You are on page 1of 12

Econometra 2. Curso 2010-2011.

Ejercicios Tema 2

Datos de Panel. Ejemplo 1.


Ejemplo del libro Econometra de Damodar N. Gujarati, cuarta edicin, basado en el estudio de la teora de inversiones llevado a cabo por Y. Grunfeld 1 , (datos en la tabla 16.1). Grunfeld estaba interesado en el estudio de la inversin bruta real, I, en funcin del valor del capital social de la empresa, CAP (valor de las acciones comunes y preferentes a 31 de Diciembre), y del valor real, PL (valor de las plantas y los equipos), en millones de dlares, debidamente ajustados con los correspondientes deflactores. Consideramos los datos de 4 unidades o empresas de la muestra: General Electric (GE), General Motor (GM), U.S.Steel (US) y Westinghoues (WEST), correspondientes al periodo 1935-1954. Las variables estn nombradas como I_GE, I_GM, I_US, I_West, CAP_GE, CAP_GM, CAP_US, CAP_West, PL_GE, PL_GM, PL_US y PL_West Los datos se encuentran en el archivo tm2_ej1.wf1 Para estimar dicho modelo podemos llevar a cabo para cada una de las compaas la regresin Yt = b1 + b2 X2t + b3 X3t + et para t =1935,,1954 Siendo las variables Y = I, X2=CAP y X3=PL As tendremos las cuatro estimaciones individuales:
Dependent Variable: I_GE Method: Least Squares Sample: 1935 1954 Variable C CAP_GE PL_GE R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat General Electric Included observations: 20 Std. Error t-Statistic Prob. 31.37425 -0.317340 0.7548 0.015566 1.705705 0.1063 0.025704 5.901548 0.0000 Mean dependent var 102.2900 S.D. dependent var 48.58450 Akaike info criterion 9.631373 Schwarz criterion 9.780733 F-statistic 20.34355 Prob(F-statistic) 0.000031

Coefficient -9.956306 0.026551 0.151694 0.705307 0.670637 27.88272 13216.59 -93.31373 1.072099

Y. Grunfeld, The Determinant of Corporate Investiment, tesis de doctorado indita. Department of Economics, University of Chicago, 1958. Convertido en el ejemplo ms utilizado en los estudios de panel de datos.

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

Dependent Variable: I_GM Method: Least Squares Sample: 1935 1954 Variable Coefficient C -149.4667 CAP_GM 0.119210 PL_GM 0.371525 R-squared 0.921402 Adjusted R-squared 0.912156 S.E. of regression 91.75346 Sum squared resid 143117.9 Log likelihood -117.1357 Durbin-Watson stat 0.937434

General Motor Included observations: 20 Std. Error t-Statistic Prob. 105.7202 -1.413795 0.1755 0.025804 4.619724 0.0002 0.037052 10.02704 0.0000 Mean dependent var 608.0200 S.D. dependent var 309.5746 Akaike info criterion 12.01357 Schwarz criterion 12.16293 F-statistic 99.64574 Prob(F-statistic) 0.000000

Dependent Variable: I_US Method: Least Squares Date: 08/27/01 Time: 09:43 Sample: 1935 1954 Variable Coefficient C -50.07804 CAP_US 0.171430 PL_US 0.408709 R-squared 0.481011 Adjusted R-squared 0.419953 S.E. of regression 95.48267 Sum squared resid 154988.0 Log likelihood -117.9325 Durbin-Watson stat 0.921570 Dependent Variable: I_WEST Method: Least Squares Date: 08/27/01 Time: 09:45 Sample: 1935 1954 Variable Coefficient C -0.580403 CAP_WEST 0.053055 PL_WEST 0.091694 R-squared 0.745051 Adjusted R-squared 0.715057 S.E. of regression 10.20102 Sum squared resid 1769.034 Log likelihood -73.20334 Durbin-Watson stat 1.410793

U.S.Steel

Included observations: 20 Std. Error t-Statistic Prob. 146.7223 -0.341312 0.7371 0.073721 2.325409 0.0327 0.144889 2.820836 0.0118 Mean dependent var 410.4600 S.D. dependent var 125.3699 Akaike info criterion 12.09325 Schwarz criterion 12.24261 F-statistic 7.877993 Prob(F-statistic) 0.003792 Westinghouse

Included observations: 20 Std. Error t-Statistic Prob. 8.013355 -0.072429 0.9431 0.015708 3.377633 0.0036 0.056135 1.633465 0.1208 Mean dependent var 42.89150 S.D. dependent var 19.11019 Akaike info criterion 7.620334 Schwarz criterion 7.769694 F-statistic 24.84005 Prob(F-statistic) 0.000009

De modo anlogo podramos hacer una regresin para cada uno de los aos, de 1935 a 1954.

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

Podemos resumir las estimaciones obtenidas para los coeficientes con el cuadro que sigue:
Variable C CAP_GE PL_GE C CAP_GM PL_GM C CAP_US PL_US C CAP_WEST PL_WEST Coefficient -9.956306 0.026551 0.151694 -149.4667 0.119210 0.371525 -50.07804 0.171430 0.408709 -0.580403 0.053055 0.091694 Std. Error 31.37425 0.015566 0.025704 105.7202 0.025804 0.037052 146.7223 0.073721 0.144889 8.013355 0.015708 0.056135 t-Statistic -0.317340 1.705705 5.901548 -1.413795 4.619724 10.02704 -0.341312 2.325409 2.820836 -0.072429 3.377633 1.633465 Prob. 0.7548 0.1063 0.0000 0.1755 0.0002 0.0000 0.7371 0.0327 0.0118 0.9431 0.0036 0.1208

Se nos muestra as la variabilidad de las estimaciones, por ejemplo la ordenada en el origen va desde -149.4667 en GM hasta -0.58 en West, el coeficiente de CAP va desde 0.0026551 en GE hasta 0.171430 en US, etc. Ahora bien, si bien pueden existir algunas diferencias individuales, el planteamiento es que las pendientes de las variables CAP y PL deberan ser iguales en todos los casos si tenemos presente que los parmetros estructurales correspondientes b2 y b3 son las tasas marginales del CAP y PL, respectivamente, sobre la inversin I. Podemos hacer la estimacin conjunta contando con las 80 observaciones disponibles (4 unidades x 20 momentos de tiempo), lo cual permitir mejorar la eficiencia de las estimaciones, reduciendo las covarianzas de los estimadores, considerando que las pendientes son las mismas para las cuatro empresas. En EViews podemos crear un objeto panel (POOL) seleccionando las opciones Object/New Object... del men principal, poniendo NEW OBJECT en la lnea de mandatos seleccionando POOL, o bien poniendo directamente NEW POOL en la lnea de comandos o mandatos. Se nos abrir una ventana solicitando los identificadores cross-section o transversales. En nuestro caso, dedicando una lnea para cada unidad, estos sern: _GE _GM _US _WEST De este modo las variables para las diferentes unidades estarn identificadas como VARIABLE_UNIDAD, refirindonos a las mismas de forma conjunta utilizando la forma VARIABLE?. Podemos ponerle el nombre 3

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

PANEL1 al panel definido mediante el comando NAME del men de la ventana del panel. MODELO PLANO As para estimar el modelo con las 80 (4x20) observaciones, en la misma ventana seleccionamos proc/estimate, indicando como variable dependiente I? y como regresores o variables independientes C CAP? PL? sin modificar el resto de opciones (Fixed and Random Effects, Cross-section: None, Period: None, Method: LS). Obtenemos as la regresin del Modelo Plano (datos agrupados) dada por: Yit = b1 + b2 X2it + b3 X3it + eit: para i =1,,4, T=1935, ,1954
Dependent Variable: I? Method: Pooled Least Squares Sample: 1935 1954 Included observations: 20 Cross-sections included: 4 Total pool (balanced) observations: 80 Variable Coefficient Std. Error t-Statistic C -63.30414 29.61420 -2.137628 CAP? 0.110096 0.013730 8.018809 PL? 0.303393 0.049296 6.154553 R-squared 0.756528 Mean dependent var Adjusted R-squared 0.750204 S.D. dependent var S.E. of regresin 142.3682 Akaike info criterion Sum squared resid 1560690. Schwarz criterion Log likelihood -508.6596 Hannan-Quinn criter. F-statistic 119.6292 Durbin-Watson stat Prob(F-statistic) 0.000000

Prob. 0.0357 0.0000 0.0000 290.9154 284.8528 12.79149 12.88081 12.82730 0.218717

Los 3 coeficientes son significativos, siendo el modelo significativo conjuntamente, explicando el 75,6% de las variaciones de la inversin de las empresas. El valor del estadstico de Durbin Watson 0.218717 nos muestra la posible existencia de autocorrelacin en los errores que habra que corregir, y que podra tambin derivar de una mala especificacin. Ahora bien, en este caso hemos considerado que no existen diferencias individuales en el comportamiento inversor de las empresas, tanto en lo que podramos llamar inversin autnoma como en las pendientes, las posibles diferencias individuales estn integradas en los errores del modelo: eit = ai+vit donde ai representa la caracterstica individual. 4

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

Estimation Equations: I_GE = C(1) + C(2)*CAP_GE + C(3)*PL_GE I_GM = C(1) + C(2)*CAP_GM + C(3)*PL_GM I_US = C(1) + C(2)*CAP_US + C(3)*PL_US I_WEST = C(1) + C(2)*CAP_WEST + C(3)*PL_WEST Substituted Coefficients: I_GE = -63.3041355019 + 0.110095541779*CAP_GE + 0.303393160672*PL_GE I_GM = -63.3041355019 + 0.110095541779*CAP_GM + 0.303393160672*PL_GM I_US = -63.3041355019 + 0.110095541779*CAP_US + 0.303393160672*PL_US I_WEST = -63.3041355019 + 0.110095541779*CAP_WEST + 0.303393160672*PL_WEST

Sin embargo, podramos considerar que existen diferencias individuales en el comportamiento de las 4 empresas, bien solo en la ordenada en el origen, bien en las pendientes o en ambas. MODELO DE EFECTOS FIJOS Para incluir las diferencias individuales en la ordenada en el origen, definimos variables ficticias o Dummy que caracterizan a cada una de las unidades, por ejemplo D2, D3 y D4, no consideramos D1 para no caer en la trampa de las variable ficticias. Tendramos de este modo el conocido como modelos de efectos fijos (MEF), tambin conocido como modelo de covarianza, siendo X2 y X3 las covariantes: Yit = b1 + b2 X2it + b3 X3it + ai + eit: para i =1,,4, T=1935, ,1954. El efecto individual ai se ha considerado fijo, es decir, no tiene carcter estocstico. Si escribimos el modelo con las variables ficticias, tendremos: Yit = 1 + 2 D2t + 3 D3t + 4 D4t + b2 X2it + b3 X3it + eit siendo 1 = b1 + a1, 2 = b1 + a2, 3 = b1 + a3 y 4 = b1 + a4 Para su estimacin en EViews, hacemos lo siguiente: en la ventana del pool seleccionamos Estimate o bien proc/estimate, indicando como variable dependiente I? y como regresores o variables independientes C CAP? PL? indicando en la opcin (Fixed and Random Effects, Cross-section: Fixed, Period: None, Method: LS). Obtenemos as la salida:

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

Dependent Variable: I? Modelo de efectos fijos Method: Pooled Least Squares Balanceado Sample: 1935 1954 Included observations: 20 Cross-sections included: 4 Total pool (balanced) observations: 80 Variable Coefficient Std. Error t-Statistic Prob. C -73.84947 37.52291 -1.968117 0.0528 CAP? 0.107948 0.017509 6.165319 0.0000 PL? 0.346162 0.026664 12.98212 0.0000 Fixed Effects (Cross) _GEC -171.9429 _GMC -10.37070 _USC 167.6899 _WESTC 14.62366 Effects Specification Cross-section fixed (dummy variables) R-squared 0.934563 Mean dependent var 290.9154 Adjusted R-squared 0.930141 S.D. dependent var 284.8528 S.E. of regresin 75.28890 Akaike info criterion 11.55258 Sum squared resid 419462.9 Schwarz criterion 11.73123 Log likelihood -456.1032 Hannan-Quinn criter. 11.62421 F-statistic 211.3706 Durbin-Watson stat 0.807158 Prob(F-statistic) 0.000000

La representacin de las ecuaciones estimadas son:


Estimation Equations: I_GE = C(4) + C(1) + C(2)*CAP_GE + C(3)*PL_GE I_GM = C(5) + C(1) + C(2)*CAP_GM + C(3)*PL_GM I_US = C(6) + C(1) + C(2)*CAP_US + C(3)*PL_US I_WEST = C(7) + C(1) + C(2)*CAP_WEST + C(3)*PL_WEST Substituted Coefficients: I_GE = -171.942896645 - 73.8494731434 + 0.107948082413*CAP_GE + 0.34616168207*PL_GE I_GM = -10.3707000954 - 73.8494731434 + 0.107948082413*CAP_GM + 0.34616168207*PL_GM I_US = 167.689934658 - 73.8494731434 + 0.107948082413*CAP_US + 0.34616168207*PL_US I_WEST = 14.6236620819 - 73.8494731434 + 0.107948082413*CAP_WEST + 0.34616168207*PL_WEST

Podemos ver como el R2 se ha incrementado hasta el valor 0.934563. Si debemos seleccionar entre el modelo agrupado o el modelo de efectos fijos, podemos llevar a cabo el contraste de restricciones lineales. H0:{ 2 = 0, 3 = 0, 4 = 0} vs. H1:{ 2 0, 3 0 4 0} Es decir: Modelo agrupado (MA) vs. Modelo de Efectos Fijos (MEF).

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

El estadstico de contraste esta dado por

F=

( SCRRe st SCRN Re st ) / q ( SCRMA SCRMEF ) / q = SCRN Re st ) /( NT k ) SCRMEF ) /( NT k )

2 2 ( RMEF ) / q H0 RMA F= Fq ; NT k 2 (1 RMEF ) /( NT k )

Obtenemos as que:
F= (0.934563 0.756528) / 3 = 66.9980 > F0.05;3;74 = 2.68 (1 0.934563) /( 4 * 20 6)

Luego rechazamos la hiptesis nula al 5% de significacin, optando por el modelo de efectos fijos. Para llevar a cabo el contraste en EViews se procede del siguiente modo: Una vez estimado el modelo de efectos fijos se selecciona el men o sucesin de comandos dado por select View/Fixed/Random Effects Testing/Redundant Fixed Effects - Likelihood Ratio, obtenindose el valor ya calculado F = 67.110248, el cual resulta significativo pues su P-valor es 0.000.
Redundant Fixed Effects Tests Pool: POOL01 Test cross-section fixed effects Effects Test Cross-section F Cross-section Chi-square Statistic 67.110248 105.112639 d.f. (3,74) 3 Prob. 0.0000 0.0000

Cross-section fixed effects test equation: Dependent Variable: I? Method: Panel Least Squares Sample: 1935 1954 Included observations: 20 Cross-sections included: 4 Total pool (balanced) observations: 80 Variable Coefficient Std. Error t-Statistic C -63.30414 29.61420 -2.137628 CAP? 0.110096 0.013730 8.018809 PL? 0.303393 0.049296 6.154553 R-squared 0.756528 Mean dependent var Adjusted R-squared 0.750204 S.D. dependent var S.E. of regression 142.3682 Akaike info criterion Sum squared resid 1560690. Schwarz criterion Log likelihood -508.6596 Hannan-Quinn criter. F-statistic 119.6292 Durbin-Watson stat Prob(F-statistic) 0.000000

Prob. 0.0357 0.0000 0.0000 290.9154 284.8528 12.79149 12.88081 12.82730 0.218717

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

Podramos considerar tambin, de modo anlogo, el efecto tiempo o ambos, el individual y el temporal, siendo entonces Yit = b1 + b2 X2it + b3 X3it + ai + t + eit: para i =1,,4, T=1935, ,1954
Redundant Fixed Effects Tests Pool: POOL01 Test cross-section fixed effects Effects Test Cross-section F Cross-section Chi-square Statistic 67.110248 105.112639 d.f. (3,74) 3 Prob. 0.0000 0.0000

Cross-section fixed effects test equation: Dependent Variable: I? Method: Panel Least Squares Date: 12/11/10 Time: 20:04 Sample: 1935 1954 Included observations: 20 Cross-sections included: 4 Total pool (balanced) observations: 80 Variable C CAP? PL? Coefficient -63.30414 0.110096 0.303393 Std. Error t-Statistic Prob. 0.0357 0.0000 0.0000 290.9154 284.8528 12.79149 12.88081 12.82730 0.218717

29.61420 -2.137628 0.013730 8.018809 0.049296 6.154553 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

R-squared 0.756528 Adjusted R-squared 0.750204 S.E. of regression 142.3682 Sum squared resid 1560690. Log likelihood -508.6596 F-statistic 119.6292 Prob(F-statistic) 0.000000

Debemos tener presente que la estimacin se hace bajo suponiendo vlida la hiptesis eit N(0,2). Es decir, las varianza de los errores es la misma en todas las unidades y en todos los momentos de tiempo, no existiendo correlaciones entre los errores de momentos diferentes o del mismo momento de diferentes individuos.

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

MODELO DE EFECTOS ALEATORIOS (MEA) Dado el modelo Yit = b1 + b2 X2it + b3 X3it + ai + eit: para i =1,,4, T=1935, ,1954, habamos considerado ai como el efecto de la unidad i-sima, a la cual habamos llamado efecto fijo por su carcter no estocstico. Ahora bien, si el individuo i-simo ha sido obtenido o seleccionado de modo aleatorio de una poblacin, debemos asignarla a ai un carcter estocstico. En este caso el modelo es llamado Modelo de Efectos Aleatorios (MEA) o Modelo de Componentes del Error (MCE). Si consideramos ai un trmino de error aleatorio con media nula y varianza constante, a2, podemos escribir: Yit = b1 + b2 X2it + b3 X3it + ai + eit = b1 + b2 X2it + b3 X3it + vit Donde vit = ai + eit es el trmino del error compuesto. Se supone generalmente que ambos componentes siguen distribuciones normales de media nula y varianza constante, sin autocorrelaciones. Es decir: ai N(0, a2) y ei N(0, e2) E(ai eit) = 0, E(ai aj) = 0 si i j E(eit eis) = E(eit ejt) = E(eit ejs) = 0 si i j, t s Debe notarse que la variable aleatoria ai es una variable latente o no observable. Como consecuencia de lo anterior se tiene: E(vit) = 0, Var(vit) = a2 + e2 Y por tanto:
2 a corr (vit , vis ) = 2 a + e2 , es decir, para cualquier unidad

transversal la correlacin entre los trminos de error de diferentes momentos es siempre la misma, cualquiera que sea la distancia temporal, siendo, por otra parte, la misma para cualquier unidad transversal. Como consecuencia, si se estima el modelo de efectos aleatorios por MCO sin tener en cuenta las correlaciones, los estimadores obtenidos sern ineficientes. El mtodo de estimacin que debe seguirse es el conocido como Mnimos Cuadrados Generalizados (MCG). 9

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

Para aplicar el modelo de efectos aleatorios para la estimacin de la funcin de inversin de Grunfeld con EViews, debemos seleccionar en especificacin de la estimacin del panel o pool la opcin Random dentro del recuadro con Random Effects. Obtenemos as:
Dependent Variable: I? Method: Pooled EGLS (Cross-section random effects) Sample: 1935 1954 Included observations: 20 Cross-sections included: 4 Total pool (balanced) observations: 80 Swamy and Arora estimator of component variantes Variable Coefficient Std. Error t-Statistic Prob. C -73.03531 84.23769 -0.867015 0.3886 CAP? 0.107655 0.016875 6.379722 0.0000 PL? 0.345710 0.026636 12.97896 0.0000 Random Effects (Cross) _GEC -169.9282 _GMC -9.507820 _USC 165.5613 _WESTC 13.87475

Effects Specification Cross-section random Idiosyncratic random S.D. 152.1582 75.28890 Weighted Statistics
R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) R-squared Sum squared resid 0.804962 0.799896 75.03139 158.8972 0.000000 0.753716 1578718. Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat 31.99227 167.7316 433487.6 0.780384

Rho 0.8033 0.1967

Unweighted Statistics
Mean dependent var Durbin-Watson stat 290.9154 0.214279

El cuadro que se denomina Effects Specification recoge la descomposicin de la varianza de los residuos: Var(vit) = a2 + e2 siendo en este caso dadas por: ) ) e = 152.1582, a = 75.28890
)2 2 2 Obtenemos as Var ( v it ) = = 152 .1582 + 75 .2889 = 28820 .5272905
2 2 a a luego ) 2 = ) 2 ) 2 = 0.1967 a +e

10

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

Es decir, la componente idiosincrtica supone el 19,67% de la varianza de los residuos.


Modelo de Efectos Fijos vs. Modelo de Efectos Aleatorios

En este punto se plantea la necesidad de seleccionar uno de los dos modelos: el modelo de efectos fijos (MEF) o el modelo de componentes del error (MCE). La solucin depende de la posible correlacin entre el error individual y las covariables. Si no existe correlacin la mejor eleccin es el MCE o MEA, siendo el MEF mejor cuando existe la misma. Enunciamos las observaciones de Judge et al. sobre la posible eleccin entre uno y otro mtodo: 1. Si T (n de observaciones temporales) es grande y N (n de unidades transversales) es pequeo, es probable que haya muy poca diferencia en las estimaciones de los parmetros, siendo preferible MEF. 2. Si N es grande y T pequeo pueden existir grandes variaciones entre ambos mtodos. En este caso, si los elementos de a muestra de unidades transversales no se extrajeron de modo aleatorio es apropiado el MEF. Si las unidades transversales se extrajeron de modo aleatorio es ms adecuado el MCE. 3. Si el componente del error individual, ai, est correlacionado con alguno de los regresores los estimadores MCE estn sesgados, siendo insesgados los obtenidos por el MEF. 4. Si N es grande y T pequeo, siendo vlidos los supuestos MCE, los estimadores MCE son ms eficientes. Existe una prueba formal, conocida como test de Hausman, para comparar ambos modelos. La hiptesis nula es que no existen diferencias entre ambos mtodos. El estadstico de prueba sigue asintticamente una distribucin Chi cuadrado con k grados de libertad. Si no se rechaza la hiptesis nula se considera que es mejor el MEF. En EViews, para llevar a cabo el contraste de Hausman debe llevarse a cabo previamente la estimacin del modelo de efectos aleatorios (MEA). Para realizar el test se sigue la siguiente sucesin de comandos en la ventana del pool:
View/Fixed/Random Effects Testing/Correlated Random Effects Hausman Test

De este modo hemos obtenido el cuadro siguiente. 11

Econometra 2. Curso 2010-2011. Ejercicios Tema 2

Correlated Random Effects - Hausman Test


Pool: POOL02EF_ALEAT Test cross-section random effects

Test Summary Cross-section random


Variable CAP? PL?

Chi-Sq. Statistic 1.474175


Fixed 0.107948 0.346162 Random 0.107655 0.345710

Chi-Sq. d.f. 2
Var(Diff.) 0.000022 0.000002

Prob. 0.4785
Prob. 0.9500 0.7132

Cross-section random effects test comparisons:

Cross-section random effects test equation:


Dependent Variable: I? Method: Panel Least Squares Sample: 1935 1954 Included observations: 20 Cross-sections included: 4 Total pool (balanced) observations: 80 Variable Coefficient C -73.84947 CAP? 0.107948 PL? 0.346162

Std. Error 37.52291 0.017509 0.026664

t-Statistic -1.968117 6.165319 12.98212

Prob. 0.0528 0.0000 0.0000

Effects Specification
Cross-section fixed (dummy variables) R-squared 0.934563 Adjusted R-squared 0.930141 S.E. of regression 75.28890 Sum squared resid 419462.9 Log likelihood -456.1032 F-statistic 211.3706 Prob(F-statistic) 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 290.9154 284.8528 11.55258 11.73123 11.62421 0.807158

Donde se nos muestra en primer lugar el estadstico


Test Summary Cross-section random Chi-Sq. Statistic 1.474175 Chi-Sq. d.f. 2 Prob. 0.4785

Luego no hay evidencia que nos permita rechazar la hiptesis nula, (H0{ E[ai|xs] = 0}) ya que H = 1.474175 < 20.05 = 5.99 (el p-valor de 1.474175 es 0.4785) por tanto, el estimador MCG (MCG = EA) es asintticamente ms eficiente que el de MCO para el modelo de efectos fijos (EF); en consecuencia optamos por el modelo de modelo de efectos aleatorios. La salida nos da tambin la comparacin de los coeficientes estructurales obtenidos por ambos mtodos, MEF y MEA, as como los errores estndar de las diferencias. Por ltimo muestra el resultado de la estimacin del modelo de efectos fijos. 12