Análisis de datos de panel Fijos y de efectos aleatorios ( Utilizando Stata 10.x ) (Ver. 4.1 ) Oscar Torres - Reyna Consultor Información [email protected] http://dss.princeton.edu/training/ 1 Introducción Los datos de panel (también conocido como longitudinal o de la sección transversal datos de series temporales ) es un conjunto de datos en la que el comportamiento de las entidades son observado a través del tiempo . Estas entidades podrían ser estados ,empresas , individuos , países, etc. Los datos de panel tiene este aspecto País año y X1 X2 X3 1 2000 6 7.8 5.8 1.3 1 2001 4.6 0.6 7.9 7.8 1 2002 9.4 2.1 5.4 1.1 2 2000 9.1 1.3 6.7 4.1 2 2001 8.3 0.9 6.6 5.0 2 2002 0.6 9.8 0.4 7.2 3 2000 9.1 0.2 2.6 6.4 3 2001 4.8 5.9 3.2 6.4 3 2002 9.1 5.2 6.9 2.1 2 Introducción Los datos de panel permite controlar las variables que no se puede observar o medir como factores culturales o diferencia en prácticas de negocio a través de las empresas; o variables que cambiar con el tiempo, pero no en todas las entidades ( es decir, nacional políticas, regulaciones federales , acuerdos internacionales, etc.) . Esto es , se da cuenta de la heterogeneidad individual Con datos de panel se pueden incluir variables en los diferentes niveles de análisis (es decir, estudiantes , escuelas , distritos, estados) adecuado para el modelado multinivel o jerárquica . Algunos inconvenientes son cuestiones de recogida de datos ( es decir, el muestreo el diseño , la cobertura ) , la falta de respuesta en el caso de las micro paneles o cross-country dependencia en el caso de macro paneles ( es decir, la correlación entre los países ) Nota : Para una lista completa de las ventajas y desventajas de los datos de panel ver Baltagi , Econométrica El análisis de datos de panel ( capítulo 1 ) . 3 Introducción En este documento nos centramos en dos técnicas a utilizar para analizar datos de : • Los efectos fijos • Los efectos aleatorios 4 Configuración de datos de panel: xtset El comando de Stata para ejecución fijo / efectos aleatorios es xtset . Antes de utilizar xtset necesita establecer Stata para manejar datos de panel mediante el comando xtset tipo: xtset country year xtset country year Panel variable: Time variable: Delta: Country (strongly balanced) year, 1990 to 1999 1 unit En este caso, “country" representa las entidades o paneles (i) y “year" representa el tiempo variable ( t). La nota " (strongly balanced) " se refiere al hecho de que todos los países tienen datos de todos años. Si, por ejemplo , un país no tiene datos por un año luego los datos se desequilibraron. Lo ideal es que se quiere tener un equilibrado conjunto de datos , pero esto no es siempre el caso, sin embargo todavía se puede ejecutar el modelo . 5 NOTA : Si se obtiene el siguiente error después de usar xtset : varlist: country: string variable not allowed Es necesario para convertir ' contry ' a numérico , escriba: encode country, gen(country1) Use “contry1” en lugar de “contry " en el comando xtset 6 La exploración de datos de panel use http://dss.princeton.edu/training/Panel101.dta xtset country year xtline y 7 La exploración de datos de panel xtline y, overlay 8 MODELO DE EFECTOS FIJOS (Covariance Model, Within Estimator, Individual Dummy Variable Model, Least Squares Dummy Variable Model) 9 Los efectos fijos Utilizar efectos fijos (FE) cada vez que sólo están interesados en el análisis del impacto de variables que varían en el tiempo. FE explora la relación entre las variables predictivas y de resultados dentro de una entidad (país, persona, empresa, etc.). Cada entidad tiene su propio individuo características que pueden o no pueden influir en las variables de predicción (por ejemplo de ello es un hombre o mujer podría influir en la opinión hacia cierta emisión o el sistema político de un país en particular podría tener algún efecto sobre el comercio o el PIB o las prácticas de negocio de una empresa pueden influir en sus acciones precio). Al usar FE suponemos que algo dentro del individuo puede afectar o el sesgo de las variables de predicción o de resultado y tenemos que controlar esto. Esto es el motivo de la asunción de la correlación entre el error de entidad, las variables plazo y predicción. FE elimina el efecto de los invariantes en el tiempo características de las variables predictivas para que podamos evaluar los efectos predictores netos. Otro supuesto importante del modelo FE es que aquellos invariante en el tiempo características son únicos para el individuo y no deben ser correlacionadas con otras características individuales. Cada entidad es diferente, por lo tanto la entidad de término de error y la constante (que capta las características individuales) debe no correlacionacionarse con los otros. Si se correlacionan los términos de error a continuación, hay FE inferencias adecuadas, ya que pueden no ser correctos y que necesita para modelar que relación (probablemente el uso de efectos aleatorios), esta es la principal razón para la prueba de Hausman (presentada más adelante en este documento). 10 La ecuación para el modelo de efectos fijos se convierte en: Yit = β1Xit + αi + uit Los efectos fijos [eq.1] donde – αi (i=1….n) es la intersección desconocida para cada entidad ( n entidad intercepta específicos ) – Yit es la variable dependiente (DV) donde i = entidad y t = tiempo. – Xit representa una variable independiente (IV), – β1 es el coeficiente para el IV, – uit es el termino de error " La idea clave es que si la variable no observada no cambia con el tiempo , entonces cualquier cambio en la variable dependiente debe ser debido a influencias distintas a estas características fijas . " ( Stock y Watson, 2003 , p.289-290 ) . "En el caso de los datos de tiempo de la serie de la sección transversal de la interpretación de los coeficientes beta sería " ... Para un país determinado , como X varía a través del tiempo en una unidad, aumenta o disminuye Y por unidades ß " ( Bartels , Brandom , " más allá" fijos versus efectos aleatorios " : Un marco para la mejora sustancial y El análisis estadístico de los paneles, las series de tiempo de la sección transversal , y los datos de niveles múltiples " , Universidad de Stony Brook , trabajando papel, 2008) . los efectos fijos no funcionan bien con los datos de que dentro de la agrupación su variación es mínima o es lento el cambio de las variables con el tiempo. 11 Los efectos fijos Otra manera de ver el modelo de efectos fijos es mediante el uso de variables binarias. Así la ecuación para el modelo de efectos fijos se convierte en: Yit = β0 + β1X1,it +…+ βkXk,it + γ2E2 +…+ γnEn + uit [eq.2] donde Yit es la variable dependiente (DV) donde i = entidad y t = tiempo. xk,it representa las variables independientes ( IV ) βk es el coeficiente para las vías intravenosas , uit es el término de error Es la entidad En es la entidad n. Puesto que son binarios ( dummies ) tiene n - 1 entidades incluidas en el modelo γ2 es el coeficiente para los represores binarios ( entidades ) Tanto eq.1 y la ecuación 2 son equivalentes : "El coeficiente de la pendiente en la que X es el mismo [ entidad ] a la siguiente. [La entidad ] intercepto específico en [ Ecuación 1 ] y los regresores binarios en [ ecuación 2 ] tienen el mismo origen : lo no observado Zi variables que varía entre estados, pero no en el tiempo. " ( Stock y Watson , 2003 , p.280 ) 12 Los efectos fijos Se podría añadir efectos en el tiempo con el modelo de efectos entidad para tener un tiempo y efectos fijos, entidad modelo de regresión : Yit = β0 + β1X1,it +…+ βkXk,it + γ2E2 +…+ γnEn + δ2T2 +…+ δtTt + uit [eq.3] donde Yit Es la variable dependiente (DV) donde i = entidad y t = tiempo. Xk,it representa las variables independientes ( IV ) βk es el coeficiente para IV uit es el término de error En es la entidad n . Puesto que son binarios ( dummies ) tiene n - 1 entidades incluidas en el modelo γ2 es el coeficiente para los represores binarios ( entidades ) Tt es el tiempo como variable binaria ( ficticio) , por lo que tenemos t - 1 períodos de tiempo . δt es el coeficiente para los regresores binarios de tiempo . El control de los efectos del tiempo cada vez que la variación inesperada o eventos especiales afectan a la variable de resultado. 13 Los efectos fijos : La heterogeneidad entre los países ( o entidades ) bysort country: egen y_mean=mean(y) twoway scatter y country, msymbol(circle_hollow) || connected y_mean country, msymbol(diamond) || , xlabel(1 "A" 2 "B" 3 "C" 4 "D" 5 "E" 6 "F" 7 "G") Heterogeneidad: variables no observadas que no cambian con el tiempo 14 Los efectos fijos : la heterogeneidad entre los años bysort year: egen y_mean1=mean(y) twoway scatter y year, msymbol(circle_hollow) || connected y_mean1 year, msymbol(diamond) || , xlabel(1990(1)1999) Heterogeneidad: variables no observadas que no cambian con el tiempo 15 . regress y x1 twoway scatter y x1, mlabel(country) || lfit y x1, clstyle(p2) 16 xi: regress y x1 i.country i.country _Icountry_1-7 (naturally coded; _Icountry_1 omitted) Efectos fijos utilizando mínimos cuadrados, modelo variable dummy ( LSDV ) xi: regress y x1 i.country predict yhat separate y, by(country) separate yhat, by(country) twoway connected yhat1-yhat7 x1, msymbol(none diamond_hollow triangle_hollow square_hollow + circle_hollow x) msize(medium) mcolor(black black black black black black black) || lfit y x1, clwidth(thick) clcolor(black) NOTA : En Stata 11 que no es necesario " Xi : " al agregar variables dummy 17 efectos fijos El modelo de variable dummy de mínimos cuadrados ( VENB ) proporciona una buena manera de entender fijo efectos . El efecto de x1 está mediada por las diferencias entre los países . Mediante la adición de la variable dummy para cada país estamos estimando el efecto puro de x1 ( por de controlar por la heterogeneidad no observada ) . Cada dummy está absorbiendo los efectos particulares de cada país . regress y x1 estimates store ols xi: regress y x1 i.country estimates store ols_dum estimates table ols ols_dum, star stats(N) 18 Los efectos fijos : n intercepta específicos de la entidad utilizando xtreg La comparación de los efectos fijos utilizando maniquíes con xtreg se obtienen los mismos resultados . xtreg y x1, fe usando xtreg . xi: regress y x1 i.country i.country _Icountry_1-7 OLS regression (naturally coded; _Icountry_1 omitted) 19 Los efectos fijos : n intercepta específicos de la entidad (utilizando xtreg ) NOTA : Añadir la opción ' robust ' para controlar la heterosedasticidad Resultado variable Predicción variable Número total de casos-filas opción de efectos fijos los errores "ui " se correlacionan con las regresoras en el modelo de efectos fijos Si este número es < 0,05 continuación, su modelo es aceptable . Esto es prueba ( F) para ver si todos los coeficientes en el modelo son diferente de cero Los coeficientes de las regresoras . indicar cuanto cambia Y cuando X aumenta en una unidad. los valores de p de dos colas prueba la hipótesis de que cada coeficiente es diferente de 0 . Para rechazar esto, el valor de p tiene a ser menor que 0,05 ( 95 % , También se puede elegir una alfa de 0,10 ) , si este es el caso, entonces se puede decir que la variable tiene un significativo influencia en su dependiente variable ( y) 29,7 % de la varianza es debido a las diferencias paneles de ancho. ' Rho ' se conoce como el de correlación intraclase sigma_u = sd de los residuos dentro de los grupos ui sigma_e = sd de los residuales ( término de error global ) ei Número total de grupos ( entidades) los valores de la prueba t de la hipótesis de que cada coeficiente es diferente de 0. Para rechazar esto, el valor t tiene que ser superior a 1,96 (para una confianza del 95 %). Si esto es el caso, entonces se puede decir que la variable tiene una influencia significativa en la variable dependiente (Y). Cuanto mayor sea el valor t mayor será la relevancia de la variable Mas informacion en Hamilton, Lawrence, Statistics with STATA. 20 Otra manera de estimar los efectos fijos : intercepta n entidad específicos (Usando areg ) Resultado variable Predicción variable Ocultar las variables binarias para cada entidad . areg y x1, absorb(country) Linear regression, absorbing indicators Si este número es < 0,05 continuación, su modelo es aceptable . Esto es un de prueba ( F) para ver si todos los coeficientes en el modelo son diferente de cero. R - cuadrado muestra la cantidad de la varianza de Y explicadas por x Los coeficientes de las regresoras . indicar cómo cambios mucho y cuando x aumenta en una unidad. Adj R - cuadrado muestra el mismo que R - SQR pero ajustados por el número de casos y número de variables. Cuando el número de variables es pequeña y el número de casos es muy grande, entonces Adj R cuadrado está más cerca de R cuadrado NOTA : Añadir la opción ' robusta ' para controlar heterosedasticidad " A pesar de que su producción es menos informativo que la regresión con variables ficticias explícitas , areg tiene dos ventajas . Se acelera el trabajo exploratorio , proporcionando una rápida retroalimentación acerca de si una variable ficticia enfoque es que vale la pena . En segundo lugar, cuando la variable de interés que tiene muchos valores , la creación de maniquíes para cada una de ellos podrían dar lugar a demasiadas variables o demasiado grande modelo ... " . ( Hamilton , 2006 , p.180 ) los valores de la prueba t de la hipótesis de que cada coeficiente es diferente de 0. Para rechazar esto, el valor t tiene que ser superior a 1,96 (para una confianza del 95 %). Si esto es el caso, entonces se puede decir que la variable tiene una influencia significativa en la variable dependiente (Y). Cuanto mayor sea el valor t mayor será la relevancia de la variable . los valores de p de dos colas prueba la hipótesis de que cada coeficiente es diferente de 0 . Para rechazar, el valor de p tiene que ser menor que 0,05 ( 95 %) También se puede elegir una alfa de 0,10 ) , si este es el caso, entonces se puede decir que la variable tiene un significativo influencia en su dependiente variable ( y) 21 Observe el " XI " (Expansión de interacción ) para automáticamente generar maniquí las variables Otra forma de estimar los efectos fijos : intercepto común y n-1 regresores binarios ( utilizando maniquíes y retroceso ) Resultado variable Predicción variable Nótese la " i ". Antes de la variable de indicador para las entidades . xi: regress y x1 i.country i.country _Icountry_1-7 (naturally coded; _Icountry_1 omitted) Los coeficientes de los regresores indicar cómo Y mucho más cambios cuando X aumenta una unidad. R - cuadrado muestra la cantidad de la varianza de Y explicada por x NOTA : Añadir la opción ' robusta ' para controlar la heterosedasticidad NOTA : En Stata 11 no es necesario " Xi " al agregar variables dummy Si este número es < 0,05 continuación, su modelo es aceptable . Esto es un de prueba ( F) para ver si todos los coeficientes en el modelo son diferente de cero los valores de la prueba t de la hipótesis de que cada coeficiente es diferente de 0. Para rechazar esto, el valor t tiene que ser superior a 1,96 (para una confianza del 95 %). Si esto es el caso, entonces se puede decir que la variable tiene una influencia significativa en la variable dependiente (Y). Cuanto mayor sea el valor t mayor será la relevancia de la variable . los valores de p de dos colas prueba la hipótesis de que cada coeficiente es diferente de 0 . Para rechazar esto, el valor de p tiene a ser menor que 0,05 ( 95 % , También se puede elegir una alfa de 0,10 ) , si este es el caso, entonces se puede decir que la variable tiene un significativo influencia en su dependiente variable ( y) 22 efectos fijos : compararar xtreg (with fe), regress (OLS with dummies) y areg Para comparar la " estimates store [name]" de tipo métodos anteriores después de ejecutar cada regresión , por lo Al final utilice el comando “estimates table... " ( véase más adelante ) : xtreg y x1 x2 x3, fe estimates store fixed xi: regress y x1 x2 x3 i.country estimates store ols areg y x1 x2 x3, absorb(country) estimates store areg estimates table fixed ols areg, star stats(N r2 r2_a) . estimates table fixed ols areg, star stats(N r2 r2_a) los tres comandos proporcionan el mismo resultados Consejo: Al informar sobre el uso de R- cuadrado el proporcionado por cualquiera de regress o areg . 23 Una nota sobre los efectos fijos ... " ... El modelo de efectos fijos controla por todo el tiempo invariante las diferencias entre los individuos , por lo que la estimada coeficientes de los modelos de efectos fijos no pueden estar sesgados debido a las características invariables en el tiempo omitidas ... [como la cultura , la religión , el sexo , la raza , etc. ] Un efecto secundario de las características de los modelos de efectos fijos es que que no se pueden utilizar para investigar las causas invariantes en el tiempo de la variables dependientes. Técnicamente , las características invariables en el tiempo de los individuos están perfectamente colineal con la persona [ o Entidad] dummies . En cuanto al fondo , modelos de efectos fijos son diseñado para estudiar las causas de los cambios dentro de una persona [ o entidad]. Una característica invariable en el tiempo no puede causar tal cambiar , porque es constante para cada persona . " ( Subrayado es mío) Kohler , Ulrich , Frauke Kreuter , Análisis de datos utilizando Stata , 2ª ed . , P.245 24 Modelo de efectos aleatorios (Intercepción aleatoria , Modelo de agrupamiento parcial) 25 efectos aleatorios La razón de ser de modelo de efectos aleatorios es que , a diferencia del modelo de efectos fijos , la variación entre entidades se supone que es aleatorio y no correlacionado con el predictor o variables independientes incluidas en el modelo " ... La distinción fundamental entre los efectos fijos y aleatorios es si lo no observado efecto individual encarna los elementos que están correlacionados con los regresores en la modelo , no si estos efectos son estocásticos o no " [ Green, 2008 , p.183 ] Si usted tiene razones para creer que las diferencias entre las entidades tienen alguna influencia en su variable dependiente , entonces debería usar efectos aleatorios . Una ventaja de efectos aleatorios es que se puede incluir variables invariantes en el tiempo ( es decir, género). En el modelo de efectos fijos estas variables son absorbidos por la intersección . El modelo de efectos aleatorios es : Yit = βXit + α + uit + εit [eq.4] Dentro de entidad de error Entre entidad de error 26 efectos aleatorios Los efectos aleatorios asumen que términos de error de la entidad no se correlaciona con las predictivas que permite para las variables invariantes en el tiempo para jugar un papel como se explican las variables. En efectos aleatorios es necesario especificar las características individuales que pueden o no puede influir en las variables de predicción . El problema con esto es que algunos las variables pueden no estar disponibles por lo tanto, dando lugar a sesgo de variables omitidas en el modelo. RE permite generalizar las inferencias más allá de la muestra utilizada en el modelo. 27 efectos aleatorios Se puede estimar un modelo de efectos aleatorios utilizando xtreg y la opción de re. NOTA : Añadir la opción ' robusta ' para controlar heterosedasticidad Resultado variable Predicción variables opción de efectos aleatorios . xtreg y x1, re Si este número es < 0,05 a continuación, el modelo está bien . Esta es una prueba (F) para ver si todo el coeficientes de la modelo son diferentes que cero. diferencias en todas las unidades son no correlacionado con el regresores la hipótesis de que cada coeficiente es diferente desde 0. Para rechazar esto, el p - valor tiene que ser menor de 0,05 ( 95 % , se podría elegir también una alfa de 0,10 ) , si esto es el caso , entonces se puede decir que la variable tiene una influencia significativa en su variable dependiente (Y) Interpretación de los coeficientes es complicado , ya que incluyen tanto los efectos dentro de - entidad y entre entidades. En el caso de datos TSCS representa el efecto promedio de X sobre Y cuando X cambia en el tiempo y entre los países en una unidad 28 FIJO O ALEATORIO? 29 Fijos o aleatorios: test de Hausman Para decidir entre efectos fijos o aleatorios se puede realizar una prueba de Hausman donde el hipótesis nula es que el modelo preferido es el de efectos aleatorios frente a la alternativa de la efectos fijos ( ver Green, 2008 , capítulo 9 ) . Básicamente se pone a prueba si el único errores (UI) están correlacionados con los regresores , la hipótesis nula es que no lo son. Ejecutar un modelo de efectos fijos y guardar las estimaciones , a continuación, ejecutar un modelo aleatorio y salvar a las estimaciones , a continuación, realizar la prueba . Vea abajo. xtreg y x1, fe estimates store fixed xtreg y x1, re estimates store random hausman fixed random . hausman fixed random Si esto es < 0,05 (es decir significativa ) el uso de efectos fijos . 30 OTRAS PRUEBAS / DIAGNÓSTICO 31 Las pruebas para los efectos fijos de tiempo Para ver si los efectos de tiempo fijo son necesarios cuando se ejecuta una modelo FE utilice el comando testparm . Es una prueba conjunta para ver si los maniquíes para todos años son iguales a 0 , si son entonces no hay efectos de tiempo fijo Se necesitan . xi: xtreg y x1 i.year, fe i.year _Iyear_1990-1999 (naturally coded; _Iyear_1990 omitted) Fixed-effects (within) regression Number of obs = 70 Group variable: country Number of groups = 7 F(10,53) = 1.60 corr(u_i, Xb) = -0.2014 Prob > F = 0.1311 testparm _Iyear* In Stata 11 type: tesparm i.year No fue posible rechazar la hipótesis nula de que todos coeficientes años son iguales en forma conjunta a cero por lo tanto, no hay tiempo fixedeffects Se necesitan F test that all u_i=0: . testparm _Iyear* ( 9) _Iyear_1999 = 0 ( 8) _Iyear_1998 = 0 ( 7) _Iyear_1997 = 0 ( 6) _Iyear_1996 = 0 ( 5) _Iyear_1995 = 0 ( 4) _Iyear_1994 = 0 ( 3) _Iyear_1993 = 0 ( 2) _Iyear_1992 = 0 ( 1) _Iyear_1991 = 0 F( 9, 53) = Prob > F = F(6, 53) = 2.45 Prob > F = 0.0362 1.21 0.3094 32 Las pruebas de efectos aleatorios : multiplicador Breusch- Pagan Lagrange ( LM ) La prueba LM le ayuda a decidir entre una regresión de efectos aleatorios y un simple regresión por mínimos cuadrados . La hipótesis nula en la prueba LM es que las diferencias entre las distintas entidades es cero . Esto es, no hubo diferencias significativas entre las unidades ( es decir, ningún efecto panel) . El comando en Stata es xttset0 escribirla inmediatamente después de la ejecución del modelo de efectos aleatorios . xtreg y x1, re xttest0 . xttest0 Breusch- y Pagan prueba de Lagrange multiplicador de efectos aleatorios y[country,t] = Xb + u[country] + e[country,t] Resultados Estimados: Test: Var(u) = 0 chi2(1) = 2.67 Prob > chi2 = 0.1023 Aquí no pudimos rechazar la hipótesis nula y concluir que los efectos aleatorios no es apropiado. Esto no es evidencia de diferencias significativas entre los países , por lo tanto, se puede ejecutar un simple MCO regresión 33 Las pruebas para la dependencia de correlación transversal / contemporánea : el uso de Breusch -Pagan LM prueba de independencia Según Baltagi , la dependencia de la sección transversal es un problema en los paneles de macro con largo tiempo de serie (más de 20-30 años ) . Esto no es un gran problema en los paneles de micro ( pocos años y grandes numero de casos). La hipótesis nula de prueba B-P /LM de la independencia es que los residuos a través de entidades no son correlacionado. El comando para ejecutar esta prueba es xttest2 ( ejecutarlo después xtreg, Fe) xtreg y x1, fe xttest2 No dependencia de la sección transversal Escriba xttest2 para obtener más información . Si no está disponible intente instalarlo escribiendo SSC install xttest2 34 Las pruebas para la dependencia de correlación transversal / contemporánea : Mediante la prueba de CD Pasaran Como se mencionó en la diapositiva anterior , la dependencia de la sección transversal es más de un problema en macro paneles con series de tiempo largas ( más de 20-30 años) que en micro paneles . CD Pasaran, prueba de dependencia de la sección transversal se utiliza para probar si los residuos son similares en las distintas entidades . la dependencia de la sección transversal puede llevar a un sesgo en los resultados de las pruebas (también llamada correlación contemporánea ) . La hipótesis nula es que los residuos no están correlacionados. el comando de la prueba es xtcsd , hay que instalarlo escribiendo ssc install xtcsd xtreg y x1, fe xtcsd, pesaran abs No dependencia de la sección transversal . xtcsd, pesaran abs La prueba de Pesaran de la independencia de la sección transversal = valor absoluto medio de los elementos fuera de la diagonal 1.155 , Pr = 0,2479 = 0,316 Tenía la dependencia de la sección transversal esté presente .Hoechle sugiere utilizar Driscoll y Kraay errores estándar utilizando el comando xtscc ( instalarlo escribiendo SSC install xtscc ) . Escribir help xtscc para más detalles . 35 prueba de heterocedasticidad Una prueba de heterocedasticidad es utilizada para el modelo de efectos fijos usando el comando xttest3 . Este es un programa escrito por el usuario , para instalarlo tipo SSC instalar xtest3 xtreg y x1, fe xttest3 . xttest3 presencia de heterocedasticidad La nula homocedasticidad (o varianza constante ) . Por encima se rechaza la hipótesis nula y la conclusión de heterocedasticidad . Escribir help xtest3 para más detalles NOTA : Utilice la opción ' robusta ' para controlar heterocedasticidad ( en tanto fijos como efectos aleatorios). 36 prueba de raíces unitarias / estacionariedad Stata 11 tiene una serie de pruebas de raíz unitaria utilizando el xtunitroot comando, incluida la siguiente serie de pruebas (usar help xtunitroot por detalles cómo ejecutar las pruebas ) : " Xtunitroot realiza una serie de pruebas de raíces unitarias (o estacionariedad ) en el panel de datos . El Levin - Lin - Chu (2002 ) , Harris - Tzavalis (1999 ) , Breitung (2000 ; Breitung y Das 2005) , Im- Pesaran - Shin (2003 ) , y Fisher - tipo ( Choi , 2001) tienen pruebas como la hipótesis nula de que todos los paneles contienen una raíz unitaria . el Hadri (2000 ) multiplicador de Lagrange ( LM ) de prueba tiene como la hipótesis nula de que todos los paneles son ( tendencia) estacionaria . La parte superior de la salida de cada prueba hace explícito el nulo e hipótesis alternativas . Opciones que permiten incluir medios de pantalla específica (efectos fijos) y tendencias temporales en el modelo del proceso de generación de datos. Stata 10 no tiene este comando , pero puede ejecutar programas escritos por el usuario para ejecutar el mismas pruebas . Usted tendrá que encontrar e instalarlos en su programa Stata ( Recuerde, estos son sólo para Stata 9.2 / 10 ) . Para encontrar el tipo de complementos findit panel unit root test Una ventana pop -up , encontrar la prueba deseada , haga clic en el enlace , a continuación, en donde dice “(click here to install)” Para obtener más información sobre las raíces unitarias por favor verifica: http://dss.princeton.edu/training/TS101.pdf 37 Los errores estándar robustos Fuente : Hoechle , Daniel , " Los errores estándar robustos para regresiones de panel con la dependencia de Corte Transversal " , página 4 http://fmwww.bc.edu/repec/bocode/x/xtscc_paper.pdf 38 Resumen de modelos básicos (FE / RE ) NOTA : En Stata 11 que no es necesario " xi : " al agregar variables ficticias utilizando 39 regress o areg