N 05
Setiembrede2014
ECONOMETRIA DE DATOS DE
PANEL
Mg. Bustamante Roman, Rafael
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.
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
I. INTRODUCCIN
Losmodelosqueseutilizanenelanlisiseconmicoodecualquierotrandole,
sepuedenclasificardesdedospuntosdevista:i)segnlosdatosutilizadosyii)
segnrelacionessupuestasentrelasvariables.Elobjetivodeestedocumento,es
analizarelprimerodelosdoscriterios.
relacionesdecausalidadodecomportamientoentrediferentestiposdevariables,
apartirdelosdatosdisponibles(deArce&Maha,2007).
incorporainformacindevariablesy/ounidadesindividualesdeestudiodurante
perododetiempoconstituyeelelementopoblacionaly/omuestral.Porsuparte,
existe otra dimensin que no incorpora el aspecto temporal sino que ms bien
estudio,enunmomentodeterminadodeltiempo(dimensinestructural).Eneste
maestralnoloconstituyeeltiemposinolasunidadesdeanlisis.Ejemplosdeeste
tipodeanlisispuedenserlacantidaddemandadadealimentosporunamuestra
defamiliasduranteunperododetiempoolacantidadproducidadetelevisores
por una serie de empresas en el mismo lapso. En ambos casos los elementos
mustralesseranlafamiliaylaempresa.
puede ilustrar mejor la diferencia entre cada uno de los enfoques2: supngase
ejemplo.Coneltipodeinformacinincluidaenestemodelodecortetransversal
sepodraestartomandoencuentacualquiertipodeeconomadeescaladelaque
lasfirmaspodranbeneficiarse.Sinembargo,estemodelonopodraidentificaro
industria(deArce&Maha,2007).
heterogeneidadnoobservable,yaseaentreagenteseconmicosodeestudioas
comotambineneltiempo,dadoqueestaheterogeneidadnosepuededetectar
niconestudiosdeseriestemporalesnitampococonlosdecortetransversal.
Estatcnicapermiterealizarunanlisismsdinmicoalincorporarladimensin
degrandescambios.Estamodalidaddeanalizarlainformacinenunmodelode
panelesmuyusualenestudiosdenaturalezamicroeconmica.
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
experiencia,accesoalatecnologa,etc.
Losefectostemporalesseranaquellosqueafectanporigualatodaslasunidades
individuales del estudio pero que no varan en el tiempo. Este tipo de efectos
afectarporigualatodaslasempresasounidadesdeestudio.
1.1 CASOSENLOSQUESEUSAESTAMETODOLOGA:
Losdatoslongitudinalesopanelessiguenaloselementosdelamuestraa
lolargodeltiempo,recogiendoobservacionesconsecutivasdelosmismos
elementos.Unaencuestalongitudinal haceposibleanalizarcmocambia
el valor de determinadas variables a lo largo del tiempo para elementos
concretosdelamuestra.
perodos(T)esgeneralmentereducido.
Unaencuestalongitudinalhaceposibleanalizarcmocambiaelvalorde
determinadasvariablesalolargodeltiempoparaelementosconcretosde
lamuestra.
II. DIVERSASDEFINICIONES
tiempo,atravsdeltiempo.Estopermiteestudiarlosefectosdinmicosy
decomportamientoindividualdelosproblemas.
observacionesencadaunidaddeseccincruzadaesdeciresunamezcla
deambasenlacualserecogeinformacinentreindividuosyseobserva
cadaindividuocomoelanlisisdeseriesdetiempo,atravsdeltiempo.
dependerndeunalistadecaractersticassocioeconmicasqueelanalista
debe especificarcomovariablesexplicativasdelmodelo.Sinembargono
todoslosagentestomansusdecisionesdeigualmodo:diferentesagentes,
decisiones.Siestosefectoslatentesexistenynoserecogenexplcitamente
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
individualesnoobservables.
Eldisponerdeunnmeroreducido,T,deobservacionesdecadaunodelosN
individuosdelamuestra,podrapensarseenestimarunmodeloeconomtrico
concadaunadelasTseccionescruzadasparaluegocompararlaevolucinde
loscoeficientesdelmodeloalolargodeltiempo.
siguientes(Greene,1999):
Sedisponedeungrannmerodedatos(atravsdeindividuosyatravsdel
tiempo). Por esta razn aumentan los grados de libertad y, al utilizar las
diferenciasindividualesenlosvaloresdelasvariablesexplicativas,sereduce
eficienciadelosestimadores.
Evitalossesgosdeagregacincondatosmacroeconmicos.
Engeneral,esposibleobtenerestimacionesconsistentespara N yTfijo.
Noobstante,dadalacrecienteexistenciadebasesdedatoslongitudinalescon
consideranpropiedadesasintticaspara N y T .
informacindeseriesdetiempo.
Permiteconstruirytestearmodelosdecomportamientomssofisticadosque
transversal.
Proporcionaunmtodopararesolveroreducirlamagnituddeunproblema
economtricoclavequesiempresurgeenlostrabajosempricos:siemprese
ciertosefectosesproductodelaomisindevariablesdebidoaproblemasde
correlacionadasconlasvariablesexplicativas.
8
Permiteestudiardeunamejormaneraladinmicadelosprocesosdeajuste.
permanenciadeciertosnivelesdecondicineconmica(desempleo,pobreza,
riqueza).
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
2003).
diferenciasdecomportamientosentrelosindividuos.Talycomosemencion
anteriormente,latcnicapermitecapturarlaheterogeneidadnoobservableya
seaentreunidadesindividualesdeestudiocomoeneltiempo.Conbaseenlo
confirmarorechazardichaheterogeneidadycmocapturarla.
Entrelasdesventajassecuentan:
Sesgodeheterogeneidad:
Muchospanelesdedatosprovienendeprocesosmuycomplicadosqueexigenel
comportamientodiario.Cuandoseanalizaseriesdecortetransversalelsupuesto
f y /
probabilidad paramtrica del tipo , donde es un vector real de
Estesupuestopuedenoserrealistaenelcasodedatosdepanel;esmsignorar
la heterogeneidad en los intercepto y/o en las pendientes es una que puede ser
errada. 9
Sesgodeseleccin:
transversalydepanelesdedatosesquelamuestrapuedenohabersidoextrada
tiempo.Comoconsecuenciadeellosepuedetener(deArce&Maha,2007):
Faltaderepresentatividaddelamuestradebidoa:
Desgastemuestral
Noaleatoriedaddelasobservaciones
10
PANEL
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
formularlasiguientematrizdecoeficientesparaelmodelomsgeneral.
12
k ,it ik,t
: La lectura es la siguiente. Es el coeficiente asociado a la
observacinisimadelavariableksimaenelperiodotemporalt.
asociadosalasvariablesexplicativas.
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
asociada,condicionadaaunvectordecaractersticasyparmetros, f ( y / x, )
Unmodelodedatosdepanelinvolucraauntotaldenindividuosounidades
econmicas,coninformacinalolargodeTperiodos,paralavariableendgena
y it X k ,it
yparalasvariablesexgenas ,dondeieselnmerodeindividuos,tes
distinguenentres.
Entoncesunodelosobjetivosprimordialesdelosmodelosdedatosdepaneles
GeneralmentesepostulaqueYesunafuncinlinealdeX;sinembargo,para
inferenciaserrneas.
Loanteriorsignificaqueelprimerpasohaciaunaexplotacincompletadelos
recomendadoesunanlisisdevarianza.
14
Elanlisisdevarianzaestenfocadoenunacategoraparticulardehiptesis
linealesqueestipulanqueelvaloresperado deunavariablealeatoriadepende
slodelaclasealacuallosindividuosconsideradospertenecen;sinembargoel
mismo tiempo permite que las verdaderas relaciones para cada individuo
dependandelaclasealacualestepertenece,talcomolohacenlosmodelosde
anlisisdevarianza.
cuantitativos,seproponeunmodelolinealcomo:
Yelprocedimientodetesteoes(deArce&Maha,2007):
(2) Probarsilos
' s sononolosmismoscolectivamente.
(3) Testearsilos
'
s sononolosmismoscolectivamente.
Enelanlisisdecovarianzadedatosdepanelseasumequelosparmetrosson
anlisis a modelos del tipo (iii). Por lo tanto, es factible postular un modelo de
regresindiferenteparacadaindividuo.Estoes,elmodeloaconsiderares:
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
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
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
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:
correccindemediasindividualesyparaelpooledmodel.Porejemplo,
restriccioneslineales:
H 10 : 1 2 ... N
.. (36)
comoelmodelorestringidosujetoa(N1)(K+1)restriccioneslineales:
H 30 : 1 2 ... N
.. (38)
1 2 ... N .. (39)
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)
esfuerzoadicionalparadetectarsilanohomogeneidadpuedeatribuirsealas
pendientesheterogneasointerceptosheterogneos.
(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,
Homogeneidadenlosinterceptos.
homogeneidadenlosintercepto:
H 4 : 1 2 . . . . N .. (43)
residualesnorestringidaesS2,mientrasquelarestringidaesS3,yelestadgrafo
Fes:
21
S 3 S2
F4 N 1 F N 1, N ( T 1 ) k
S2
N T 1 k
... (44)
de los individuos en un instante dado, pero varan entre periodos; esto implica
transversal:
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)
homogneas,dadapor:
H 1
'
: 1 2 . . . T ........ (48)
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)
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
DECOMPONENTESDEERROR
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
originadosportrestiposdevariables:
administracin,capacidadempresarial,etc.
26
empresas,ventas,stockdecapital,etc.
Losmodelosdeinterceptosvariablesasumenquelosefectosdeunavariedad
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
tiempo,osonunacombinacindeambas,porloquepuedenserincorporadas
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.
anterior, los
it satisfacen todos los supuestos del modelo lineal general,
producelosmejoresestimadoreslinealeseinsesgados.
Lasegundaposibilidadconsisteensuponera
i unefectofijoydistinto
incorporaalaconstantedelmodelo.
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:
Donde
i es la diferenciacin atemporal de los individuos. Si todos los i son
igualesaunaconstantes,porejemplo,seestaraenelcasodepooldataestoya
estructuradeunpaneldataenlosdatos.Apilamosladatayobtenemos:
Y X .... (65)
it i i d ( 0 , 2
) i t
individuosyatravsdeltiempo,ademsdequeloserroressonhomocedsticos.
Laestimacindeestemodeloesdirecta.Losestimadoressoneficientesdebidoa
queladatafueapiladadeformatalquesepuedeaplicarMCO.Peroestanoesla
estimacinqueseusaporlocomentadoanteriormente.
30
variablesomitidaspuedengenerarcambiosenlosinterceptosyaseaatravsdel
fijosquetratadeaproximarestoscambiosconvariablesdummy;elotromodelo
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
propiasdecadaunadeellas,medidaspormediodelintercepto.Esporelloque
para cada unidad, los cuales se deben estimar (Beltrn Barco, 2003). Entonces,
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:
y D x .. (69)
32
Estemodelosedenominahabitualmentecomoelmodelodemnimoscuadrados
cuadradosserefierealatcnicaqueseutilizahabitualmenteparaestimarlo,no
almodelocomotal).
regresionesparticionadas,enlasqueelestimadores:
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
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.
agrupados.
TEMPORALES
tambin,paraqueincluyaunefectotemporalespecfico. 35
interpretarse:
y it i t ' xit it
.. (78)
Donde los ' s son para todos los individuos y controlados por los efectos
temporalesdebedejarsefueraparaevitarcolinealidadperfecta.Sielnmerode
embargohayunaasimetraenestaformulacin,yaquecadaunodelosefectosde
grupoesunaconstanteespecficadegrupo,mientrasquelosefectostemporales
sonreferencias,esdecir,comparacionesconunaobase(elexcluido).Unaforma
simtricadelmodeloes
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
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)
comomodelodeanlisisdecovarianza,elestimadordemnimoscuadradoscon
nombredeestimadorintragrupal(withinestimador),puestoquesoloseutiliza
lavariacinalinteriordecadagrupoparacalcularelestimador.
39
Como se ha sealado, el estimador CV es insesgado y tambin consistente
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
1999)
a.Losobjetivosdelestudio
Sisedeseahacerinferenciasconrespectoalapoblacin,esdecirquesetrabaja
con una muestra aleatoria, lo mejor es utilizar una especificacin del tipo
estimacindeefectosfijosserlacorrecta.
Adicionalmente,sielintersdelestudioparticularestpuestoenloscoeficientes
delaspendientesdelosparmetros,ynotantoenlasdiferenciasindividuales,se 40
deberaelegirunmtodoquerelegueestasdiferenciasytratarlaheterogeneidad
noobservablecomoaleatoria.
inferenciacondicionadaalosefectosqueveenlamuestraesdecirmarginalizala
funcindeprobabilidadconjunta.Eldeefectosaleatoriossevecomounoenel
poblacin.
muestra.
dondeprovienen.
Conelmtododeefectosfijoslaheterogeneidadnoobservableseincorporaenla
mencion,seincorporaneneltrminodeerror,porlocualloquesemodificaes
lavarianzadelmodelo.
estimacionesdelosparmetrosenloscasosenquesecuentacontpequeoyN
grande.Enestoscasosdebehacerseelusomseficientedelainformacinpara
quedifierensustancialmentedeunindividuoaotro.
c.Nmerodedatosdisponibles.
Dummiesnoidentificadirectamentequcausaquelaregresinlinealcambie
eneltiempoyenlosindividuos.Adems,estoimplicalaprdidadegradosde
41
libertad.Asimismo,deberntomarseconsideracionesconrespectoalaestructura
delosdatosconquesecuente,dadoquesilaNesgrandeperosisetieneunT
pequeo, podra ser que el nmero de parmetros de efectos fijos sea muy
confiablesyunaestimacinineficiente.Algunasinvestigacioneshandemostrado
muestrademuchasunidadesdecortetransversalconpocosperiodosdetiempo
(629individuospara6periodos,porejemplo).
Sea:
yit xit it . (88)
Dondeelnmerodeindividuosesgrande,yelnmerodeperiodostemporales
trminodeperturbacin:
i :Llamadoefectoindividualoespecficoacadagrupo.Representalosefectos
noobservablesquedifierenentrelasunidadesdeestudioperonoeneltiempo,
Conocimiento,habilidades.
vit :
Componentealeatorio.
42
unidadesdeestudio.
nt 0
componente de error conocido como one way para el cual . Las
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
heterogeneidadnoobservableseincorporaalaconstantedelmodelo.
Laterceraalternativaestratara i comounavariablealeatorianoobservable
quevaraentreindividuosperonoeneltiempo.
Sisedaelcasoenelque
C ov ( x it ; i ) 0 entoncesentalcasonohaymanera
deestimarlos i demaneraindependientenisiquieraconlasDUMMY.
43
Porestemotivoelmodelodeefectosaleatoriostieneuntrminodeerrorcondos
componentes:
it i vit .. (90)
E(vit ) 0
.... (91)
E(v2it ) v2 .. (92)
Enestaformulacinseignoraelefectotemporallamismaquepuedeonoestar
correlacionadaconlasvariablesexplicativas.
comportamientodeindividuosfueradelamuestra(enelcasoanteriorlosefectos
decadaindividuoeranfijos,propios).
Elmodelodeefectosaleatoriostienelasiguienteespecificacin:
yit xit it
..... (93)
Donde
i v it es el componente del error de la ecuacin y que no est
correlacionadoconlasXs.
individuos.Laspropiedades,dedichocomponente,sonlassiguientes:
Esimportanteresaltarestemodelosedistinguedelmodelodeefectosfijoses
queelefectoindividual
i estincorrelacionadocon x it .Estaeslacondicin
deortogonalidadconestesupuestolosestimadoresMCOsonasintticamente
insesgados.
Elproblemaesdualcuandoelmodeloverdaderoeseldeefectosaleatorios:
1.MCOproducirestimadoresconsistentesde perolasdesviacionesestndar
subestimados.
2.MCOnoeseficientecomparadoconlosprocedimientosMCG.
sobrenindividuosnosonlomismoquenTdiferentesindividuos.Lasolucines
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 .
delmodeloXit,porloqueseincluyeeneltrminodeerror:
compuesto,por it nocorrelacionadoconlasvariablesexplicativasdelmodelo.
Estemodeloformapartedelosmodelosdeefectoscompuestos.
47
Eneltrabajoemprico,muchasvecesseestimanambosmodelosysecontrastasi
los efectos son fijos o aleatorios. Sin embargo, esta estrategia no es apropiada,
porquedehechoengeneraltienenuncarcteraleatorio.
estnonocorrelacionadosconlasvariablesexplicativasdelmodelo.(Dehecho,
elmodelodeefectosfijospuedeversecomounmodelodeefectosaleatoriosen
quelosefectosindividualessestncorrelacionadosconlasvariablesexplicativas
delmodelo).
que son capturadas por los represores empleados. El hecho de que se tenga un
solointerceptoparacadaindividuotienecomosupuestolaheterogeneidaddela
muestra.
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
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)
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
( ~
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
Recibeelnombredemodelodeefectosaleatorios.
CmoelegirentreelModelodeEfectosFijosyelModelodeEfectosAleatorios?
Cuandosolosedisponedeunaspocasobservacionesparadiferentesindividuos
datos a travs de los individuos con el fin de estimar aquella parte de las
partecomnenlarelacineconmicabajoestudio.
14.1LaPruebadeHausman(Greene,1999)
EnelprocedimientopropuestoporHausman,bajolahiptesisnulaHo: 0 ,es
elestimadorMCGparaelmodelo
56
SilosefectosindividualesestncorrelacionadosconlasXs,entonces,elmodelo
aleatoriosnoesconsistente.
modelodeefectosaleatoriosesconsistenteyeficiente;mientrasqueelmodelode
efectosfijosesconsistenteperonoeficiente(estosedeberaaunasubestimacin
delavariancia).
H o :Elmodelodeefectosaleatorioseselmodelocorrecto.
H ( EA EF )' EF EA ( EA EF ) ~ X 2k
1
.. (123)
14.2Otrapruebaalternativa(BeltrnBarco,2003)
efectoenlaconsistenciadelosestimadoresdeefectosaleatorios( 0 )
~
y~
x x Dnde:
~
y y it y i
~
x x x
it i
x xit xi . (124)
EntoncessetesteaquelosseanceroconuntestFenbloques.
57
FijosoelModelodeEfectosAleatorios(BeltrnBarco,2003)?
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