DATOS DE PANEL

O DATOS LONGITUDINALES
DATOS DE PANEL
• Incluye una muestra de agentes económicos o
de interés (individuos, empresas, bancos,
ciudades, países, etc) para un período
determinado de tiempo, esto es, combina ambos
tipos de datos (corte transversal y series de
tiempo).
• OBJETIVO: capturar la heterogeneidad no
observable, ya sea entre agentes económicos o
de estudio así como también en el tiempo.
• los efectos individuales específicos y
• los efectos temporales.
DATOS DE PANEL
Efectos individuales específicos: 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,
capitalización de la experiencia, acceso a la tecnología, etc.

Efectos temporales: aquellos que afectan por igual a todas las
unidades individuales del estudio pero que no varían en el tiempo.
Este tipo de efectos pueden asociarse, por ejemplo, a los choques
macroeconómicos que pueden afectar por igual a todas las
empresas o unidades de estudio.
DATOS DE PANEL
• Ventajas:
• Mayor número de observaciones incrementando los grados de
libertad y reduciendo la colinealidad entre las variables
explicativas y, en última instancia, mejorando la eficiencia de
las estimaciones econométricas
• Permite estudiar de una mejor manera la dinámica de los
procesos de ajuste
• Desventajas:
• Procesos para la obtención y el procesamiento de la
información estadística
DATOS DE PANEL
• PANEL BALANCEADO: sin observaciones
perdidas
• PANEL DESBALANCEADO: algunas unidades
(individuales) no se observan en algunos
períodos de tiempo (años, meses, etc..)
DATOS FUSIONADOS
(CORTE TRANSVERSAL REPETIDO)
DATOS FUSUIONADOS
it it k it
u X Y + + = | |
0
EJEMPLO WOOLDRIDGE
CASO 1: DATOS FUSIONADOS. TASA DE CRIMINALIDAD COMO FUNCION
DE TASA DE DESEMPLEO
o Relación negativa y poco significativa.
o Problema de omisión de variables.
o Solución 1: incorporar mas regresores. Límite
o Solución 2: diferenciar factores no observables en aquellos
que no varían con el tiempo y aquellos que sí.
EFECTOS FIJOS
EFECTOS FIJOS
it i it k it
u a X t d Y + + + + = | o | 2
0 0
 a
i
captura los factores no observables constantes en el
tiempo que afectan y
it

 u
it
es el error idiosincrático
 d2
t
es una dummy igual a cero en t=1 e igual a 1 en
t=2.
¬Intercepto en t=1 es β
0
y en t=2 es β
0

0
 POTENCIAL PROBLEMA:
 SUPUESTO DE NO CORRELACION ENTRE a
i
y x
it
PARA TENER ESTIMADORES CONSISTENTES


METODO DE PRIMERAS
DIFERENCIAS (2 PERIODOS)
SOLUCION: DIFERENCIAR AÑOS Y UTILIZAR MCO
METODO DE PRIMERAS
DIFERENCIAS (2 PERIODOS)
RETOMANDO EL EJEMPLO DEL WOOLDRIDGE Y UTILIZANDO PRIMERAS DIFERENCIAS
METODO DE PRIMERAS
DIFERENCIAS
SUPUESTOS:
• Muestreo aleatorio en corte transversal
• Cada regresor varia en el tiempo (al menos para algunos i) y no
relación lineal perfecta entre regresores.
• Para cada t el valor esperado del error idiosincrático dada las
variables explicativas en todos los periodos y el efecto no
observado es cero: E(u
it
|X
i
, a
i
)=0
• La varianza de la diferencia de errores, condicional a todas las
variables explicativas es constante: Var(Au
it
|X
i
)=o
2
, t=1,2,3,…,T
• Para todo t=s, no hay correlacion entre los errores idiosincraticos
diferenciados (condicionado a las var. explicativas): cov(Au
it
,Au
is
|X
i
)=0, t=s
• Au
it
son variables independientes e identicamente distribuidas
normales (cond. en X
i
)
METODO INTRAGRUPOS
METODO INTRAGRUPOS
• SUPUESTOS:
• MUESTREO ALEATORIO TRANSVERSALMENTE
• VARIABLES EXPLICATIVAS VARIAN CON EL TIEMPO Y NO EXISTE
COLINEALIDAD PERFECTA
• Exogeneidad Estricta E(u
it
|X
i
, a
i
)=0
• Var(u
it
|X
i
)=o
2
• cov(u
it
,u
is
|X
i
)=0, t=s
• u
it
son variables independientes e identicamente distribuidas
normales (cond. en X
i
)

Modelo Dummy
TEST DE EFECTOS FIJOS
) (
) 1 (
) 1 (
) (
) , 1 (
2
2 2
K n nT
R
n
R R
K n nT n F
EF
DF EF
÷ ÷
÷
÷
÷
= ÷ ÷ ÷
INTRAGRUPOS (IG) vs
PRIMERAS DIFERENCIAS (PD)
• Si T=2 ambos son iguales
• Si T > 3:
• Ambos son insesgados
• Ambos son consistentes bajo los supuestos indicados
• Diferencia recae en eficiencia, lo cual tiene que ver con la
correlación serial de los errores idiosincráticos u
it
.
• Si u
it
no está serialmente correlacionado EF
• Si sigue un random walk PD
• Si existe corelacion positiva ¿?

EFECTOS ALEATORIOS
EFECTOS ALEATORIOS
| | | |
| |
| |
| |
| |
| |
| |
| |
| | 0 | ,
| ,
|
0 | ,
0 | ,
, , 0 | ,
|
|
0 | |
2
2 2 2
2 2
2 2
=
= =
+ =
= =
= = =
¬ =
=
=
= =
X E
s t X E
X E
j i si X a a E
j i o s t si X u u E
j t i X a u E
X a E
X u E
X a E X u E
js it
a is it
a u it
j i
js it
j it
a i
u it
i it
q q
o q q
o o q
o
o
• ELEMENTOS CONSTANTES
ESPECIFICOS SE
DISTRIBUYEN
ALEATORIAMENTE ENTRE
UNIDADES.
EFECTOS ALEATORIOS
| |
T T a T u
a u a a a
a a a u a
a a a a u
i i
i i I
X E
'
...
...
...
...
| '
2 2
2 2 2 2 2
2 2 2 2 2
2 2 2 2 2
o o
o o o o o
o o o o o
o o o o o
q q
+ =
(
(
(
(
(
¸
(

¸

+
+
+
= E
= E
MINIMOS CUADRADOS GENERALIZADOS
PRUEBA DE EFECTOS
ALEATORIOS
| |
0 :
0 , 0 :
2
1
2
0
=
= =
a
it it a
H
Corr H
o
q q o
| |
2
1 1
2
1
2
2
1 1
2
1
2
1
1
) 1 ( 2
1
) 1 ( 2
(
(
(
(
¸
(

¸

÷
÷
=
(
(
(
(
(
¸
(

¸

÷
(
¸
(

¸

÷
=
¿¿
¿
¿¿
¿ ¿
= =
=
= =
= =
n
i
T
t
it
n
i
i
n
i
T
t
it
n
i
T
t
it
e
e T
T
nT
e
e
T
nT
LM
EFECTOS FIJOS vs EFECTOS
ALEATORIOS
| | | | ( )
) 1 ( ~
) (
2
2
÷
÷
÷
= K
Var Var
W
EA EF
EA EF
_
| |
| |
Datos de Panel
Casos Prácticos
EJEMPLO 1
EJEMPLO 1
EJEMPLO 1
EJEMPLO 1
EJEMPLO 2
• 6 LINEAS AEREAS
• 15 AÑOS
• airline = airline (six airlines)
• year = year (fifteen years)
• output0 = output in revenue passenger miles, index number
• cost0 = total cost in $1,000
• fuel0 = fuel price
• load = load factor, the average capacity utilization of the fleet

Ejemplo 2: Pasos Previos
Ejemplo 2: Pasos Previos
1) MCO DATOS FUSIONADOS
(POOLED OLS)
MCO de Datos Fusionados
cost = 9.5169 + .8827*output +.4540*fuel -1.6275*load
2) EFECTOS FIJOS
Modelo de Variables Ficticias Tipo 1
• Una dummy se deja de lado para eliminar multicolinealidad
• Fácil de Estimar e interpretar
• Problema cuando N es my grande y NT tiende a infinito. Coeficientes de regresores
consistentes pero no los de las dummie.

Modelo de Variables Ficticias Tipo 1
Airline 1: cost = 9.7059 + .9193*output +.4175*fuel -1.0704*load
Airline 2: cost = 9.6647 + .9193*output +.4175*fuel -1.0704*load
Airline 3: cost = 9.4970 + .9193*output +.4175*fuel -1.0704*load
Airline 4: cost = 9.8905 + .9193*output +.4175*fuel -1.0704*load
Airline 5: cost = 9.7300 + .9193*output +.4175*fuel -1.0704*load
Airline 6: cost = 9.7930 + .9193*output +.4175*fuel -1.0704*load
Modelo de Variables Ficticias Tipo 1
¿Si elegimos otra dummy?
Modelo de Variables Ficticias Tipo 2
• Se trabaja con todas la dummies y se deja de lado el intercepto
• Fácil de Estimar e interpretar
• Problema cuando N es my grande y NT tiende a infinito. Coeficientes de regresores
consistentes pero no los de las dummies.
• F y R
2
incorrecto
• SSE correcto
Modelo de Variables Ficticias Tipo 3
• Se trabaja con todas la dummies e intercepto
• Fácil de Estimar e interpretar
• Problema cuando N es my grande y NT tiende a infinito. Coeficientes de regresores
consistentes pero no los de las dummies.
• Solo muestra test F
Modelo INTRAGRUPOS
•No tiene problema con N grande pero
•Al no utilizar dummy tiene mayor grados de libertad, menor MSE y
menor error estándar de beta que estimación por variables ficticias
•R2 incorrecto. F incorrecto
•No reporta estimadores de dummies. Se deben calcular
Modelo INTRAGRUPOS
Modelo INTRAGRUPOS (2)
•No tiene problema con N grande pero
•R2 incorrecto porque se elimina el intercepto
•F incorrecto pero Test de Efectos Fijos correcto
•No reporta tabla
Modelo INTRAGRUPOS (3)
Modelo Inter-grupos
Modelo Inter-grupos
Probando Efectos Fijos
Comparación Modelos E.F.
Resumen
3) Efectos Aleatorios
EFECTOS ALEATORIOS
PROBANDO EFECTOS
ALEATORIOS
) 1 ( ~
8496 . 334 1
3354 . 1
0665 . 0 * 15
) 1 15 ( 2
15 * 6
2
2
2
_ LM
LM =
(
¸
(

¸

÷
÷
=
Efecto Fijo vs Efecto Aleatorio

DATOS DE PANEL
• Incluye una muestra de agentes económicos o de interés (individuos, empresas, bancos, ciudades, países, etc) para un período determinado de tiempo, esto es, combina ambos tipos de datos (corte transversal y series de tiempo). • OBJETIVO: capturar la heterogeneidad no observable, ya sea entre agentes económicos o de estudio así como también en el tiempo.
• los efectos individuales específicos y • los efectos temporales.

DATOS DE PANEL
Efectos individuales específicos: 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, capitalización de la experiencia, acceso a la tecnología, etc. Efectos temporales: aquellos que afectan por igual a todas las unidades individuales del estudio pero que no varían en el tiempo. Este tipo de efectos pueden asociarse, por ejemplo, a los choques macroeconómicos que pueden afectar por igual a todas las empresas o unidades de estudio.

DATOS DE PANEL
• Ventajas: • Mayor número de observaciones incrementando los grados de libertad y reduciendo la colinealidad entre las variables explicativas y, en última instancia, mejorando la eficiencia de las estimaciones econométricas • Permite estudiar de una mejor manera la dinámica de los procesos de ajuste • Desventajas: • Procesos para la obtención y el procesamiento de la información estadística

DATOS DE PANEL
• PANEL BALANCEADO: sin observaciones perdidas • PANEL DESBALANCEADO: algunas unidades (individuales) no se observan en algunos períodos de tiempo (años, meses, etc..)

DATOS FUSIONADOS (CORTE TRANSVERSAL REPETIDO) .

DATOS FUSUIONADOS Yit   0   k X it  uit .

Solución 1: incorporar mas regresores. Problema de omisión de variables. .EJEMPLO WOOLDRIDGE CASO 1: DATOS FUSIONADOS. Límite Solución 2: diferenciar factores no observables en aquellos que no varían con el tiempo y aquellos que sí. TASA DE CRIMINALIDAD COMO FUNCION DE TASA DE DESEMPLEO o o o o Relación negativa y poco significativa.

EFECTOS FIJOS .

EFECTOS FIJOS Yit   0   0 d 2t   k X it  ai  uit  ai captura los factores no observables constantes en el tiempo que afectan yit  uit es el error idiosincrático  d2t es una dummy igual a cero en t=1 e igual a 1 en t=2. Intercepto en t=1 es β0 y en t=2 es β0 +δ0  POTENCIAL PROBLEMA:  SUPUESTO DE NO CORRELACION ENTRE ai y xit PARA TENER ESTIMADORES CONSISTENTES .

METODO DE PRIMERAS DIFERENCIAS (2 PERIODOS) SOLUCION: DIFERENCIAR AÑOS Y UTILIZAR MCO .

METODO DE PRIMERAS DIFERENCIAS (2 PERIODOS) RETOMANDO EL EJEMPLO DEL WOOLDRIDGE Y UTILIZANDO PRIMERAS DIFERENCIAS .

condicional a todas las variables explicativas es constante: Var(uit|Xi)=2.T • Para todo ts.…. explicativas): cov(uit. ai)=0 • La varianza de la diferencia de errores.3.uis |Xi)=0.2. en Xi) . ts • uit son variables independientes e identicamente distribuidas normales (cond. no hay correlacion entre los errores idiosincraticos diferenciados (condicionado a las var. • Para cada t el valor esperado del error idiosincrático dada las variables explicativas en todos los periodos y el efecto no observado es cero: E(uit|Xi. t=1.METODO DE PRIMERAS DIFERENCIAS SUPUESTOS: • Muestreo aleatorio en corte transversal • Cada regresor varia en el tiempo (al menos para algunos i) y no relación lineal perfecta entre regresores.

METODO INTRAGRUPOS .

ts • uit son variables independientes e identicamente distribuidas normales (cond.METODO INTRAGRUPOS • SUPUESTOS: • MUESTREO ALEATORIO TRANSVERSALMENTE • VARIABLES EXPLICATIVAS VARIAN CON EL TIEMPO Y NO EXISTE COLINEALIDAD PERFECTA • Exogeneidad Estricta E(uit|Xi. en Xi) . ai)=0 • Var(uit|Xi)=2 • cov(uit.uis |Xi)=0.

Modelo Dummy .

TEST DE EFECTOS FIJOS 2 2 ( REF  RDF ) F (n  1. nT  n  K )  (n  1) 2 (1  REF ) (nT  n  K ) .

• Si uit no está serialmente correlacionado • Si sigue un random walk • Si existe corelacion positiva EF PD ¿? .INTRAGRUPOS (IG) vs PRIMERAS DIFERENCIAS (PD) • Si T=2 ambos son iguales • Si T  3: • Ambos son insesgados • Ambos son consistentes bajo los supuestos indicados • Diferencia recae en eficiencia. lo cual tiene que ver con la correlación serial de los errores idiosincráticos uit.

EFECTOS ALEATORIOS .

t .   E a | X    E u . j E u . | X     ts E  . u | X   0 si t  s o i  E a .EFECTOS ALEATORIOS E uit | X   E ai | X   0 2 2 E uit | X   u 2 i 2 a • ELEMENTOS CONSTANTES ESPECIFICOS SE DISTRIBUYEN ALEATORIAMENTE ENTRE UNIDADES. a | X   0 si i  j E | X       E  . a | X   0 i. | X   0  it it i j js j 2 it it it 2 u 2 a is 2 a js j .

..  u2   a     MINIMOS CUADRADOS GENERALIZADOS . a    2 2 2 2 a  u2   a  a ......  2 2 2 2 a a  a .. a  2    u2 I T   a iT i 'T   .EFECTOS ALEATORIOS   E i 'i | X  2 2 2 2  u2   a a  a .

it   0 2 H1 :  a  0 2 2 n         eit   Tei 2   nT  i 1  t 1  nT     i 1  n T LM  1  1  n T 2  2(T  1) 2(T  1)  eit     eit2   i 1 t 1     i 1 t 1    n T 2 .PRUEBA DE EFECTOS ALEATORIOS 2 H 0 :  a  0 Corr it .

EFECTOS FIJOS vs EFECTOS ALEATORIOS (  EF   EA ) 2 W ~  ( K  1) Var EF   Var EA  2 .

Datos de Panel Casos Prácticos .

EJEMPLO 1 .

EJEMPLO 1 .

EJEMPLO 1 .

EJEMPLO 1 .

EJEMPLO 2 • • • • • • • • 6 LINEAS AEREAS 15 AÑOS airline = airline (six airlines) year = year (fifteen years) output0 = output in revenue passenger miles. index number cost0 = total cost in $1.000 fuel0 = fuel price load = load factor. the average capacity utilization of the fleet .

Ejemplo 2: Pasos Previos .

Ejemplo 2: Pasos Previos .

1) MCO DATOS FUSIONADOS (POOLED OLS) .

MCO de Datos Fusionados cost = 9.4540*fuel -1.6275*load .8827*output +.5169 + .

2) EFECTOS FIJOS .

Coeficientes de regresores consistentes pero no los de las dummie.Modelo de Variables Ficticias Tipo 1 • Una dummy se deja de lado para eliminar multicolinealidad • Fácil de Estimar e interpretar • Problema cuando N es my grande y NT tiende a infinito. .

9193*output +.4175*fuel -1.0704*load Airline 4: cost = 9.4175*fuel -1.4175*fuel -1.4175*fuel -1.9193*output +.4175*fuel -1.9193*output +.6647 + .0704*load Airline 6: cost = 9.0704*load Airline 3: cost = 9.4175*fuel -1.4970 + .Modelo de Variables Ficticias Tipo 1 Airline 1: cost = 9.7300 + .0704*load Airline 2: cost = 9.9193*output +.9193*output +.8905 + .0704*load Airline 5: cost = 9.9193*output +.7930 + .7059 + .0704*load .

Modelo de Variables Ficticias Tipo 1 ¿Si elegimos otra dummy? .

• F y R2 incorrecto • SSE correcto .Modelo de Variables Ficticias Tipo 2 • Se trabaja con todas la dummies y se deja de lado el intercepto • Fácil de Estimar e interpretar • Problema cuando N es my grande y NT tiende a infinito. Coeficientes de regresores consistentes pero no los de las dummies.

Modelo de Variables Ficticias Tipo 3 • Se trabaja con todas la dummies e intercepto • Fácil de Estimar e interpretar • Problema cuando N es my grande y NT tiende a infinito. Coeficientes de regresores consistentes pero no los de las dummies. • Solo muestra test F .

F incorrecto •No reporta estimadores de dummies. Se deben calcular .Modelo INTRAGRUPOS •No tiene problema con N grande pero •Al no utilizar dummy tiene mayor grados de libertad. menor MSE y menor error estándar de beta que estimación por variables ficticias •R2 incorrecto.

Modelo INTRAGRUPOS .

•No tiene problema con N grande pero •R2 incorrecto porque se elimina el intercepto •F incorrecto pero Test de Efectos Fijos correcto •No reporta tabla Modelo INTRAGRUPOS (2) .

Modelo INTRAGRUPOS (3) .

Modelo Inter-grupos .

Modelo Inter-grupos .

Probando Efectos Fijos .

F. .Comparación Modelos E.

Resumen .

3) Efectos Aleatorios .

EFECTOS ALEATORIOS .

3354  1  334.8496 2(15  1)   LM ~  2 (1) 2 .0665  LM   1.PROBANDO EFECTOS ALEATORIOS 6 *15 152 * 0.

Efecto Fijo vs Efecto Aleatorio .