Traducido al español

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