Cap. 11 Dados em Painel

Notas aula de Econometria I, profa. Marina S.
Cunha 1
UNIVERSIDADE ESTADUAL DE MARINGÁ

CENTRO DE CIÊNCIAS SOCIAIS APLICADAS
DEPARTAMENTO DE ECONOMIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA
CAPÍTULO 11
Modelo para Dados em Painel
Profª. Marina Silva da Cunha

Notas aula de Econometria I, profa. Marina S. Cunha 2
11.1 Introdução
11.2 Modelos para Dados em Painel
11.3 Modelos de regressão ‘Pooled’
11.4 Modelo de Efeito Fixo
11.5 Efeitos Aleatórios
11.6 Distúrbios não-esféricos e estimação robusta da covariância
11.7 Autocorrelação espacial
11.8 Endogeneidade
11.9 Regressão não linear com Dados em Painel
11.10 Sistemas de Equações
11.11 Parâmetros heterogêneo
11.12 Sumário e conclusões

11.1 INTRODUÇÃO
Conjunto de dados que combinam séries de tempo e corte temporal

Exemplo: Dados da OCDE
Dados Longitudinais (Microdados – indivíduos ou famílias)
11.2 MODELOS PARA DADOS EM PAINEL

ou longitudinais
Estudos recentes:
1) National Longitudinal Survey of Labor Market Experience
2) Michigan Panel Study of Income Dynamics

6.000 famílias e 15.000 indivíduos (desde 1968)
3) British Household Panel Survey
± 5.000 famílias (desde 1991)
4) Dados na área de saúde
a) German Socioeconomic Panel
b) Medical Expenditure Panel Survey
5) The Current Population Survey

± 50.000 domicílios
Existem alguns temas que não deveriam ser estudados com dados de séries
temporais ou corte no tempo, como exemplo:
a) Ben-Porath (1973) – oferta de trabalho das mulheres por cohort
b) Mudança de escala e tecnologia na função de produção
11.2.1 Estrutura Geral de modelos para análise de dados em

Painel
Vantagem fundamental de conjuntos de dados em painel sobre corte

temporal é que permitem ao pesquisador grande flexibilidade,
modelando diferenças no comportamento entre indivíduos
O arcabouço básico para esta discussão é o modelo de regressão na forma

yit = xit’β + zi’α + εit
= xit’β + ci + εit (11-1)
Existem k regressores em xit (sem a constante)
ziα Efeito individual (heterogeneidade)
[contém a constante e os conjuntos de variáveis para os indivíduos ou
grupos]
Se zi é observável não há problemas e podemos estimar (11-1) por MQO
Caso contrário, dependendo das suposições sobre os efeitos não-observáveis,

os efeitos parciais serão consistentes e eficientes [β = ∂E[y it | x it ] / ∂x it ]
Inicialmente, supomos exogeneidade estrita para as variáveis independentes

E[εit|xi1, xi2, ...] = 0
Os resíduos são não-correlacionados com as
variáveis incluídas (passado, presente e futuro)
Uma suposição conveniente é média independente
E[ci|xi1, xi2, ...] = α
É uma suposição forte [utilizada em modelo com efeitos aleatórios]. Uma
alternativa, é
E[ci|xi1, xi2, ...] = h(xi1, xi2, ...)
= h(Xi)
é uma formulação mais geral e mais complicada e necessita de suposições
adicionais sobre a natureza da função.
11.2.2 Estruturas de Modelos (Tipos)
1. Regressão Pooled [empilhada]: zi contém apenas um termo constante

MQO é consistente e eficiente
2. Efeito Fixo: zi é não-observável, mas correlacionado com Xit
∴ β obtido por MQO é viesado e inconsistente devido ao
problema da variável omitida
O modelo é:
yit = Xit’β +αi + εit
zi’α efeitos observáveis
Termo grupo-específico constante
O termo fixo é utilizado como a correlação entre ci e xit, ci é não-estocástico.
3. Efeito aleatório: Se a heterogeneidade individual não-observada não está

correlacionada com as variáveis incluídas, então o modelo pode ser
yit = xit’β + E[zi’α]+{ zi’α – E[zi’α]} + εit

= xit’β + α + ui + εit
A distinção entre os efeitos fixos e aleatórios consiste no fato de que os

efeitos individuais não-observáveis são ou não correlacionados com xit.
4. Parâmetros aleatórios:
yit = xit’(β + hi) + (α + ui) + εit
vetor aleatório com a variação nos
parâmetros para cada indivíduo
Extensão (modelo hierárquico) serão examinados posteriormente
yit = xit’(β + ∆zi + hi) + (α + ui) + εit

Conjunto observável de parâmetros
Matriz de parâmetros estimados
11.2.3 Extensões
Ver Capítulo 17 Modelos de escolha binária

19 Modelos com dados censurados
18 Modelos com dados contáveis
11.2.4 Painel balanceado e não-balanceado
n indivíduos (i = 1, ..., n), com observações Painel

para cada período de tempo, [j = 1, ..., t] Balanceado
nxt=T
Nem todos os indivíduos são observados Painel não
Em cada períodos de tempo T i Balanceado
Painel fixo mesmos indivíduos são observados durante o estudo.
11.2.5 Painel Bem comportado
11.3 O MODELO DE REGRESSÃO POOLED
Começamos assumindo a versão simplista do modelo
yit = αi + xit’β + εit i = 1, ..., n, j = 1, ..., Ti

E[εi|xi1, xi2, ..., xi Ti] = 0 (11-2)
Var[εit|xi1, xi2, ..., xi Ti] = σε2
Cov[εit, εjs|xi1, xi2, ..., xi Ti] = 0 se i ≠ j ou t ≠ s
chamado de modelo da média populacional

11.3.1 Estimação de Mínimos Quadrados do modelo Pooled

• As suposições acima são improváveis
• Quando a heterogeneidade difere entre os indivíduos
Melhor seria o modelo com efeitos fixos
Quando há heterogeneidade e esta é ignorada os
estimadores de MQO são inconsistentes
• Quando o melhor seria o modelo de efeitos aleatórios, sua omissão leva
ao problema da autocorrelação.
yit = ci + xit’β + εit
em que E[ci|Xi] = α, assim
yit = α + xit’β + εit + (ci – E[ci|Xi])
= α + xit’β + εit + ui
= α + xit’β + εit + wit
E[wit + wis] = σअ2 quando t ≠ s
autocorrelação
11.3.2 Estimação Robusta da matriz de covariância
Para o i-ésimo indivíduo, tem-se
yi = Xiβ + wi
inclui o termo constante
var[wi|Xi] = σε2ITi + Σi = Ω
o componente omitido
Considerando o estimador de MQO:
n ' n '
b = (X’X) X’y =  ∑ X i X i  ∑ X i y i
–1
i =1  i =1
podemos obter uma estimativa da Matriz de Covariância, seguinte o
estimador de White,
−1 −1
1 1 n  1 n 1 n 
Est. Ass. Var [b]=  ∑ X´i X i   ∑ i i i i   ∑ i i  (11-3)
X´ ˆ
w ˆ
w ´ X X´ X
n  n i =1   n i =1   n i =1 
Exemplo 11.2 Estimativa da matriz de var por MQO 2ª coluna da Tabela 11.1
É o melhor por (11.3) 3ª coluna da Tabela 11.1
Pelo estimador de White (8-27) 4ª coluna da Tabela 11.1
11.3.3 Agrupamento e estratificação
• Em especial, para reduzir custo

• Utilizar o mesmo estimador dado em 11.3.2
• A matriz de var[b] modifica-se um pouco x 
G 
 G − 1
−1 −1
G   G G  G 
E. A.Var [b]=  ∑ X´ g X g   ∑ X´ g wˆ g wˆ ´ g X g   ∑ X´ g X g  (11-4)
 g =1   G − 1 g =1   g =1 
G é o número de grupos
ng componentes em cada grupo
g = 1, ..., G observações
11.3.4 Estimação Robusta utilizando a média de grupos
1
Multiplique cada grupo por  i ' vetor coluna de uns.
T 
yi = Xiβ + wi
(1/T)i’yi = (1/T)i’Xiβ + (1/T)i’wi
ou yi = xiβ + wi
média condicional zero
variância heterocedástica
σi2 = (1/T2) i’Ωi
pode ser utilizado o
estimador White
∴ utilizar a média dos grupos não resolve o problema da heterocedasticidade
Alternativa especificação de Mundlak (1978)

Pode conter erro de medida
Ver exemplo 11.3
11.3.5 Estimação com as primeiras diferenças

Outra abordagem para a estimação
Busca-se transformar a heterogeneidade
Caso base
yit = ci + xit’β + εit
A equação nas primeiras diferenças
∆yit = ∆ci + (∆xit)’β + ∆εit
ou
∆yit = (∆xit)’β + εit – εi,t – 1
= (∆xit)’β + अit
Vantagem remove a heterogeneidade latente ci
Educação
Desvantagem remove variáveis que não mudam no tempo Sexo
Raça
Se essas variáveis não são relevantes, as estimações são consistentes,

no entanto, os efeitos de educação sobre salário são importantes
Os erros possuem autocorrelação de 1ª ordem pode-se utilizar alguns
procedimentos para
contornar o problema
OBSERVAÇÃO GERAL
É mais indicado em apenas um caso específico: quando o Painel
possui apenas 2 períodos.
11.3.6 Estimação dentro e entre grupos
Formulações para regressão Pooled
1º) Formulação original
yit = α + xit’β + εit (11-5a)
2º) Considerando a média dos grupos
yi* = α + x i* β + εi (11-5b)
3º) Desvios da media dos grupos

ββββ
yit − yi* = (x it − x i* ) + εit − εi (11-5c)
Assumimos que não há variáveis tempo-invariantes como Educação

no Exemplo 11.1, pois seriam zero em (11.5c)
11.5c com n observações
Estimáveis por MQO

Soma dos quadrados e o produto cruzado
xx = ∑i =1∑t =1(xit − x)(xit − x)'

n T
STotal (11-6)
= ∑i =1 ∑t =1 (xit − x)( yit − y )

n T
STotal
xy
S Dentro
xx = ∑ in=1 ∑Tt=1 (x it − x i )(x it − x i )'
S Dentro
xy = ∑ in=1 ∑Tt=1 (x it − x i )( yit − yi )
S Entre
xx = ∑ in=1T ( x i − x)(x i − x)'
S Entre
xy = ∑ in=1T ( x i − x)( yi − y )
É fácil verificar que
STotal
xx = S Dentro
xx + S Entre
xx
STotal
xy = S Dentro
xy + S Dentro
xy
x e y são médias totais

Com isto, existem 3 maneiras para obter os estimadores de β

correspondente à decomposição.
1) O estimador de MQO é
[
bTotal = STotal
xx S xy ]
−1 Total
(11-7)
[
= S Dentro
xx + S Entre
xx ]−1[S Dentro
xy xy ]
+ S Entre
2) Estimador dentro dos grupos é

[
b Dentro = S Dentro
xx S xy ]
−1 Dentro
(11-8)
3) Estimador entre grupos é

[
b Entre = S Entre
xx ]−1
S Entre
xy (11-9)
que é o estimador da média dos grupos
Considerando,
de (11-7) S Dentro
xy = S Dentro
xx b Dentro
de (11-8) S Entre
xy = S Entre
xx b
Entre
Substituindo em (11-6)
[
bTotal = S Dentro
xx + S Entre
xx ]−1S Dentro
xx b Dentro + S Entre
xx b
Entre
= F Dentrob Dentro + F Entreb Entre (11-10)
em que,
[
F Dentro = S Dentro
xx + S xx S xx ]
Entre −1 Dentro
= I − F Entre
Este estimador é similar ao Baysiano [Capítulo 16]
Exemplo 11.4 Decomposição da variância dentro e entre grupos

11.4 MODELO DE EFEITO FIXO
Suposição que os efeitos omitidos, ci, no modelo

yit = xit’β + ci + εit
são correlacionados com as variáveis incluídas. Em geral,
E[ci|Xi] = h(Xi) (11-11)
Como a média condicional, h(Xi), é a mesma em cada período
yit = xit’β + h(Xi) + εit + [ci – h(Xi)] soma e subtrai h(Xi)
yit = xit’β + αi + εit + [ci – h(Xi)]
por construção o termo entre parênteses é não-correlacionado com Xi, que

pode ser absorvido nos resíduos
yit = Xit’β + αi + εij (11-12)
Supomos ainda que, var[ci|Xi] é constante. Com isto, o modelo pode

ser estimado por MQO.
(11-10) o modelo de efeito fixo não significa que as variáveis são ‘fixas’
ao invés de aleatórias.
o modelo de efeito fixo implica que as diferenças entre os grupos

podem ser capturados por diferenças nos termos constantes.
Considere o exemplo 11.1 e 11.3
Modelo de Efeito Fixo

Ln Wageit = xit’β + [β10Edi + β11Femi + β12Blki + ci] + εit
11.4.1 Estimação por Mínimos Quadrados
Seja
yi = Vetor com T observações para a i-ésima unidade
Xi = Matriz com T observações para a i-ésima unidade
i = Vetor com T observações para a (T × 1) de uns.
εi = Vetor com T observações para a (T × 1)
Assim,
yi = Xiβ + iαi + εi
Colecionando esses termos, temos
 y1   X1   i 0 L 0  α1   ε1 
y   X   0 i L 0   α  ε 
 =  + . 2  +  2 
ββββ
2 2
M   M  M M O M  M   M 
        
y n   X n  0 0 L i  αn  ε n 
ou
ββββ αααα
 
y = [X d1 d 2 L d n ].  + ε (11-13)
 
di = variável binária indicando a i-ésima unidade

D = [d1 d 2 L d n ] = matriz nT x n
Assim,
y = Xβ + Dα + ε
Least Square Dummy Variable (LSDV) model
Modelo de mínimos quadrados com variáveis binárias
Para n pequeno pode ser estimado por mínimos quadrados

grande utilizar regressão particionada [ver (11-14) – (11-19)],
pois a capacidade do computador pode não suportar
a dimensão das matrizes.
11.4.2 T Assintoticamente pequeno

Tamanho do grupo
N ↑ Aumenta a quantidade de grupos

T Fixo [tamanho do grupo]
O estimador de mínimos quadrados é não-viesado, no entanto,

podemos esperar que a matriz de covariância seja consistente?
Há duas maneiras de obtê-la:
σ ε2
Asy.Var[b] = [T Sxx, i ]−1 é consistente (11-20)
n
σ ε2
Mas Asy.Var[ aii ] = + xi' { Asy. Var[b]}xi não é consistente (11-21)
T
Limite
inferior
11.4.3 Teste de significância para o efeito grupo
O teste t pode ser utilizado para testar a hipótese de que αi é igual a

zero. Para testar diferenças entre os grupos podemos utilizar a estatística F.
2
( RLSDV − RPooled
2
) (n − 1)
F( n −1, nT − n − K ) = (11-21)
(1 − RLSDV
2
) (nT − n − K )
2
RLSDV R2 da regressão incluindo as binárias
2
RPooled R2 da regressão com apenas a constante
11.4.4 Efeito tempo e grupo
Podemos incluir o efeito tempo:
yit = xit’β + αi + δt + εit (11-22)
Incluindo T – 1 binárias adicionais
Versão particionada quando o nº de variáveis é grande
[(11-23) – (11-26)]
Exemplo 11.4 Equação de salários com Efeitos Fixos
11.4.5 Variáveis tempo-invariante e Decomposição do vetor de EF

11.5 EFEITOS ALEATÓRIOS

Considere a seguinte formulação
yit = xit’β + (α + ui) + εit (11-28)
Média da heterogeneidade não observável, E[zi’α]
K regressores incluindo a constante
ui = heterogeneidade da i-ésima observação, que é constante no tempo
de 11.2.1 ui = {zit’α – E[zi’α]}
Assume-se exogeneidade restrita
E[εit|X] = E[ui|X] = 0
E[εit2|X] = σε2
E[ui2|X] = σu2 (11-29)
E[εituj|X] = 0 para todo i, t, e j
E[εitεjs|X] = 0 se t ≠ s ou i ≠ j
E[uiuj|X] = 0 se i ≠ j
Pode-se ver a formulação para T observações do grupo i , yi, Xi, uii, e εi

ηit = εit + ui e ηi = [ηi1, ηi2, ..., ηiT]’
nesta forma é chamado de modelo de componente de erro. Para este modelo
E[ηi2|X] = σε2 + σu2
E[ηitηis|X] = σअ2 t ≠ s;
E[ηitηis|X] = 0 para todo t e s se i ≠ j
σ 2 + σ 2 σ u2 σ u2 L σ u2 
 ε 2 u 
σ ε2 + σ u2 σ u2 σ u2 
∑ = E[ i i | X] =  Mu
σ L
ηηηη
ηηηη

= σε2IT +σu2iTiT’
M M O M
 
 σ u2 σ u2 σ u2 L σε + σ u2 
2
(11-30)
Para nT observações, a matriz de covariâncias dos distúrbios
Σ 0 0 L 0
0 Σ 0 L 0
Ω=  = In ⊗ Σ (11-31)
M M M O M
 
0 0 0 L Σ
11.5.1 Estimação por Mínimos Quadrados

11.5.2 Mínimos Quadrados Generalizados
O MMQG pode ser utilizado para estimar o modelo de efeitos

aleatórios.
11.5.3 Mínimos Quadrados Generalizados Factível quando ߑ é

desconhecido
11.5.4 Teste para Efeito Aleatório
Teste do multiplicador de Lagrange para o modelo de efeitos

aleatórios, baseado no resíduo de MQO é:
H 0: σu 2 = 0 (ou corr[ηit, ηis] = 0)
2
H 1: σu ≠ 0
[ ]
2
 n T 2 
nT  ∑i =1 ∑t =1 eit 
a estatística de teste é LM =  − 1
2(T − 1) ∑ n ∑T e 2
 i =1 t =1 it 
2
 n (Te ) 2 
nT  ∑i =1 i *
= − 1 ~ χ (21) (11-42)
2(T − 1)  ∑ n ∑T e 2 
 i =1 t =1 it 
Exemplo 11.6 Teste para Efeito Aleatório
LM = 3.881,34 χ(1)2 = 3,84 Rejeitamos H0 (Modelo de EA é melhor)
Estimativa utilizando FGLS [ver 11.5.1]
Exemplo 11.7 Estimativa de θ (11-33)

Modelo de Efeito Aleatório desenvolvido por Balestra e Nerlove (1996),

incluindo efeito tempo:
yit = α + β’xit + εit + ui + kt
efeito tempo
Ver mais em 11.8
11.5.5 Teste de especificação de Hausman para o modelo de

efeito aleatório
Uma versão do teste é dado por:
[ ]
−1
ββββ
ββββ
ββββ
ββββ
ββββ
ββββ
H ' = ( ˆLSDV − ˆMEANS ) ' Asy.Var[ ˆLSDV ] + Asy.Var[ ˆMEANS ] ( ˆLSDV − ˆMEANS )
(11-45)
H ' ~ χ[2K −1]
H0: modelo com efeito aleatório
Uma vantagem dessa versão é que a matriz de covariância é definida não-

negativa.
Exemplo 11.8 Teste de Hausman para efeito fixo contra efeito aleatório
H = 2.636,08 χ2 = 14,07
H0: é rejeitada
11.5.6 Estendendo o modelo de efeito não-observável: Abordagem de
Mundlak
11.5.7 Estendendo os modelos de EF e EA: Abordagem de Chamgerlain

11.6 DISTÚRBIOS NÃO ESFÉRICOS E ESTIMAÇÃO

ROBUSTA DA MATRIZ DE COVARIÂNCIA
A heterocedasticidade é tratada seguindo o Capítulo 9, pois o modelo

aqui é uma extensão do MCRL.
11.6.1 Estimação Robusta do Modelo de Efeito Fixo

Utiliza-se o procedimento de White para construir um estimador da
matriz de covariância, como no caso da heterocedasticidade.
11.6.2 Heterocedasticidade no Modelo de Efeitos Aleatórios
Como o modelo com efeitos aleatórios é um modelo de regressão com

estrutura conhecida, OLS como um estimador robusto para a matriz de
covariância assintótica não é a melhor opção para os dados. O estimador GLS
é eficiente enquanto o estimador OLS não é.
11.6.3 Autocorrelação no modelo de dados de painel

Cap. 20 – os testes são similares aos do MCRL, por exemplo o DW.
11.7 AUTOCORREÇÃO ESPACIAL

Um modelo com correlação espacial pode ser formulado como segue:
yit = x it' β + ε it + ui ,
Com i = 1, ..., n; t = 1 , ..., T. O termo comum ui é o efeito unidade (por

exemplo o país). A correlação espacial é uma implicação da estrutura de
autocorrelação espacial
n
ε it = λ ∑ Wij ε jt + υt
j =1
O escalar λ é o coeficiente de autoregressão espacial. Os elementos Wij são
pesos espaciais (ou contiguo) que é assumido serem conhecidos. Os
elementos que aparecem na soma acima são uma linha dos pesos espaciais ou
da matriz contigua W, que para as n unidades temos
ε t = λWε t + vt , vt = υ t i
A estrutura do modelo está em função de uma matriz de pesos simétrica, W.
Considere países ou estados arranjados geograficamente. Assim, para
vizinhos Wij será igual a 1 e zero, caso contrário. Essa matriz também pode
representar a distância, em que Wij reduz com o aumento em |i - j|. Será
similar a matriz de autocorrelação temporal. Assumindo que |λ| é menor que
um, e que os elementos de W são tal que (I - λW) é não-singular, podemos
escrever
ε t = (I n − λW) −1 v t
Então, para n observações para o período t
y t = X t β + (I n − λW) −1 v t + u
Assumimos, que ui e vi têm média zero e variâncias independentes entre os
países. Segue que o modelo de regressão generalizado, que pode ser obtido
utilizando o capítulo 8, para n observações e t períodos, com λ conhecido, é:
ββββ
E[ y t | X t ] = X t
Var[y t | X t ] = (I n − λW) −1[σ υ2 ii ' ](I n − λW) −1 + σ u2 I n
VER EXEMPLO 11.12 (gastos com saúde) e 11.13 (vendas imobiliárias)

11.8 ENDOGENEIDADE
11.9 REGREASSÃO NÃO LINEAR COM DADOS EM

PAINEL
11.10 SISTEMAS DE EQUAÇÕES
11.11 HETEROGENEIDADE DOS PARÂMETROS

Até aqui os parâmetros de inclinação do modelo foram tratados como
constantes fixas, e o intercepto variando aleatoriamente de grupo para grupo.
Uma formulação equivalente para o modelo empilhado, e de efeitos fixos e
aleatórios seria,
yit = (α + ui ) + x it' + ε it
ββββ
Em que ui é a variável aleatória indivíduo-específica com variância

condicional zero no modelo empilhado, positiva nos outros, e com média
condicional dependente de Xi, no modelo de efeito fixo e constante no
modelo de efeito aleatório. Há evidências de que os demais parâmetros
podem variar no modelo, além do termo constante.
11.11.1 Modelo com coeficiente aleatório

A heterogeneidade dos parâmetros entre indivíduos ou grupos pode ser
modelada como variação estocástica. Supondo
yi = Xiβi + εi (11-84)
E[εi|Xi] = 0
E[εiεi’|Xi] = σε2IT,
em que
βi = β + ui (11-85)
e E[uui|Xi] = 0
E[uiui’|Xi] = Γ (11-86)
Substituindo (11-48) em (11-47) e expandindo o resultado, obtemos o
modelo de regressão generalizado para cada bloco de observações:
yi = Xiβ + (εi + Xiui)

então,
Ωij = E[(yi – Xiβ)(yi – Xiβi)’|Xi] = σε2IT + XiΓXi’
Matriz de covariância
βˆ = (X'Ω −1X)−1X'Ω −1y (11-87)
ver exemplo 11.19 (Tab. 11.14
Coeficiente fixo
Teste para selecionar modelo
Coeficiente aleatório
11.11.2 Modelo linear hierárquico
11.11.3 Heterogeneidade dos parâmetros e modelos de painel dinâmico
11.11.3 Parâmetros aleatórios e estimação baseada em simulação

11.12 SUMÁRIO E CONCLUSÕES

Cap. 11 Dados em Painel

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Cap. 11 Dados em Painel

Caricato da

Copyright:

Formati disponibili

Notas aula de Econometria I, profa. Marina S.

UNIVERSIDADE ESTADUAL DE MARINGÁ

Profª. Marina Silva da Cunha

11.2 Modelos para Dados em Painel

11.3 Modelos de regressão ‘Pooled’

11.4 Modelo de Efeito Fixo

11.5 Efeitos Aleatórios

11.6 Distúrbios não-esféricos e estimação robusta da covariância

11.7 Autocorrelação espacial

11.9 Regressão não linear com Dados em Painel

11.10 Sistemas de Equações

11.11 Parâmetros heterogêneo

11.12 Sumário e conclusões

Conjunto de dados que combinam séries de tempo e corte temporal

11.2 MODELOS PARA DADOS EM PAINEL

2) Michigan Panel Study of Income Dynamics

5) The Current Population Survey

11.2.1 Estrutura Geral de modelos para análise de dados em

Vantagem fundamental de conjuntos de dados em painel sobre corte

O arcabouço básico para esta discussão é o modelo de regressão na forma

Caso contrário, dependendo das suposições sobre os efeitos não-observáveis,

Inicialmente, supomos exogeneidade estrita para as variáveis independentes

11.2.2 Estruturas de Modelos (Tipos)

1. Regressão Pooled [empilhada]: zi contém apenas um termo constante

O termo fixo é utilizado como a correlação entre ci e xit, ci é não-estocástico.

3. Efeito aleatório: Se a heterogeneidade individual não-observada não está

yit = xit’β + E[zi’α]+{ zi’α – E[zi’α]} + εit

A distinção entre os efeitos fixos e aleatórios consiste no fato de que os

Extensão (modelo hierárquico) serão examinados posteriormente

yit = xit’(β + ∆zi + hi) + (α + ui) + εit

Ver Capítulo 17 Modelos de escolha binária

11.2.4 Painel balanceado e não-balanceado

n indivíduos (i = 1, ..., n), com observações Painel

Painel fixo mesmos indivíduos são observados durante o estudo.

11.2.5 Painel Bem comportado

11.3 O MODELO DE REGRESSÃO POOLED

Começamos assumindo a versão simplista do modelo

yit = αi + xit’β + εit i = 1, ..., n, j = 1, ..., Ti

chamado de modelo da média populacional

11.3.1 Estimação de Mínimos Quadrados do modelo Pooled

11.3.3 Agrupamento e estratificação

• Em especial, para reduzir custo

11.3.4 Estimação Robusta utilizando a média de grupos

∴ utilizar a média dos grupos não resolve o problema da heterocedasticidade

Alternativa especificação de Mundlak (1978)

11.3.5 Estimação com as primeiras diferenças

Busca-se transformar a heterogeneidade

Se essas variáveis não são relevantes, as estimações são consistentes,

11.3.6 Estimação dentro e entre grupos

Formulações para regressão Pooled

1º) Formulação original

yit = α + xit’β + εit (11-5a)

2º) Considerando a média dos grupos

3º) Desvios da media dos grupos

yit − yi* = (x it − x i* ) + εit − εi (11-5c)

Assumimos que não há variáveis tempo-invariantes como Educação

11.5c com n observações

Estimáveis por MQO

Soma dos quadrados e o produto cruzado

xx = ∑i =1∑t =1(xit − x)(xit − x)'

= ∑i =1 ∑t =1 (xit − x)( yit − y )

É fácil verificar que

x e y são médias totais