De regresión con datos de panel

(SW Ch. 8)

Un conjunto de datos panel contiene observaciones sobre múltiples entidades (individuos), donde se observa cada entidad en dos o
más puntos en el tiempo.
Ejemplos:
 Los datos sobre los 420 distritos escolares de California en 1999 y nuevamente en 2000, de 840 observaciones
totales.
 Los datos sobre los 50 estados de Estados Unidos, cada estado se observa en 3 años, para un total de 150
observaciones.
 Los datos sobre 1000 personas, en cuatro meses diferentes, para 4000 observaciones totales.
Notación para datos de panel
Un doble subíndice distingue entidades (estados) y periodos de tiempo (años)

yo = Entidad (estado), n = número de entidades,

así i = 1, ..., n

t = Período de tiempo (años), T = número de períodos de tiempo

por lo que t = 1, ..., T

Datos: Supongamos que tenemos 1 regresor. Los datos son los siguientes:

(Xit, Yit), i = 1, ..., n, t = 1, ..., T

notación datos de panel, CTD.
Los datos de panel con k regresores:

(X1it, X2it, ..., Xkit, Yit), i = 1, ..., n, t = 1, ..., T

norte = Número de entidades (estados)

T = Número de períodos de tiempo (años)

Algunos jerga ...

 Otro término para datos de panel es de datos longitudinal
 panel balanceado: no hay observaciones que faltan
 panel incompleto: Algunas entidades (estados) no se observan en algunos períodos de tiempo (años)

¿Por qué son útiles los datos del panel?

Con datos de panel podemos controlar los factores que:

 Variar a través de entidades (estados), pero no varían con el tiempo
 Podrían hacer que el sesgo de variables omitidas si se omiten
 son no observada o no medida - y por lo tanto no puede ser incluido en la regresión utilizando regresión múltiple

Aquí está la idea clave:

Si una variable omitida no cambia con el tiempo, entonces cualquier cambio en Y con el tiempo pueden no ser causadas
por la variable omitida.

8-1
 Ejemplo de un conjunto de datos de panel:
las muertes de tráfico y los impuestos al alcohol

Unidad de observación: un año en un estado de EE.UU.

 48 estados, por lo que n = de entidades Us = 48
 7 años (1982, ..., 1988), por lo que T = # de períodos de tiempo = 7
 panel balanceado, por lo que el total de # observaciones = 748 = 336
Variables:
 tasa de mortalidad de Tráfico (# muertes de tráfico en ese estado en ese año, por cada 10.000 residentes del estado)
 Impuesto sobre una caja de cerveza
 Otros (edad legal de conducción, las leyes de conductores ebrios, etc.)
Tráfico de datos de mortalidad para 1982

impuestos sobre el alcohol más altos, más muertes de tráfico?

Tráfico de datos de mortalidad para 1988

impuestos sobre el alcohol más altos, más muertes de tráfico?

8-2
¿Por qué no podría ser más alto más muertes de tráfico en los estados que tienen los impuestos más altos de alcohol?

Otros factores que determinan la tasa de mortalidad de tráfico:

 Calidad (edad) de los automóviles
 Calidad de las carreteras
 “Cultura”en torno a beber y conducir
 La densidad de vehículos en la carretera

Estos factores omitidos podrían causar omitido sesgo de la variable.

Ejemplo# 1: densidad de tráfico. Suponer:

(i) La alta densidad de tráfico significa más muertes de tráfico
(ii) estados (occidentales) con menor densidad de tráfico tienen impuestos más bajos de alcohol
 A continuación, las dos condiciones para el sesgo de la variable omitida están satisfechos. En concreto, “altos impuestos”
podría reflejar “alta densidad de tráfico” (por lo que el coeficiente de MCO sería sesgada positivamente - impuestos altos, más
muertes)
 Los datos de panel nos permite eliminar el sesgo de la variable omitida cuando las variables omitidas son constantes en el
tiempo dentro de un estado dado.
Ejemplo # 2: las actitudes culturales hacia beber y conducir
(I) podría decirse que son un factor determinante de las muertes de tráfico; y
(Ii) potencialmente se correlacionan con el impuesto a la cerveza, por lo que la cerveza
impuestos se podrían detectar diferencias culturales
(Omitido de polarización variable).
 A continuación, las dos condiciones para el sesgo de la variable omitida están satisfechos. En concreto, “altos impuestos”
podrían reflejar “las actitudes culturales hacia la bebida” (por lo que el coeficiente de OLS serían sesgada)
 Los datos de panel nos permite eliminar el sesgo de la variable omitida cuando las variables omitidas son constantes en el
tiempo dentro de un estado dado.

Los datos panel con dos períodos de tiempo

(SW Sección 8.2)

Considere el modelo de datos de panel,

FatalityRateit = 0 + 1BeerTaxit + 2zi + uit

zi es un factor que no cambia con el tiempo (densidad), al menos durante los años en los que se dispone de datos.
 Supongamos Zi no se observa, por lo que su omisión podría dar lugar a sesgo de la variable omitida.
 El efecto de Zi puede ser eliminado utilizando T = 2 años.

La idea clave:
Cualquier cambio en la tasa de mortalidad 1982-1988 no puede ser causada por Zi, porque Zi (por supuesto) no cambia
entre 1.982 y 1.988.

La matemática: tener en cuenta las tasas de mortalidad en 1988 y 1982:

FatalityRatei1988 = 0 + 1BeerTaxi1988 + 2zi + ui1988
FatalityRateimil novecientos ochenta y dos = 0 + 1BeerTaximil novecientos ochenta y dos + 2zi + ui1982

Supongamos que E (UIT | BeerTaxit, Zi) = 0.

8-3
Restando 1988-1982 (es decir, calculando el cambio), elimina el efecto de Zi ...
FatalityRatei1988 = 0 + 1BeerTaxi1988 + 2zi + ui1988

FatalityRateimil novecientos ochenta y dos = 0 + 1BeerTaximil novecientos ochenta y dos + 2zi + ui1982
asi que
FatalityRatei1988 - FatalityRatei1982 =
1(BeerTaxi1988 - BeerTaxi1982) + (ui1988 - ui1982)

 El nuevo término de error, (ui1988 - ui1982), no está correlacionado con cualquiera BeerTaxi1988 o BeerTaxi1982.
 Esta ecuación “diferencia” se puede estimar por MCO, a pesar de que no se observa Zi.
 La variable omitida Zi no cambia, por lo que no puede ser un factor determinante del cambio en Y

Ejemplo: Muertes de tráfico y impuestos a la cerveza

1982 datos:
Fatality Rate = 2,01 + 0,15 BeerTax (norte = 48)
(0,15) (0,13)
1988 datos:
Fatality Rate = 1,86 + 0,44 BeerTax (norte = 48)
(0,11) (0,13)

regresión Diferencia (n = 48)

FR1988 - FR1982 = -.072 - 1,04 ( BeerTax1988-BeerTax1982)

(0.065) (0.36)

bv

Los efectos fijos de regresión

(SW Sección 8.3)

8-4
 ¿Qué pasa si usted tiene más de 2 períodos de tiempo (T> 2)?

Yit = 0 + 1Salir + 2zi + Ui, i = 1, ..., n, T = 1, ..., T

Podemos reescribir esto de dos maneras útiles:

1. “norteregresor binario -1”modelo de regresión
2. “Efectos fijos”modelo de regresión

En primer lugar, volver a escribir esto en forma de “efectos fijos”. Supongamos que tenemos n = 3 estados: California, Texas,
Massachusetts.
Yit = 0 + 1Salir + 2zi + Ui, i = 1, ..., n, T = 1, ..., T

regresión de la población de California (es decir, i = CA):

YCA, t = 0 + 1XCA, t + 2ZCA + UCA, t
= (0 + 2ZCA) + 1XCA, t + UCA, t
o
YCA, t = California + 1XCA, t + UCA, t

 California = 0 + 2ZCA no cambia con el tiempo

 California es la intersección de CA, y 1 es la pendiente
 La intersección es exclusivo de CA, pero la pendiente es la misma en todos los estados: líneas paralelas.

Por TX:
YTX, t = 0 + 1XTX, t + 2ZTX + Utx, t
= (0 + 2ZTX) + 1XTX, t + Utx, t
o
YTX, t = TX + 1XTX, t + Utx, t, donde TX = 0 + 2ZTX

Recoger las líneas para los tres estados:

Y =
Y YCA, t = California + 1XCA, t + UCA, t

California
YTX, t = TX + 1XTX, t + Utx, t
LMA, t = MAMÁ + 1XMA, t + UMA, t
C
...,TX
o
 +MA,=t 1X
Yit =  +  Salir + Uit, i = CA, TX,Y = 1, T +
al
yo 1

CLas líneas de regresión para cada estado en un cuadro

Y 1X =
T
if

al MAMÁ+
X
or
M
T
if
 ni
A 1X
X
or
M aM X
ni
A
aM Á

Á
8-5
Recall (Fig. 6.8a) que se desplaza en la intersección puede representarse usando regresores binarios ...

Y =
Y
California
C
 Y TX +
+ =1X
al
C 
Y1X=
T
if

al MAMÁ+
X
or
M
T
if
 ni
A 1X
X
or
M aM X
ni
A
Á
aM
Á

8-6
 En forma regresor binario:
Yit = 0 + CaliforniaDCAI + TXDTXi + 1Salir + uit

 DCAI = 1 si el estado es CA, = 0 en otro caso

 DTXT = 1 si el estado es TX, = 0 en otro caso
 dejar de lado DMAI (¿por qué?)
Resumen: Dos formas de escribir el modelo de efectos fijos
“norteregresor binario -1 forma”

Yit = 0 + 1Salir + 2D2i + ... + norteDni + ui

donde D2i = , Etc.

“efectos fijos”forma:
Yit = 1Salir + yo + ui

 yo se llama un “efecto fijo estado” o “efecto estado” - es la constante de efecto (fijo) de estar en el estado i

Los efectos fijos de regresión: Estimación

Tres métodos de estimación:

1. “norte-1 regresores binarios”regresión OLS
2. “Entidad-degradado”regresión por mínimos cuadrados
3. “Cambios”especificación (sólo funciona para T = 2)

 Estos tres métodos producen estimaciones idénticas de los coeficientes de regresión, y los errores estándar idénticos.
 Ya hicimos la especificación “cambios” (1988 menos 1982) - pero esto sólo funciona para T = 2 años

8-7
 Métodos # 1 y # 2 de trabajo para general T
 Método # 1 sólo es práctico cuando n no es demasiado grande

1. “n-1 binarios regresores” OLS regresión

Yit = 0 + 1Salir + 2D2i + ... + norteDni + ui (1)

dónde D2i = etcétera

 En primer lugar crear las variables binarias D2i, ..., Dni

 Entonces estimar (1) por MCO
 Inferencia (pruebas de hipótesis, intervalos de confianza) es como de costumbre (utilizando errores estándar robustos a la
heteroscedasticidad)
 Esto no es práctico cuando n es muy grande (por ejemplo, si n = 1000 trabajadores)

2. OLS “degradado”-Entidad de regresión

El modelo de regresión de efectos fijos:
Yit = 1Salir + yo + ui

Los promedios del estado y cumplen:

= yo + 1 +

La desviación de promedios estatales:

Yit - = 1 +
Entidad-degradado de regresión OLS, CTD.

Yit - = 1 +
o

= 1 +

8-8
dónde = Yit - y = Xit -

 Para i = 1 y t = 1,982, es la diferencia entre la tasa de mortalidad en Alabama en 1982, y su valor medio en
Alabama promedio durante los 7 años.
Entidad-degradado de regresión OLS, CTD.

= 1 + (2)

dónde = Yit - , Etc.

 En primer lugar la construcción de las variables degradado y

 Entonces estimar (2) mediante la regresión en por MCO

 Inferencia (pruebas de hipótesis, intervalos de confianza) es como de costumbre (utilizando errores estándar robustos a la
heteroscedasticidad)
 Esto es como el enfoque de “cambios”, pero en lugar Yit se desvía de la media estatal en lugar de Yi1.
 Esto se puede hacer en un solo comando en STATA
Ejemplo: Muertes de tráfico y los impuestos de cerveza en STATA

. areg beertax vfrall, absorber (estado) r;

Regresión con errores estándar robustos Número de obs = 336

F (1, 287) = 10,41
Prob> F = 0,0014
R-cuadrado = 0,9050
Adj R-cuadrado = 0,8891
Root MSE = 0,18986

-------------------------------------------------- ----------------------------
| Robusto
vfrall | Coef. Std. Errar. t P> | t | [95% Conf. Intervalo]
------------- + ------------------------------------ ----------------------------
beertax | -.6558736 0,2032797 -3,23 0,001 -1.055982 -.2557655
_cons | 2.377075 2.170109 0.000 .1051515 22.61 2.584041
------------- + ------------------------------------ ----------------------------
estado | absorbida (48 categorías)

 “areg”automáticamente des-significa que los datos

 esto es especialmente útil cuando n es grande
 el intercepto informado es arbitraria

8-9
 
Ejemplo, CTD.
Para n = 48, T = 7:

Tasa de letalidad = -.66 BeerTax + efectos estado fijo

(0,20)
 En caso de que reportar la intersección?
 ¿Cuántas regresores binarios incluiría a estimar esta utilizando el método de “regresor binario”?
 Comparar pendiente, error estándar de la estimación para la v 1982 especificación 1988 “cambios” (T = 2, n = 48).:

FR1988 - FR1982 = -.072 - 1,04 ( BeerTax1988-BeerTax1982)

(0.065) (0.36)

Regresión con efectos de tiempo fijo

(SW Sección 8.4)

Una variable omitida podría variar con el tiempo pero no entre estados:
 Coches más seguros (bolsas de aire, etc.); cambios en las leyes nacionales
 Estas intersecciones producen que cambian con el tiempo
 Dejar que estos cambios ( “coches más seguros”) se denota por la variable St, que cambia con el tiempo, pero no estados.
 El modelo de regresión población resultante es:

Yit = 0 + 1Salir + 2zi + 3S t + uit

Sólo el tiempo fijado efectos

Yit = 0 + 1Salir + 3S t + uit

En efecto, la intersección varía de un año a otro:

Yi,mil novecientos ochenta y dos = 0 + 1xi,mil novecientos ochenta y dos + 3Smil novecientos ochenta y dos + Ui, 1982
= (0 + 3Smil novecientos ochenta y dos) + 1xi,mil novecientos ochenta y dos + Ui, 1982
o
Yi,mil novecientos ochenta y dos = mil novecientos ochenta y dos + 1Xi,mil novecientos ochenta y dos + Ui, 1982, mil novecientos ochenta y dos = 0 + 3Smil novecientos
ochenta y dos

Similar,
Yi1983 = 1983 + 1Xi,1983 + Ui, 1983, 1983 = 0 + 3S1983
etcétera
Dos formulaciones para efectos de tiempo fijo

1. “regresor binario” formulación:

Yit = 0 + 1Salir + 2B2t + ... TBTT + uit

donde B2t = , Etc.

2. Tiempo “efectos” formulación:

8-10
 Yit = 1Salir + t + uit
Tiempo de efectos fijos: métodos de estimación

1. “T-1 regresores binarios” OLS regresión

Yit = 0 + 1Salir + 2B2it + ... TBTit + uit

 Crear variables binarias B2, ..., BT

 B2 = 1 si t = 2 años #, = 0 en otro caso
 Regresión de Y sobre X, B2, ..., BT utilizando MCO
 ¿Dónde está B1?

2. OLS “Año-degradado” de regresión

 Desvían Yit, Xit del año (no estatal) es de
 Estimación por MCO utilizando los datos “degradado años”

Estado y efectos de tiempo fijo

Yit = 0 + 1Salir + 2zi + 3S t + uit

1. “regresor binario” formulación:

Yit = 0 + 1Salir + 2D2i + ... + norteDni

+ 2B2t + ... TBTT + uit

2. Los “efectos de estado y de tiempo” formulación:

Yit = 1Salir + yo + t + uit

Estatales y hora efectos: métodos de estimación

1. “n-1 y T-1 regresores binarios” regresión OLS

 Crear variables binarias D2, ..., Dn
 Crear variables binarias B2, ..., BT
 Regresión de Y sobre X, D2, ..., Dn, B2, ..., BT utilizando MCO
 ¿Qué hay de D1 y B1?
2. Regresión “estatal y degradado años” OLS
 Desviarse Yit, Xit del año y estatales promedios
 Estimación por MCO utilizando datos “año- y degradado por el estado”
Estos dos métodos pueden combinarse también.
ejemplo STATA: Muertes de tráfico ...
. Y83 generación (= == año 1983);
. y84 Gen = (año == 1984);
. Y85 Gen = (año == 1985);
. Y86 Gen = (año == 1986);
. Y87 Gen = (año == 1987);
. Y88 Gen = (año == 1988);
. areg vfrall beertaxY83 Y84 Y85 Y86 Y87 Y88, Absorber r (estado);

Regresión con errores estándar robusta Número de obs = 336

F (7, 281) = 3,70

8-11
 Prob> F = 0,0008
R-cuadrado = 0,9089
Adj R-cuadrado = 0,8914
Root MSE = 0,18788
-------------------------------------------------- ----------------------------
| Robusto
vfrall | Coef. Std. Errar. t P> | t | [95% Conf. Intervalo]
------------- + ------------------------------------ ----------------------------
beertax | -.6399799 0.2547149 -2,51 0,013 -1.141371 -.1385884
Y83 | -.0799029 0,0502708 0,0190522 -1,59 0,113 -.1788579
y84 | -.0724206 0,0452466 0,0166448 -1,60 0,111 -.161486
Y85 | -.1239763 0.0460017 -2,70 0,007 -.214528 -.0334246
Y86 | -.0378645 0,0486527 0,0579055 -0,78 0,437 -.1336344
Y87 | -.0509021 0,0516113 0,0506917 -0,99 0,325 -.1524958
Y88 | -.0518038 0,05387 -0,96 0,337 -.1578438 0.0542361
_cons | 2,42847 0,1468565 2,139392 2,717549 16.54 0.000
------------- + ------------------------------------ ----------------------------
estado | absorbida (48 categorías)

Algunos Teoría: Los fijos Supuestos Los efectos de regresión (SW Aplicación 8.2.)

Para un solo X:
Yit = 1Salir + yo + Uit, i = 1, ..., n, t = 1, ..., T

1. mi(UIT | Xi1, ..., XIT,yo) = 0.

2. (Xi1, ..., XIT, Yi1, ..., YIT), i = 1, ..., n, son iid empates de su distribución conjunta.
3. (Xit, UIT) tienen cuarto momentos finitos.
4. No hay multicolinealidad perfecta (X múltiples de)
5. corr (UIT, el IEU | Xit, X es,yo) = 0 para t  s.
Supuestos 3 y 4 son idénticos; 1, 2, difieren; 5 es nueva
Supuesto 1: mi(UIT | Xi1, ..., XIT,yo) = 0
 uit tiene media cero, dado el efecto fijo del estado y toda la historia de las X para ese estado
 Esto es una extensión de la anterior suposición de regresión múltiple # 1
 Esto significa que no hay efectos retardados omitidas (efectos retardados de X deben introducir explícitamente)
 Además, no es la opinión de u para el futuro X:
o Si un estado tiene una tasa particularmente alta de mortalidad de este año no afectará a continuación si se
aumenta el impuesto a la cerveza.
o Volveremos a esto cuando tomamos datos de series de tiempo.
Supuesto 2: (Xi1, ..., XIT, Yi1, ..., YIT), i = 1, ..., n, son iid empates de su distribución conjunta.
 Esta es una extensión de la asunción # 2 para la regresión múltiple con sección transversal de datos
 Esto se cumple si las entidades (estados, individuos) se muestrean al azar de su población por muestreo aleatorio simple,
entonces los datos para esas entidades se recogen en el tiempo.
 Esto no requiere observaciones iid con el tiempo para la misma entidad - que no sería realista (si un estado tiene una ley
de DWI sentencia obligatoria de este año está fuertemente relacionada con si va a tener esa ley el próximo año).
Asunción # 5: corr (UIT, el IEU | Xit, X es,yo) = 0 para t  s
 Esto es nuevo.
 Esto dice que (dado X), los términos de error están correlacionados con el tiempo dentro de un estado.
 Por ejemplo, UCA, 1982 y UCA, 1983 no están correlacionadas
 Es esto creíble? Lo que entra en el término de error?
o Especialmente en invierno cubierto de nieve
o Apertura importante carretera dividida nueva
o Las fluctuaciones en la densidad del tráfico de las condiciones económicas locales

8-12
  Supuesto nº 5 requiere que estos factores omitidos entran UIT a que no están correlacionadas con el tiempo, dentro de un
estado.
¿Qué pasa si falla la Hipótesis 5: corr (UIT, el IEU | Xit, X es,yo) 0?
 Una analogía útil es heterocedasticidad.
 Estimadores MCO de datos de panel 1 son imparciales, coherentes
 Los errores estándar de MCO serán mal - por lo general los errores estándar de MCO subestiman la verdadera incertidumbre
 La intuición: si uit se correlaciona con el tiempo, que no tiene mayor cantidad de información (como la variación aleatoria
mucho) como lo haría fueron uit correlacionadas.
 Este problema se resuelve mediante el uso de “heterocedasticidad y autocorrelación consistente errores estándar” - volvemos a
esto cuando nos centramos en la regresión de series temporales

Aplicación: Borracho Reglas de tránsito y las muertes de tráfico

(SW Sección 8.5)

Algunos hechos
 Aprox. 40.000 víctimas mortales de tráfico cada año en los EE.UU.
 1/3 de las muertes de tráfico implican un conductor ebrio
 25% de los conductores en la carretera 01 a.m.-03 a.m. haber estado bebiendo (estimación)
 Un conductor borracho es 13 veces más propensos a causar un accidente fatal como conductor no potable (estimación)

leyes de conducir bebido y muertes de tráfico, CTD.

cuestiones de política pública

 conducir ebrio provoca efectos externos masivos (conductores sobrios mueren, etc., etc.) - hay una amplia justificación
para la intervención gubernamental
 ¿Hay maneras eficaces de reducir conducir borracho? ¿Entonces qué?
 ¿Cuáles son los efectos de las leyes específicas:
o castigo obligatorio
o edad mínima legal para beber
o intervenciones económicas (impuestos sobre el alcohol)
El conjunto de datos de panel conducir borracho
norte = 48 estados de Estados Unidos, T = 7 años (1982, ..., 1988) (equilibrada)

Variables
 tasa de mortalidad de tráfico (muertes por cada 10.000 habitantes)
 Impuesto sobre una caja de cerveza (Beertax)
 Edad mínima legal para beber
 leyes de sentencias mínimas para la primera violación DWI:
o obligatorio de cárcel
o Servicio a la Comunidad manditory
o de lo contrario, condena será sólo una multa monetaria
 millas del vehículo por conductor (US DOT)
 los datos económicos del Estado (ingreso real per cápita, etc.)
¿Por qué podrían ayudar a un panel de datos?
 OV sesgo potencial de las variables que varían entre estados, pero son constantes en el tiempo:
o cultura de beber y conducir
o calidad de las carreteras
o vendimia de autos en la carretera

8-13
  utilizar efectos fijos estatales
 OV sesgo potencial de las variables que varían con el tiempo, pero que son constantes a través de los estados:
o mejoras en la seguridad de los automóviles a través del tiempo
o cambiar las actitudes nacionales hacia conducir borracho
 utilizar efectos de tiempo fijo

Análisis empírico: Principales resultados

8-14
 Signo del coeficiente cambia de impuestos cerveza cuando se incluyen efectos fijos estatales
 efectos fijos de tiempo son estadísticamente significativas, pero no tienen gran impacto en los coeficientes estimados
 efecto estimado de impuesto a la cerveza disminuye cuando otras leyes se incluyen como regresor
 La única variable de política que parece tener un impacto es el impuesto sobre la cerveza - no edad mínima para beber, no
condena obligatoria, etc.
 Las otras variables económicas tienen grandes coeficientes plausiblemente: más ingresos, más de conducción, más muertes
Extensiones del enfoque de “n-1 regresores binarios”

La idea de utilizar muchos indicadores binarios para eliminar el sesgo de la variable omitida puede extenderse a datos que no son
de pantalla - la clave es que la variable omitida es constante para un grupo de observaciones, por lo que en efecto significa que
cada grupo tiene su propia interceptación.
Ejemplo: Problema del tamaño de la clase.
Supongamos que la financiación y las cuestiones curriculares se determina a nivel del condado, y cada condado tiene
varios distritos. Dando como resultado el sesgo de la variable omitida podría abordarse mediante la inclusión de
indicadores binarios, uno para cada condado (omitir uno para evitar la multicolinealidad perfecta).
Resumen: Regresión con datos de panel
(SW Sección 8.6)

Ventajas y limitaciones de regresión de efectos fijos

ventajas
 Puede controlar las variables no observadas que:
o varían entre estados, pero no en el tiempo, y / o
o variar con el tiempo pero no entre estados
 Más observaciones que dan más información
 Estimación implica extensiones relativamente sencillas de regresión múltiple
 y efectos fijos se puede hacer de tres maneras:
1. “método cambia”cuando T = 2
2. “norte-1 regresores binarios”método cuando n es pequeña
3. “Entidad-degradado”de regresión
 Métodos similares se aplican a la regresión con efectos de tiempo fijo y al tiempo y de efectos fijos estatales
 La inferencia estadística: regresión múltiple similares.

Limitaciones / desafíos
 Necesidad variación en X con el tiempo dentro de los estados
 Tiempo de retardo efectos pueden ser importantes
 Los errores estándar podría ser demasiado baja (errores podrían estar correlacionados con el tiempo)

8-15