Lecture Panel Static Application Part1.en - It

Tradotto dal Inglese al Italiano - www.onlinedoctranslator.
com
?UN
STATICO mODELLI PER DATI DEL PANNELLO: UN'APPLICAZIONE CON STATA
Maria Elena Bontempi mariaelena.bontempi@unibo.it

Roberto Golinelli roberto.golinelli@unibo.it
questa versione: 20/09/2021§
1. Introduzione............................................... ................................................................. ..............................................2

2. Uno sguardo ai dati e al modello .................................................. ................................................................. ..................2
3. Una rassegna dei comandi di sezione trasversale .................................. ................................................................. .............6
3.1. Dati trasversali: 11 paesi nel 1990 .................................. ................................................................. .....6
3.2. Dati trasversali: 11 paesi nel 1998 .................................. ................................................................. ...10
3.3. Sezione aggregata per gli anni 1990 e 1998 .................................................. ...........................................12
4. Una rassegna dei comandi delle serie temporali .................................. ................................................................. ..............18
4.1. Dati di serie temporali: 19 anni per la Germania .................................. ................................................................. ....18
5. Risultati riepilogativi: perché i panel sono così utili?.................................... ................................................................. ....23
6. Pannello unidirezionale: scomposizione della varianza totale tra sorgenti individuali e temporali ..........................25
7. Pannello a due vie: scomposizione della varianza totale quando si considerano sia gli effetti individuali che quelli specifici del
tempo.......................... ................................................................. ................................................................. ..........................35
8.1. Metodi di stima del panel: pool OLS (POLS) .................................................. .................................39
8.2. Metodi di stima del panel: effetti individuali fissi (FE a senso unico) ..................................... .................42
8.3. Metodi di stima del panel: tra (BE) .......................................... ................................................................. .48
8.4. Metodi di stima del panel: effetti individuali casuali (RE a senso unico) ..................................... .............48
8.5. Il test di Hausman nei modelli a una via .................................................. ................................................................. ......50
8.6. Il test di Hausman nel pannello a due vie .................................................. ................................................................. .......55
8.7. I risultati della stima del panel alternativo: sintesi e confronti ............................................. .........63
9. Errori standard robusti .................................................. ................................................................. ..............................67
§ Molto preliminare. Commenti benvenuti.

1
1. Introduzione
Queste note si riferiscono all'uso di STATA per l'analisi dei dati panel e per la stima e la
valutazione di diversi modelli statici applicati ai dati panel. Le esercitazioni vengono svolte utilizzando la
release 9.2 di STATA; a volte possiamo usare la vecchia e più veloce sintassi STATA 7 per i comandi
grafici (vedi lecture_overview_of_stata). Forniamo procedure scritte da noi (file .do o .ado) che
semplificano l'analisi da condurre.
Prima di passare alla parte dedicata ai dati panel (sezioni 5-7), presentiamo il data-set (sezione 1) e una
rassegna dei principali comandi per trattare trasversali e serie storiche (sezioni 3 e 4, rispettivamente).
Queste ultime due sezioni possono essere saltate da persone che si sentono familiari.
2. Uno sguardo ai dati e al modello

cd ….
uso R_euroarea , chiaro
. descrizione
Contiene dati da D:\DATA\R_euroarea.dta

os: 209
variabili: 5 20 maggio 2003 15:42
dimensione: 4.180 (97,2% di memoria libera)
---------------------------------------------------------------------------
Deposito Schermo valore
nome variabile genere formato etichetta etichetta variabile
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - anno
int %9.0g
paese str2 %9s
dlpc galleggiante %9.0g
tinta galleggiante %9.0g
codice galleggiante %9.0g codice gruppo (paese)
---------------------------------------------------------------------------
Codice è una variabile numerica che indica gli individui. È costruito dalla corda paese as
egen codice=gruppo(paese), etichetta
dove etichetta offre la possibilità di allegare ad ogni valore di codice il nome inserito nel paese.
. lista etichette codice

codice:
1 AT
2 BE
3 DE
4 FI
5 FR
6 IR
7 IT
8 LU
9 NL
10 PT
11 SP
tinta è il tasso di interesse nominale.

dlpc è la prima differenza del logaritmo dei prezzi al consumo. Perché accedere? Se la variabile in level cresce in modo
esponenziale (una certa % all'anno), la stessa variabile in log cresce in maniera approssimativamente lineare. Perché le prime
differenze di log? Approssimano una variazione %: nel nostro caso, il tasso di variazione del livello dei prezzi, cioè il tasso di
inflazione:
pcT ) = tronco d'albero( pcT + pcT−1 − pcT− 1 pcT − pcT−1 - pcT − pcT−1
- T T−1
tronco d'albero( pc) = registro( pc ) − tronco d'albero( pc ) = tronco d'albero( ) = log(1+ )
pcT−1 pcT−1 pcT−1 pcT−1
2
Oggetto di interesse è l'equazione di Fisher, ioT - RT + - T e, dove:
➢ io è il tasso di interesse nominale per 1 anno
Oggi investimento Fatturato a fine anno
1 unità di denaro 1×(1+iT) unità di denaro
➢ R è il tasso di interesse reale per 1 anno

Oggi investimento Fatturato a fine anno
1 unità di un bene 1×(1+rT) unità di un bene
➢ - è il tasso di inflazione
Costo di 1 unità di un bene oggi Importo che devo restituire a fine anno
PT, che devo prendere in prestito PT×(1+iT) in termini nominali e
[PT×(1+iT)]/Pe t+1 in termini reali, dove pe t+1 è il bene atteso per la fine dell'anno?
prezzo
e PTe+1 − P T PT 1
Il tasso di inflazione atteso è - T - da cui = .
PT PTe+1 1+- T e
PT - (1+ ioT ) 1+ io T
Dall'identità 1- (1+ RT ) - , noi abbiamo 1+ RT = - 1+ ioT − - eT 1 , e infine, RT - ioT - -e T.
PTe+1 1+- eT
e
Supponendo aspettative adattive, - Te −- e T−1 = un(- T −- T−1 ) , noi avere quello:
e
- eT = - T−1 + un (- T −- eT− 1) = un-T + (1- un)- eT−1 = un- T + (1- un)(ioT−1 − RT−1).
Un modello stimabile è quindi:
ioT = RT + un-T + (1- un)(ioT−1 − RT−1) = RT + (1- un)RT−1 + un-T + (1- un)ioT−1 ,
che, in un equilibrio stazionario di lungo periodo, può essere scritto come io = R +- .
Il dataset è un pannello con N=11 paesi dell'area dell'euro per il periodo 1980-1998; quindi, T=19. Il seguente
comando informa STATA della natura del pannello del dataset, consentendo così di utilizzare i comandi del
pannello, che di solito iniziano conxt:
. tsset codice anno variabile di

pannello: codice, da 1 a 11
variabile di tempo: anno, dal 1980 al 1998
1 Di fatto, (1+iT--e T)(1+-e T)=1+iT--e T+-e T+iT-e T--e2 T, dove gli ultimi due termini sono irrilevanti per piccoli valori di inflazione e
tassi di interesse nominali.
3
Possiamo usare un comando non pannello per vedere che il pannello è bilanciato:
. scheda anno
anno | freq. Per cento sborra
- - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 1980 |
11 5.26 5.26
1981 | 11 5.26 10.53
1982 | 11 5.26 15.79
1983 | 11 5.26 21.05
1984 | 11 5.26 26.32
1985 | 11 5.26 31.58
1986 | 11 5.26 36.84
1987 | 11 5.26 42.11
1988 | 11 5.26 47.37
1989 | 11 5.26 52.63
1990 | 11 5.26 57.89
1991 | 11 5.26 63.16
1992 | 11 5.26 68.42
1993 | 11 5.26 73.68
1994 | 11 5.26 78.95
1995 | 11 5.26 84.21
1996 | 11 5.26 89.47
1997 | 11 5.26 94.74
1998 | 11 5.26 100.00
- - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Totale |
209 100.00
Tuttavia, un comando del pannello più appropriato per descrivere il modello temporale di un set di dati del pannello è:
. xtdes, modello(1000)
codice: 1, 2, ..., 11 n= 11
anno: 1980, 1981, ..., 1998 Delta(anno) = 1; (1998-1980)+1 = 19 T= 19
(codice*anno identifica in modo univoco ogni osservazione)
Distribuzione di T_i: min 5% 25% 50% 75% 95% max

19 19 19 19 19 19 19
freq. Per cento sborra | Modello

- - - - - - - - - - - - - - - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - 11
100,00 100,00 | 111111111111111111111
--------------------------+--------------------
| XXXXXXXXXXXXXXXXXXX
4
Al contrario, il set di dati impiegato in lecture_panel_dynamic_application_LECTUREshort è un panel
sbilanciato:
. usa "D:\LAVORI\bookBOGO\panel_dynamic\ abdata.dta ", chiaro
. anno di tabulazione
anno | freq. Per cento sborra

- - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 1976 |
80 7.76 7.76
1977 | 138 13.39 21.14
1978 | 140 13.58 34.72
1979 | 140 13.58 48.30
1980 | 140 13.58 61.88
1981 | 140 13.58 75.46
1982 | 140 13.58 89.04
1983 | 78 7.57 96.61
1984 | 35 3.39 100.00
- - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Totale |
1.031 100.00
. tset id anno
. xtdes, modello(1000)
ID: 1, 2, ..., 140 n= 140

anno: 1976, 1977, ..., 1984 Delta(anno) = 1; (1984-1976)+1 = 9 T= 9
(id*anno identifica in modo univoco ogni osservazione)
Distribuzione di T_i: min 5% 25% 50% 75% 95% max

7 7 7 7 8 9 9
freq. Per cento sborra | Modello

- - - - - - - - - - - - - - - - - - - - - - - - - - + - - - - - - - - - - - 62
44.29 44.29 | 1111111..
39 27.86 72.14 | . 1111111.
19 13.57 85.71 | . 11111111
14 10.00 95.71 | 111111111
4 2.86 98.57 | 11111111.
2 1,43 100,00 | . . 1111111
- - - - - - - - - - - - - - - - - - - - - - - - - + - - - - - - - - - - - 140
100,00 | XXXXXXXXX
5
3. Una revisione dei comandi di sezione trasversale
L'equazione di interesse è: ioio = -0 + -1- io + - io .
3.1. Dati trasversali: 11 paesi nel 1990

. mantieni se anno==1990 (198
osservazioni cancellate)
. somma tinta dlpc
Variabile | Obs Significare Standard Dev. min Max

- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
11 . 1057521 . 0277067 . 0816491 . 1701857
dlpc | 11 . 0481271 . 0296195 . 0242806 . 1254781
dove il tasso di interesse è 10% e il tasso di inflazione è 4,8%.
. reg tinta dlpc
Fonte | SS df SM Numero di os = 11
-------------+---------------------------- F( 1, 9) = 102.67
Modello | . 007057918 1 . 007057918 Prob > F = 0.000
Residuo | . 000618705 9 . 000068745 R-quadrato = 0,9194
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Totale Adj R al quadrato = 0.9104
| .007676623 10 .000767662 MSE radice = . 00829
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
coef. Standard Err. t P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 8969357 . 0885205 10.13 0.000 . 6966885 1.097183
_contro | . 0625853 . 0049395 12.67 0.000 . 0514112 . 0737593
--------------------------------------------------------------------------
La costante, pari a 0,06, rappresenta il tasso di interesse reale stimato in un equilibrio stazionario di lungo
periodo. È pari al tasso di interesse nominale medio (6%) quando il tasso di inflazione è zero in tutti i paesi.
Prestare attenzione perché la retta di regressione può produrre risultati non significativi dell'intercetta
quando proiettata oltre l'intervallo X dei dati.
La pendenza, pari a 0,90, indica che l'1% in più del tasso di inflazione produce lo 0,9% (0,01 × -̂1 =0,009) in più del
tasso di interesse nominale.
. prevedere tinthat
(opzione xb presunta; valori adattati)
. graph7 tint tinthat dlpc, s([cod].) c(.l)
tinta Valori adattati
. 175131
PT
SP
FI
ESSO
IR
BFER
NLDE
IN
LU
. 081649
. 024281 . 125478
dlpc
Un grafico simile secondo la release 8 o 9 di Stata è ottenuto da:
6
bidirezionale (lfitci tinta dlpc) (scatter tinta dlpc, mlabel(cod))
.2
PT
. 15
SP
FI
ESSO
.1
IR
BFER
NLDE AU
l T
. 05
. 02 . 04 . 06 . 08 .1 . 12
dlpc
95% CI Valori adattati

tinta
Il lfitci l'opzione aggiunge l'intervallo di confidenza della retta di regressione stimata; scriverelfit fornisce lo stesso
grafico di Stata 7.
Alcuni paesi, come Spagna, Finlandia e Italia, mostrano che, a tassi di inflazione medi, il tasso di interesse nominale può
avere una variabilità maggiore (eteroschedasticità). La variabilità non costante è evidente, nonostante il basso numero di
osservazioni. Il Portogallo è probabilmente un punto di leva.
Tracciando i residui, si ha che la dispersione è maggiore per i valori intermedi del tasso di interesse nominale
fittato.
. versione 7: rvfplot, box unidirezionale bidirezionale yline(0) xlabel ylabel
. 02
. 01
Residui
- . 01
. 05 .1 . 15 .2
Valori adattati
7
. prevedere res, res
. graph7 res, bin(10) normale
. 272727
Frazione
0
- . 009744 . 016002
Residui
. sktest res
Test di asimmetria/curtosi per la normalità

- - - - - - - giunto ------
Variabile | Pr (asimmetria) Pr(curtosi) adj chi2(2) Prob> chi2
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - res |
0,362 0,706 1.08 0,5818
Il test di Jarque-Bera (1980) non rifiuta la normalità della distribuzione dei residui.
. più evidente
Test di RESET Ramsey utilizzando i poteri dei valori montati di tinta

Ho: il modello non ha variabili omesse
F(3, 6) = 0,52
Prob > F = 0.6853
Il test di specifica dell'errore di regressione (che verifica la necessità di includere due, tre e quattro
potenze) non mostra alcun problema.
. più forte
Test di Breusch-Pagan / Cook-Weisberg per l'eteroschedasticità

Ho: varianza costante
Variabili: valori adattati di tinta
chi2(1) = 0,53
Prob > chi2 = 0,4651
. g dlpc2=dlpc^2
. il più grande dlpc dlpc2

Variabili: dlpc dlpc2
chi2(2) = 4.58
Prob > chi2 = 0.1013
. whitetst
Statistica generale del test di White: 5.632347 Chi-sq( 2) P-value = .0598
I test di Breusch-Pagan (1979) assumendo errori normalmente distribuiti non mostrano problemi. Ma i risultati
cambiano se optiamo per il test White (1980). (Esercizio: prova a calcolare sia il piccolo, F, che asintotico,
8
chi-quadrato, versioni del test). In ogni caso, la stima con errori standard robusti di eteroschedasticità
non altera i risultati.
. reg tinta dlpc, robusto
Regressione con errori standard robusti Numero di os = 11

F( 1, 9) = 172.04
Prob > F = 0.000
R-quadrato = 0,9194
MSE radice = . 00829
--------------------------------------------------------------------------
| Robusto
tinta | coef. Standard Err. T P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 8969357 . 0683831 13.12 0.000 . 7422425 1.051629
_contro | . 0625853 . 003232 19.36 0.000 . 055274 . 0698965
--------------------------------------------------------------------------
La correzione per l'eteroschedasticità generica non altera i risultati precedenti.

Forse, questo leggero segnale di eteroschedasticità dipende dai punti di leva:
(ma, prima di salvare la statistica D di Cook, è necessario rieseguire la regressione OLS con errori standard classici,
cioè senza l'opzione robusta):
qui reg tint dlpc

predire D, cooksd
. graph7 tint tinthat dlpc if anno==1990 [iweight=D], s(o.) c(.l)
tinta Valori adattati
. 175131
. 081649
. 024281 . 125478
dlpc
Portogallo e Spagna sono osservazioni influenti; la regressione ponderata dà al Portogallo un peso uguale a
zero (invece di 1 come fa OLS).
Sotto la regressione robusta a valori anomali.
9
. rreg tinta dlpc
Iterazione di Huber 1: differenza massima di pesi = .70443723 differenza

Iterazione di Huber 2: massima di pesi = .15045965 differenza massima di pesi
Iterazione di Huber 3: = .17917707 differenza massima di pesi = .14491532
Iterazione di Huber 4: differenza massima di pesi = .1000448 differenza
Iterazione Huber 5: massima di pesi = .03218025 differenza massima di pesi
Iterazione Huber 6: = .20667266 massima differenza di pesi = .06292807
Iterazione bipeso 7: differenza massima di pesi = .02216565 differenza
Iterazione bipeso 8: massima di pesi = .0072557
Iterazione bipeso 9:
Iterazione bipeso 10:
Stime di regressione robuste Numero di os = 10

F( 1, 8) = 61.21
Prob > F = 0,0001
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
1.259654 . 1610011 7.82 0.000 . 8883847 1.630923
_contro | . 0505118 . 0069262 7.29 0.000 . 03454 . 0664836
--------------------------------------------------------------------------
la stima della pendenza è considerevolmente inferiore e stimata in modo meno preciso perché il Portogallo "ha dato la direzione" alla
pendenza.
3.2. Dati trasversali: 11 paesi nel 1998

. usa R_euroarea, chiaro
. keep if anno==1998 (198
osservazioni cancellate)
. somma tinta dlpc

- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
11 . 045396 . 0034266 . 0400857 . 051572
dlpc | 11 . 0137088 . 0060415 . 0059675 . 02191
In quest'anno le medie sia dei tassi di interesse che di inflazione sono notevolmente inferiori rispetto al 1990.
Inoltre, è da notare che, allo stesso tempo, la varianza delle variabili di interesse è fortemente diminuita.
. reg tinta dlpc
-------------+---------------------------- F( 1, 9) = 0.01
Modello | 1.3906e-07 1 1.3906e-07 Prob > F = 0.9200
Residuo | . 000117278 9 . 000013031 R-quadrato = 0.0012
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Totale Adj R-quadrato = -0,1098
| .000117417 10 .000011742 Radice MSE = .00361
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 019519 . 1889484 0.10 0.920 - . 4079119 . 44695
_contro | . 0451284 . 0028096 16.06 0.000 . 0387726 . 0514842
--------------------------------------------------------------------------
10
bidirezionale (lfitci tinta dlpc) (scatter tinta dlpc, mlabel(cod))
. 055
LU
. 05
IR
NL ESSO
FR ESSERE
. 045
SP
DE
IN FI
. 04
PT
. 005 . 01 . 015 . 02 . 025

dlpc
95% CI Valori adattati

tinta
versione 7: rvfplot, box unidirezionale bidirezionale yline(0) xlabel ylabel
. 01
. 005
Residui
- . 005
. 0452 . 0453 . 0454 . 0455 . 0456

Valori adattati
. graph7 res, bin(10) normale
. 222222
Frazione
0
- . 00547 . 144705
Residui
. sktest res

- - - - - - - giunto ------
Variabile | Pr (asimmetria) Pr(curtosi) adj chi2(2) Prob> chi2
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - res |
0,793 0,884 0.09 0.9558
-------------+-----------------------------------------------------
11
. più evidente

F(3, 6) = 0,99
Prob > F = 0.4566
. più forte
Test di Cook-Weisberg per l'eteroschedasticità utilizzando valori adattati di tinta

chi2(1) = 0.15
Prob > chi2 = 0.7025
. whitetst
Statistica generale del test di White: .2975738 Chi-sq( 2) P-value = .8618
Nel 1998 la situazione è totalmente cambiata (in campioni diversi lo stesso stimatore produce stime
diverse!).
➢ Stava per essere introdotto l'euro (dal 01/01/1999 l'euro era obbligatorio per le operazioni bancarie; dal
01/01/2001 ha sostituito tutte le valute dell'UEM). Così, il rischio di cambio stava scomparendo.
➢ Dal 1992 (dopo la firma del trattato di Maastricht) i tassi di inflazione hanno dovuto convergere verso l'obiettivo BCE
(2%). Il campione del 1998 non è più informativo; poi, la bassa variabilità dell'inflazione e dei tassi di interesse
tra i paesi spiega l'errore standard molto elevato (precisione ridotta) di -̂1 .
Le differenze tra i paesi del tasso di inflazione si riducono: dal 2-12% nel 1990 allo 0,5-2% nel 1998: i mercati si
aspettano la stessa inflazione nei diversi paesi. Inoltre, i tassi di interesse tendono a convergere dall'8-17% nel
1990 al 4-5% nel 1998. Le politiche monetarie restrittive hanno ridotto i tassi di interesse, e questo spiega perché la
costante stimata (il tasso di interesse medio di lungo periodo) scende da 6 Da % a 4%: anche l'informazione
temporale è importante.
3.3. Sezione trasversale raggruppata per gli anni 1990 e 1998
Una sezione trasversale aggregata viene analizzata come una sezione trasversale standard, tenendo conto
eventualmente delle differenze nel tempo nei parametri stimati. Quest'ultimo può essere utile per indagare l'effetto di
una nuova politica di governo, con tecniche come il test di Chow per i cambiamenti strutturali nei parametri di
regressione.
. uso R_euroarea, chiara

se anno==1990|anno==1998
. mantenere
(187 osservazioni cancellato)
Sezione trasversale raggruppata con 1990 e 1998 (modello vincolato)

. reg tinta dlpc
-------------+---------------------------- F( 1, 20) = 118.11
Modello | . 023799641 1 . 023799641 Prob > F = 0.000
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Totale Adj R al quadrato = 0,8479
| .027829805 21 .001325229 MSE radice = . 0142
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
1.233046 . 1134594 10.87 0.000 . 9963739 1.469718
_contro | . 0374508 . 004633 8.08 0.000 . 0277865 . 0471152
--------------------------------------------------------------------------
12
. prevedere resC, res
versione 7: rvfplot, box unidirezionale bidirezionale yline(0)
. 019265
Residui
- . 024381
. 044809 . 192171
Valori adattati
. sktest resC
- - - - - - - - giunto -------
Variabile | Pr (asimmetria) Pr (curtosi) adj chi2(2) Prob>chi2
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - resC |
0.832 0,059 3.92 0,1411
. più forte
Test di Cook-Weisberg per l'eteroschedasticità utilizzando valori adattati di tinta

chi2(1) = 1,99
Prob > chi2 = 0.1580
. whitetst
Statistica generale del test di White: 5.190553 Chi quadrato (2) P-value = . 0746
. più evidente

F(3, 17) = 7.12
Prob > F = 0.0026
13
Testare l'omogeneità dei parametri...
. g postEU=anno==1998
. g dlpcpostEU=dlpc*postEU
. list paese anno post dlpc*, noobs nodisplay
+-------------------------------------------+|
paese anno postEU dlpc dlpcpo~U |
|-------------------------------| |
IN 1990 0 . 0320738 0|
| IN 1998 1 . 00823 . 00823 |
| ESSERE 1990 0 . 0338876 0|
| ESSERE 1998 1 . 00909 . 00909 |
| DE 1990 0 . 026625 0|
|-------------------------------| |
DE 1998 1 . 0059675 . 0059675 |
| FI 1990 0 . 0597041 0|
| FI 1998 1 . 0134236 . 0134236 |
| FR 1990 0 . 0349276 0|
| FR 1998 1 . 0066433 . 0066433 |
|-------------------------------| |
IR 1990 0 . 032799 0|
| IR 1998 1 . 0212621 . 0212621 |
| ESSO 1990 0 . 0625493 0|
| ESSO 1998 1 . 0194796 . 0194796 |
| LU 1990 0 . 0319996 0|
|-------------------------------| |
LU 1998 1 . 0096627 . 0096627 |
| NL 1990 0 . 0242806 0|
| NL 1998 1 . 0176134 . 0176134 |
| PT 1990 0 . 1254781 0|
| PT 1998 1 . 02191 . 02191 |
|-------------------------------| |
SP 1990 0 . 0650731 0|
| SP 1998 1 . 0175145 . 0175145 |
+------------------------------------------+
14
[A] Primo modo di eseguire il test di Chow sulla stabilità dei parametri: regressioni dei sottocampioni
Modello non vincolato
. per ordinamento postEU: reg tint dlpc

--------------------------------------------------------------------------------
-> postEU = 0
-------------+---------------------------- F( 1, 9) = 102.67
Modello | . 007057918 1 . 007057918 Prob > F = 0.000
| .007676623 10 .000767662 MSE radice = . 00829
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 8969357 . 0885205 10.13 0.000 . 6966885 1.097183
_contro | . 0625853 . 0049395 12.67 0.000 . 0514112 . 0737593
--------------------------------------------------------------------------
-------------------------------------------------------------------------------
-> postEU = 1
-------------+---------------------------- F( 1, 9) = 0.01
Modello | 1.3906e-07 1 1.3906e-07 Prob > F = 0.9200
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Totale Adj R-quadrato = -0,1098
| .000117417 10 .000011742 Radice MSE = .00361
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 019519 . 1889484 0.10 0.920 - . 4079119 . 44695
_contro | . 0451284 . 0028096 16.06 0.000 . 0387726 . 0514842
--------------------------------------------------------------------------
. display ((.004030164-(.000618705+.000117278))/2)/((.000618705+.000117278)/(22-2*2))
40.283236
. display Ftail(2,18,40.283236)
2.259e-07
dove i numeri in grassetto danno la somma residua dei quadrati del modello non vincolato.
15
[B] Secondo (migliore) modo di eseguire il test di Chow sulla stabilità dei parametri: utilizzo di variabili fittizie
Modello non vincolato
. reg tinta dlpc dlpcpostEU postEU
-------------+---------------------------- F( 3, 18) = 220.88
Modello | . 027093822 3 . 009031274 Prob > F = 0.000
| .027829805 21 .001325229 MSE radice = . 00639
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 8969357 . 0682686 13.14 0.000 . 7535088 1.040363
dlpcpostEU | - . 8774166 . 3415903 - 2.57 0,019 - 1.595071 - . 159762
postEU | - . 0174569 . 0062675 - 2.79 0,012 - . 0306244 - . 0042893
_contro | . 0625853 . 0038095 16.43 0.000 . 0545819 . 0705886
--------------------------------------------------------------------------
. testparm postEU dlpcpostEU
( 1) postEU = 0
( 2) dlpcpostEU = 0
F( 2, 18) = 40.28
Prob > F = 0.000
Le due procedure danno lo stesso risultato (si noti anche che l'RSS del modello [B], in grassetto, è uguale alla somma
degli RSS dei due sottoperiodi del modello [A]).
Il termine costante stima il tasso di interesse reale pre-UE, mentre il parametro associato al dummy
postEU stima la differenza tra i tassi di interesse reali pre e post UE. Di fatto:
. visualizza 0.0625853+(-0.0174569)
. 0451284
è esattamente il tasso di interesse reale stimato nel 1998.
Il parametro associato a dlpc è l'effetto pre-UE del tasso di inflazione sul tasso di interesse nominale, mentre il
parametro associato a dlpcpostEU è la differenza tra l'elasticità pre e post UE del tasso di interesse rispetto al tasso
di inflazione.
Di fatto:
. visualizza 0.8969357+(-0.8774166)
. 0195191
è esattamente l'elasticità stimata nel 1998.
16
Quando si utilizzano variabili fittizie, è molto importante prestare attenzione al problema esatto della collinearità.
. g preEU=anno==1990
. list paese anno postEU preEU
paese anno postEU preEU

1. IN 1990 0 1
2. IN 1998 1 0
3. ESSERE 1990 0 1
4. ESSERE 1998 1 0
5. DE 1990 0 1
6. DE 1998 1 0
7. FI 1990 0 1
8. FI 1998 1 0
9. FR 1990 0 1
10. FR 1998 1 0
11. IR 1990 0 1
12. IR 1998 1 0
13. ESSO 1990 0 1
14. ESSO 1998 1 0
15. LU 1990 0 1
16. LU 1998 1 0
17. NL 1990 0 1
18. NL 1998 1 0
19. PT 1990 0 1
20. PT 1998 1 0
21. SP 1990 0 1
22. SP 1998 1 0
. reg tinta dlpc dlpcpostEU postEU preEU
-------------+---------------------------- F( 3, 18) = 220.88
Modello | . 027093822 3 . 009031274 Prob > F = 0.000
| .027829805 21 .001325229 MSE radice = . 00639
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 8969357 . 0682686 13.14 0.000 . 7535088 1.040363
dlpcpostEU | - . 8774166 . 3415903 - 2.57 0,019 - 1.595071 - . 159762
postEU | - . 0174569 . 0062675 - 2.79 0,012 - . 0306244 - . 0042893
preUE | (caduto)
_contro | . 0625853 . 0038095 16.43 0.000 . 0545819 . 0705886
--------------------------------------------------------------------------
Se si vogliono stimare entrambi i dummy, bisogna escludere la costante:
. reg tinta dlpc dlpcpostEU postEU preEU, noconst
-------------+---------------------------- F( 4, 18) = 933,93
Modello | . 152745452 4 . 038186363 Probabile >F = 0.000
| .153481435 22 .006976429 MSE radice = . 00639
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 8969357 . 0682686 13.14 0.000 . 7535088 1.040363
dlpcpostEU | - . 8774166 . 3415903 - 2.57 0,019 - 1.595071 - . 159762
postEU | . 0451284 . 0049769 9.07 0.000 . 0346723 . 0555845
preUE | . 0625853 . 0038095 16.43 0.000 . 0545819 . 0705886
--------------------------------------------------------------------------
17
Ora, i parametri associati ai due manichini, preEU e postEU, rappresentano le stime dei tassi di interesse reali
rispettivamente nel 1990 e nel 1998.
4. Una revisione dei comandi delle serie temporali
Partiamo dal considerare la specifica statica (solo apparentemente) coerente con le precedenti stime di sezione
d'urto: ioT = B0 + B1- T + - T .
4.1. Dati di serie temporali: 19 anni per la Germania

. drop se cod!=3
(180 osservazioni cancellate)
. tsset anno
variabile temporale: anno, dal 1980 al 1998
tinta bidirezionale tsline || tsline dlpc

.1
. 08
. 06
. 04
. 02
0
1980 1985 1990 1995 2000

anno
tinta dlpc
. reg tinta dlpc
-------------+---------------------------- F( 1, 16) = 29.94
Modello | . 002283633 1 . 002283633 Prob > F = 0,0001
| .003503956 17 .000206115 MSE radice = . 00873
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 6576798 . 1201929 5.47 0.000 . 4028822 . 9124774
_contro | . 050932 . 0037366 13.63 0.000 . 0430108 . 0588532
--------------------------------------------------------------------------
Si noti che abbiamo solo 18 osservazioni temporali: il primo anno viene perso a causa del calcolo del tasso di
inflazione.

(1 valore mancante generato)
18
. whitetst
(1 valore mancante generato) (1
valore mancante generato)
Statistica generale del test di White: .3632801 Chi-sq( 2) P-value = .8339
Nelle serie temporali il problema non è l'eteroschedasticità, ma l'autocorrelazione residua. Il Durbin-Watson verifica solo
l'autocorrelazione del primo ordine e presenta alcuni problemi di interpretazione quando diversi scendono in intervalli
specifici.
. dwstat
Statistica d di Durbin-Watson( 2, 18) = .9593358
Pertanto, può essere preferibile eseguire il test di Godfrey (1978) per l'autocorrelazione di qualsiasi ordine: selezioniamo un
primo ordine dato che i dati sono annuali. (Esercizio: prova a eseguire il test a mano).
. bgodfrey, lag(1)
Test LM di Breusch-Godfrey per l'autocorrelazione

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - ritardi(p) |
chi2 df Prob > chi2
-------------+----------------------------------------------------------1
| 4.075 1 0,0435
-----------------------------------------------------------------------
H0: nessuna correlazione seriale
Altri buoni test, per l'autocorrelazione di ordine >1, sono i seguenti:
. res corrgram, ritardi(8)
-1 0 1 -1 0 1
RITARDO AC
Prob>Q [Autocorrelazione]PAC
[Autocor parziale] Q
---------------------------------------------------------------------------1
0,4403 0,5014 4.2974 0,0382 |--- |----
2 - 0,0337 - 0,2908 4.324 0,1151 | --|
3 - 0,0216 0.2064 4.3357 0.2274 | |-
4 0.3415 0.4749 7.4384 0,1145 |-- |---
5 0.3212 0,0545 10.379 0.0652 |-- |
6 - 0.0020 0,1921 10.379 0.1096 | |-
7 - 0,2586 0,1523 12.603 0.0824 --| |-
8 - 0,2268 . 14.469 0.0703 -|
. versione 7: ac res, lags(8)
Formula di Bartlett per bande di confidenza al 95% MA(q)
1.00 1.00
0,75 0,75
0,50 0,50
Autocorrelazioni di res
0.25 0.25
0.00 0.00
- 0,25 - 0,25
- 0,50 - 0,50
- 0,75 - 0,75
-1.00 -1.00
0 2 4 6 8
Ritardo
Correlogramma
Infine, data la natura delle variabili, vale la pena verificare la stazionarietà residua.
19
. graph7 res anno, c(l) yline(0)
. 016633
Residui
- . 018453
1981 1998
anno
Test dei residui di Dickey-Fuller (testando verso il basso):
. più piena risoluzione, ritardi (2) regredire
Test Dickey-Fuller aumentato per radice unitaria Numero di obs = 15
- - - - - - - - - - Dickey-Fuller interpolato --------- 1% Critico

Test 5% critico 10% critico
statistica Valore Valore Valore
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Z(t)
- 1.266-3.750-3.000-2.630
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Valore p
approssimativo di MacKinnon per Z(t) = 0,6448
--------------------------------------------------------------------------
D.res | coef. Standard Err. t P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - res |
L1. | - . 5063146 . 4000891 - 1,27 0.232 - 1.386905 . 3742755

LD. | . 2258816 . 3405549 0,66 0,521 - . 5236746 . 9754379
L2D. | - . 2492212 . 3106024 - 0,80 0,439 - . 9328524 . 4344101
_contro | - . 0009284 . 002175 - 0.43 0.678 - . 0057155 . 0038587
--------------------------------------------------------------------------
. più grande risoluzione, ritardi (1) regredire
Test Dickey-Fuller aumentato per radice unitaria Numero di obs = 16

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Z(t)
- 2.208-3.750-3.000-2.630
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Valore p
approssimativo di MacKinnon per Z(t) = 0.2032
--------------------------------------------------------------------------
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - res |
L1. | - . 669367 . 3030891 - 2.21 0,046 - 1.324151 - . 0145828

LD. | . 3064964 . 2861539 1.07 0.304 - . 3117016 . 9246944
_contro | - . 0002699 . 002015 - 0,13 0,896 - . 004623 . 0040833
--------------------------------------------------------------------------
20
. più piena res, lags(0) regredire
Test di Dickey-Fuller per radice unitaria Numero di obs = 17

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Z(t)
- 2.100-3.750-3.000-2.630
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Valore p
approssimativo di MacKinnon per Z(t) = 0,2447
--------------------------------------------------------------------------
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - res |
L1. | - . 4935752 . 2350835 - 2.10 0,053 - . 9946439 . 0074934

_contro | - . 0007876 . 0018733 - 0,42 0,680 - . 0047804 . 0032051
--------------------------------------------------------------------------
Il modello statico con variabili che eventualmente sono I(1) ha senso solo se i residui sono stazionari ovvero se la
combinazione del processo I(1) crea un processo I(0) (cointegrazione; il test ADF sui residui approssima il processo
di Engle-Granger test di cointegrazione).
Dati i risultati precedenti (residui di autocorrelazione forte del primo ordine ed evidenza di non stazionarietà),
approfondiamo il problema della dinamica utilizzando una specifica dinamica generale ARDL(1,1):
ioT = un0 + un1ioT−1 + un2- T + un3- T−1 +-T ,
. reg tinta l.tinta dlpc l.dlpc
-------------+---------------------------- F( 3, 13) = 10.30
Modello | . 001760077 3 . 000586692 Prob > F = 0.0010
| .002500459 16 .000156279 MSE radice = . 00755
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta
| coef. Standard Err. t P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta
|
L1 | . 6910226 . 2600957 2.66 0.020 . 1291201 1.252925
dlpc |
--|
. 3114515 . 2160429 1.44 0.173 - . 1552807 . 7781837
L1 |
- . 2175783 . 1949652 - 1,12 0,285 - . 638775 . 2036185
_contro |
. 0166539 . 0138002 1.21 0.249 - . 0131596 . 0464673
--------------------------------------------------------------------------
21
L'ARDL(1,1) può essere riparametrizzato e stimato nel modulo Error Correction Mechanism (ECM):
- un2 + un 3 -
-ioT = un0+ un2-- T + (un1 −1)-ioT−1 − - T−1- +-T .
- 1- un1 -
. reg d.tint l.tint d.dlpc l.dlpc
-------------+---------------------------- F( 3, 13) = 1.79
Modello | . 000306367 3 . 000102122 Prob > F = 0,1981
| .001046748 16 .000065422 MSE radice = . 00755
--------------------------------------------------------------------------
d.tinta | coef. Standard Err. t P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta
|
L1 | - . 3089774 . 2600957 - 1.19 0.256 - . 8708799 . 2529251
dlpc |
D1 |
. 3114515 . 2160429 1.44 0.173 - . 1552807 . 7781837
L1 |
. 0938733 . 2231435 0.42 0.681 - . 388199 . 5759455
_contro |
. 0166539 . 0138002 1.21 0.249 - . 0131596 . 0464673
--------------------------------------------------------------------------
Sebbene le specifiche ARDL(1,1) e ECM siano lo stesso modello riparametrizzato in due specifiche
differenti, ma isomorfe (cioè strutturalmente identiche, in quanto i parametri ECM sono semplici
combinazioni di quelli ARDL), ad es. L'approccio ECM consente una migliore comprensione dei risultati
della stima perché:
➢ il parametro associato a -dlpcT è l'effetto di impatto di dlpc in poi tinta;
➢ la stima associata a tintat-1 mostra che non esiste equilibrio di lungo periodo;
➢ il parametro associato a dlpct-1 è l'effetto a lungo termine di dlpc in poi tinta;
➢ il calcolo dell'elasticità di lungo periodo del tasso di interesse rispetto al tasso di inflazione è molto semplice ed è dato da:
. display 0.0938733/0.3089774
. 30381931
. testnl _b[L.dlpc]/-_b[L.tinta]=0
(1) _b[L.dlpc]/-_b[L.tinta] = 0
F(1, 13) = 0,33

Prob > F = 0,5744
Un comando molto utile, disponibile dalla versione 8 di Stata e contemporaneamente calcolando la

combinazione dei parametri e verificandone il significato, è:
. nlcom _b[L.dlpc]/-_b[L.tinta]
_nl_1: _b[L.dlpc]/-_b[L.tinta]
--------------------------------------------------------------------------
d.tinta | coef. Standard Err. t P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _nl_1
| . 3038192. 5273816 0,58 0,574 - . 8355196 1.443158
--------------------------------------------------------------------------
Notare la differenza con l'elasticità di lungo periodo stimata dal modello statico!
➢ con ECM, R-squared e F test della regressione non sono distorti dalla presenza di probabili non stazionarietà
sia dell'inflazione che dei tassi di interesse, mentre in ARDL lo sono solitamente. Si noti che lo stesso RMSE porta a
un test F significativo in ARDL (alto R2), e al test F non significativo in ECM (basso R2)
22
Per concludere, nota che il modello ECM non mostra tuttavia l'autocorrelazione dei residui (una domanda per te:
"che dire dell'autocorrelazione dei residui ARDL?":
. dwstat
Statistica d di Durbin-Watson( 4, 17) = 1,527983
ricorda che il test DW non è il modo migliore per testare l'autocorrelazione del primo ordine nei modelli dinamici. In
questo contesto, il test appropriato è quello di Godfrey (1978):
. bgodfrey, lag(1)
Test LM di Breusch-Godfrey per l'autocorrelazione

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - ritardi(p) |
chi2 df Prob > chi2
-------------+----------------------------------------------------------1
| 1.906 1 0,1674
-----------------------------------------------------------------------
H0: nessuna correlazione seriale
5. Risultati riepilogativi: perché i panel sono così utili?
➢ La regressione trasversale del 1990 mostra alcuni problemi di eteroschedasticità, dovuti a valori anomali. Il
Portogallo e l'Italia sono paesi con inflazione e tassi di interesse elevati.
➢ A seconda dell'anno, il legame di lungo periodo tra il tasso di interesse nominale e il tasso di inflazione, come è
stimato in sezioni trasversali, può essere significativo (e prossimo a uno), o non significativamente diverso da
zero. Sono anni (inizio anni '80) con inflazione e tassi di interesse elevati. Un risultato simile, ma in un altro
contesto, è mostrato in Bontempi, Golinelli e Parigi (2006).
➢ La regressione statica delle serie temporali della Germania mostra l'autocorrelazione dei residui e nessuna
stazionarietà. A causa della probabile assenza di cointegrazione tra serie temporali molto persistenti, la stima dei
parametri di circa 0,6 non è statisticamente appropriata (probabilmente è spuria).
➢ Tuttavia, se passiamo a un modello dinamico, la relazione di livello di lungo periodo non esiste (confermando i nostri
sospetti sul modello statico precedente, sui risultati), ma i residui non sono più autocorrelati.
Focalizzarsi solo sulla sezione trasversale o sul lato delle serie storiche implica perdere informazioni, come è
evidente dallo schema del pannello. Il grafico per paese mostra una non linearità forse dovuta alla messa in
comune di paesi eterogenei; infatti, compaiono alcuni cluster di paesi… abbiamo diversi insiemi di linee di
regressione, con intercettazioni (e pendenze) eterogenee?
. graph7 tinta anno, s([cod]) ylabel xlabel

. graph7 dlpc anno, s([cod]) ylabel xlabel
.2 PT
ESSO PT .3
ESSO
PT
PT PT
ESSOFI PT
IR IR
PT PT PT SP SP PT
. 15 SITP F
SR SP
P FR FI
PT PT
io
R PT PT
ESSOFI
IR
PT
SP .2
PIRT
FI IR
FR PT SP PT
SP
ESSERE
ESSO FI ESSO
FI
ESSERE
FR FI ESSO
FI SP IR
tinta
FR IR SITP PT ESSO
dlpc
F io SFP
io ESSO
ESSERE ESSERE
SP FI
NL ESSO ESSO
ESSERE
SP IFRI SP SP
IR ESSO SP
FR ESSO PT FR PT
INE LU ESSO FI ESSOPT PT
.1 D SP
ESSERE
NL l
NT l tu ESSO BR SP FR PT
UN LU FUOCO
SP
FI SP
ESSO
LU FITR IR
IN
DE FR IR D LOFI R IR
io
T .1 IR
LFUI FR PT PT
PT
PT
NT
ESSERE
DE LU NL LU
FR FR
B EL AU nT
D AELF BR E ESSERE LFUI IR SITP SP
IN NL LU ATn l FI IFRI IR SP LU FR
DE IN AT BE BE
DE LU D
LE
tu IR FI ESSERE ESSERE
FI
LU LU ESSERE
F
BRE PTIR
ESSERE INl
NO
D LU
B E SFPio SITP
ESSO FI PT
NL AT nTl F
NlR NL NL R ESSO SITP SP
IN LU D AE AET IN FIFR PT
DE lFUR D ESSO D io SP SF DITE ESSO
ESSERE
IN AET AE B NR io
ESSO ITP
NL NL NL IN
NOL LU DT FL E IR
ESSERE
io AT D P SP SP
LU FI ESSOPT
LUOGO
D IR IR DFE ESSO
DE DE DE LU FI S
nP
BRl
E AET
D NL IN io FI R FR D
F
L
BUR
E D
F
B
L
UNRE
IR
tu UIU
T B
F
n
L T
N
R
E
LL nIFRtu
LI
UN
LU T
INl
SP
PT
DE F
UN lPU LU
NL DE NlO
D
FFR
AIRT
A E
T N O
l B
FRE B
NFLio n
FR
O D
LUE AIRT
BIRE LF ARioE S L PIIRT
LT
UDT UN T FR DEln
FUR T P
nITP
TS Tl
NP
. 05 AFE nIR
TI B
F l
ITR
BT
UNE l
BU NL
D io
R FI N
ESSERE D
B OD
L
LFU I AlF
BRE
IFU FIE
TI B UN
SPE ESSERE
NOl FI FUT
LER
D
D
UNT
PFE lNElU D E
TI 0 D LU
NL
1980 1985 1990 1995 2000 1980 1985 1990 1995 2000
anno anno
23
Da notare gli alti punti di partenza dovuti allo shock petrolifero 1979-1980, il counter-shock del 1986 e la
convergenza al target BCE del 2% per la variabile dlpc.
In Sta 9 un nuovo comando del grafico del pannello è:

. xtline tinta, sovrapposizione plot1opts(lpattern(solid)) plot2opts(lpattern(trattino)) plot3opts(lpattern(dot))
plot4opts(lpattern(trattino_punto)) plot5opts(lpattern(trattino corto)) plot6opts(lpattern)(shortdash) plot7 tratto
lungo))
plot8opts(lpattern(longdash_dot)) plot9opts(lpattern(solid) lwidth(medthick)) plot10opts(lpattern(trattino)
lwidth(medthick)) plot11opts(lpattern(dot) lwidth(medthick))
. xtline dlpc, overlay plot1opts(lpattern(solid)) plot2opts(lpattern(trattino)) plot3opts(lpattern(dot))

plot4opts(lpattern(dash_dot)) plot5opts(lpattern(trattino corto)) plot6opts(lpatterdott(lpattern)plott(shortdash)
tratto lungo))
plot8opts(lpattern(longdash_dot)) plot9opts(lpattern(solid) lwidth(medthick)) plot10opts(lpattern(trattino)
lwidth(medthick)) plot11opts(lpattern(dot) lwidth(medthick))
.2
. 25
.2
. 15
. 15
dlpc
tinta
.1
.1
. 05
. 05
1980 1985 1990 1995 2000 1980 1985 1990 1995 2000
anno anno
IN ESSERE IN ESSERE
DE FI DE FI
FR IR FR IR
ESSO LU ESSO LU
NL PT NL PT
SP SP
Nel periodo 1990-1998 si registra una convergenza verso lo stesso tasso di inflazione: dal range 2-12%
del 1990 allo 0,5-2% del 1998.
Un processo simile si può osservare per il tasso di interesse nominale: dal range 8-17% nel 1990, al range
4-5% nel 1998.
Per introdurre tecniche per l'analisi dei dati panel, partiamo dall'analisi preliminare dei dati condotta
prendendo in considerazione solo l'eterogeneità individuale (pannello unidirezionale), e sia l'eterogeneità
individuale che temporale (pannello a due vie).
24
6. Pannello unidirezionale: scomposizione della varianza totale tra fonti individuali e temporali
. uso R-eurozona , chiaro
. tsset merluzzo anno
variabile di pannello: codice, da 1 a 11
variabile di tempo: anno, dal 1980 al 1998
Il comando tsset cod anno inizializza i dati con i = codice et = anno. Concentriamoci
sulla variabile dipendentetinta. Ci concentriamo sull'eterogeneità individuale:
(1) sìesso = unio + - esso
Il xtsum comando scompone la variabilità totale (totale) di sìesso in due componenti: (1) la variabilità
intra o intra-individuale, che si basa su osservazioni temporali per paese e che considera ad ogni
data la posizione di ciascun individuo rispetto alla sua media sull'intero periodo; (2) la variabilità tra
o interindividui, che incarna le differenze permanenti (stabili) tra gli individui.
. tinta xtsum
Variabile | Significare Standard Dev. min Max | osservazioni

- - - - - - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - + - - - - - - - - - - - - - - - tinta
complessivamente | . 0945924 .0343588 .0400857 .1947852 | n = 209
tra | . 0216913 . 0687109 . 1339803 | n = 11
entro | . 0273994 . 0006978 . 1673036 | T = 19
Per il tinta variabile abbiamo 11 campioni di 19 osservazioni temporali. Se all'interno di ciascuno degli N campioni la
variabilità è bassa, la media di ciascun campione è informativa sulla media della popolazione.
In un macro panel la variabilità temporale (dentro) è più importante della variabilità individuale
(tra): nei micro panel è vero il contrario.
Cerchiamo di capire meglio i risultati di xtsum.
La somma dei quadrati all'interno dei gruppi (che misura la variabilità dei dati all'interno di ciascun campione temporale) è:
N Ti 1 Ti
(2) WSS = --( sì esso −
sìio ) 2 dove sìio. = - sìesso è la media individuale.
TioT=1
.
io=1 T=1
Per ciascuno degli N campioni calcoliamo la somma delle deviazioni al quadrato di ciascuna osservazione da ciascuna
delle N medie. La somma degli scostamenti utilizza il numero di osservazioni temporali per ogni campione (T se il
pannello è bilanciato e Tio se il campione è sbilanciato). Pertinta, noi abbiamo:
. egen tint_idot=mean(tint), by(cod)
. G tint_WD=tint-tint_idot
. G tinta_WD2=tinta_WD^2
. egen tinta_WSS=somma(tinta_WD2)
La somma dei quadrati tra i gruppi (variabilità delle medie individuali) è:

n 1n 1 N Ti
(3) BSS = -T ( io sì − sì.. ) 2 dove sì.. =
io.
- sì io.= NTio-- sìesso è il media totale (cioè la media di
io=1 n io=1 io=1 T=1
l'individuo N significa). Pertinta, noi abbiamo:

. egen tint_dotdot=media(tinta)
. G tinta_BD=tinta_idot-tinta_dotdot
. G tinta_BD2=tinta_BD^2
. egen tinta_BSS=somma(tinta_BD2)
25
La somma dei quadrati totale (la somma dei quadrati di tutte le deviazioni dalla media totale) è: (4)
N Ti
2
TSS = --( sì esso − sì.. )
io=1 T=1
Per tinta, noi abbiamo:

.G tinta_TD=tinta-tinta_dotdot
.G tinta_TD2=tinta_TD^2
. egen tinta_TSS=somma(tinta_TD2)
. sort cod anno

. list cod anno tint tint_idot tint_dotdot tint_WD tint_BD tint_TD tint_WSS tint_BSS tint_TSS, noobs nodisplay
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - cod anno
tinta tint_i~t tinta_d~t tinta_WD tinta_BD tinta_TD tinta_WSS tinta_BSS tinta_TSS
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - IN
1980 . 0884 .0717599 .0945924 . 0166401 -.0228324 -.0061924 .1561514 .0893977 .2455491
IN 1981 .1008177 .0717599 .0945924 1982 . 0290578 -.0228324 .0062253 .1561514 .0893977 .2455491
IN .0945599 .0717599 .0945924 1983 .0785801 . 0228 -.0228324 -.0000325 .1561514 .0893977 .2455491
IN .0717599 .0945924 . 0068202 -.0228324 -.0160123 .1561514 .0893977 .2455491
eccetera.
IN 1997 .0467404 .0717599 .0945924 -.0250195 -.0228324 -.0478519 .1561514 .0893977 .2455491 1998 .0420293 .0717599 .0945924
IN -.0297307 -.0228324 -.0525631 .1561514 .05493977 .
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - ESSERE
1980 .1136858 .0870501 .0945924 1981 . 0266356 -.0075422 . 0190934 .1561514 .0893977 .2455491
ESSERE .1284372 .0870501 .0945924 1982 .1271391 . 0413871 -.0075422 . 0338448 .1561514 .0893977 .2455491
ESSERE .0870501 .0945924 1983 .1121003 .0870501 . 040089 -.0075422 . 0325468 .1561514 .0893977 .2455491
ESSERE .0945924 . 0250501 -.0075422 . 0175079 .1561514 .0893977 .2455491
eccetera.
ESSERE 1997 .0557894 .0870501 .0945924 -.0312607 -.0075422 -.0388029 .1561514 .0893977 .2455491 1998 .0461199 .0870501 .0945924
ESSERE -.0409302 -.0075422 -.0484724 .1561514 .2455891977 .
eccetera.
È facile dimostrarlo TSS = WSS + BSS.

Infatti, prendendo la somma in io e T di ( sìesso − sì.. ) = ( sìesso − sìio. ) + ( sìio. − sì.. ) , noi abbiamo:
NTio NTio
-- − sì. .) 2 = --- sì (
( sìesso − sìio. )
esso + ( sì
io. − sì.. ) -2 =
io=1 T=1 io=1 T=1
NTio
(5) -
= -- ( sìesso − sì io. )
2+ ( sìio. − sì.. ) 2 + 2( sìesso − sìio. )( sìio. − sì.. )-=
io=1 T=1
NTio NTio NTio n

= --( sìesso − sì io. ) 2 + -- ( sìio. − sì.. ) 2 = -- ( sìesso − sìio. )
2
+ Tio -( sìio. − sì.. ) 2
io=1 T=1 io=1 T=1 io=1 T=1 io=1
Ad esempio, nella prima riga del paese AT (Austria):

. display 0.1561514+0.0893977
. 2455491
Minimi e massimi segnalati da xtsum sono quelli di yesso (nel complesso), quelli di yio. (tra) e quelli di
yesso-yio.+y.. (entro) dove, nel caso entro, la media complessiva viene aggiunta di nuovo per ottenere risultati
comparabile . Confronta ixtsum risultati con i seguenti risultati somma. Essendo una deviazione, il
all'interno dei numeri si riferiscono alla deviazione dalla media di ogni individuo, quindi alcune di queste deviazioni
potrebbero essere negative, come accade per il minimo se sottraiamo la media complessiva (-0,0938). Il massimo
(0,0727) indica che alcuni paesi si discostano dalle loro medie di + 0,07 punti percentuali.
. somma tinta tinta_idot tinta_WD

- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta
| 209 . 0945924 . 0343588 . 0400857 . 1947852
tint_idot | 209 . 0945924 . 0207315 . 0687109 . 1339803
tinta_WD | 209 - 2.85e-10 . 0273994 - . 0938945 . 0727112
26
Ad ogni somma dei quadrati corrisponde una stima di una varianza.
2= WSS
(6) SW è la varianza interna.
NTio − n
BSS BSS
(7) SB2= = è la varianza tra2.
NTio −Tio Tio (n −1)
Infine,
TSS
(8) S2T = è la varianza totale.
NTio −1
Si noti che nel caso di varianze o deviazioni standard, il totale non è più uguale alla somma di
all'interno e tra le componenti, a causa dei diversi gradi di libertà del denominatore.
Il comando xtsum fornisce correttamente la media complessiva, e la complessiva e tra le deviazioni standard. Di
fatto:
. display (0,2455491/(11*19-1))^0,5
. 03435876
. Schermo (0.0893977/(11*19-19))^0.5
. 02169134
Al contrario, il comando xtsum usa NTio-1 gradi di libertà nel calcolo della deviazione standard
interna:
. display (0,1561514/(11*19-1))^0,5
. 02739941
che è equivalente alla deviazione standard in:
. somma tinta_WD
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_WD |
209 - 2.85e-10 . 0273994-.0938945 . 0727112
dove i gradi di libertà sono infatti NTio-1. Invece, il

corretto all'interno della deviazione standard è:
. display (0.1561514/(11*19-11))^0.5
. 0280828
Procediamo introducendo i comandi di regressione del pannello vedendo come questi comandi si applicavano a una singola
variabile come tinta può essere utilizzato per ottenere gli stessi e corretti risultati relativi alla scomposizione complessiva, tra e
all'interno della varianza.
Il metodo LSDV stima direttamente il modello (1). Usa i manichini di dindi.ado calcolare individuo
procedura.
. dindi cod 11
N Ti n n
--( sìio. − sì.. ) Tio -( sìio. − sì.. ) -( sìio. − sì.. )
2 Si noti che, ovviamente, è possibile scrivere: S 2 = io=1 T=1
B = io=1
= io=1 .
Tio (n −1) Tio (n −1) n −1
27
. reg tinta mu*, noconst

-------------+---------------------------- F( 11, 198) = 225.87
Modello | 1.95947016 11 . 178133651 Prob > F = 0.000
| 2.11562158 209 .010122591 MSE radice = . 02808
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - mu1 |
. 0717599 . 0064426 11.14 0.000 . 059055 . 0844649
mu2 | . 0870501 . 0064426 13.51 0.000 . 0743451 . 0997551
mu3 | . 0687109 . 0064426 10.67 0.000 . 0560059 . 0814159
mu4 | . 1050931 . 0064426 16.31 0.000 . 0923881 . 1177981
mu5 | . 0918728 . 0064426 14.26 0.000 . 0791678 . 1045778
mu6 | . 1011009 . 0064426 15.69 0.000 . 0883959 . 1138059
mu7 | . 117041 . 0064426 18.17 0.000 . 104336 . 129746
mu8 | . 0746589 . 0064426 11.59 0.000 . 0619539 . 0873639
mu9 | . 0740769 . 0064426 11.50 0.000 . 0613719 . 0867819
mu10 | . 1339803 . 0064426 20.80 0.000 . 1212753 . 1466852
mu11 | . 1151712 . 0064426 17.88 0.000 . 1024662 . 1278762
--------------------------------------------------------------------------
est negozio LSDV3
Ogni preventivo è unio = sìio. , ovvero la diversa intercetta che fornisce ogni retta di regressione specifica dell'individuo; esso
corrisponde anche a ioquesto all'interno della media (tint_idot) calcolata sopra.

Usando lincom (un comando che calcola stime puntuali, errori standard, statistica t, valori p e intervalli di
confidenza per combinazioni lineari di coefficienti dopo qualsiasi comando di stima), otteniamo la media
complessiva come media degli individui:4
. lincom (mu1+mu2+mu3+mu4+mu5+mu6+mu7+mu8+mu9+mu10+mu11)/e(df_m)
( 1) .099091 mu1 + .099091 mu2 + .099091 mu3 + .099091 mu4 + .099091 mu5 + .099091 mu6
+ . 0909091 mu7 + .099091 mu8 + .099091 mu9 + .099091 mu10 + .099091 mu11 = 0
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
-------------+-------------------------------------------------------------
(1) | . 0945924 . 0019425 48.70 0.000 . 0907617. 0984231
--------------------------------------------------------------------------
5
scalare over=r(stima)
La deviazione standard delle N medie individuali fornisce la deviazione standard tra:
est ripristinare LSDV

. di ( ( (_b[mu1]-ove)^2+(_b[mu2]-ove)^2+(_b[mu3]-ove)^2+(_b[mu4]-ove)^2+(_b[ mu5]-ove)^2+ (_b[mu6]-ove)^2+(_b[mu7]-
ove)^2+(_b[mu8]-ove)^2+(_b[mu9]-ove)^ 2+(_b[mu10]-ove)^2+(_b[mu11]- over)^2 ) / (e(df_m)-1) )^.5
. 02169134
3 Questo comando salva i risultati della stima, in modo che possano essere utilizzati in seguito (aiuto ereturn)
4 e(df_m) è il numero di parametri stimati (cioè individui) nella precedente regressione OLS. Una volta eseguito OLS, digitare il comando ereturn
list per visualizzare l'elenco dei risultati di stima disponibili nella memoria di Stata dopo un comando di regressione.
5Questo comando crea una variabile oltre pari alla stima del parametro ottenuta da lincom. Una volta eseguito lincom, digita il comando
return list per vedere l'elenco delle variabili di output disponibili nella memoria di Stata dopo i comandi di analisi-calcolo come lincom,
summ, ecc….
28
Infine, la somma dei quadrati residua della regressione LSDV è il WSS (dentro la somma dei quadrati) ottenuto in
precedenza, da cui è possibile calcolare la deviazione standard interna. Infatti, dall'equazione (1), abbiamo
avere quello -̂ io = sìesso − unio = sìesso − sìio. , ovvero i residui dell'LSDV sono la trasformazione entro di tinta.
Il xtreg, fe è il comando specifico di Stata per stimare un modello a effetti fissi pannello, applicando OLS su dati
all'interno trasformati. Il modello (1) può essere riscritto come:
(9) sìesso − unio = -esso

dove la variabile dipendente è intratrasformata.
. tinta xtreg, fe
Regressione a effetti fissi (entro) Variabile di Numero di obs = 209

gruppo (i): codice Numero di gruppi = 11
R-sq: entro = 0.000 Oss per gruppo: min = 19

tra = . media = 19.0
totale = 0.000 massimo = 19
F(0,198) = 0.00
corr(u_i, Xb) = 0.000 Prob > F = .
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _contro | .
0945924. 0019425 48.70 0.000 . 0907617. 0984231
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -sigma_u |
. 02169134
sigma_e | . 0280828
rho | . 37367367 (frazione di varianza dovuta a u_i)
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - F test che tutti
u_i=0: F(10, 198) = 11,34 Prob > F = 0.000
Implicitamente questo comando calcola le N medie individuali e la trasformazione entro; quindi, ha applicato
l'OLS ai dati trasformati. La costante stimata è la media delle 11 singole medie o intercettazioni, una per ogni
Paese; coincide con la media complessiva precedentemente ottenuta dalincom.
sigma_u rappresenta la variabilità del unio s, cioè la variabilità tra.

sigma_e è la variabilità di -̂ esso ; poiché in questo semplice caso il residuo corrisponde a sìesso − sìio. , il
variabile intra-trasformata, sigma_e è il (corretto) all'interno della variabilità.
Il parametro rho è la frazione di varianza dovuta agli individui; differisce leggermente dal
calcolo precedente nelonewayvar.ado procedura perché non considera i diversi gradi di libertà
e si ottiene come:
. di 0.02169134^2/(0.02169134^2+0.0280828^2)
. 37367374
Il test sulla significatività delle differenze (test F sulla significatività congiunta dei singoli effetti)
nell'ultima riga del xtreg, fe l'output può essere riprodotto dai seguenti comandi LSDV, che usa
n−1
equazione (1) scritta come sìesso = un +-D ji- J + - esso , dove Dji =1 se j=i, 0 altrimenti e -J rappresenta
J=1
deviazioni dall'individuo preso come base.
29
. reg tinta mu1-mu10

-------------+---------------------------- F(10, 198) = 11.34
Modello | . 089397669 10 . 008939767 Prob > F = 0.000
| .245549091 208 .001180524 MSE radice = . 02808
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - mu1 |
- . 0434112 . 0091113 - 4.76 0.000 - . 0613788 - . 0254437
mu2 | - . 028121 . 0091113 - 3.09 0.002 - . 0460886 - . 0101535
mu3 | - . 0464603 . 0091113 - 5.10 0.000 - . 0644279 - . 0284927
mu4 | - . 010078 . 0091113 - 1.11 0.270 - . 0280456 . 0078895
mu5 | - . 0232984 . 0091113 - 2.56 0,011 - . 041266 - . 0053308
mu6 | - . 0140703 . 0091113 - 1.54 0,124 - . 0320378 . 0038973
mu7 | . 0018698 . 0091113 0.21 0.838 - . 0160977 . 0198374
mu8 | - . 0405122 . 0091113 - 4.45 0.000 - . 0584798 - . 0225447
mu9 | - . 0410943 . 0091113 - 4.51 0.000 - . 0590618 - . 0231267
mu10 | . 0188091 . 0091113 2.06 0.040 . 0008415 . 0367767
_contro | . 1151712 . 0064426 17.88 0.000 . 1024662 . 1278762
--------------------------------------------------------------------------
. testparm mu1-mu10
( 1) mu1 = 0
( 2) mu2 = 0
( 3) mu3 = 0
( 4) mu4 = 0
( 5) mu5 = 0
(6) mu6 = 0
( 7) mu7 = 0
( 8) mu8 = 0
( 9) mu9 = 0
(10) mu10 = 0
F(10, 198) = 11.34

Prob > F = 0.000
Abbiamo scritto il comando in modo che la costante stimata sia l'effetto individuale del paese omesso
dal dummy elencato 11 (Spagna), mentre ogni parametro dummy associato a -io stima la differenza tra
la media di tinta per il paese corrispondente e la media della Spagna.6 Si prega di notare che, ancora
una volta, il SS residuo è il WSS; ora il modello SS è il BSS e il totale SS è il TSS. Nota che R2
cattura l'effetto degli effetti di gruppo stimati, mentre, nel caso facile che stiamo esaminando, il xtreg, fe il
comando non riporta R2 perché l'eterogeneità viene sottratta dal modello prima che venga eseguito
l'adattamento.
6 Se,ad esempio, escludiamo l'effetto fisso Portogallo (mu10) invece della Spagna (mu11) (reg tinta mu1-mu9 mu11),
otteniamo stime diverse dei singoli effetti perché stiamo analizzando le differenze degli effetti fissi rispetto al Portogallo.
Tuttavia, il test F sulla significatività congiunta dei singoli effetti non cambia.
30
Le alternative per eseguire le stime LSDV sono:
. xi: tinta reg i.cod

i.codice _Icodice_1-11 (codificato naturalmente; _Icodice_1 omesso)

-------------+----------------------------- F(10, 198) = 11.34
Modello | . 089397669 10 . 008939767 Prob > F = 0.000
-------------+----------------------------- Adj R-quadrato = 0,3320
Totale | .245549091 208 .001180524 Radice MSE = . 02808
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _Icodice_2
| . 0152902 . 0091113 1,68 0,095 - . 0026774 . 0332578
_Icodice_3 | - . 0030491 . 0091113 - 0,33 0,738 - . 0210166 . 0149185
_Icodice_4 | . 0333332 . 0091113 3.66 0.000 . 0153656 . 0513008
_Icodice_5 | . 0201128 . 0091113 2.21 0.028 . 0021453 . 0380804
_Icodice_6 | . 029341 . 0091113 3.22 0.001 . 0113734 . 0473085
_Icodice_7 | . 0452811 . 0091113 4.97 0.000 . 0273135 . 0632486
_Icodice_8 | . 002899 . 0091113 0,32 0.751 - . 0150686 . 0208666
_Icodice_9 | . 002317 . 0091113 0.25 0,800 - . 0156506 . 0202845
_Icodice_10 | . 0622203 . 0091113 6.83 0.000 . 0442527 . 0801879
_Icodice_11 | . 0434112 . 0091113 4.76 0.000 . 0254437 . 0613788
_contro | . 0717599 . 0064426 11.14 0.000 . 059055 . 0844649
--------------------------------------------------------------------------
. testparm _I*
( 1) _Icodice_2 = 0
( 2) _Icodice_3 = 0
( 3) _Icodice_4 = 0
( 4) _Icodice_5 = 0
( 5) _Icodice_6 = 0
( 6) _Icodice_7 = 0
( 7) _Icodice_8 = 0
( 8) _Icodice_9 = 0
( 9) _Icodice_10 = 0
(10) _Icodice_11 = 0
F(10, 198) = 11.34

Prob > F = 0.000
. areg tinta, assorbire (merluzzo)
Regressione lineare, indicatori assorbenti Numero di os = 209

F( 0, 198) = .
Probabile > F =
R-quadrato = 0,3641
Adj R-quadrato = 0,3320
Radice MSE = . 02808
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _contro | .
0945924. 0019425 48.70 0.000 . 0907617. 0984231
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - codice |
F(10, 198) = 11.336 0.000 (11 categorie)
31
"Sebbene areg sia meno informativo della regressione con variabili fittizie esplicite, presenta due vantaggi.
Accelera il lavoro esplorativo, fornendo un rapido feedback sull'opportunità di un approccio con variabile fittizia. In
secondo luogo, quando la variabile di interesse ha molti valori, la creazione di fittizi per ognuno di essi potrebbe
portare a troppe variabili o a un modello troppo grande per la nostra particolare configurazione Stata." (Hamilton,
2006, p.180)
Un altro modo per esplicitare ciò che xtreg,fe comando non è quello di eseguire OLS su dati all'interno trasformati.
entro.ado
Per semplificare il lavoro, abbiamo incluso i precedentiegen comandi in una procedura, utili quando abbiamo
bisogno di calcolare medie individuali e all'interno di trasformazione per molte variabili:
. all'interno del codice tinta

. reg tint_WD

-------------+---------------------------- F( 0, 208) = 0.00
Modello | 0 0 . Prob > F = .
| .156151424 208 .000750728 MSE radice = . 0274
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_WD |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _contro |
-2.85e-10. 0018953 - 0,00 1.000 - . 0037364. 0037364
--------------------------------------------------------------------------
Di nuovo, la somma dei quadrati residua è la stessa dell'LSDV. Si noti che la costante è correttamente stimata
uguale a zero; infatti, nell'equazione (9), il termine costante è assente (si veda la regressione corretta riportata
poco sotto). Tuttavia, l'errore standard della costante è inferiore perché vengono utilizzati gradi di libertà NT-1
invece di NT-N. Naturalmente, la discrepanza tra gradi di libertà corretti (NT-N) e non corretti (NT-1) tende ad
essere minore con T crescente. In generale, tuttavia, è necessaria cautela nell'interpretazione dei test di
significatività e degli intervalli di confidenza del pannello fisso stimato in questo modo; le statistiche di riepilogo
riportate all'inizio dell'output della regressione devono essere ignorate.
. reg tint_WD, noconst

-------------+---------------------------- F( 0, 209) = 0.00
| .156151424 209 .000747136 MSE radice = . 02733
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_WD |
-------------+-------------------------------------------------------------
Nonostante la cura da porre nell'utilizzo della trasformazione interna dei dati, possono esserci casi in
cui è molto utile. Anche se è vero che il pannello va stimato conxtreg su dati non trasformati, non
sempre è possibile: ad esempio, nel paragrafo 8, vedremo che, prima di Stata 9, non era possibile
ottenere errori standard robusti con xtreg; altri casi sulle stime IV-GMM saranno mostrati sia nella
sezione 8 che in lecture_panel_dynamic_application_LECTUREshort. Inoltre, la stima con “dati
intratrasformati” è utile quando si devono considerare variabili dummy come industrie, anni, ecc.:
centrare le variabili sulle medie per settore o per anno equivale a includere l'industria o la dummy
temporale (che, altrimenti, non può stimata) nella regressione (si veda un esempio nella sezione 7).
La trasformazione interna con il comando Stata originale presenta alcuni inconvenienti:
32
. xtdata tinta, fe clear
. tinta reg

-------------+---------------------------- F( 0, 208) = 0.00
| .156151423 208 .000750728 MSE radice = . 0274
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _contro | .
0945924. 0018953 49.91 0.000 . 090856. 0983287
--------------------------------------------------------------------------
Di nuovo, nota la costante stimata, il suo errore standard (distorto) e l'RSS.
Il xtdata il comando converte l'insieme di dati originale in un nuovo insieme di dati in cui tutte le variabili vengono
trasformate in base all'opzione specificata (ad esempio, differenze dall'opzione di medie di gruppo se fe è specificato).
Tuttavia, ci sono alcuni avvertimenti nel suo utilizzo.
➢ La memoria di stato perde i dati originali.
➢ xtdata aggiunge alla trasformazione all'interno la media complessiva (questo spiega perché la stima sopra della
costante è la media complessiva e non zero come nel precedente reg tint_WD Astuccio).
➢ xtdata segue una regola di cancellazione casewise, il che significa che un'osservazione è esclusa dalla
conversione se manca su una qualsiasi delle variabili.
➢ Infine, dopo aver convertito i dati, puoi formare combinazioni lineari, ma non non lineari di regressori. Tutte le
trasformazioni non lineari devono essere calcolate prima della trasformazione.
Infine, concludiamo l'analisi della varianza-scomposizione con soli effetti individuali (unidirezionale)
utilizzando il comando xtreg.., be che esegue tra regressione. Corrispondono agli OLS eseguiti sul
pannello trasformato in CS di mezzi individuali:
(10) sìio. = unio +-io. = un + -io +-io. = un + vio.
. tinta xtreg, be
Tra regressione (regressione su medie di gruppo) Variabile di Numero di obs = 209

gruppo: codice Numero di gruppi = 11
R-sq: entro = . Oss per gruppo: min = 19

tra = 0.000 media = 19.0
complessivo = . massimo = 19
F(0,10) = 0.00
sd(u_i + avg(e_i.))= .0216913 Prob > F = .
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _contro | .
0945924. 0065402 14.46 0.000 . 0800199. 1091648
--------------------------------------------------------------------------
33
Si noti che il numero corretto di osservazioni utilizzato nella regressione intermedia è "Numero di gruppi" = 11: sia
il test F che gli errori standard sono calcolati su 11 osservazioni. Di fatto:
. reg tint_idot if anno==1980
-------------+----------------------------- F( 0, 10) = 0.00
Modello | 0 0 . Probabile > F = .
-------------+----------------------------- Adj R-quadrato = 0.000
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tint_idot |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _contro | .
0945924. 0065402 14.46 0.000 . 0800199. 1091648
--------------------------------------------------------------------------
Eccetera....
. reg tint_idot if anno==1990
-------------+----------------------------- F( 0, 10) = 0.00
-------------+----------------------------- Adj R-quadrato = 0.000
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tint_idot |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _contro | .
0945924. 0065402 14.46 0.000 . 0800199. 1091648
Eccetera....
Notare la seguente regressione (errata in df ed errori standard):
. reg tint_idot

-------------+----------------------------- F( 0, 208) = 0.00
-------------+----------------------------- Adj R-quadrato = 0.000
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tint_idot |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - _contro | .
0945924. 001434 65.96 0.000 . 0917653. 0974195
--------------------------------------------------------------------------
1
Nel xtreg, be uscita il sd(u_i + avg(e_i.)) è S 2 = S2- + S- =2 Sv . Quando noi
Tio
ESSERE
2 1
trattare con dati panel sbilanciati questo termine di errore è eteroschedastico: Var (v) = S vi = S 2 cioè il
Tiov ,
la varianza è tanto maggiore quanto minore è Tio. Tra stima viene quindi eseguita applicando WLS che danno inferiore
34
peso alle osservazioni con varianza residua maggiore. L'opzionewls nel xtreg, be comando usa[peso=Tio],
ovvero ogni variabile è premoltiplicata per la radice quadrata di Tio; questo è il comando utilizzato per
ottenere tra variabilità individuale nelvarananew procedura.
Il comando xtreg, be è utile perché rappresenta un ingrediente delle stime degli effetti casuali e può essere
utilizzato per eseguire il test di Hausman (vedi sotto).
L'analisi precedente mostra che la variabilità all'interno degli individui è maggiore della variabilità tra gli
individui, una situazione comune quando si tratta di dati macroeconomici. Di solito è vero il contrario perdati
microeconomici. Come esercizio, replica il comando precedente nel set di dati abdata.
L'analisi della varianza può anche essere eseguita ponendo l'attenzione sulla variabilità intra e intertemporale. In
questo caso, abbiamo 19 campioni di 11 singole osservazioni. Dopo il comandotsset anno cod,
l'eterogeneità temporale può essere analizzata dal modello:
(11) sìesso =- T +-esso
In questo caso, la somma totale dei quadrati di sìesso è scomposto come segue:
N Ti N Ti Ti
= --( sìesso − sì.T ) + n-( sì.T − sì.. )
2 2 2
(12) --( sì esso − sì.. )
io=1 T=1 io=1 T=1 T=1
La variabilità intra-temporale considera, ad ogni data, la posizione di ciascuno rispetto al valore medio
del campione. La variabilità intertemporale incarna le variazioni aggregate, macroeconomiche, comuni
a tutti gli individui. Come esercizio, prova a replicare i comandi precedenti dopo tsset anno
merluzzo; in entrambi i set di dati R_euroarea e abdata.
7. Pannello a due vie: scomposizione della varianza totale quando si considerano sia gli effetti individuali che quelli
specifici del tempo
La caratteristica più potente del pannello è la possibilità di tenere conto contemporaneamente della variabilità dei dati
sia individuale che temporale. Ad esempio, nel caso della variabiletinta, possiamo usare il modello:
(13) sìesso =-io +- T +-esso .
implicando che tinta la variabilità totale può essere ulteriormente suddivisa nelle seguenti tre componenti:
N Ti N Ti
--( sìesso − sì ) .2. = ---( sìesso − sìio − sì. T + .sì ) + .(. sìio − sì. . .) + ( sì.T − sì . .) -2 =
io=1 T=1 io=1 T=1
N Ti n Ti n Ti
= --( sìesso − sìio −. sì T +. sì
2 2
(14) . .) + --( sì io. − sì.. ) 2+--( sì.T − sì.. ) =
io=1 T=1 io=1 T=1 io=1 T=1
N Ti n Ti
= --( sìesso − sìio −. sì T.+ sì ). 2. +Tio -( sìio − sì . . n-( sì T − sì ). 2
. ) 2+ ..
io=1 T=1 io=1 T=1
Il secondo e il terzo elemento corrispondono rispettivamente alla variabilità interindividuale, che

incarna le differenze permanenti tra gli individui, e alla variabilità intertemporale, dovuta ad esempio al
ciclo economico, che incarna le variazioni macroeconomiche comuni a tutti gli individui. Il primo
termine è la variabilità interna, intra-individuale-temporale, una volta considerata l'eterogeneità sia
individuale che temporale.
35
Questa scomposizione della varianza totale può essere ottenuta mettendo insieme i risultati delle seguenti
regressioni.
Per creare i manichini temporali, usiamo la procedura dtime.ado .

. dtime anno
UN]. xtreg tinta tau1981-tau1998, fe

R-sq: entro = 0,7540 Oss per gruppo: min = 19

tra = 0.000 media = 19.0
F(18.180) = 30.65
corr(u_i, Xb) = 0.000 Prob > F = 0.000
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tau1981 |
. 012419 . 0062291 1,99 0,048 . 0001275 . 0247105
tau1982 | . 0112477 . 0062291 1,81 0,073 - . 0010438 . 0235392
tau1983 | . 0044251 . 0062291 0,71 0,478 - . 0078664 . 0167166
tau1984 | . 0045319 . 0062291 0.73 0,468 - . 0077596 . 0168234
tau1985 | - . 0088451 . 0062291 - 1.42 0,157 - . 0211366 . 0034464
tau1986 | - . 0259533 . 0062291 - 4.17 0.000 - . 0382448 - . 0136618
tau1987 | - . 0278138 . 0062291 - 4.47 0.000 - . 0401053 - . 0155223
tau1988 | - . 0320176 . 0062291 - 5.14 0.000 - . 044309 - . 0197261
tau1989 | - . 0249647 . 0062291 - 4.01 0.000 - . 0372562 - . 0126733
tau1990 | - . 0122566 . 0062291 - 1,97 0,051 - . 0245481 . 0000349
tau1991 | - . 0174064 . 0062291 - 2.79 0.006 - . 0296979 - . 0051149
tau1992 | - . 0217373 . 0062291 - 3.49 0.001 - . 0340288 - . 0094458
tau1993 | - . 039283 . 0062291 - 6.31 0.000 - . 0515745 - . 0269915
tau1994 | - . 0396656 . 0062291 - 6.37 0.000 - . 0519571 - . 0273741
tau1995 | - . 0386215 . 0062291 - 6.20 0.000 - . 050913 - . 02633
tau1996 | - . 0531314 . 0062291 - 8.53 0.000 - . 0654229 - . 0408399
tau1997 | - . 0632265 .0062291 -10.15 0.000 - . 075518 - . 050935
tau1998 | - . 0726128 .0062291 -11,66 0.000 - . 0849043 - . 0603213
_contro | . 1180088. 0044047 26.79 0.000 . 1093174. 1267002
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u |
. 02169134
sigma_e | . 01460859
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - F test che tutti
u_i=0: F(10, 180) = 41,89 Prob > F = 0.000
. parm tau*
( 1) tau1980 = 0
( 2) tau1981 = 0
(3) tau1982 = 0
(4) tau1983 = 0
(5) tau1984 = 0
(6) tau1985 = 0
(7) tau1986 = 0
( 8) tau1987 = 0
( 9) tau1988 = 0
(10) tau1989 = 0
(11) tau1990 = 0
(12) tau1991 = 0
(13) tau1992 = 0
(14) tau1993 = 0
(15) tau1994 = 0
(16) tau1995 = 0
36
(17) tau1996 = 0
(18) tau1997 = 0
F( 18, 180) = 30.65

Prob > F = 0.000
B] . tsset anno cod. xtreg tinta

mu1-mu10, fe

gruppo (i): anno Numero di gruppi = 19

tra = 0.000 media = 11,0
totale = 0,3641 massimo = 11
F(10,180) = 41.89
corr(u_i, Xb) = -0,00000 Prob > F = 0.000
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - mu1 |
- . 0434112 . 0047397 - 9.16 0.000 - . 0527637 - . 0340588
mu2 | - . 028121 . 0047397 - 5.93 0.000 - . 0374735 - . 0187686
mu3 | - . 0464603 . 0047397 - 9.80 0.000 - . 0558127 - . 0371079
mu4 | - . 010078 . 0047397 - 2.13 0,035 - . 0194305 - . 0007256
mu5 | - . 0232984 . 0047397 - 4.92 0.000 - . 0326508 - . 013946
mu6 | - . 0140703 . 0047397 - 2,97 0.003 - . 0234227 - . 0047178
mu7 | . 0018698 . 0047397 0,39 0,694 - . 0074826 . 0112222
mu8 | - . 0405122 . 0047397 - 8.55 0.000 - . 0498647 - . 0311598
mu9 | - . 0410943 . 0047397 - 8.67 0.000 - . 0504467 - . 0317418
mu10 | . 0188091 . 0047397 3.97 0.000 . 0094567 . 0281615
_contro | . 1151712 . 0033514 34.36 0.000 . 108558 . 1217843
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u |
. 02438511
sigma_e | . 01460859
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - F test che tutti
u_i=0: F(18, 180) = 30,65 Prob > F = 0.000
. parm test mu*
( 1) mu1 = 0
( 2) mu2 = 0
( 3) mu3 = 0
( 4) mu4 = 0
( 5) mu5 = 0
(6) mu6 = 0
( 7) mu7 = 0
( 8) mu8 = 0
( 9) mu9 = 0
(10) mu10 = 0
F(10, 180) = 41.89

Prob > F = 0.000
Nelle precedenti regressioni A] e B] sigma_e, la variabilità residua in un modello a due vie, cioè la variabilità intra-
individuale-temporale, è la stessa. I modelli stimano una costante (un individuo di base in un periodo di tempo di
base), gli effetti individuali N-1 e gli effetti temporali T-1.
Nella regressione A] sigma_u è la variabilità interindividuale, ovvero la stessa variabilità
interindividuale, calcolata nella sezione 6.
37
In regressione B] sigma_u è la variabilità intertemporale, cioè la variabilità intertemporale, calcolata in
precedenza per l'esercizio.
Pertanto, la percentuale di variabilità dovuta agli individui può essere calcolata come:
. Schermo . 02169134^2/(.02169134^2+.02438511^2+.01460859^2)
. 36800361
Analogamente, la percentuale di variabilità dovuta ai periodi di tempo può essere calcolata come:
. Schermo . 02438511^2/(.02169134^2+.02438511^2+.01460859^2)
. 46508117
Una procedura per l'analisi preliminare dei dati del pannello è varanonew.ado , che abbiamo scritto per esaminare il
scomposizione della varianza unidirezionale e bidirezionale, ovvero condividere la somma complessiva delle deviazioni al
quadrato in: la % dovuta tra e all'interno degli individui somma delle deviazioni al quadrato;
la % dovuta alla somma degli scarti quadratici tra e all'interno dei periodi temporali;
la % dovuta alla somma tra individui, tra temporale e all'interno degli individui-temporale delle deviazioni al
quadrato.
. varananew tinta codice anno
___tinta___
Statistiche
NT 209
Nmin 11 Navigazione 11 Nmax 11
Tmin 19 Tavg 19 Tmax 19
Nota: differenze tra numero di individui e periodi temporali --> pannello sbilanciato
Test della significatività dei singoli effetti Fnum_codice

Fden_codice Fcodice Fpval_codice
10 180 41.889935 7.659e-42
Test della significatività degli effetti temporali Fnum_anno

Fden_anno Fanno Fpval_anno
18 180 30.649661 2.590e-45
Statistiche: media e variabilità (deviazioni standard) Totale

significare = . 09459236
Totale sd = . 03435876
Tra sd inter_codice =Tra sd inter_anno . 02169134

= Entro sd intra_codice_anno . 02438511
= . 01460859
Entro sd intra_codice = . 0280828

Entro sd intra_anno = . 02593632
Percentuali della somma complessiva del quadrato dev. a causa di individui, tempo e residuo A due vie
individui e temporali
% tra inter_codice =% tra inter_anno 36.407249
= % all'interno di intra_codice_anno 47.948648
= 15.644104
Focus su individui a senso unico%

all'interno di intra_codice = 63.592751
di cui spiegato da tra inter_anno (%)= 75.399549
Focus su % temporale a senso

unico all'interno di intra_anno = 52.051352
di cui spiegato da tra inter_codice (%)= 69.944866
38
Frazioni di varianza dovute a individui, tempo e residuo A due vie individui e
temporali
% tra var inter_codice = % tra var 36.800351
inter_anno = % all'interno di var 46.508129
intra_codice_anno = 16.69152
Somma delle deviazioni al quadrato

TSS = . 24554909
BSS_codice = . 08939767
BSS_anno = . 11773747
WSS_codice_anno = . 03841395
WSS_codice = . 15615142
WSS_anno = . 12781162
dai un'occhiata TSS=BSS_codice+WSS_codice = . 24554909

dai un'occhiata TSS=BSS_anno+WSS_anno = . 24554909
dai un'occhiata TSS=BSS_codice+BSS_anno+WSS_codice_anno = . 24554909
assegni
Tra sd inter_codice da xtreg be = Tra sd inter_codice da xtreg be . 02169134
wls = Tra sd inter_codice da xtreg fe two-ways= Tra sd . 02169134
inter_anno da xtreg be = . 02169134
. 02438511
Tra sd inter_anno da xtreg be wls = All'interno di sd . 02438511
intra_anno da xtreg fe = . 02593632
Con queste informazioni in mente, iniziamo con l'analisi del pannello unidirezionale. Successivamente valuteremo se le
dummy temporali sono rilevanti anche in presenza della/e variabile/i esplicativa/e.
8.1. Metodi di stima del panel: pool OLS (POLS)
. reg tinta dlpc

-------------+---------------------------- F( 1, 196) = 681.99
Modello | . 179046627 1 . 179046627 Prob > F = 0.000
| .230503649 197 .001170069 MSE radice = . 0162
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 6909027 . 0264562 26.11 0.000 . 6387272 . 7430781
_contro | . 0598727 . 0017215 34.78 0.000 . 0564777 . 0632678
--------------------------------------------------------------------------
La stima più semplice per i dati panel è il Pooled OLS, pooled perché implica l'ipotesi di comportamenti
omogenei dei diversi paesi sia in pendenza che in intercetta. Questa restrizione è raramente ammissibile:
paesi diversi in fasi storiche diverse potrebbero aver seguito politiche diverse per determinare il tasso di
interesse. Il rischio di poolability è quello di non prendere in considerazione l'eterogeneità individuale
rilevata nella Sezione 6.
. prevedere tinthat
(opzione xb presunta; valori adattati) (11
valori mancanti generati)
39
. graph7 tint tinthat dlpc, s([cod].) c(.s) xlabel ylabel
. graph7 tint tinthat dlpc, s([anno].) c(.s) xlabel ylabel
tinta Valori adattati tinta Valori adattati
. 25 . 25
.2 PT .2 1984
ESSOESSOPT 19821981 1985
PT 1983
PT PT 1991 1990
FI ESSO 1984 1983
SP IR IR 1982 1981
SP PT PT 1983 1981 1982
1984
. 15 FI
PTT PFTRPTFR SSPP . 15 1983 899811998821
11998186921 1
P ESSO
FI 1984 1984
11998972
SP IR 1985 1990
SPBE BEFPRT IR 58813898 3
FI ESSO
FI SP 19819981 899
911
11982
ITFI 1986 19912990
RSF
IT FI 75
999
191895
82 1981
PPT R 19 91 1 4
SORSO
1199881
FI ITS P
FISP BFEI 199219199188 959 2
1919398
1911199884901983
NL
ESSO
ESSERE
SP 1986
IR IRFISITP FR 198 7 119981
11 98
191
14 8159
99811869979935
IT BFEPITITAT
D LU 9891
1982
.1 FREPT
IB R SPITATNL
RLUSIP T
LEtu
LU .1 119999 891486
11999900191599388191589981
1918919 1983
28928814
IRFRFIR
BFE 1988 19
R ITE DE 89 91 1982
1199982179186959847
NDLI 1991
LU FI FB EE
n
FR LNL
RBAETDIR
FR
IIRLNU
LlTATA
LU 1098
99 1991
9180989 1981
AUL
198179119 11191991188109
19816994111 119 8296039 1
LU FIBAPE B
IR DEALUP
ABETE
LN
DS TE
tu MORTE 88986
5
199
1 9893
199999345
1379911 59 19199284
811919981249
B
NLUIN 18989 499998823692
nPLTLU
FERRO
UN IFD
TNLRL
GRASSO
D RABTE
TE 9589
19111899191851465
1 819 9 9993
198919 91
9 13494
7919896599346
RD TR
LAFE
lU TNDA
n
tu LETATA
DE 19817916 1119991899 56 5 1993
19688973993
NL NLNLINB
DDEEFI
DELU 181
8918198999719915
9999564
FBS
DEEL
LR NP
UUPT 119
99
191896817199168
677
LLUDET 91 967
AE IR
8969997
. 05 . 05 91197 988
11919191
FBRFINILIT 1111997
8
DAETFSIP
199798
99998
PT 1998
1 19891899898
0 .1 .2 .3 0 .1 .2 .3
dlpc dlpc
Il grafico per paese (a sinistra) mostra una non linearità che può dipendere dal raggruppamento di paesi
diversi. Appare più ragionevole supporre country-cluster, cioè diverse linee di regressione con diverse
intercettazioni (e/o pendenze) per ogni paese. Italia e Portogallo sono paesi ad alta inflazione. Inoltre, il
grafico per anno (a destra) mostra una non linearità che può dipendere dall'accorpamento di diversi periodi
temporali. Ad esempio, l'inizio degli anni '80 mostra inflazione e tassi di interesse elevati.
Invece, eseguire una regressione aggregata equivale a definire un'ampia sezione trasversale di 198 osservazioni iid. La struttura
del pannello che distingue all'interno e tra variabilità (nella dimensione individuale, temporale o in entrambe le dimensioni) è
completamente ignorata.
. g obs=_n
graph7 tinta obs, xlabel ylabel yline(0.0945924)
.2
. 15
tinta
.1
. 05
0 50 100 150 200

obs
La differenza tra POLS e stime che tengono conto dell'eterogeneità può essere illustrata graficamente.
a due vie collegato tinta tint_idot obs, msimbolo(punto) yline(0.0945924,

lo stile (in primo piano))
(o grafico7 tinta tinta_idot obs, s(.o) c(l.) yline(0.0945924))
40
.2
. 15
.1
. 05
0 50 100 150 200

obs
tinta tint_idot
Ognuna delle 11 barre orizzontali (in rosso) rappresenta una media individuale (una per ogni paese), mentre la
linea orizzontale continua (in nero) è la media complessiva. Le linee decrescenti per paese (in blu) rappresentano i
modelli temporali dei tassi di interesse in ciascun paese. La figura mostra comportamenti eterogenei: i paesi sono
diversi e, in periodi diversi, hanno seguito politiche diverse.
I POLS sfruttano la variabilità degli scostamenti dalla media complessiva (linea nera continua) di tutti i punti lungo le linee
decrescenti (variabilità totale); come si può vedere, questa variabilità può essere molto ampia.
Stima degli effetti fissi (xtreg, fe) sfrutta la variabilità degli scostamenti dalle singole medie (brevi linee
rosse) di tutti i punti lungo le linee declinanti (all'interno della variabilità): queste distanze (cambiamenti
temporali di ogni individuo) sono minori.
Infine, una regressione tra panel (xtreg, essere) sfrutta la variabilità degli scostamenti dalla media
complessiva delle singole medie; queste differenze individuali potrebbero essere molto grandi. Ciò equivale
a stimare una sezione d'urto in cui le osservazioni sono le N medie individuali nel tempo, invece che le NT
singole osservazioni temporali.
41
8.2. Metodi di stima panel: effetti individuali fissi (FE a senso unico)
Gli effetti individuali possono essere considerati fissi quando si cerca di catturare caratteristiche individuali
non misurabili che possono influenzare la relazione tra variabili dipendenti e variabili esplicative; quindi,
l'effetto individuale può essere correlato con le variabili x, e questa correlazione è misurata dacorr(u_i, Xb)
nel seguente output.
. xtreg tinta dlpc, fe
Regressione ad effetti fissi (entro) Variabile Numero di obs = 198

di gruppo (i) : codice Numero di gruppi = 11

tra = 0.8784 media = 18.0
F(1.186) = 500.13
corr(u_i, Xb) = 0,2239 Prob > F = 0.000
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -dlpc |
. 6511108 . 0291149 22.36 0.000 . 593673 . 7085486
_contro | . 0617975 . 0017535 35.24 0.000 . 0583381 . 0652569
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u |
. 00811241
sigma_e | . 01470223
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - F test che tutti
u_i=0: F(10, 186) = 5.21 Prob > F = 0.000
Dato che l'output non riporta l'RMSE nella posizione abituale, lo richiediamo previa stima.
. di e(rmse)
. 01470223
Altre misure della bontà dell'adattamento sono i diversi R-quadrato, definito in termini di coefficiente di
correlazione al quadrato tra i valori effettivi e quelli adattati.7 L'R-squared complessivo corrisponde a POLS
Rsquared ed è definito come:
2
(15) R2 complessivamente = -Corr (BPOLS Xesso , sìesso ) -
L'interno R-quadrato è definito come:
R2entro = -Corr-(BFE (Xesso − Xio. ), ( sìesso − sìio. )--

2
(16)
Il tra R-quadrato corrisponde a:
2 = -Corr (BESSERE Xio. , sìio. )-

2
(17) Rtra
L'output riporta il test F sulla significatività congiunta dei singoli: le stime POLS sono distorte perché impone la
restrizione non valida che ogni paese abbia la propria intercetta. In altri termini, i dati nazionali non sono
raggruppabili.
Di nuovo, è possibile mostrare l'analogia tra la stima entro la stima degli effetti fissi e la stima dell'LSDV.
7 Questa definizione utilizzata anche in lecture_panel_dynamic_Theory_short, produce valori all'interno dell'intervallo [0, 1] indipendentemente
dallo stimatore utilizzato per generare valori fitti. Quando il modello stimato da OLS ha un termine di intercetta, corrisponde anche alla
definizione di somma dei quadrati di R-quadrato (vedi lezione_OLS_bivariato). Nota che ilstesso tre R2 i dati sopra riportati sono riportati in tutti gli
output di stima di xtreg (vedi sotto).
42
. reg tinta dlpc mu1-mu11, nocons

-------------+---------------------------- F( 12, 186) = 737.72
Modello | 1.91355112 12 . 159462593 Prob > F = 0.000
| 1.95375605 198 .009867455 MSE radice = . 0147
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 6511108 . 0291149 22.36 0.000 . 593673 . 7085486
mu1 | . 0512094 . 0035747 14.33 0.000 . 0441571 . 0582617
mu2 | . 063618 . 0036017 17.66 0.000 . 0565126 . 0707234
mu3 | . 0511025 . 0035467 14.41 0.000 . 0441055 . 0580994
mu4 | . 0753283 . 0036922 20.40 0.000 . 0680443 . 0826122
mu5 | . 06259 . 0036783 17.02 0.000 . 0553334 . 0698466
mu6 | . 0655481 . 0037706 17.38 0.000 . 0581095 . 0729867
mu7 | . 0701771 . 0040087 17.51 0.000 . 0622686 . 0780855
mu8 | . 0528247 . 0036018 14.67 0.000 . 0457189 . 0599304
mu9 | . 0573968 . 0035331 16.25 0.000 . 0504267 . 0643668
mu10 | . 0605129 . 0047405 12.77 0.000 . 0511609 . 069865
mu11 | . 0694645 . 0039822 17.44 0.000 . 0616084 . 0773206
--------------------------------------------------------------------------
Il parametro di pendenza è lo stesso. In LSDV abbiamo esplicitamente le diverse stime delle intercettazioni. La
costante stimata daxtreg, fe è la media di queste 11 intercettazioni:8
. lincom (mu1+mu2+mu3+mu4+mu5+mu6+mu7+mu8+mu9+mu10+mu11)/(e(df_m)-1)
(1) . 0909091 mu1 + .099091 mu2 + .099091 mu3 + .099091 mu4 + .099091 mu5 +
. 0909091 mu6 + .099091 mu7 + .099091 mu8 + .099091 mu9 + .099091 mu10 + .099091 mu11 = 0
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
-------------+-------------------------------------------------------------
(1) | . 0617975. 0017535 35.24 0.000 . 0583381 . 0652569
--------------------------------------------------------------------------
Il test F sulla significatività congiunta dei singoli effetti può essere riprodotto come:
. reg tinta dlpc mu1-mu10

-------------+---------------------------- F( 11, 186) = 80.03
Modello | . 19029872 11 . 017299884 Prob > F = 0.000
| .230503649 197 .001170069 MSE radice = . 0147
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 6511108 . 0291149 22.36 0.000 . 593673 . 7085486
mu1 | - . 0182551 . 0050193 - 3.64 0.000 - . 0281572 - . 0083531
mu2 | - . 0058465 . 0049978 - 1.17 0.244 - . 0157062 . 0040133
mu3 | - . 018362 . 0050471 - 3.64 0.000 - . 0283189 - . 0084051
mu4 | . 0058638 . 0049488 1.18 0.238 - . 0038992 . 0156267
mu5 | - . 0068745 . 0049546 - 1.39 0,167 - . 0166489 . 0029
mu6 | - . 0039164 . 0049238 - 0,80 0,427 - . 0136301 . 0057973
8Dato che e(df_m) è il numero di parametri stimati nella regressione precedente, dobbiamo sottrarre un grado di libertà corrispondente
al parametro di pendenza, per ottenere N.
43
mu7 | . 0007126 . 004901 0.15 0.885 - . 0089562 . 0103813
mu8 | - . 0166398 . 0049977 - 3.33 0.001 - . 0264994 - . 0067803
mu9 | - . 0120677 . 0050635 - 2.38 0,018 - . 0220571 - . 0020784
mu10 | - . 0089516 . 0050633 - 1,77 0,079 - . 0189405 . 0010373
_contro | . 0694645 . 0039822 17.44 0.000 . 0616084 . 0773206
--------------------------------------------------------------------------
. testparm mu1-mu10
( 1) mu1 = 0
( 2) mu2 = 0
( 3) mu3 = 0
( 4) mu4 = 0
( 5) mu5 = 0
(6) mu6 = 0
( 7) mu7 = 0
( 8) mu8 = 0
( 9) mu9 = 0
(10) mu10 = 0
F(10, 186) = 5.21

Prob > F = 0.000
Si noti che nella regressione precedente le deviazioni nell'intercetta dall'11questo paese (omesso dalla
stima) sono stimati.
Il xtreg, fe la stima è anche equivalente a eseguire OLS sui dati trasformati all'interno (tutte le variabili costanti nel
tempo vengono eliminate dalla regressione):
sìesso = un + -io + bxesso + - esso −
sìio . = un + -io + bxio . + - io . =

( siesso − sìio . ) = b(xesso − Xio . )+ (- esso −- io . )
L'uso del entro procedura richiede di prestare attenzione nella selezione del campione (per costruzione, la
variabile dlpc implica un valore mancante nel primo anno di ogni paese). Abbiamo due possibilità, la seconda
è migliore perché utilizza il campione di stima:9
. drop tint_idot tint_WD

. all'interno del codice tinta dlpc se anno>1980
. drop tint_idot tint_WD
9La trasformazione entro, così come la trasformazione di prima differenza (vedi sotto), deve essere applicato a tutte le variabili del
modello, manichini inclusi.
44
. qui xtreg tinta dlpc, fe
. all'interno del codice tinta dlpc se e(campione)
(11 valori mancanti generati) (11 valori

mancanti generati) (11 valori mancanti
generati) (11 valori mancanti generati)
(11 valori mancanti generati) (11 valori
mancanti generati)
. reg tint_WD dlpc_WD, noconst

-------------+---------------------------- F( 1, 197) = 529.70
Modello | . 108105159 1 . 108105159 Prob > F = 0.000
| .148310088 198 .000749041 MSE radice = . 01429
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_WD |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc_WD |
. 6511108 . 0282903 23.02 0.000 . 59532. 7069016
--------------------------------------------------------------------------
La stima della pendenza è uguale ai risultati precedenti, mentre lo stesso non vale per gli errori standard.
OLS sui dati trasformati utilizza NT-K=197 df, che è sbagliato perché ignora la stima di N medie campione (il
MSE radice è 0,0143 invece di 0,0147). Infatti, data la significatività dei singoli effetti, il numero corretto di df
è NT-KN=186, come inxtreg, fe o in LSDV. Naturalmente, asintoticamente, queste differenze non sono
importanti, ma possono essere sostanziali quando T è piccolo. L'errore standard corretto della regressione
può essere ottenuto come segue.10

. scalare N=e(N_g)
. qui reg tint_WD dlpc_WD, noconst
. scalare corretto_SE=(_se[dlpc]^2*(e(N)-e(df_m))/(e(N)-Ne(df_m)))^.5
. di corretto_SE
. 02911487
Esercizio: Prova a rivalutare OLS all'interno dei dati trasformati lasciando il termine costante.
Un'alternativa all'intra-trasformazione è la prima differenziazione, che rimuove anche gli effetti

individuali:
sìesso = un + -io + bxesso + -esso −
sìesso−1 = un + -io + bxesso− + -esso−1 =

( siesso − sìesso−1 ) = b(xesso − Xesso−1 ) + (-esso − -esso−1 )
Nel caso di T=2, inside e FD portano agli stessi risultati di stima.
10 Dalla lista ereturn, abbiamo che e(N_g) è il numero di individui N, e(N) è il numero totale di osservazioni NT, ed e(df_m) è il
numero di parametri stimati K. Il MSE è definito come il quadrato radice di RSS / (NT-K). Se viene specificato robusto, il MSE è
ottenuto da un aggiustamento campionario finito alla matrice varianza-covarianza robusta: RSS / (NT) - (NT) / (NT-K) = RSS / (NT-
K). In questo caso, utilizziamo la stessa correzione di prima. Esistono comandi di stima che, per impostazione predefinita,
utilizzano errori standard asintotici (vedi lecture_panel_dynamic_application_LECTUREshort). In questi casi, il MSE è definito
come la radice quadrata di RSS / (NT), sia senza che con opzione robust, perché robust non crea alcun aggiustamento dei gradi
di libertà. In questo caso, la correzione sarebbe data dallo scalare Correct_SE=(_se[dlpc]^2*e(N)/(e(N)-Ne(df_m))) .̂5.
45
. xtreg tinta dlpc if anno==1981|anno==1982, fe


tra = 0.7554 media = 2.0
F(1,10) = 2.03
corr(u_i, Xb) = 0,7214 Prob > F = 0,1851
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 2243327 . 157631 1.42 0.185 - . 126891 . 5755564
_contro | . 1050309 . 0174708 6.01 0.000 . 0661034 . 1439583
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u |
. 02308506
sigma_e | . 0053154
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - F test che tutti
u_i=0: F(10, 10) = 18,09 Prob > F = 0.000
. xtivreg tinta (dlpc=dlpc) if anno==1981|anno==1982, fd noconst
Regressione IV con prima differenziazione Numero di obs = 11

Variabile di gruppo: codice Numero di gruppi = 11
R-sq: entro = . Oss per gruppo: min = 1

tra = 0,7302 media = 1.0
totale = 0,7302 massimo = 1
chi2(1) = 2.03
corr(u_i, Xb) = 0.7051 Prob > chi2 = 0,1547
--------------------------------------------------------------------------
d.tinta | coef. Standard Err. z P>|z| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
|
D1 | . 2243327 . 157631 1.42 0.155 - . 0846184 . 5332837
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u |
. 02415895
sigma_e | . 00751711
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Strumentato:
dlpc
Strumenti: dlpc
Si noti che il comando per ottenere stime OLS dei dati trasformati di prima differenza si basa sulla stima IV; questo
perché la trasformazione FD è stata originariamente proposta per la stima di modelli di pannelli dinamici (che
richiedono IV dopo aver rimosso i singoli effetti da FD). Su questo problema, vedi di più in
lecture_panel_dynamic_application_LECTUREshort. Ovviamente nel pannello statico con regressori strettamente
esogeni non abbiamo effettivamente bisogno di una stima IV, e strumentiamo le variabili esplicative con se stesse.
46
Potremmo anche usare OLS applicato ai dati di prima differenza:
. reg d.tint d.dlpc if anno==1981|anno==1982, noconst
-------------+----------------------------- F( 1, 10) = 2.03
Modello | . 000114447 1 . 000114447 Probabile > F = 0,1851
-------------+----------------------------- Adj R-quadrato = 0,0853
--------------------------------------------------------------------------
D.tinta | coef. Standard Err. t P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
|
D1. |
. 2243327 . 157631 1.42 0.185 - . 126891 . 5755564
--------------------------------------------------------------------------
Quando T>2, i risultati sono diversi:
. xtivreg tinta (dlpc=dlpc), fd noconst
Regressione IV con prima differenziazione Numero di obs = 187

R-sq: entro = 0.7130 Oss per gruppo: min = 17

tra = 0,7133 media = 17.0
chi2(1) = 89.37
corr(u_i, Xb) = 0,4336 Prob > chi2 = 0.000
--------------------------------------------------------------------------
d.tinta | coef. Standard Err. z P>|z| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
|
D1 | . 457829. 0484299 9.45 0.000 . 3629081 . 5527499
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u |
. 01131388
sigma_e | . 01036126
--------------------------------------------------------------------------
strumentato: dlpc
Strumenti: dlpc
. reg d.tint d.dlpc, noconst

-------------+----------------------------- F( 1, 186) = 89.37
Modello | . 009594102 1 . 009594102 Probabile > F = 0.000
-------------+----------------------------- Adj R-quadrato = 0,3209
--------------------------------------------------------------------------
D.tinta | coef. Standard Err. t P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
|
D1. |
. 457829. 0484299 9.45 0.000 . 3622864 . 5533715
--------------------------------------------------------------------------
47
Esercizio: Prova a rivalutare OLS sui dati della prima differenza lasciando il termine costante. Interpreta il risultato.
8.3. Metodi di stima del panel: tra (BE)La

stima tra parametri si ottiene da:
. xtreg tinta dlpc, be
Tra regressione (regressione su medie di gruppo) Variabile di Numero di obs = 198
gruppo (i) : codice Numero di gruppi = 11

tra = 0.8784 media = 18.0
F(1,9) = 65.04
sd(u_i + avg(e_i.))= .0078532 Prob > F = 0.000
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 7753966 . 0961458 8.06 0.000 . 5578996 . 9928936
_contro | . 0557858 . 0052186 10.69 0.000 . 0439804 . 0675912
--------------------------------------------------------------------------
8.4. Metodi di stima del panel: effetti individuali casuali (RE a senso unico)
Gli effetti individuali possono essere considerati casuali quando abbiamo molti individui estratti
casualmente da una vasta popolazione e non conosciamo la natura specifica dell'eterogeneità individuale. Il
modello è anche chiamato componente di errore perché l'effetto individuale è una parte dell'errore del modello,
quindidovere non essere correlato alle variabili esplicative. Vederecorr(u_i, X) nell'uscita.
. xtreg tinta dlpc, re theta
Regressione GLS ad effetti casuali Numero di obs = 198

Variabile di gruppo (i): codice Numero di gruppi = 11

tra = 0.8784 media = 18.0
Effetti casuali u_i ~ Gaussianocorr(u_i, Wald chi2(1) = 562.12

X) = 0 (assunto) Prob > chi2 = 0.000
theta = 0,5587342
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
coef. Standard Err. z P>|z| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 6615505 . 027903 23.71 0.000 . 6068617 . 7162393
_contro | . 0612925 . 0027283 22.47 0.000 . 0559452 . 0666398
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u |
. 00704728
sigma_e | . 01470223
--------------------------------------------------------------------------
La stima RE può essere vista come una regressione OLS sui dati trasformati: ( sìesso −-yio. ) in poi (Xesso −-Xio. ) , dove
- 2-
( sìesso −-yio. ) è detta variabile “quasi degradata”, poiché solo la - =1− - =1− frazione di
- 2- +Tio- 2 -
viene sottratta la media interna.
48
NOTA cosa etichetta Stata theta nella sua regressione l'output è in realtà - nelle nostre formule sopra.
1
La stima di - 2 -, segnalato in sigma_e sopra, è ottenuto da LSDV come S 2 - = ---̂ 2 .
NT − K − n io T
esso
La stima di - 2 -, segnalato in sigma_u sopra, è ottenuto dalla regressione tra come

1 2
S-2= SESSERE
2
− S.
Tio-
Lambda può essere calcolato come:
. di 1-(.01470223^2/(.01470223^2+(.0078532^2-.01470223^2/18)*18))^0.5
. 55873417
dove .01470223^2 è S 2 - da FE, .0078532^2 è S 2 vBE

da BE, e .0078532^2-.01470223^2/18
calcola S 2 - .
I risultati RE possono anche essere ottenuti eseguendo OLS su variabili quasi degradate, calcolate come segue:
g lambda=e(teta)
g tint_LAM=tint-lambda*tint_idot if e(sample) g
dlpc_LAM=dlpc-lambda*dlpc_idot if e(sample) g
const_LAM=1-lambda if e(sample)
. reg tint_LAM dlpc_LAM const_LAM, noconst

-------------+----------------------------- F( 2, 196) = 1055.13
-------------+----------------------------- Adj R-quadrato = 0,9141
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_LAM |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc_LAM
| . 6615505 . 027903 23.71 0.000 . 6065219 . 7165791
const_LAM | . 0612925 . 0027283 22.47 0.000 . 055912 . 066673
--------------------------------------------------------------------------
Come per FE, anche per RE c'è un test per la poca rilevanza dei singoli effetti che, a loro volta, guidano -
2
verso lo zero. I test di Breusch-Pagan per l'ipotesi nullah : 0 -- = 0 . Se rifiutato, effetti individuali
sono importanti e le stime RE devono essere utilizzate al posto dei POLS.

. qui xtreg tinta dlpc, re
. xttest0
Test del moltiplicatore di Breusch e Pagan Lagrangian per gli effetti casuali:
tinta[codice,t] = Xb + u[codice] + e[codice,t]
Risultati stimati:
| Var sd = sqrt(Var)
- - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
. 0011701 . 0342063
e| . 0002162 . 0147022
tu | . 0000497 . 0070473
Test: Var(u) = 0
chi2(1) = 45.49
Prob > chi2 = 0.000
49
8.5. Il test di Hausman nei modelli a una via
La scelta tra effetti fissi o casuali si basa sul confronto dei due stimatori si fa guardando al test
di Hausman (1978), dove si consiglia di seguire Wooldridge (2002, p.290)
suggerimento di utilizzare le stime FE o RE di - 2 -.

. est negozio FE
. qui xtreg tinta dlpc, re
. hausman FE RE, sigmamore
- - - - Coefficienti ----
| (B) (B) (bB) sqrt(diag(V_b-V_B))
| FE . Differenza SE
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc | .
6511108 . 6615505 - . 0104397 . 0084496
--------------------------------------------------------------------------
b = coerente sotto Ho e Ha; ottenuto da xtreg
B = inconsistente sotto Ha, efficiente sotto Ho; ottenuto da xtreg
Test: Ho: differenza di coefficienti non sistematica
chi2(1) = (bB)'[(V_b-V_B)^(-1)](bB)
= 1.53
Prob>chi2 = 0.2166
Nonostante la stima - sopra (theta=0.5587342), il non rigetto dell'ipotesi nulla suggerisce che
- non è significativamente diverso da uno: le stime degli effetti fissi e casuali sono molto vicine.
Un altro modo per eseguire il test di Hausman (versione F o versione basata sulla regressione) si basa su varie
interpretazioni dell'approccio di Mundlak. Questo approccio è utile quando dobbiamo affrontare l'eteroschedasticità/
all'interno dell'autocorrelazione (vedi Sezione 9). Inoltre, questo approccio è utile quando vogliamo testare RE rispetto a
FE per un modello in cui non sono incluse variabili variabili nel tempo; questi non possono essere stimati da FE, mentre
possono essere stimati da RE. Allo stesso modo, quando si aggiungono dei dummy temporali alle specifiche, sarebbe
meglio la versione F (altrimenti, prestare attenzione a come funziona il comando hausman, vedere la successiva Sezione
8.5).
Alternativa 1: aggiungere singole medie ai dati con differenziazione lambda e verificare se i parametri delle
singole medie sono zero
. all'interno del codice tinta dlpc se e(campione)

. reg tint_LAM dlpc_LAM const_LAM dlpc_idot, noconst

-------------+----------------------------- F( 3, 195) = 705.83
-------------+----------------------------- Adj R-quadrato = 0,9144
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_LAM |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc_LAM
| . 6511108 . 0291149 22.36 0.000 . 5936903 . 7085313
const_LAM | . 0557858 . 0052186 10.69 0.000 . 0454936 . 066078
dlpc_idot | . 0548431 . 0443284 1.24 0.218 - . 0325816 . 1422678
--------------------------------------------------------------------------
50
. testparm dlpc_idot
( 1) dlpc_idot = 0
F( 1, 195) = 1.53
Prob > F = 0.2175
dlpc_LAM è la stima FE, mentre F test su dlpc_idot è il test di Hausman (questa regressione potrebbe essere eseguita con opzioni
robuste/cluster, vedere la Sezione 9).
Puoi evitare il calcolo di dati con differenziazione lambda e testare con un chi quadrato (come hausman
comando) utilizzando:11
. xtreg tinta dlpc dlpc_idot, re theta
Effetti casuali Regressione GLS Numero di obs = 198


tra = 0.8784 =
medio 18.0
complessivamente = 0.7822 max = 18
Effetti casuali u_i ~ gaussiana corr(u_i, Wald chi2(2) = 565.17

X) = 0 (presunto) Prob > chi2 = 0.000
theta = . 5587342
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
| . 6511108 . 0291149 22.36 0.000 . 5940467 . 7081749
dlpc_idot | . 1242858 . 1004574 1.24 0.216 - . 0726072 . 3211787
_contro | . 0557858 . 0052186 10.69 0.000 . 0455575 . 0660141
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u
| . 00704728
sigma_e | . 01470223
--------------------------------------------------------------------------
In questo caso, data la trasformazione lambda diff eseguita automaticamente dal comando xtreg, re,
rispetto a quanto ottenuto dal comando reg, sia il parametro che l'errore standard di dlpc_idot sono
moltiplicato per 1− -̂ :
sìesso −-? sìio . = (X − -?Xio. ) + (Xio. − -?Xio. )+(-esso − -?-io. ) = (Xesso ?−X- io. +) (1
esso
(viom. )1
−- ).X+ioesso −-v ? m1
( 1) dlpc_idot = 0
chi2( 1) = 1.53
Prob > chi2 = 0.2160
Che corrisponde esattamente all'output del comando Hausman.
11 Nota che l'opzione noconst non è consentito nelle stime FE RE.
51
Alternativa 2: aggiungere dati all'interno delle differenze ai dati con differenze lambda e verificare se i parametri dei
dati all'interno delle differenze sono zero
. reg tint_LAM dlpc_LAM const_LAM dlpc_WD, noconst

-------------+----------------------------- F( 3, 195) = 705.83
-------------+----------------------------- Adj R-quadrato = 0,9144
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_LAM |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc_LAM
| . 7753966 . 0961458 8.06 0.000 . 5857774 . 9650158
const_LAM | . 0557858 . 0052186 10.69 0.000 . 0454936 . 066078
dlpc_WD | - . 1242858 . 1004574 - 1.24 0.218 - . 3224083 . 0738368
--------------------------------------------------------------------------
dlpc_LAM ora è la stima BE e la stima FE può essere ottenuta come:
. lincom _b[dlpc_LAM]+_b[ dlpc_WD]
( 1) dlpc_LAM + dlpc_WD = 0
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_LAM |
-------------+-------------------------------------------------------------
(1) | . 6511108. 0291149 22.36 0.000 . 5936903. 7085313
--------------------------------------------------------------------------
. testparm dlpc_WD
( 1) dlpc_WD = 0
F( 1, 195) = 1.53
Prob > F = 0.2175
. xtreg tinta dlpc dlpc_WD, re theta


tra = 0.8784 =
medio 18.0

theta = . 57648041
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
| . 7753966 . 0999921 7.75 0.000 . 5794156 . 9713776
dlpc_WD | - . 1242858 . 1041298 - 1.19 0.233 - . 3283765 . 0798049
_contro | . 0557858 . 0054274 10.28 0.000 . 0451483 . 0664233
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u | .
0074122
52
sigma_e | . 01470223
--------------------------------------------------------------------------
. lincom _b[dlpc]+_b[ dlpc_WD]
( 1) dlpc + dlpc_WD = 0
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
-------------+-------------------------------------------------------------
(1) | . 6511108. 0290619 22.40 0.000 . 5941506 . 708071
--------------------------------------------------------------------------
Ora la trasformazione operata da xtreg, re è

T
sìioT − - =
? sìio. 1 -(Xesso − Xio )]+ (vm 1 − -?viom. 1
(Xesso −-?Xio. ) +[(X esso − Xio. ) −- . esso ) , dove
T T=1
-1 -(Xesso − Xio. ) = -̂(Xio. − 1
T
Txio. ) = 0. I parametri sono gli stessi di quelli ottenuti da reg, mentre standard
T T=1 T
gli errori (e le prove) sono diversi (ottenuti da un metodo GLS).
. testparm dlpc_WD
( 1) dlpc_WD = 0
chi2( 1) = 1.42
Prob > chi2 = 0.2326
Alternativa 3: aggiungere medie individuali e dati all'interno della differenza ai dati differenziati lambda e verificare se i
parametri delle medie individuali sono uguali a quelli dei dati all'interno delle differenze
. g dlpc_idot_LAM=dlpc_idot*(1-lambda) se e(campione)
. reg tint_LAM dlpc_idot_LAM dlpc_WD const_LAM, noconst

-------------+----------------------------- F( 3, 195) = 705.83
-------------+----------------------------- Adj R-quadrato = 0,9144
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_LAM |
-------------+-------------------------------------------------------------
dlpc_idot_~M | . 7753966 . 0961458 8.06 0.000 . 5857774 . 9650158
dlpc_WD | . 6511108 . 0291149 22.36 0.000 . 5936904 . 7085313
const_LAM | . 0557858 . 0052186 10.69 0.000 . 0454936 . 066078
--------------------------------------------------------------------------
. prova dlpc_idot_LAM= dlpc_WD
( 1) dlpc_idot_LAM - dlpc_WD = 0
F( 1, 195) = 1.53
Prob > F = 0.2175
53
. xtreg tinta dlpc_WD dlpc_idot, re theta


tra = 0.8784 =
medio 18.0

theta = . 57648041
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc_WD
| . 6511108 . 0290619 22.40 0.000 . 5941506 . 708071
dlpc_idot | . 7753966 . 0999921 7.75 0.000 . 5794156 . 9713776
_contro | . 0557858 . 0054274 10.28 0.000 . 0451483 . 0664233
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u
| . 00741221
sigma_e | . 01470223
--------------------------------------------------------------------------
Ora la trasformazione operata da xtreg, re è

1T T
sìioT − -̂ yio. = [(Xesso − Xio. ) − -̂ -(X −esso Xio. )]+[Xio. −-1 -Xio. ]+ (vmesso m1
1 − -?vio. ) =
T T=1 T T=1
= (X esso . + -̂)Xio. + (-esso − -̂-io. ) = (Xesso − -Xio. ) + (vm1 esso− -̂vm
− X )io(1- io1. )
I parametri sono gli stessi di quelli ottenuti da reg, mentre gli errori standard (e i test) sono diversi (ottenuti da un
metodo GLS).
. prova dlpc_WD= dlpc_idot
( 1) dlpc_WD - dlpc_idot = 0
chi2( 1) = 1.42
Prob > chi2 = 0.2326
54
8.6. Il test di Hausman nel pannello a due vie
Ora regredisci un pannello a due vie (sia individuale che temporale).

. xtreg tinta dlpc tau1981-tau1997, fe i(cod)
Regressione ad effetti fissi (entro) Variabile Numero di obs = 198

di gruppo (i) : codice Numero di gruppi = 11

tra = 0.8784 media = 18.0
F(18.169) = 62.99
corr(u_i, Xb) = 0.3004 Prob > F = 0.000
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 47488 . 0380826 12.47 0.000 . 3997011 . 5500589
tau1981 | . 0378673 . 0059164 6.40 0.000 . 0261878 . 0495468
tau1982 | . 0390013 . 0057999 6.72 0.000 . 0275516 . 0504509
tau1983 | . 040582 . 0054078 7.50 0.000 . 0299064 . 0512576
tau1984 | . 0438182 . 0052764 8.30 0.000 . 033402 . 0542343
tau1985 | . 0411733 . 004897 8.41 0.000 . 0315062 . 0508405
tau1986 | . 0369456 . 0046157 8.00 0.000 . 0278338 . 0460574
tau1987 | . 0376889 . 0045851 8.22 0.000 . 0286375 . 0467402
tau1988 | . 0319355 . 0046022 6.94 0.000 . 0228504 . 0410206
tau1989 | . 032128 . 0047166 6.81 0.000 . 0228169 . 0414391
tau1990 | . 0440116 . 0047345 9.30 0.000 . 0346652 . 053358
tau1991 | . 0405934 . 004698 8.64 0.000 . 0313191 . 0498676
tau1992 | . 037643 . 0046716 8.06 0.000 . 0284208 . 0468651
tau1993 | . 0235062 . 0046172 5.09 0.000 . 0143915 . 032621
tau1994 | . 0257185 . 0045862 5.61 0.000 . 0166648 . 0347722
tau1995 | . 0284205 . 0045713 6.22 0.000 . 0193962 . 0374448
tau1996 | . 0161247 . 0045574 3.54 0.001 . 0071279 . 0251215
tau1997 | . 0086853 . 0045498 1,91 0,058 - . 0002965 . 017667
_contro | . 0388859 . 003259 11.93 0.000 . 0324523 . 0453196
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u |
. 01075905
sigma_e | . 01066943
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - F test che tutti
u_i=0: F(10, 169) = 12,54 Prob > F = 0.000
. est negozio FE
Il significato dei manichini temporali può essere verificato da:

. testparm tau1981-tau1997
( 1) tau1981 = 0.0
( 2) tau1982 = 0.0
(3) tau1983 = 0.0
(4) tau1984 = 0.0
(5) tau1985 = 0.0
(6) tau1986 = 0.0
( 7) tau1987 = 0.0
( 8) tau1988 = 0.0
( 9) tau1989 = 0.0
(10) tau1990 = 0.0
(11) tau1991 = 0.0
(12) tau1992 = 0.0
(13) tau1993 = 0.0
(14) tau1994 = 0.0
(15) tau1995 = 0.0
(16) tau1996 = 0.0
(17) tau1997 = 0.0
F( 17, 169) = 10.83

Prob > F = 0.000
55
Prestare attenzione nell'eseguire il test di Hausman in questo caso. Innanzitutto, è importante che le stesse
dummy temporali siano incluse sia nelle stime FE che RE (specialmente se vogliamo confrontarle con il test di
Hausman). In secondo luogo, è importante utilizzare l'opzione sigmamore (o sigmaless).
Supponiamo di non prestare attenzione ai manichini inclusi e di stimare RE come
. xtreg tinta dlpc tau1982-tau1998, re


tra = 0.8784 =
medio 18.0
complessivamente = 0,8430 max = 18

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
| . 5156339 . 0361351 14.27 0.000 . 4448104 . 5864575
tau1982 | . 0013318 . 0046464 0.29 0.774 - . 007775 . 0104386
tau1983 | . 0036337 . 0047141 0,77 0,441 - . 0056057 . 0128731
tau1984 | . 0071384 . 004761 1.50 0.134 - . 002193 . 0164698
tau1985 | . 0054146 . 0050054 1.08 0.279 - . 0043958 . 015225
tau1986 | . 0022922 . 0054479 0,42 0.674 - . 0083854 . 0129699
tau1987 | . 003259 . 0055541 0,59 0,557 - . 0076268 . 0141448
tau1988 | - . 0026274 . 0054903 - 0,48 0,632 - . 0133881 . 0081334
tau1989 | - . 0030236 . 0052303 - 0,58 0,563 - . 0132749 . 0072277
tau1990 | . 0087892 . 0052018 1,69 0,091 - . 001406 . 0189845
tau1991 | . 0055196 . 0052625 1.05 0.294 - . 0047947 . 0158339
tau1992 | . 0026877 . 0053127 0,51 0,613 - . 0077251 . 0131004
tau1993 | - . 0111565 . 0054435 - 2,05 0.040 - . 0218256 - . 0004874
tau1994 | - . 0087215 . 0055491 - 1.57 0,116 - . 0195977 . 0021546
tau1995 | - . 0058772 . 0056192 - 1,05 0.296 - . 0168907 . 0051362
tau1996 | - . 017983 . 0057158 - 3.15 0.002 - . 0291858 - . 0067803
tau1997 | - . 0251946 . 005836 - 4.32 0.000 - . 0366329 - . 0137563
tau1998 | - . 0338197 . 0058684 - 5.76 0.000 - . 0453216 - . 0223178
_contro | . 0721469 . 0057185 12.62 0.000 . 0609389 . 083355
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u
| . 00743966
sigma_e | . 01066943
--------------------------------------------------------------------------
. est negozio re
56
. hausman fe re
| fe Rif Differenza SE
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
| . 47488 . 5156339 - . 0407539 . 0120225
tau1982 | . 0390013 . 0013318 . 0376695 . 0034713
tau1983 | . 040582 . 0036337 . 0369483 . 00265
tau1984 | . 0438182 . 0071384 . 0366798 . 0022745
tau1985 | . 0411733 . 0054146 . 0357587 .
tau1986 | . 0369456 . 0022922 . 0346533 .
tau1987 | . 0376889 . 003259 . 0344299 .
tau1988 | . 0319355 - . 0026274 . 0345629 .
tau1989 | . 032128 - . 0030236 . 0351516 .
tau1990 | . 0440116 . 0087892 . 0352224 .
tau1991 | . 0405934 . 0055196 . 0350738 .
tau1992 | . 037643 . 0026877 . 0349553 .
tau1993 | . 0235062 - . 0111565 . 0346627 .
tau1994 | . 0257185 - . 0087215 . 03444 .
tau1995 | . 0284205 - . 0058772 . 0342978 .
tau1996 | . 0161247 - . 017983 . 0341078 .
tau1997 | . 0086853 - . 0251946 . 0338799 .
--------------------------------------------------------------------------
chi2(17) = (bB)'[(V_b-V_B)^(-1)](bB)
= 11.43
Prob> chi2 = 0.8332
(V_b-V_B non è definita positiva)
Stata sbaglia la solita versione del test di Hausman e cerca di includere i manichini dell'anno nel test:
i gradi di libertà ingiustificati (16 nel nostro caso) vengono aggiunti alla distribuzione chi-quadrato ; se questi extra df
sono molti che il test può produrre valori p seriamente fuorvianti.
Pensa che sia un po 'meglio con l'opzione sigmamore:

. hausman fe re, sigmamore
Nota: il rango dei coefficienti di varianza differenziati in matrice (2) non è uguale al numero di
fase di test (17) ; assicurati che questo sia quello che ti aspetti, o potrebbe esserci
problemi nel calcolo del test. Esamina l'output dei tuoi stimatori per qualsiasi cosa inaspettata e possibilmente
considera di ridimensionare le tue variabili in modo che i coefficienti siano su una scala simile.
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
| . 47488 . 5156339 - . 0407539 . 0143128
tau1982 | . 0390013 . 0013318 . 0376695 . 0036673
tau1983 | . 040582 . 0036337 . 0369483 . 0028703
tau1984 | . 0438182 . 0071384 . 0366798 . 0025162
tau1985 | . 0411733 . 0054146 . 0357587 .
tau1986 | . 0369456 . 0022922 . 0346533 .
tau1987 | . 0376889 . 003259 . 0344299 .
tau1988 | . 0319355 - . 0026274 . 0345629 .
tau1989 | . 032128 - . 0030236 . 0351516 .
57
tau1990 | . 0440116 . 0087892 . 0352224 .
tau1991 | . 0405934 . 0055196 . 0350738 .
tau1992 | . 037643 . 0026877 . 0349553 .
tau1993 | . 0235062 - . 0111565 . 0346627 .
tau1994 | . 0257185 - . 0087215 . 03444 .
tau1995 | . 0284205 - . 0058772 . 0342978 .
tau1996 | . 0161247 - . 017983 . 0341078 .
tau1997 | . 0086853 - . 0251946 . 0338799 .
--------------------------------------------------------------------------
chi2(2) = (bB)'[(V_b-V_B)^(-1)](bB)
= 7.43
Prob> chi2 = 0,0244
I risultati non migliorano anche se comunichiamo a Stata il corretto numero di df:

. hausman fe re, sigmamore df(1)
Nota: il rango della matrice delle varianze differenziate (2) non è uguale al numero di coefficienti da testare (17);
assicurati che questo sia quello che ti aspetti, o potrebbero esserci problemi durante il calcolo del test. Esamina
l'output dei tuoi stimatori per qualsiasi cosa inaspettata e possibilmente considera di ridimensionare le tue
variabili in modo che i coefficienti siano su una scala simile.
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
| . 47488 . 5156339 - . 0407539 . 0143128
tau1982 | . 0390013 . 0013318 . 0376695 . 0036673
tau1983 | . 040582 . 0036337 . 0369483 . 0028703
tau1984 | . 0438182 . 0071384 . 0366798 . 0025162
tau1985 | . 0411733 . 0054146 . 0357587 .
tau1986 | . 0369456 . 0022922 . 0346533 .
tau1987 | . 0376889 . 003259 . 0344299 .
tau1988 | . 0319355 - . 0026274 . 0345629 .
tau1989 | . 032128 - . 0030236 . 0351516 .
tau1990 | . 0440116 . 0087892 . 0352224 .
tau1991 | . 0405934 . 0055196 . 0350738 .
tau1992 | . 037643 . 0026877 . 0349553 .
tau1993 | . 0235062 - . 0111565 . 0346627 .
tau1994 | . 0257185 - . 0087215 . 03444 .
tau1995 | . 0284205 - . 0058772 . 0342978 .
tau1996 | . 0161247 - . 017983 . 0341078 .
tau1997 | . 0086853 - . 0251946 . 0338799 .
--------------------------------------------------------------------------
chi2(1) = (bB)'[(V_b-V_B)^(-1)](bB)
= 7.43
Prob> chi2 = 0.0064
58
Riproviamo aggiungendo i dummy temporali corretti (verificare che Stata rilasci gli stessi dummy temporali in
entrambe le stime FE e RE).
. xtreg tinta dlpc tau*, re theta
nota: tau1980 omesso per collinearità nota: tau1998 omesso
per collinearità


tra = 0.8784 =
medio 18.0
complessivamente = 0,8430 max = 18

theta = . 67977284
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
| . 5156339 . 0361351 14.27 0.000 . 4448104 . 5864575
tau1980 | (omesso)
tau1981 | . 0338197 . 0058684 5.76 0.000 . 0223178 . 0453216
tau1982 | . 0351515 . 0057628 6.10 0.000 . 0238565 . 0464464
tau1983 | . 0374533 . 0054087 6.92 0.000 . 0268525 . 0480542
tau1984 | . 0409581 . 0052905 7.74 0.000 . 0305889 . 0513273
tau1985 | . 0392343 . 0049512 7.92 0.000 . 0295301 . 0489385
tau1986 | . 0361119 . 0047016 7.68 0.000 . 026897 . 0453268
tau1987 | . 0370787 . 0046745 7.93 0.000 . 0279168 . 0462406
tau1988 | . 0311923 . 0046896 6.65 0.000 . 0220008 . 0403838
tau1989 | . 0307961 . 0047909 6.43 0.000 . 021406 . 0401862
tau1990 | . 0426089 . 0048068 8.86 0.000 . 0331878 . 0520301
tau1991 | . 0393393 . 0047744 8.24 0.000 . 0299817 . 0486969
tau1992 | . 0365074 . 004751 7.68 0.000 . 0271955 . 0458192
tau1993 | . 0226632 . 0047029 4.82 0.000 . 0134457 . 0318807
tau1994 | . 0250981 . 0046756 5.37 0.000 . 0159342 . 0342621
tau1995 | . 0279424 . 0046624 5.99 0.000 . 0188043 . 0370806
tau1996 | . 0158367 . 0046501 3.41 0.001 . 0067226 . 0249507
tau1997 | . 0086251 . 0046434 1,86 0,063 - . 0004758 . 017726
tau1998 | (omesso)
_contro | . 0383273 . 0040331 9.50 0.000 . 0304226 . 0462319
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u
| . 00743966
sigma_e | . 01066943
--------------------------------------------------------------------------
. est negozio re, sostituire
. hausman fe re, sigmamore
Nota: il rango della matrice della varianza differenziale (1) non è uguale al numero di coefficienti da testare (18);
assicurati che questo sia quello che ti aspetti, o potrebbero esserci problemi durante il calcolo del test. Esamina
l'output dei tuoi stimatori per qualsiasi cosa inaspettata e possibilmente considera di ridimensionare le tue
variabili in modo che i coefficienti siano su una scala simile.
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
. 47488 . 5156339 - . 0407539 . 0143128
59
tau1981 | . 0378673 . 0338197 . 0040476 . 0014215
tau1982 | . 0390013 . 0351515 . 0038498 . 0013521
tau1983 | . 040582 . 0374533 . 0031286 . 0010988
tau1984 | . 0438182 . 0409581 . 0028601 . 0010045
tau1985 | . 0411733 . 0392343 . 001939 . 000681
tau1986 | . 0369456 . 0361119 . 0008336 . 0002928
tau1987 | . 0376889 . 0370787 . 0006102 . 0002143
tau1988 | . 0319355 . 0311923 . 0007432 . 000261
tau1989 | . 032128 . 0307961 . 0013319 . 0004678
tau1990 | . 0440116 . 0426089 . 0014027 . 0004926
tau1991 | . 0405934 . 0393393 . 0012541 . 0004404
tau1992 | . 037643 . 0365074 . 0011356 . 0003988
tau1993 | . 0235062 . 0226632 . 0008431 . 0002961
tau1994 | . 0257185 . 0250981 . 0006204 . 0002179
tau1995 | . 0284205 . 0279424 . 0004781 . 0001679
tau1996 | . 0161247 . 0158367 . 0002881 . 0001012
tau1997 | . 0086853 . 0086251 . 0000602 . 0000211
--------------------------------------------------------------------------
chi2(1) = (bB)'[(V_b-V_B)^(-1)](bB)
= 8.11
Prob> chi2 = 0.0044
Vediamo la versione F del test Hausman.
. qui xtreg tint dlpc tau*, re theta

. sostituire lambda=e(theta)
. all'interno del codice tint dlpc tau* if e(sample)
. lambdadif lambda tinta dlpc tau* se e(campione)
Notare che anche i manichini temporali devono essere trasformati.
. reg tint_LAM dlpc_LAM const_LAM tau1981_LAM-tau1997_LAM, noconst

-------------+----------------------------- F( 19, 179) = 138.59
Modello | . 312226063 19 . 016432951 Prob > F = 0.000
-------------+----------------------------- Adj R-quadrato = 0.9296
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_LAM |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc_LAM
| . 5156339 . 0361351 14.27 0.000 . 4443283 . 5869396
const_LAM | . 0383273 . 0040331 9.50 0.000 . 0303688 . 0462857
tau1981_LAM | . 0338197 . 0058684 5.76 0.000 . 0222395 . 0453999
tau1982_LAM | . 0351515 . 0057628 6.10 0.000 . 0237796 . 0465233
tau1983_LAM | . 0374533 . 0054087 6.92 0.000 . 0267804 . 0481263
tau1984_LAM | . 0409581 . 0052905 7.74 0.000 . 0305183 . 0513978
tau1985_LAM | . 0392343 . 0049512 7.92 0.000 . 0294641 . 0490045
tau1986_LAM | . 0361119 . 0047016 7.68 0.000 . 0268343 . 0453895
tau1987_LAM | . 0370787 . 0046745 7.93 0.000 . 0278544 . 0463029
tau1988_LAM | . 0311923 . 0046896 6.65 0.000 . 0219383 . 0404464
tau1989_LAM | . 0307961 . 0047909 6.43 0.000 . 0213421 . 0402501
tau1990_LAM | . 0426089 . 0048068 8.86 0.000 . 0331237 . 0520942
60
tau1991_LAM | . 0393393 . 0047744 8.24 0.000 . 029918 . 0487606
tau1992_LAM | . 0365074 . 004751 7.68 0.000 . 0271321 . 0458826
tau1993_LAM | . 0226632 . 0047029 4.82 0.000 . 013383 . 0319434
tau1994_LAM | . 0250981 . 0046756 5.37 0.000 . 0158718 . 0343245
tau1995_LAM | . 0279424 . 0046624 5.99 0.000 . 0187421 . 0371428
tau1996_LAM | . 0158367 . 0046501 3.41 0.001 . 0066605 . 0250128
tau1997_LAM | . 0086251 . 0046434 1,86 0,065 - . 0005378 . 017788
--------------------------------------------------------------------------
. reg tint_LAM dlpc_LAM const_LAM tau1981_LAM-tau1997_LAM dlpc_idot, noconst

-------------+----------------------------- F( 20, 178) = 137.56
Modello | . 313187379 20 . 015659369 Prob > F = 0.000
-------------+----------------------------- Adj R-quadrato = 0.9324
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta_LAM |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc_LAM
| . 47488 . 0380826 12.47 0.000 . 3997285 . 5500315
const_LAM | . 0243501 . 006225 3.91 0.000 . 0120658 . 0366343
tau1981_LAM | . 0378673 . 0059164 6.40 0.000 . 0261921 . 0495426
tau1982_LAM | . 0390013 . 0057999 6.72 0.000 . 0275558 . 0504468
tau1983_LAM | . 040582 . 0054078 7.50 0.000 . 0299102 . 0512537
tau1984_LAM | . 0438182 . 0052764 8.30 0.000 . 0334058 . 0542305
tau1985_LAM | . 0411733 . 004897 8.41 0.000 . 0315097 . 050837
tau1986_LAM | . 0369456 . 0046157 8.00 0.000 . 0278371 . 046054
tau1987_LAM | . 0376889 . 0045851 8.22 0.000 . 0286408 . 0467369
tau1988_LAM | . 0319355 . 0046022 6.94 0.000 . 0228537 . 0410173
tau1989_LAM | . 032128 . 0047166 6.81 0.000 . 0228203 . 0414357
tau1990_LAM | . 0440116 . 0047345 9.30 0.000 . 0346686 . 0533546
tau1991_LAM | . 0405934 . 004698 8.64 0.000 . 0313225 . 0498643
tau1992_LAM | . 037643 . 0046716 8.06 0.000 . 0284242 . 0468618
tau1993_LAM | . 0235062 . 0046172 5.09 0.000 . 0143948 . 0326177
tau1994_LAM | . 0257185 . 0045862 5.61 0.000 . 0166681 . 0347689
tau1995_LAM | . 0284205 . 0045713 6.22 0.000 . 0193995 . 0374415
tau1996_LAM | . 0161247 . 0045574 3.54 0.001 . 0071312 . 0251182
tau1997_LAM | . 0086853 . 0045498 1,91 0,058 - . 0002932 . 0176638
dlpc_idot | . 0962336 . 0331157 2.91 0.004 . 0308836 . 1615835
--------------------------------------------------------------------------
( 1) dlpc_idot = 0
F( 1, 178) = 8.44
Prob > F = 0.0041
. xtreg tinta dlpc tau1981-tau1997 dlpc_idot, re


tra = 0.8784 =
medio 18.0

61
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tinta |
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
| . 47488 . 0380826 12.47 0.000 . 4002394 . 5495206
tau1981 | . 0378673 . 0059164 6.40 0.000 . 0262714 . 0494632
tau1982 | . 0390013 . 0057999 6.72 0.000 . 0276336 . 0503689
tau1983 | . 040582 . 0054078 7.50 0.000 . 0299828 . 0511812
tau1984 | . 0438182 . 0052764 8.30 0.000 . 0334766 . 0541597
tau1985 | . 0411733 . 004897 8.41 0.000 . 0315754 . 0507713
tau1986 | . 0369456 . 0046157 8.00 0.000 . 027899 . 0459921
tau1987 | . 0376889 . 0045851 8.22 0.000 . 0287023 . 0466754
tau1988 | . 0319355 . 0046022 6.94 0.000 . 0229154 . 0409556
tau1989 | . 032128 . 0047166 6.81 0.000 . 0228836 . 0413725
tau1990 | . 0440116 . 0047345 9.30 0.000 . 0347321 . 0532911
tau1991 | . 0405934 . 004698 8.64 0.000 . 0313855 . 0498012
tau1992 | . 037643 . 0046716 8.06 0.000 . 0284868 . 0467991
tau1993 | . 0235062 . 0046172 5.09 0.000 . 0144568 . 0325557
tau1994 | . 0257185 . 0045862 5.61 0.000 . 0167296 . 0347074
tau1995 | . 0284205 . 0045713 6.22 0.000 . 0194609 . 0373802
tau1996 | . 0161247 . 0045574 3.54 0.000 . 0071924 . 0250571
tau1997 | . 0086853 . 0045498 1,91 0,056 - . 0002322 . 0176027
dlpc_idot | . 3005166 . 1034133 2.91 0.004 . 0978303 . 5032029
_contro | . 0243501 . 006225 3.91 0.000 . 0121493 . 0365508
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - sigma_u
| . 00743966
sigma_e | . 01066943
--------------------------------------------------------------------------
( 1) dlpc_idot = 0
chi2( 1) = 8.44
Prob > chi2 = 0.0037
62
8.7. I risultati della stima del panel alternativo: sintesi e confronti
Nella tabella seguente riassumiamo i risultati ottenuti dai diversi metodi di stima: utilizziamo sia il campione
totale, sia il sottocampione escludendo il Portogallo outlier (cod 10).
. qui reg tint dlpc

. est negozio POLS
. qui reg tint dlpc if cod!=10
. est negozio POLS_NP
. est negozio FE
. qui xtreg tint dlpc if cod!=10, fe
. est negozio FE_NP
. qui xtivreg tint (dlpc=dlpc), fd noconst
. est negozio FD
. qui xtivreg tint (dlpc=dlpc) if cod!=10, fd noconst
. est negozio FD_NP
. qui xtreg tint dlpc, re theta
. est negozio RE
. qui xtreg tint dlpc if cod!=10, re theta
. est negozio RE_NP
. est table *, b(%6.3f) se(%6.3f) p(%6.4f) stats(N g_min g_avg g_max r2 r2_a r2_o r2_w r2_b rmse F chi2 corr theta sigma_u
sigma_e)
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Variabile | POLS
POLS_NP FE FE_NP FD FD_NP RIF RE_NP
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
0,691 0,777 0,651 0,710 0,662 0.731
| 0,026 0,032 0,029 0,032 0,028 0,032
| 0.000 0.000 0.000 0.000 0.000 0.000
D.dlpc | 0,458 0,463
| 0,048 0,056
| 0.000 0.000
_contro | 0,060 0,057 0,062 0,059 0,061 0,059
| 0.002 0.002 0.002 0.002 0.003 0.002
| 0.000 0.000 0.000 0.000 0.000 0.000
-------------+----------------------------------------------------------------------------
N | 198.000 180.000 198.000 180.000 187.000 170.000 198.000 180.000 g_min |
18.000 18.000 17.000 17.000 18.000 18.000
g_avg | 18.000 18.000 17.000 17.000 18.000 18.000
g_max | 18.000 18.000 17.000 17.000 18.000 18.000
r2 | 0,777 0,767 0.729 0.741
r2_a | 0,776 0,765 0,713 0.726
r2_o | 0,777 0,767 0,767 0,757 0,777 0,767
r2_w | 0.729 0.741 0,713 0,727 0.729 0.741
r2_b | 0.878 0,896 0,713 0,811 0.878 0,896
rmse | 0,016 0,015 0,015 0,013 0,015 0,013
F | 681.989 584.357 500.127 484.276
chi2 | 89.367 67.687 562.115 529.850
corr | 0.224 0,306 0,434 0,398
theta | 0,559 0,488
sigma_u | 0.008 0.008 0,011 0,011 0.007 0.005
sigma_e | 0,015 0,013 0.010 0.010 0,015 0,013
-----------------------------------------------------------------------------------------
legenda: b/se/p
63
Come prima, confronta i risultati per un modello a due vie
. qui reg tinta dlpc tau*

. est negozio POLS
qui reg tint dlpc tau* if cod!=10
. est negozio POLS_NP
. qui xtreg tinta dlpc tau*, fe
. est negozio FE
. qui xtreg tint dlpc tau* if cod!=10, fe
. est negozio FE_NP
. qui xtivreg tint (dlpc=dlpc) tau*, fd noconst
. est negozio FD
. qui xtivreg tint (dlpc=dlpc) tau* if cod!=10, fd noconst
. est negozio FD_NP
. qui xtreg tint dlpc tau*, re theta
. est negozio RE
. qui xtreg tint dlpc tau* if cod!=10, re theta
. est negozio RE_NP
. est table *, keep(dlpc D.dlpc _cons) b(%6.3f) se(%6.3f) p(%6.4f) stats(N g_min g_avg g_max r2 r2_a r2_o r2_w r2_b rmse F chi2
corr theta sigma_u sigma_e)
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Variabile | POLS
POLS_NP FE FE_NP FD FD_NP RIF RE_NP
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc |
0,657 0,799 0,475 0,536 0,516 0.602
| 0,031 0,043 0,038 0,048 0,036 0,047
| 0.000 0.000 0.000 0.000 0.000 0.000
D.dlpc | 0.284 0.238
| 0,053 0,067
| 0.000 0,0004
_contro | 0,036 0,036 0,039 0,039 0,038 0,038
| 0.004 0.004 0.003 0.003 0.004 0.004
| 0.000 0.000 0.000 0.000 0.000 0.000
-------------+----------------------------------------------------------------------------
N | 198.000 180.000 198.000 180.000 187.000 170.000 198.000 180.000 g_min |
18.000 18.000 17.000 17.000 18.000 18.000
g_avg | 18.000 18.000 17.000 17.000 18.000 18.000
g_max | 18.000 18.000 17.000 17.000 18.000 18.000
r2 | 0,855 0.852 0,870 0.878
r2_a | 0,840 0.836 0.849 0,857
r2_o | 0.834 0,825 0.738 0,686 0,843 0.838
r2_w | 0,870 0.878 0,848 0.841 0,870 0.877
r2_b | 0.878 0,896 0,947 0,926 0.878 0,896
rmse | 0,014 0,012 0,011 0.010 0,011 0.010
F| 58.447 51.540 62.991 60.870
chi2 | 280.331 245.479 1142.895 1063.574 0.239
corr | 0,300 0.269 0,143
theta | 0,680 0,630
sigma_u | 0,011 0.010 0,015 0,014 0.007 0.006
sigma_e | 0,011 0.010 0.008 0.008 0,011 0.010
-----------------------------------------------------------------------------------------
legenda: b/se/p
64
- Lo stimatore POLS è valido quando siamo sicuri che tinta l'eterogeneità è spiegata dal
Tyx Wyx + Byx , dove il tempo e l'individuo
variabili esplicative del modello. In effetti, èB? POLS = =
Txx Wxx + Bxx
variabilità sono ugualmente ponderate. Se i regressori inclusi non tengono correttamente conto della variabilità, i
POLS soffrono di una distorsione da variabili omesse. In questo, se gli effetti individuali sono deterministici, anche
POLS è inconsistente perché l'eterogeneità aumenta al crescere di N→-. In altri termini, i POLS danno troppo peso
alla variabilità tra perché enfatizza le differenze individuali. Questo spiega perché POLS e,
B
in particolare, le stime BE ( B = yx ) spesso non sono resistenti all'inclusione o all'esclusione di singoli paesi
Bxx
ESSERE
(sia POLS che BE sono meno robusti per l'inclusione di valori anomali).
- Gli stimatori FE (e in parte RE) tengono conto dell'eterogeneità. Per questo motivo, si dice che riducano il
bias: i singoli effetti possono spiegare l'omissione di variabili tempo invarianti rilevanti. Sfruttano la
variabilità delle deviazioni all'interno degli individui: in altri termini, tengono meno conto delle differenze
individuali e, quindi, sono più resistenti agli outlier. La variabilità temporale (all'interno, intra-individui) è
Wyx .
enfatizzato nello stimatore FE BFE=
Wxx
Wyx+-B
- Lo stimatore RE, B =RIF yx , si ottiene come media ponderata tra entro e traWxx +-Bxx
- 2-
codeviazioni, con pesi pari a - = . Nella stima di modelli lineari, specialmente su micro-
- 2- +T- 2 -
dati del panel economico, lo stimatore RE è meno applicato perché spesso non è valido il presupposto di cui
necessita per coerenza (l'incorrelazione tra regressori del modello ed effetti individuali). Inoltre, al giorno d'oggi, T
grande supera i guadagni di efficienza di RE.
- I valori anomali influiscono meno sulle stime FD perché le informazioni sulla variabilità tra individui sono quasi
completamente cancellate utilizzando variabili nei tassi di variazione, anziché che nei livelli.
- La procedura Varananew ha mostrato che il tempo ha un effetto maggiore. Può essere che le nostre
variabili siano processi I(1); quindi le stime FD sono più affidabili delle stime FE/RE (è improbabile che
abbiamo errori di misurazione nel tasso di inflazione che possono spiegare la grande differenza tra le stime
FD e FE). Un'ulteriore conferma viene dalla somiglianza tra stima FD one-way e stima FE twoway: se copiamo
in excel le stime dei parametri temporali dummy e le riportiamo in grafico vediamo un pattern simile al
precedente panel grafico su tinta e dlpc (da 8-17 % e 2-12% varia nel 1990 tra il 4-5% e lo 0,5-2% nel 1998
perché la convergenza verso un'unica moneta fa sì che i paesi si aspettino una riduzione dei tassi di
interesse). Quindi, i manichini temporali (cioè che degradano il tempo) rendono i processi I(1) vicini ai
processi I(0) o, almeno, più informativo rispetto ai singoli mezzi utilizzati da FE a senso unico. Si noti come la
stima a due vie di FD sia molto piccola: l'effetto del tasso di inflazione è notevolmente ridotto perché il
processo di convergenza viene catturato dalle dummy temporali e lo stimatore di FD analizza la relazione tra
le variazioni dei processi I(0). Di seguito, il grafico dei parametri dei dummy temporali stimati:
65
66
9. Errori standard robusti
Abbiamo il modello yesso = bxesso + aio + -esso

Se scriviamo - come vettore (T×1), la matrice della varianza dei termini di disturbo può essere scritta come:
- -1 - -1n -
= E(-- -) = - NN = -- - - dove:
V( n-n ) - 21 -2n -
---n1 - -n --
lungo la diagonale principale abbiamo la matrice di covarianza degli errori intra-individuali -io che è (Tio - Tio) e
cattura all'interno di ogni individuo l'eteroschedasticità i=1,..., N e la correlazione seriale
- - 2 io1 - -io1-essoio -- -- - -io1Tio --
2
io1
- -
- - - - - -
-io = -- - -esso - -esso-esso = -- -
2
- -esso - 2- -;
itTio -
- esso-io1 io - -
esso1
- - - - - -
-- -essoio-io1 - - 2 -- ---
essoio essoio1
- - 2 -
essoio -
i blocchi fuori diagonale di V sono (Tio - TJ) matrici -ij per i≠j che cattura l'eventuale correlazione della sezione
trasversale:
--io1- J1 - -io1- jT J-- --ij11 - -ij1T - J -
- - - -
- - - -
-ij = -- -è j1 - - esso
- jt - - jTJ -- = -- ijt1
- esso - -ijtt - -ijtTJ - -
- -
- - - - - -
-- esso -J1 - -essoio- jTJ -
- -- ijT 1 - -ijTioTJ - -
io io
Questa matrice di covarianza generale completa V contiene parametri NT(NT+1)/2 e, ovviamente, non può essere
stimata.
Il xtreg e xtivreg comandi applicati fino ad ora supponiamo che nel modello yesso = aio + bxesso + -esso il termine
di errore è iid:
Var(-esso) = -2 - i=1,.., N e t=1,…, T, cioè per ogni individuo abbiamo omoschedasticità in differenti periodi
temporali, e per ogni periodo abbiamo omoschedasticità in differenti individui;
Cov(-esso, -è) = 0 - t - s, cioè per ogni individuo non abbiamo alcuna correlazione tra periodi temporali
differenti;
Cov(-esso, -jt) = 0 - io - j, cioè per ogni periodo non abbiamo alcuna correlazione tra i diversi individui.
-- 2 - 0-
- - ioT - i=1,..N, dove
Quindi tutti gli elementi fuori diagonali vanno a zero, -ij=0, e - =
io - 0 - 0 - =- 2
- - - 2 --
-0
ioT è la matrice identità (T×T) e supponiamo di avere a che fare con un pannello bilanciato (altrimenti abbiamo
-io =- 2ioT ).io
In notazione matriciale:
-- 2 io T - 0 -
- -
V( n-n ) = E(-- ) =- -NN = - 0 - 0 -
- 0
- - - 2 ioT --
La generalizzazione a tutte le osservazioni NT è:
67
-- 2 - 0-
- -
V(NT -NT ) = E(?-) = - = - 2 io NT = - 0 - 0 - , dove ioNT è la matrice identità (NT×NT).
- - - 2 --
-0
Consentire l'eteroschedasticità è spesso essenziale. Supponiamo di usare yesso = aio + bxesso + -esso,
mentre il modello è yesso = aio + bio Xesso + -esso perché si tratta di gruppi eterogenei di individui. Ciò implica
che stimiamo Una media B tra individui che introduce un'eteroschedasticità legata alla dimensione
nel disturbo, della forma (B − Bio )Xesso . Se laB la variazione è casuale tra gli individui, nessun pregiudizio lo farà
ne conseguiranno, ma gli errori standard saranno errati (invalidando i test risultanti), a meno che non permettiamo
questa eteroschedasticità. Se la variabilità è correlata al livello medio di xesso , sarà assorbito dagli effetti fissi e non
causerà alcun pregiudizio. Anche,la correlazione seriale nei modelli di dati panel lineari distorce gli errori standard e fa sì
che i risultati siano meno efficienti.
Come mostrato in lecture_GLS, per evitare errori standard non validi e test risultanti, oltre all'inefficienza, è meglio
utilizzare errori standard robusti (ovvero corretti per) forme generali di eteroschedasticità e autocorrelazione.
Inoltre, nel caso di RE, è perfettamente ragionevole eseguire FGLS e utilizzare errori standard robusti/cluster per
affrontare qualsiasi rimanente eteroschedasticità/autocorrelazione.
Consideriamo due diverse forme di omoschedasticità invalida.

➢ Eteroschedasticità generale Var(-esso) = -2 esso - i=1,..,N,t=1,…,T.
-- 2io1 - 0 - -- 2 - 0-
-- 1 - 0- - - - io1 -
- - - - - -
V( n -n ) = E(-- -) = -NN =- 0 -- , dove - = - 0 - - esso 2 -
-0 - io
-
0-=-0
- -
- - 2 esso - 0 -.
-
-- 0 - - - n- - - - - - -
- - - 2 - - -- 0 - - 2- -
-0 esso esso
La generalizzazione a tutte le osservazioni NT è:

-- 211 - 0-
- -
V( NT-NT ) = E(? -) = - = - 0 - 0-.
- - 2-
-0 - NT -
Questo è affrontato aggiungendo l'opzione robusto, che utilizza lo stimatore della varianza Eicker/Huber/White/
sandwich.12
➢ Sia eteroschedasticità arbitraria che correlazione intragruppo arbitraria: se il gruppo è ogni individuo, i
residui non sono indipendenti all'interno degli individui, sebbene debbano essere indipendenti tra
individui. Abbiamo:Var(-esso) = -2 esso - i=1,..,N,t=1,…,T cioè per ogni osservazione che abbiamo
eteroschedasticità; Cov(-esso, -è) - 0 - t - s, cioè per ogni individuo abbiamo una correlazione tra diversi periodi
temporali.13 Nella notazione matriciale abbiamo una forma diagonale a blocchi:
12 Si veda, tra gli altri, Eicker F (1967) Limit Theorems for regressions with inequal and dependences, Proceedings of the quinto
Berkeley symposium on matematiche statistiche e probabilità, Berkeley: University of California Press, 1, 59-82; Huber pJ (1967)
Il comportamento delle stime di massima verosimiglianza in condizioni non standard, Atti del quinto simposio di Berkeley su
statistica e probabilità matematiche, Berkeley: University of California Press, 1, 221-233; White H. (1980) Uno stimatore di
matrice di covarianza coerente con l'eteroschedasticità e un test diretto per l'eteroschedasticità, Econometrica, 48, 817-830;
White H. (1982) Stima di massima verosimiglianza di modelli errati, Econometrica, 50, 1-25.
13 Si veda, tra gli altri, Arellano M. (1987) Computing robust standard errors for inside-groups estimators, Oxford Bulletin of
Economic and Statistics, 49, 431-434; Newey WK-West KD (1987) Una matrice di covarianza coerente semplice, semi-definita
positiva, eteroschedasticità e autocorrelazione, Econometrica, 55, 703-708; Rogers WH (1993) Errori standard di regressione in
campioni raggruppati, Stata Technical Bulletin, 13, 19-23, in Stata Technical Bulletin Reprints, 3, 88-94, College Station, TX: Stata
Press.
68
--1 - 0-
V( n-n ) = E(-- -) = - - - 0 -- , dove ora
NN = - 0
-- 0 - - - n-
- - 2 io1 - -io1-essoio -- -- - - --
2
io1 io1Tio
- -
- - - - - -
-io = -- - - esso
2 - - - esso -- = -- -.
- - 2 - -esso -
-
essoio itTio
- esso-io1
esso1
- - - - - -
-- -essoio-io1 - - 2 -- essoio
-
--essoio1 - -2 essoio
-
-
Questo viene risolto aggiungendo l'opzione cluster(nome_individui). Nota che questa opzione
implica il robusto opzione.
Nota che non trattiamo qui il problema della correlazione tra sezioni (si considerano sempre uguali a 0 tutti gli elementi
al di fuori della diagonale principale della V(N×N) matrice).
Riassumendo, il presupposto comune è che gli errori siano correlati solo all'interno degli individui, non attraverso
di essi. L'inclusione di manichini temporali (comuni, tra gli individui, effetti temporali) rende più probabile che
questa ipotesi valga:effetti temporali comuni sono inclusi nel modello di regressione per catturare "tendenze
comuni" nella variazione della variabile dipendente tra le sezioni trasversali; usandotime dummy equivale a
sminuire i dati nel tempo, ovvero trasformare il disturbo in termini di deviazioni dalle medie temporali specifiche;
questo rimuove dagli errori gli shock temporali universali e riduce la correlazione contemporanea che è la forma
più probabile di correlazione cross-individuale.
La matrice di covarianza robusta del cluster è data da:

- NT -−1 n TT - NT -−1
----Xesso Xio-T -- ----̂ esso-̂ è Xesso Xio-S ----Xesso Xio-T --
- io=1 T=1 - io=1 T=1 S=1 - io=1 T=1 -
dove l'identificatore i che indicizza gli individui è la variabile cluster (potrebbe essere anche diverso
da individui, ad esempio industrie); x è sostituito dalla controparte FE/FD o RE trasformata e
i residui sono calcolati come sìesso (-unio ) − XioT- -e con e che indica la stima utilizzata (FE/FD/RE).
Si noti che la formula utilizza la somma dei prodotti "al quadrato" dei residui e delle variabili x, e che il cluster (che implica
robusto) somma ulteriormente i prodotti all'interno del cluster: la formula per lo stimatore cluster è semplicemente
quella del robusto (non clustered) estimatore con l'individuo -̂ esso Xesso sostituiti dalle loro somme in eccesso
ogni grappolo ; in altri termini, gli errori standard sono calcolati in base all'aggregatosì per il n indipendente
gruppi.14
Se la varianza dello stimatore cluster è inferiore a quella dello stimatore robusto (non cluster), significa che le
somme di cluster di -̂ esso Xesso hanno meno variabilità rispetto all'individuo -̂ esso Xesso . Cioè, quando sommi il
14 Gli errori standard HAC (eteroschedasticità-e-autocorrelazione-consistente) o Newey-West (Newey-West 1987) sono

-−1 −1
-n T
V-
n T
-
- -- Xesso
-
X - ---X X
- - dove
- -
esso esso esso
- io=1 T=1 - io=1 T=1

n T m T nT T nT
-
V= -- -̂ 2esso Xesso X
-
esso + -io wio---- -̂ è-̂ è− io Xè X è-−io + -- -̂ è-̂ è−io Xè−io Xè-- con NT permesso di variare con t (sbilanciato
io=1 T=1 =1 -S=io+1 io=1 S=io+1 io=1 -
pannelli); wio=1-l/(m+1) Pesi di Bartlett la cui funzione è smussare la funzione di autocovarianza del campione assegnando pesi decrescenti alle
autocovarianze del campione all'aumentare della lunghezza del ritardo (quando la correlazione tra -esso e -è si può sostenere che sia virtualmente
zero), l essendo lag e m lag dopo i quali le autocorrelazioni tendono a zero. Nota che per wio=0 abbiamo il panino del Bianco.
69
-̂ esso Xesso all'interno di un cluster, parte della variazione viene annullata e la variazione totale è inferiore. Questo significa
un grande positivo viene sommato con un grande negativo per produrre qualcosa di piccolo - in altre parole, c'è una
correlazione negativa all'interno del cluster. Se i prodotti sono correlati negativamente (positivamente) all'interno del cluster, gli
errori standard del cluster saranno più piccoli (più grandi) degli errori standard robusti.
Interpretare una differenza tra stimatore iid e robusto/cluster è complicato. Nel caso iid i residui al quadrato
vengono sommati, ma nei casi robusti/cluster i residui vengono moltiplicati per le x e quindi "al quadrato" e
sommati (nel caso dei cluster sono sommati all'interno del cluster). Quindi, qualsiasi differenza tra loro ha a
che fare con le correlazioni tra i residui e le x. Se grande (in valore assoluto)-̂ esso
sono abbinati a grandi xesso, allora la stima della varianza robusta sarà maggiore della stima iid. Se, d'altra
parte, la stima della varianza robusta è minore della stima iid, ciò che sta accadendo non è affatto chiaro, ma
ha a che fare con alcune dispari correlazioni tra i residui e le x.
Nota che se il modello iid è vero, i residui dovrebbero, ovviamente, essere non correlati con le x.
Infatti, se tutte le ipotesi del modello iid sono vere, allora gli errori standard dello stimatore che
assume iid e quelli dello stimatore robusto (non cluster) sono approssimativamente gli stessi.
Quindi, se le stime robuste (non cluster) sono solo un po' più piccole delle stime iid, è possibile che
l'ipotesi iid sia vera e stai vedendo una piccola variazione casuale. Se le stime robuste (non
raggruppate) sono molto più piccole delle stime iid, allora o stai vedendo molte variazioni casuali
(che è possibile, ma improbabile), oppure c'è qualcosa di strano tra i residui e le x .
Gli stimatori della matrice di covarianza dei cluster sono coerenti per T e N . fissi →-. Se il numero di cluster è molto
piccolo rispetto alla dimensione complessiva del campione, è possibile che gli errori standard clusterizzati siano
molto più grandi di quelli omoschedastici, perché i primi sono calcolati su dati aggregati per pochi
gruppi.
Secondo Wooldridge (2002, p. 263) "è sempre una buona idea rendere l'analisi robusta se fattibile. Con T
fisso e N grande asintotico, non perdiamo nulla nell'usare gli errori standard robusti e le statistiche dei test
anche se l'assunzione di omoschedasticità e non vale l'autocorrelazione”. Inoltre "lo stimatore RE può essere
ottenuto da una particolare regressione POLS, che rende particolarmente facile ottenere errori standard
robusti e statistiche T e F". Ancora Wooldridge (2002, p. 288) "La regressione […] che utilizza i dati quasi
degradati dal tempo ha molti altri usi pratici. Poiché è solo una regressione POLS che è
asintoticamente lo stesso che usare - al posto di -̂ , possiamo facilmente ottenere errori standard robusti
all'eteroschedasticità arbitraria in aio e -esso così come la correlazione seriale arbitraria nel -esso. Tutto ciò che serve
è un pacchetto econometrico che calcola errori standard robusti, statistiche t e F per la regressione POLS,
come Stata. Inoltre, possiamo usare i residui dei [dati quasi degradati nel tempo], per verificare la
correlazione seriale in (vesso - -vio.), che non sono correlati secondo [ipotesi RE3 e RE4]. Se rileviamo una
correlazione seriale, concludiamo che le ipotesi RE3 e RE4 sono false, il che significa che -esso è serialmente
correlato. Sebbene gli argomenti siano noiosi, si può dimostrare che la stima di - e b non ha alcun effetto
sulla distribuzione limite nulla della statistica t usuale (o eteroschedastica-robusta) dal POLS
T −1
regressione di (vesso - -vio.) su (vit-1 - -v* io.), t=2,..,T, i=1,…,N, con v* io. =T-1 -(-io + - esso ).
T=0
Il test per l'eteroschedasticità e l'autocorrelazione nel pannello è complicato.

In prima approssimazione, possiamo usare il comando hettest dopo una stima POLS. Funziona ilBreusch-Pagan
(1979)15 Test del moltiplicatore di Lagrange per l'eteroschedasticità nella distribuzione degli errori, che è il più
15 Breusch-Pagan (1979), Godfrey (1978) e Cook-Weisberg (1983) hanno derivato separatamente la stessa statistica test. Breusch,
T. e A. Pagan. "Un semplice test per eteroschedasticità e variazione casuale del coefficiente". Econometrica, 47, 1979, 1287-1294;
Godfrey, LG (1978), Test per eteroschedasticità moltiplicativa, Journal of Econometrics, 8, 227-236; Cook, RD e S. Weisberg (1983),
Diagnostics for heteroschedasticity in regression, Biometrika, 70, 1-10.
70
test generale, anche se non potente e sensibile all'ipotesi originaria di errore normalmente
distribuito; l'opzioneiid cause più forte calcolare il NR2 versione del test del punteggio, che fa
cadere l'ipotesi di normalità.16
. qui reg tint dlpc

. più forte

chi2(1) = 27.30
Prob > chi2 = 0.000
. hettest, iid

chi2(1) = 20.40
Prob > chi2 = 0.000
. whitetst
Statistica generale del test di White: 28.47306 Chi-sq( 2) P-value = 6.6e-07
Un'altra possibilità è usare la procedura xttest3 scritta da Baum (2001)17 che funziona dopo una regressione
FE. Il processo di errore può essere omoschedastico all'interno delle unità trasversali, ma la sua varianza può
differire tra le unità: una condizione nota come eteroschedasticità di gruppo: è comune avere dati su paesi,
stati o altre unità che hanno variazioni di scala.
-- 21io T - 0 -
- -
V( n- )n= E(- - - ) = - 0 - 0 -
- 0 - - 2n ioT --
-
Il comando xttest3 calcola una statistica di Wald modificata per l'eteroschedasticità di gruppo nei residui di un
modello di regressione a effetti fissi, seguendo la pagina 598 di Greene (2000).
L'ipotesi nulla specifica che ?2 io = ?2 per io = 1, . . . , N.
1 Ti
io =
Permettere -̂ 2 - ?-esso
TioT=1
2 essere lo stimatore del iola varianza dell'errore dell'unità della sezione trasversale, basata su Tio
residui -̂ esso disponibile per quell'unità.
La statistica del test Wald modificata è definita come

n (-̂ 2 −-̂ 2 )2 1 Ti
W=- io , dove Vio = -(-̂ 2 −esso
-̂ 2 )2 ioè la varianza stimata di -̂ 2 io ,
io=1 V io Tio(T io−1) T=1
sarà distribuito come ?2 n sotto l'ipotesi nulla, ed è praticabile quando l'assunzione di normalità è
violato, almeno in termini asintotici. In termini di proprietà di piccoli campioni, simulazioni del test
16 Koenker (1981) ha mostrato che quando viene rimossa l'assunzione di normalità, è disponibile una versione del test che può essere
calcolata come la dimensione del campione N volte l'R-quadrato centrato da una regressione artificiale dei residui quadratici dalla
regressione originale sul variabili indicatrici. Koenker, R. (1981), A note on studentizing a test for heteroschedasticity, Journal of
Econometrics, 17, 107-112.
17 Baum CF (2001) Diagnostica residua per modelli di regressione di serie temporali trasversali, The Stata Journal, 1, 1, 101-104.
71
le proprietà della statistica hanno mostrato che la sua potenza è molto bassa nel contesto di effetti fissi con
"grandi" n, piccolo T” pannelli. In tal caso, il test deve essere utilizzato con cautela.
. xttest3
Test di Wald modificato per l'eteroschedasticità di gruppo nel

modello di regressione a effetti fissi
H0: sigma(i)^2 = sigma^2 per tutti i
chi2 (11) = 195.15

Prob> chi2 = 0.000
Mentre diversi test fo sono state proposte correlazioni seriali in modelli panel-data, un nuovo test discusso da
Wooldridge (2002) è molto interessante perché richiede relativamente poche assunzioni (quindi è robusto), è
flessibile e facile da implementare.
Drukker (2003)18 presenta i risultati di uno studio di simulazione dimensionale e di potenza del test di Wooldridge,
per entrambi i progetti FE e RE, con e senza omoschedasticità condizionale nel termine di errore idiosincratico, con
dati bilanciati e con dati sbilanciati con e senza lacune nelle singole serie, con alternative sia autoregressive che a
media mobile. Il test risulta avere buone proprietà dimensionali e di potenza con campioni di dimensioni
moderate.
Supponiamo il seguente modello lineare unidirezionale: y

esso = a + bxesso +dzio + μio + -esso
Gli stimatori FE e RE assumono che E[-esso -è] = 0 per tutti s ≠ t; cioè, che non c'è correlazione seriale negli
errori idiosincratici, il che farebbe sì che gli errori standard siano distorti e le stime siano meno
efficienti.
Il metodo di Wooldridge utilizza i residui di una regressione in prime differenze. Si noti che la prima
differenziazione dei dati rimuove l'effetto a livello individuale, il termine basato sulle covariate tempo-invarianti e la
costante:
sìesso − yesso-1 = b(xesso − xesso-1) + -esso − -esso-1
yesso = bΔxesso +Δ-esso
La procedura di Wooldridge inizia stimando i parametri b regredendo Δyesso su xesso e ottenendo i residui
--̂ esso . Centrale in questa procedura è l'osservazione di Wooldridge che, se il -esso non è in serie
correlato, quindi Corr(Δ-esso, Δ-it-1) = − 0,5. Di fatto:
2 2
Cov(--esso ,-- esso−1 ) = E[(-esso −-esso−1 )(-esso−1 −-esso-2 )] = E(-esso-esso−1 ) − E(-esso-esso-2 ) − E(-esso−1 ) + E(-esso−1-esso-2 ) = −--
Var(--esso ) = E(-esso − - − )2 esso 1
= E(- 2esso +-esso2 −1 − 2-esso-esso−1 ) = 2-- 2
Cov(-- ,-esso
- −1)
− - 2- −- 2 1
e quindi Corr (-- esso ,-- esso −1 ) =
esso
= = -= − .
Var (-- esso )Var (-- 1 ) 2--
esso − 2 2-- 2 2- 2- 2
Data questa osservazione, la procedura regredisce i residui --̂ esso dalla regressione con prima
variabili differenziate sul loro ritardo (senza includere il termine costante, e dopo aver sostituito i
mancanti iniziali con zeri in modo da avere lo stesso numero di osservazioni della stima FD originaria) e
verifica che il coefficiente sui residui ritardati sia pari a -0,5 ( il nullo sugli errori non autocorrelati; da
notare che in alternativa si possono avere diverse forme di autocorrelazione, AR(1),.., AR(p),
18 Drukker DM (2003) Test per correlazione seriale in modelli di dati panel lineari, The Stata Journal, 3, 2, 168-177.
72
MA(1),…, MA(q)). Per tenere conto della correlazione all'interno del pannello nella regressione di--̂ esso in poi --̂ esso−1 , il
la matrice di errore varianza-covarianza è aggiustata per il clustering a livello di pannello. Poiché cluster() implica
robusto, questo test è robusto anche per l'eteroschedasticità condizionale. "Può sembrare un po' strano che facciamo un
test per la correlazione seriale robusto rispetto alla correlazione seriale, ma questa necessità sorge perché l'ipotesi nulla
è che gli errori [trasformati] siano correlati in serie" (Wooldridge p. 275). Si noti infatti che, sotto il null, gli errori FD sono
processi MA(1).
. xtserial tinta dlpc, output
Regressione lineare Numero di os = 187

F( 1, 10) = 91.03
Probabile > F = 0.000
R-quadrato = 0,3245
(Err. Std. corretto per 11 cluster in codice)

--------------------------------------------------------------------------
| Robusto
d.tinta | coef. Standard Err. T P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
|
D1. |
. 457829. 0479856 9.54 0.000 . 3509105 . 5647475
--------------------------------------------------------------------------
Test di Wooldridge per l'autocorrelazione nei dati panel H0:

nessuna autocorrelazione del primo ordine
F( 1, 10) = 132.975
Prob > F = 0.000
. reg d.tint d.dlpc, noconst cluster (cod)

F( 1, 10) = 91.03
Probabile > F = 0.000
R-quadrato = 0,3245

--------------------------------------------------------------------------
| Robusto
d.tinta | coef. Standard Err. T P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - dlpc
|
D1. |
. 457829. 0479856 9.54 0.000 . 3509105 . 5647475
--------------------------------------------------------------------------

(22 valori mancanti generati)
. sostituire res=0 se res==. (22

modifiche reali apportate)
. reg res l.res, noconst cluster(cod)

F( 1, 10) = 2.85
Probabile > F = 0,1222
R-quadrato = 0.0069
73
--------------------------------------------------------------------------
| Robusto
res | coef. Standard Err. T P>|t| [95% Conf. Intervallo]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - ris
|
L1. |
. 0857678. 0507973 1.69 0.122 - . 0274158 . 1989513
--------------------------------------------------------------------------
. prova L.res=-0.5
( 1) L.res = -.5
F( 1, 10) = 132,97
Prob > F = 0.000
Wooldridge (2002, p. 275) suggerisce anche un test simile dopo le stime FE. Anche in questo caso, testando gli
errori idiosincratici -esso per la correlazione seriale è difficile perché abbiamo -esso - -io. e gli errori decaduti sono
correlati negativamente se il -esso non è correlato:
E[(- −esso
-io. )(-è −-io. )] = E(-esso-è ) − E(-esso-io. ) − E(-è -io. ) + E(- 2io. ) = 0 −-- 2 T −-- 2 T +-- 2
T = −-- T2
Ricordati che
Var (-esso −-io. ) = E(-esso −-io .)2 = E(- 2 esso +-io 2. − 2- esso-io. ) =-2- +-- T2 − 2-- T = 2(1-1 T )-- 2
T T
perché E(- )2io=. E(1 T -- esso )
2= 1 T 2 E(-- esso )
2= (1 T 2 )T- 2- = -- T2 .
T=1 T=1
Quindi, per tutte le t - s, abbiamo Corr[(- esso − - io. )(- è − - io. )] = −1/(T −1) il che dimostra che il tempo svilito
gli errori sono correlati in serie negativamente, con una correlazione che tende a zero all'aumentare di T.
Se usiamo stime FE con entro deviazione, il nulla degli errori non autocorrelati è che il coefficiente sui residui
ritardati è uguale a -1/(T-1)). Anche in questo caso: "Può sembrare un po' strano che facciamo un test per la
correlazione seriale robusto per la correlazione seriale, ma questa necessità nasce perché l'ipotesi nulla è che gli
errori decaduti siano serialmente correlati".
Da Stata 9 sono disponibili robusti errori standard per il xtreg comando; quandorobusto/a grappolole
opzioni non sono disponibili, come nel xtivreg caso, possiamo usare errori standard bootstrap (opzionevce
(bootstrap)) o utilizzare comandi diversi, come ivreg219 o xtabond220, particolarmente utile nella stima del
pannello dinamico.
19 Baum CF, ME Schaffer e S. Stillman (2003) Variabili strumentali e GMM: stima e test, The Stata Journal, 3, 1, 1-31.
Baum CF, ME Schaffer e S. Stillman (2007) Enhanced Routines for Instrumental Variables/GMM Estimation and
Testing, Boston College Economics, WP n. 667.
20Roodman D. (2009), Come fare xtabond2: Introduzione a "Differenza" e "Sistema" GMM in Stata, Stata Journal, 9 (1),
86-136.
74

Lecture Panel Static Application Part1.en - It

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

Lecture Panel Static Application Part1.en - It

Caricato da

Copyright:

Formati disponibili

Tradotto dal Inglese al Italiano - www.onlinedoctranslator.

Maria Elena Bontempi mariaelena.bontempi@unibo.it

questa versione: 20/09/2021§

1. Introduzione............................................... ................................................................. ..............................................2

§ Molto preliminare. Commenti benvenuti.

2. Uno sguardo ai dati e al modello

Contiene dati da D:\DATA\R_euroarea.dta

. lista etichette codice

tinta è il tasso di interesse nominale.

➢ R è il tasso di interesse reale per 1 anno

che, in un equilibrio stazionario di lungo periodo, può essere scritto come io = R +- .

. tsset codice anno variabile di

Distribuzione di T_i: min 5% 25% 50% 75% 95% max

freq. Per cento sborra | Modello

anno | freq. Per cento sborra

ID: 1, 2, ..., 140 n= 140

Distribuzione di T_i: min 5% 25% 50% 75% 95% max

freq. Per cento sborra | Modello

L'equazione di interesse è: ioio = -0 + -1- io + - io .

3.1. Dati trasversali: 11 paesi nel 1990

. somma tinta dlpc

Variabile | Obs Significare Standard Dev. min Max

dove il tasso di interesse è 10% e il tasso di inflazione è 4,8%.

. reg tinta dlpc

. graph7 tint tinthat dlpc, s([cod].) c(.l)

tinta Valori adattati

Un grafico simile secondo la release 8 o 9 di Stata è ottenuto da:

95% CI Valori adattati

. versione 7: rvfplot, box unidirezionale bidirezionale yline(0) xlabel ylabel

. graph7 res, bin(10) normale

Test di asimmetria/curtosi per la normalità

Test di RESET Ramsey utilizzando i poteri dei valori montati di tinta

Test di Breusch-Pagan / Cook-Weisberg per l'eteroschedasticità

Test di Breusch-Pagan / Cook-Weisberg per l'eteroschedasticità

Statistica generale del test di White: 5.632347 Chi-sq( 2) P-value = .0598

Regressione con errori standard robusti Numero di os = 11

La correzione per l'eteroschedasticità generica non altera i risultati precedenti.

qui reg tint dlpc

. graph7 tint tinthat dlpc if anno==1990 [iweight=D], s(o.) c(.l)

tinta Valori adattati

Iterazione di Huber 1: differenza massima di pesi = .70443723 differenza

Stime di regressione robuste Numero di os = 10

3.2. Dati trasversali: 11 paesi nel 1998

. somma tinta dlpc

Variabile | Obs Significare Standard Dev. min Max

. reg tinta dlpc

. 005 . 01 . 015 . 02 . 025

95% CI Valori adattati

versione 7: rvfplot, box unidirezionale bidirezionale yline(0) xlabel ylabel

. 0452 . 0453 . 0454 . 0455 . 0456

. prevedere res, res

. graph7 res, bin(10) normale

Test di asimmetria/curtosi per la normalità

Test di RESET Ramsey utilizzando i poteri dei valori montati di tinta

Test di Cook-Weisberg per l'eteroschedasticità utilizzando valori adattati di tinta

Statistica generale del test di White: .2975738 Chi-sq( 2) P-value = .8618

3.3. Sezione trasversale raggruppata per gli anni 1990 e 1998

. uso R_euroarea, chiara

Sezione trasversale raggruppata con 1990 e 1998 (modello vincolato)

versione 7: rvfplot, box unidirezionale bidirezionale yline(0)

Test di Cook-Weisberg per l'eteroschedasticità utilizzando valori adattati di tinta

Test di RESET Ramsey utilizzando i poteri dei valori montati di tinta

. per ordinamento postEU: reg tint dlpc