ECONOMETRIA II
Milena Hoyos
Facultad de Ciencias Económicas
Universidad Nacional de Colombia
2021-II
1 / 21
Contenido
Modelo de Efectos Fijos.
Modelo de Efectos Aleatorios.
Referencia: Wooldridge, Capı́tulo 14. Stock & Watson,
Capı́tulo 10.
2 / 21
Modelo de Efectos Fijos
Para i = 1, ..., N y t = 1, ..., T considere el modelo
yit = β0 + β1 xit1 + β2 xit2 + ... + βk xitk + ai + uit ,
Aquí solo tenemos en cuenta las variables exógenas
Promediando la ecuación en el tiempo se obtiene
Las variables
ȳi = β0 + β1 x̄i1 + β2 x̄i2 + ... + βk x̄ik + ai + ūi , que sean
constantes en
el tiempo,
donde ȳi = T −1 T
P
t=1 yit y ası́ sucesivamente.
efectos fijos no
las puede
estimar.
Si se resta la segunda ecuación de la primera se obtiene
yit − ȳi = β1 (xit1 − x̄i1 ) + β2 (xit2 − x̄i2 ) + ...
+ βk (xitk − x̄ik ) + uit − ūi t = 1, ..., T
ÿit = β1 ẍit1 + β2 ẍit2 + ... + βk ẍitk + üit . t = 1, ..., T
En primeras diferencias: diferencias entre periodos del tiempo.
Efectos fijos: se resta el promedio de la ecuación. Pero hay que tener en cuenta que -- Error u: queda con una
no es lo mismo hacer promedios de datos con mucha varianza, que son transformación de efectos fijos
aquellos que no la tienen
3 / 21
Modelo de Efectos Fijos
La ecuación transformada, en la que a los datos se les resta su
respectiva media temporal, puede ser estimada por MCO
combinados.
El estimador basado en esta ecuación se conoce como
estimador de efectos fijos o estimador intragrupal (within).
Within: Se hace el promedio de la
variable
La transformación de efectos fijos o intragrupal es un método
alternativo para eliminar el efecto ai .
Los grados de libertad apropiados son NT − N − k .
En primeras diferencias se pierden datos, pero en efectos fijos no se pierden datos
porque allí se hace un promedio
En la ecuación pueden incluirse T − 1 variables binarias de
tiempo. En este caso los grados de libertad son
NT − N − k − T + 1.
4 / 21
Modelo de Efectos Fijos
Un enfoque alternativo es suponer que ai es un parámetro que
debe estimarse para cada individuo i y asignar una variable
binaria para cada observación de corte transversal
yit = β0 + β1 xit1 + ... + βk xitk + γ2 d 2i + ... + γn dNi + uit ,
Aquí introducimos unas dummies por individuos.
donde dji j = 2, ..., N es una variable binaria igual a uno si la
observación pertenece al individuo j e igual a cero en otro
caso. j empieza desde 2 para evitar la multicolinealidad y yo necesito una categoría de
interpretación. "Argentina, en comparación con el país base aumenta 0,5 unidades"
El estimador basado en esta ecuación se conoce como
estimador de variables binarias (VB).
Podrı́a resultar en un modelo con muchos coeficientes en
especial cuando N es grande. (Porque vamos a tener un coeficiente por cada individuo)
N = i * t (por ejemplo, si tenemos 10 países en 10 periodos, entonces tendré 100 observaciones).
Aunque esto tiene una ventaja: muestra grande
5 / 21
Ejemplo: Impuestos y Accidentes de Tráfico
Considere un modelo para estudiar el efecto de los impuestos
sobre el alcohol en accidentes de tráfico, usando las variables:
Número de muertes en accidentes por cada 10.000 personas
Impuesto sobre una caja de cerveza (Impuesto)
Binaria igual a 1 si el estado tiene una regulación sobre edad
mı́nima para beber y 0 en otro caso (EdadBeber )
Binaria igual a 1 si el estado exige tiempo en prisión y 0 en
otro caso (Condena)
Millas recorridas anualmente por el vehı́culo (Millas)
Tasa de desempleo (Desempleo)
Renta real per cápita (Renta)
6 / 21
Ejemplo: Impuestos y Accidentes de Tráfico
Variable dependiente: Muertes en Accidentes de Tráfico
(1) (2) (3) (4)
Impuesto 0.365 −0.656 −0.640 −0.456
(0.053) (0.289) (0.353) (0.301)
EdadBeber Si aumentan Con la identificación de −0.002
los impuestos, los efectos individuales,
suben las
(0.021)
Condena mejora la estimación 0.039
muertes -- No
tiene sentido (0.101)
Millas 0.00001
(0.00001)
Desempleo −0.063
(0.013)
Log(Renta) 1.786
(0.631)
Dummies Efectos individuales de estado no sı́ sı́ sı́
de
estado y
Efectos temporales no no sı́ sı́
dummies Errores estándar robustos (cluster) sı́ sı́ sı́ sı́
de tiempo Nota:(1) es el estimador de MCO combinados, (2) a (4) es el estimador de efectos fijos
N=48, T=7 (1982 a 1988).
7 / 21
Comparación entre los Estimadores de Efectos Fijos y de
Primera Diferencia
Dummy para cada individuo
El que
El estimador de variables binarias y el estimador intragrupal incluye
solo las
proveen las mismas estimaciones para los coeficientes βj , los variables
exógenas
mismos errores estándar y estadı́sticos de prueba.
Para T = 2 los estimadores de efectos fijos (EF) (incluyendo
un intercepto) y de primeras diferencias (PD) son idénticos.
Para T > 2 los estimadores de EF y de PD son diferentes. La
elección entre los dos estimadores depende de su eficiencia:
Cuando uit no se correlaciona serialmente, los estimadores
EF: efectos fijos
de EF son más eficientes que los de PD. PD: primeras diferencias
Cuando uit sigue una caminata aleatoria, ∆uit no está
correlacionada y los estimadores de PD son preferidos.
En el caso de que sea una caminata aleatoria, es mejor PD- Pero si no hay correlación es mejor EF
8 / 21
Comparación entre los Estimadores de Efectos Fijos y de
Primera Diferencia
El estimador de EF tiene las siguientes desventajas (las cuales
también se evidencian en el estimador de PD)
1. No es posible estimar los efectos marginales de las variables
que no cambian con el tiempo
VB: Estas variables y las binarias de corte transversal son
perfectamente colineales.
EF: Estas variables son eliminadas con la transformación
intragrupal.
PD: Estas variables son eliminadas con la primera diferencia.
2. La diferenciación elimina mucha de la variación de las
variables regresoras.
9 / 21
Modelo de efectos aleatorios
Considere el modelo de efectos inobservables
yit = β0 + β1 xit1 + β2 xit2 + ... + βk xitk + ai + uit ,
y suponga que ai no está correlacionada con ninguna variable
explicativa en todos los periodos.
Bajo los supuestos de efectos aleatorios (véase las últimas dos
diapositivas) la correlación del error compuesto vit = ai + uit
es
σ2
Corr (vit , vis ) = 2 a 2 , t 6= s,
σa + σu
donde σa2 = Var (ai ) y σu2 = Var (uit ).
*Test de Hauman: Ho: Efectos aleatorios es mejor que efectos fijos (por la identificación de la correlación más exacta de los errores)
10 / 21
Estimador de efectos aleatorios
MCO combinados produce estimadores consistentes.
Sin embargo, MCO ignora la correlación serial positiva en el
término de error, lo cual invalida los errores estándar y los
estadı́sticos de prueba usuales.
MCO supone que no hay correlación
Para tener en cuenta la correlación serial en el error se podrı́a
usar los siguientes enfoques:
Estimar el modelo de efectos inobservables usando MCO
combinados (con los efectos fijos ai incluidos en el término de
error) y usando errores estándar robustos (cluster).
Emplear mı́nimos cuadrados generalizados (MCG).
11 / 21
Estimador de efectos aleatorios
La transformación de MCG que elimina la correlación serial en
los errores es
yit − θȳi = β0 (1 − θ) + β1 (xit1 − θx̄i1 ) + ... + βk (xitk − θx̄ik )
+ (vit − θv̄i ),
PT
donde ȳi = T −1 t=1 yit y ası́ sucesivamente, y
1/2
σu2
θ =1− .
σu2 + T σa2
Note que el modelo de MCO combinados se obtiene cuando
θ = 0 y el modelo de efectos fijos cuando θ = 1.
12 / 21
Estimador de efectos aleatorios
El parámetro θ es desconocido, pero puede estimarse.
El coeficiente θ̂ puede ser obtenido como sigue
1/2
σ̂u2
θ̂ = 1 − ,
σ̂u2 + T σ̂a2
donde σ̂u2 es un estimador consistente de σu2 , y σ̂a2 es un
estimador consistente de σa2 .
Los estimadores σ̂u2 y σ̂a2 pueden ser obtenidos usando los
residuales de MCO combinados o de efectos fijos.
El estimador de MCG factibles que utiliza θ̂ en vez de θ es
llamado estimador de efectos aleatorios (EA).
13 / 21
Estimador de efectos aleatorios
El estimador de EA tiende al estimador de MCO combinados
cuando θ̂ → 0 y tiende al estimador de EF cuando θ̂ → 1.
Es posible incluir variables explicativas que son constantes en
el tiempo.
En la ecuación pueden incluirse T − 1 variables binarias de
tiempo.
Para que el método tenga buenas propiedades se requiere un
N grande y un T pequeño.
Bajo los supuestos de efectos aleatorios, el estimador de EA es
más eficiente que el de EF o el de MCO combinados.
Eficiente: varianza mínima
14 / 21
Ejemplo: Impuestos y Accidentes de Tráfico
Variable dependiente: Muertes en Accidentes de Tráfico
(1) (2) (3)
Impuesto -0.049 -0.829 -0.047
(0.093) (0.328) (0.097)
EdadBeber -0.019 0.0093 -0.004
(0.056) (0.033) (0.049)
Condena 0.221 0.046 0.236
(0.111) (0.167) (0.107)
Millas 0.00032 0.00011 0.00029
(0.00006) (0.00005) (0.00005)
Desempleo 0.007 -0.089 -0.029
(0.028) (0.021) (0.027)
Log(Renta) -1.185 1.262 -1.121
(0.450) (0.605) (0.474)
Efectos individuales de estado no sı́ no
Efectos temporales sı́ sı́ sı́
Nota: (1), (2) y (3) son los estimadores de MCO combinados, efectos fijos y efectos aleatorios,
respectivamente. Errores estándar robustos (cluster) en paréntesis.
N=48, T=2 (1982 y 1988). Como t=2, entonces EF y PD tienen estimadores iguales
MCO y EA suponen que a_i no tiene nada que ver con las variables, pero EF si tiene en cuenta el efecto de a_i
MCO combinados: combina individuos y tiempo
15 / 21
Método de Efectos Aleatorios Correlacionados (EAC)
Considere el modelo de efectos fijos
yit = β1 xit + ai + uit .
Suponga que el efecto inobservable sigue la relación lineal
ai = α + γx̄i + ri ,
PT
donde x̄i = T −1 t=1 xit y ri no está correlacionada con xit .
Sustituyendo la ecuación anterior en el modelo de efectos fijos
se obtiene
yit = α + β1 xit + γx̄i + ri + uit .
16 / 21
Método de Efectos Aleatorios Correlacionados (EAC)
El estimador basado en esta ecuación se llama estimador de
efectos aleatorios correlacionados (EAC).
El estimador de EAC es idéntico al estimador de EF.
El método de EAC puede usare para elegir entre los métodos
de EF y de EA. Para ello pruebe H0 : γ = 0 contra H1 : γ 6= 0.
Si se rechaza H0 se rechaza EA a favor de EF.
En la ecuación de EAC se pueden incluir variables explicativas
constantes en el tiempo.
La prueba puede hacerse robusta a la heterocedasticidad y a
la correlación serial.
17 / 21
Supuestos del Estimador de Efectos Fijos (EF)
EF.1 Para cada i el modelo es
yit = β1 xit1 + ... + βk xitk + ai + uit .
EF.2 Se tiene una muestra aleatoria de corte transversal.
EF.3 Cada variable explicativa cambia con el tiempo y no
existe una relación lineal perfecta entre estas variables.
EF.4 Para cada t = 1, ..., T
E (uit |Xi , ai ) = 0,
donde Xi denota los regresores para todos los periodos de
tiempo, para la observación de corte transversal i .
18 / 21
Supuestos del Estimador de Efectos Fijos (EF)
EF.5 Var (uit |Xi , ai ) = Var (ui ) = σu2 , t = 1, ..., T .
EF.6 Cov (uit , uis |Xi , ai ) = 0, t 6= s.
EF.7 Condicional en Xi y en ai , los uit son variables aleatorias
independientes e idénticamente distribuidas normales.
Resultados:
Bajo EF.1 a EF.4 el estimador de EF es insesgado. El
estimador es además consistente con T fijo y N → ∞.
Bajo EF.1 a EF.6 el estimador de EF es MELI.
Bajo EF.1 a EF.7 el estimador de EF se distribuye en forma
normal y los estadı́sticos t y F tienen distribuciones exactas t
y F.
19 / 21
Supuestos del Estimador de Efectos Aleatorios (EA)
EA.1 Igual que EF.1
EA.2 Igual que EF.2
EA.3 No existe una relación lineal perfecta entre las variables
explicativas.
EA.4 Igual que EF.4. Además E (ai |Xi ) = β0 .
20 / 21
Supuestos del Estimador de Efectos Aleatorios (EA)
EA.5 Igual que EF.5. Además Var (ai |Xi ) = σa2 .
EA.6 Igual que EF.6.
Resultados:
Bajo EA.1 a EA.4 el estimador de EA es consistente y se
distribuye asintóticamente como normal con T fijo y N → ∞.
Bajo EA.1 a EA.6 el estimador de EA es asintóticamente
eficiente. Además los errores estándar y los estadı́sticos de
prueba son válidos.
21 / 21