieren
sustancialmente de un individuo a otro. De esta forma, la escasa informacin
temporal disponible ser utilizada de manera ventajosa en la estimacin de la
partecomnenlarelacineconmicabajoestudio.
14.1LaPruebadeHausman(Greene,1999)
EnelprocedimientopropuestoporHausman,bajolahiptesisnulaHo: 0 ,es
elestimadorMCGparaelmodelo
56

SilosefectosindividualesestncorrelacionadosconlasXs,entonces,elmodelo
de efectos fijos es consistente y eficiente; mientras que el modelo de efectos
aleatoriosnoesconsistente.
Si los efectos individuales no estn correlacionados con las Xs, entonces, el
modelodeefectosaleatoriosesconsistenteyeficiente;mientrasqueelmodelode
efectosfijosesconsistenteperonoeficiente(estosedeberaaunasubestimacin
delavariancia).
H o :Elmodelodeefectosaleatorioseselmodelocorrecto.
H ( EA EF )' EF EA ( EA EF ) ~ X 2k
1
.. (123)
14.2Otrapruebaalternativa(BeltrnBarco,2003)
H o : La omisin de efectos fijos en el modelo de efectos aleatorios tiene algn
efectoenlaconsistenciadelosestimadoresdeefectosaleatorios( 0 )
~
y~
x x Dnde:
~
y y it y i
~
x x x
it i

x xit xi . (124)
EntoncessetesteaquelosseanceroconuntestFenbloques.
57

14.3 Cul de los dos modelos es preferible: el Modelo de Efectos
FijosoelModelodeEfectosAleatorios(BeltrnBarco,2003)?
La respuesta a esta pregunta depender del contexto en el cual se encuentre la
informacin y el propsito del anlisis. Si la informacin recabada consiste en
una muestra aleatoria de observaciones de una poblacin grande; entonces, el
modelodeefectosaleatoriospuedeserelmsapropiado.Sinembargo,dondeno
sepuedeconsiderarestemodeloescuandoseanalizaunapoblacincompletao
grande,enesecaso,esconvenienteutilizarelmodelodeefectosfijos.
Unadelasdesventajaspotencialesdelmodelodeefectosaleatoriosesqueasume
que los errores estocsticos asociados con cada unidad observacional estn no
correlacionadosconningnotroregresor,cuandoenmuchascircunstanciasesto
nosucede.
Bibliografa
Castro, J. (2008). Anlisis univariado de series de tiempo. Notas de Clase BCRP 55
Curso de Extensin Universitaria.
Mayorga M., M., & Muoz S., E. (2000). La tcnica de datos de panel una gua para su
uso e interpretacin. Documento de trabajo del Banco Central de Costa Rica,
Banco Central de Costa Rica.
Beltrn Barco, A. (2003). Econometra de series de tiempo. Lima: . Universidad del
Pacfico. Obtenido de
https://econometriaii.files.wordpress.com/2010/01/beltran.pdf
de Arce, R., & Maha, R. (2007). Tcnicas de Previsin de variables financieras:Modelos
Arima. (M. d. Citius, Ed.)
Greene, W. (1999). Anlisis Economtrico. (S. &. Schuster, Trad.) Madrid: Prentice Hall
Iberia.
Labra, R. &. (2014). Gua CERO para datos de panel. Un enfoque prctico. (U. A.
Madrid, Ed.)
58

59


Apuntes de Clase Nro5 Datos de Panel

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Apuntes de Clase Nro5 Datos de Panel

Diunggah oleh

Hak Cipta:

Format Tersedia

Serie Apuntes de Clase

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Calle Germn Amzaga N 375.

Palabras Claves: Mtodos economtricos: modelos de ecuaciones mltiples; Datos de

Datos de Panel. Apuntes de Clase.N05.Setiembrede2014. EAPE/FCE/UNMSM

En el anlisis de la informacin (econmica, social, empresarial, comercial, etc.)

pueden existir diferentes dimensiones sobre las cuales interesa obtener

conclusiones derivadas de la estimacin de modelos que traten de extraer

Una de estas dimensiones la constituye el anlisis de series de tiempo, la cual

un perodo determinado de tiempo (dimensin temporal). En este caso, cada

representa el anlisis de la informacin para las unidades individuales de

tipo de anlisis, el cual se denomina de corte transversal, el elemento o unidad

Econometra de Panel Data

Los dos tipos de anlisis de la informacin permiten extraer conclusiones

relevantes de acuerdo con los intereses del investigador. Un sencillo ejemplo

que se quiere modelar la rentabilidad de las firmas que pertenezcan a una

determinadaindustria. Un anlisis de regresin basado en datos de corte

transversal para un ao en particular podra incluir un conjunto de variables

explicativas tales como la calidad de la administracin, el monto del capital

fsico, el empleo de mano de obra y el nivel de apalancamiento financiero, por

tomar en cuenta como variable explicativa de la rentabilidad, cualquier

incremento en el rendimiento que pueda ocurrir con el transcurso del tiempo

como consecuencia de mejoras tecnolgicas que hayan sido incorporadas en la

El principal objetivo de aplicar y estudiar los datos en panel, es capturar la

temporaldelos datos,loque enriquece elestudio,particularmenteenperodos

La aplicacin de esta metodologa permite analizar dos aspectos de suma

importanciacuandose trabajacon este tipodeinformacin yqueformanparte 2

Econometra de Panel Data

contenidos en la muestra (individuos, empresas, bancos) los cuales son

invariables en el tiempo y que afectan de manera directa las decisiones que

tomen dichas unidades. Usualmente se identifica este tipo de efectos con

cuestiones de capacidad empresarial, eficiencia operativa, capitalizacin de la

pueden asociarse, por ejemplo, a los choques macroeconmicos que pueden

El nmero de individuos (N) es generalmente grande y el nmero de

Econometra de Panel Data

Panel Data es mezclar informacin de corte transversal e informacin

temporal. Como en el corte transversal, se recoge informacin de

individuos y se observa cada individuo, como en el anlisis de series de

Son observaciones repetidas sobre el mismo conjunto de unidades de

seccin cruzada o dicho de otra forma se tiene el mismo nmero de

En los paneles microeconmicos, el investigador est interesado en

analizar como vara el comportamiento de los agentes econmicos

individuales frente a cuestiones como sus hbitos de consumo, su

situacin laboral, su nivel de estudios, etc. Estas son decisiones que

incluso si comparten las mismas caractersticas observables, toman

decisiones distintas. Ello obliga a contemplar la existencia de efectos no

observables, especficos de cada agente encuestado, generalmente

Econometra de Panel Data

en el modelo, se producir un problema de variables omitidas: los

coeficientes estimados de las variables explicativas incluidas estarn

Econometra de Panel Data

Econometra de Panel Data

economtricos que incluyan entre las variables explicativas los efectos

Econometra de Panel Data

Las ventajas de modelos economtricos con informacin en panel, son las

la colinealidad entre las variables explicativas, mejorando de esta forma la

perodos mustrales prolongados, existen trabajos recientes en que se

La disponibilidad de datos longitudinales permite a los investigadores

analizar una variedad de importantes interrogantes econmicas, que no se

pueden analizar utilizando solo informacin de corte transversal o slo

los modelos economtricos estndar de series de tiempo o de corte

seala que la verdadera razn de porque se encuentra (o no se encuentran)

medicin o porque ciertas variables no son observadas que estn