09:21:17

Modelos con Datos de Panel

Econometra II
Grado en Economa
Universidad de Granada

Econometra II

Modelos de datos de panel 1 / 26

09:21:17

Contenidos
Contenidos

Introduccion

Introduccion
Efectos de grupo

Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Econometra II

Modelo de efectos fijos

Modelo de efectos aleatorios
de modelos
Seleccion
Ejemplo

Modelos de datos de panel 2 / 26

09:21:17

Contenidos

Introduccion

Introduccion
El modelo
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion

Introduccion

Ejemplo

Econometra II

Modelos de datos de panel 3 / 26

09:21:17

Introduccion
Contenidos

Introduccion

Introduccion
El modelo
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion

para datos de seccion

Hasta el momento se han aplicado tecnicas

de regresion
cruzada o de serie temporal, por lo que faltara abordar el caso en el que se dispone
de ambos: los datos de panel (o datos longitudinales). Esto es,
de la combinacion
datos de distintos individuos (hogares, empresas, regiones, etc.) en distintos
momentos del tiempo.
debido al aumento
Este tipo de datos han tenido mucho auge en los ultimos

anos
de informacion
(realizada en la sociedad del conocimiento). Ademas,

de recopilacion
muestral es esperable que se mejore el analisis

al aumentar la informacion
realizado.
Los paneles pueden ser:

Ejemplo

Balanceados: cuando el numero

de perodos es igual para todos los individuos

(y no balanceados cuando es diferente).
Corto o micro: cuando el numero

de sujetos, N , es mayor que el numero

de
perodos, T (y largo o macro cuando, T , es mayor que, N ).

Ventajas:

Permite trabajar con un mayor numero

de observaciones.
Permite capturar la heterogeneidad entre los individuos o en el tiempo.
Se reduce la colinealidad entre las variables explicativas.

Inconvenientes:

Econometra II

de la informacion,
ya que se requiere
El principal inconveniente es la obtencion
de los mismos individuos en momentos sucesivos del tiempo.
informacion
Modelos de datos de panel 4 / 26

09:21:17

Ejemplo
Contenidos

Introduccion

Un ejemplo de datos de panel es aquel en el que se dispone de la siguiente

informacion:

Introduccion
El modelo
Efectos de grupo

Comunidad Autonoma
Andaluca
Andaluca
Andaluca
...

Aragon

Aragon

Aragon
...

Modelo de efectos fijos

Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Ano
2010
2011
2012
...
2010
2011
2012
...

PIB
139397
141348
140757
...
35023
32232
33234
...

En la tabla anterior se recoge el PIB de cada una de las comunidades autonomas

consecutivos.
espanolas
en tres anos

Econometra II

Modelos de datos de panel 5 / 26

09:21:17

El modelo
Contenidos

Introduccion

Introduccion
El modelo
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Econometra II

Consideremos el modelo
yit = it + xit + uit ,

2
uit N (0, u
),

(1)

donde xit es un vector que contiene k variables predeterminadas, es un vector de

k parametros,
i representa a los individuos (i = 1, ..., N ), t representa el tiempo
(t = 1, ..., T ) y it recoge la heterogeneidad provocada por los efectos de los
individuos y/o tiempo provocada por variables no observables.

Dependiendo de la consideracion que se le de al termino

independiente se
distinguen tres enfoques:
Modelo agrupado: es constante para todos los individuos y en los perodos (es
decir, it = ).

Efectos fijos: el termino

independiente puede ser distinto para cada individuo (es
decir, it = i ), cada perodo (es decir, it = t ) o ambos.

Efectos variables o aleatorios: el termino

independiente, it , es una variable
aleatoria.

Modelos de datos de panel 6 / 26

09:21:17

Contenidos

Introduccion
Efectos de grupo
Modelo agrupado
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion

Efectos de grupo

Ejemplo

Econometra II

Modelos de datos de panel 7 / 26

09:21:17

Modelo agrupado
Contenidos

Cuando it = tenemos el modelo agrupado (o pooled):

Introduccion

yit = + xit + uit ,

Efectos de grupo
Modelo agrupado
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion

2
uit N (0, u
),

que sera estimado por MCO.

El inconveniente de este modelo es que ignora la estructura de panel de los

entre las perturbaciones.

datos e incumple la hipotesis
de no autocorrelacion

Ademas,
podramos estar interesados en determinar si estimamos un modelo
agregado o T modelos de series temporales. Si las perturbaciones cumplen las

hipotesis
basicas,
podemos aplicar un test de Chow:

Ejemplo

F =

(~er ~er ~e~e)/(N 1)k

F(N 1)k,N (T k) ,
~
e ~e/N (T k)

donde ~er son los residuos del modelo agrupado y ~e son los residuos de estimar los
modelos por separado.
Este test es similar a realizar un contraste mediante una F usando variables ficticias
para la constante y la pendiente.

Econometra II

Modelos de datos de panel 8 / 26

09:21:17

Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos fijos

Estimacion
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Modelo de efectos fijos

Econometra II

Modelos de datos de panel 9 / 26

09:21:17

Modelo de efectos fijos

Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos fijos

Estimacion
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Modelo de efectos fijos individuales: Sea el modelo

yit = i + xit + uit ,

2
uit N (0, u
).

En este modelo tenemos N terminos

independientes que recogen las diferencias
entre los distintos individuos y que se conocen como efectos fijos individuales. La
de los efectos fijos individuales proviene de las variables omitidas que
variacion
varan entre los distintos individuos pero no en el tiempo.
Modelo de efectos fijos temporales: Un modelo con efectos fijos temporales es
aquel que permite tener en cuenta las variables que son constantes entre
individuos, pero evolucionan en el tiempo:
yit = t + xit + uit ,

2
uit N (0, u
).

En este caso tenemos T interceptos que recogen los efectos fijos temporales que
provienen de las variables omitidas que varan en el tiempo, pero no entre los
individuos.
Modelo de efectos fijos individuales y temporales: Si las variables omitidas son
constantes en el tiempo pero varan entre los individuos, mientras que otras son
constantes para los individuos pero varan en el tiempo, entonces se habla de
efectos fijos individuales y temporales:
yit = it + xit + uit ,

Econometra II

2
uit N (0, u
).

Modelos de datos de panel 10 / 26

09:21:17

intra grupos o within con dummies

Estimacion
Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos

Consideremos el caso del modelo de efectos fijos individuales. En este,

ademas

del termino
independiente, podemos recoger mediante variables ficticias la variacion
entre los individuos y supondremos que las pendientes permanecen constantes. En
tal caso se estimara el siguiente modelo:

Modelo de efectos fijos

Estimacion

yit = 1 +

Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

N
X

j dj + xit + uit ,

j=2

donde:

1 es el efecto del primer individuo, el cual se utiliza como categoria base.

dj son variables binarias que toman el valor 1 si el dato corresponde al individuo

j y cero en otro caso.

j son los coeficientes de las variables ficticias y representan el grado en que los
valores de los interceptos del resto de individuos difieren respecto del intercepto
base 1 (por ejemplo, 1 + 2 representa el efecto individual del individuo 2).

En el caso de efectos fijos temporales la variable binaria dj tomara el valor 1 si el dato

corresponte al tiempo j y cero en otro caso. Mientras que bajo ambos supuestos se
tendra:
yit = 1 +

N
X

j dj + 1 +

j=2

T
X

l dl + xit + uit .

l=2

Econometra II

Modelos de datos de panel 11 / 26

09:21:17

intra grupos o within corregida por la media

Estimacion
Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos fijos

Estimacion
Modelo de efectos
aleatorios

En el planteamiento anterior pueden surgir ciertos inconvenientes:

Perdida
de grados de libertad.
Aumento del problema de la multicolinealidad.
Las perturbaciones pueden presentar heteroscedasticidad entre las unidades.
Las perturbaciones pueden estar autocorrelacionadas en el tiempo.
Si N (y/o T ) es muy grande, habra un numero

elevado de regresores: por

ejemplo, 100 observaciones implica 99 dummies. Lo cual puede incluso llegar

a hacer inviable la estimacion.

de modelos
Seleccion
Ejemplo

de una regresion
sobre las variables
Una alternativa consiste en la utilizacion
obtenidas como desviaciones respecto a las medias individuales. De esta forma,
se evitan los efectos individuales.
Partiendo del modelo (1) escrito con respecto a las medias (de cada individuo):
y .t = t + x.t + u.t ,
donde y .t =

1
N

N
P

yit , y restandoselo
al modelo (1), se obtiene el modelo en

i=1

desviaciones respecto de la media:

yit y .t = (xit x.t ) + (uit u.t ).

(2)

se denomina
Este ultimo

modelo sera el modelo a estimar por MCO (tambien

intragrupos con efectos fijos o fixed effect FE).

Para estimar los efectos de los individuos podemos usar

t = y .t x.t .
Econometra II

Modelos de datos de panel 12 / 26

09:21:17

entre grupos o between

Estimacion
Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos fijos

Estimacion
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Los modelos entre grupos o between analiza la variabilidad entre unidades de

cruzada, por tanto, usan las medias de los datos temporales de cada
seccion

individuo. Por tanto, se llegara a un modelo analogo

al (2) en el cual las
medias se obtienen para cada periodo temporal (en lugar de para cada individuo).

En la practica,
se utilizan poco porque los modelos con efectos aleatorios son
temporal existente dentro
superiores (el estimador between ignora la informacion
de los individuos).
Las estimaciones obtenidas intra y entre grupos en desviaciones a las medias
con la estimacion
realizada mediante variables
son iguales y coinciden tambien
si las perturbaciones son normales se pueden utilizar los metodos

binarias. Ademas,
usuales para realizar la inferencia.

Econometra II

Modelos de datos de panel 13 / 26

09:21:17

Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Econometra II

Modelo de efectos aleatorios

Modelos de datos de panel 14 / 26

09:21:17

Modelo de efectos aleatorios

Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
Modelo de efectos
aleatorios

En el modelo de efectos aleatorios se considera que la ordenada en el origen,

it , es una variable aleatoria. Si suponemos que esta correlacionada con las

variables explicativas, se incumple una de las hipotesis

basicas
del modelo lineal

general (las variables explicativas no pueden estar correlacionadas con el termino

de perturbacion),
por lo que se hace necesario una alternativa para poder estimar.
Si se supone que it se puede descomponer en una parte constante, , y

pero que es
otra aleatoria, i , la cual suponemos que depende del individuo i-esimo
constante en el tiempo, esto es:

de modelos
Seleccion

it = + i ,

Ejemplo

el modelo (1) tendra la siguiente forma:

yit

it + xit + uit = + i + xit + uit

+ xit + wit ,

=
=

las

donde se han agrupado los dos terminos

no observables: wit = i +uit . Ademas,

perturbaciones aleatorias del modelo suponemos que cumplen las hipotesis basicas:
i N (0, 2 ),

2
uit N (0, u
),

donde i representa las perturbaciones para los datos de corte transversal y uit son
de los datos temporales y de corte transversal.
las perturbaciones de la combinacion
2 ) = 2 + 2 .

En tal caso, las perturbaciones son homoscedasticas

ya que E(wit

Econometra II

Modelos de datos de panel 15 / 26

09:21:17

Modelo de efectos aleatorios

Contenidos

Introduccion

de un individuo
Sin embargo, se puede demostrar que los terminos
de perturbacion
correlacionados:
en dos momentos diferentes del tiempo estan

Efectos de grupo

corr(wit , wis ) =

Modelo de efectos fijos

Modelo de efectos
aleatorios
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

2
6= 0,
2
2 + u

t 6= s,

por MCO del modelo sera ineficiente por presentar las

por lo que la estimacion
perturbaciones autocorrelacionadas. Para corregir este problema sera necesario
por MCG.
utilizar la estimacion
Las estimaciones por MCG se obtienen aplicando MCO al modelo agrupado
transformado (MAT):
yit y i

donde = 1

1 (1 ) + 2 (x2it x2i ) + ... + k (xkit xki )

(vit v i ),
1

1+T

2
2
u

Para estimar el modelo agrupado transformado es necesario disponer de una

= 0, el MAT coincide con el
de (vease,

estimacion
Wooldrige 2006). Cuando
= 1 coincide con el modelo de efectos fijos. De esta
modelo agrupado y cuando

forma, nos proporciona una medida de cuanto

nos acercamos a un caso u otro.

Econometra II

Modelos de datos de panel 16 / 26

09:21:17

Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion
Prueba de
Breusch-Pagan y test de
Hausman

de modelos
Seleccion

Ejemplo

Econometra II

Modelos de datos de panel 17 / 26

09:21:17

Prueba de Breusch-Pagan y test de Hausman

Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos

Para contrastar la hipotesis

de que no hay efectos aleatorios se puede usar la prueba

de BreuschPagan, que es un test de multiplicadores de Lagrange. La hipotesis

nula es que se trata de un modelo agrupado, frente a la alternativa de efectos

aleatorios. Bajo la hipotesis

de normalidad, el estadstico se define como:

Modelo de efectos
aleatorios

LM =

de modelos
Seleccion
Prueba de
Breusch-Pagan y test de
Hausman
Ejemplo

NT
2(T 1)

PN PT
( t=1 eit )2
i=1
PN PT 2
i=1

e
t=1 it

!2

21 .

El test de Hausman se utiliza para determinar si el modelo que se debe elegir es de

efectos fijos o variables. El estadstico1 de contraste es:

(EF EA ) V ar(EF ) V ar(EA )

1

(EF EA ) 2k .

Si el valor del estadstico es superior al de las tablas se rechaza la hipotesis

nula
de efectos aleatorios y, por tanto, elegiramos el modelo de efectos fijos (ya
correlacionadas con alguna variable
que es probable que las perturbaciones esten
explicativa).

Econometra II

Los subndices EF hace referencia a efectos fijos y EA efectos aleatorios.

Modelos de datos de panel 18 / 26

09:21:17

Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Ejemplo con Gretl

Datos
MCO agrupados
Efectos fijos
Efectos aleatorios
Conclusiones

Econometra II

Modelos de datos de panel 19 / 26

09:21:17

de salarios para los hombres

Ecuacion
Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo
Datos
MCO agrupados
Efectos fijos
Efectos aleatorios
Conclusiones

usaremos los datos contenidos en wagepan.raw (ver Wooldridge,

A continuacion
de salarios a partir de los tres metodos

2006) para estimar una ecuacion

estudiados
en este tema: MCO agrupados, efectos fijos y efectos aleatorios.
Como variable dependiente se considera el logaritmo neperiano2 del salario,
lwage, y como independientes:
de escolarizacion.

educ: numero

de anos

black: variable dicotomica

que toma el valor 1 si el individuo es de raza negra.

hisp: variable dicotomica

que toma el valor 1 si el individuo es hispano.
de experiencia en el mercado laboral.
exper: anos
expersq: el cuadrado de la variable anterior.

married: variable dicotomica

que toma el valor 1 si el individuo esta casado.

union: variable dicotomica

que toma el valor 1 si el individuo esta afiliado a los
sindicatos.

Adviertase
que las variables educ, black e hisp desaparecen al emplear la estimacion
de efectos fijos al no presentar variabilidad en el tiempo (al hacer las diferencias se
anulan).
adecuado, la interpretacion
de los
Una vez decidido que modelo es el mas
individual y
resultados obtenidos (como pueden ser los contrastes de significacion
conjunta) se realiza como hasta el momento.

Econometra II

a su incidencia en cuanto a la interpretacion

de resultados.
Atencion
Modelos de datos de panel 20 / 26

09:21:17

MCO agrupados
Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos

Modelo 1: MCO combinados, utilizando 4360 observaciones

cruzada
Se han incluido 545 unidades de seccion
Largura de la serie temporal = 8
Variable dependiente: lwage

Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo
Datos
MCO agrupados
Efectos fijos
Efectos aleatorios
Conclusiones

const
educ
black
hisp
exper
expersq
married
union

Coeficiente

Desv. Tpica

Estadstico t

Valor p

0,0347056
0,0993878
0,143842
0,0156980
0,0891791
0,00284866
0,107666
0,180073

0,0645690
0,00467760
0,0235595
0,0208112
0,0101110
0,000707362
0,0156965
0,0171205

0,5375
21,2476
6,1055
0,7543
8,8200
4,0272
6,8592
10,5179

0,5910
0,0000
0,0000
0,4507
0,0000
0,0001
0,0000
0,0000

Media de la vble. dep.

Suma de cuad. residuos
R2
F (7, 4352)
Log-verosimilitud
Criterio de Schwarz

1,649147
1005,810
0,186587
142,6132
2989,212
6045,465
0,553854

D.T. de la vble. dep.

D.T. de la regresion
R2 corregido
Valor p (de F )
Criterio de Akaike
HannanQuinn
DurbinWatson

Econometra II

0,532609
0,480744
0,185278
6,9e190
5994,424
6012,438
0,755406

Modelos de datos de panel 21 / 26

09:21:17

Efectos fijos
Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos

Modelo 2: Efectos fijos, utilizando 4360 observaciones

cruzada
Se han incluido 545 unidades de seccion
Largura de la serie temporal = 8
Variable dependiente: lwage

Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo
Datos
MCO agrupados
Efectos fijos
Efectos aleatorios
Conclusiones

const
exper
expersq
married
union

Coeficiente

Desv. Tpica

Estadstico t

Valor p

1,06488
0,116847
0,00430089
0,0453033
0,0820871

0,0266607
0,00841968
0,000605274
0,0183097
0,0192907

39,9420
13,8778
7,1057
2,4743
4,2553

0,0000
0,0000
0,0000
0,0134
0,0000

Media de la vble. dep.

Suma de cuad. residuos
R2
F (548, 3811)
Log-verosimilitud
Criterio de Schwarz

1,649147
470,2024
0,619740
11,33412
1331,572
7263,889
0,045445

D.T. de la vble. dep.

D.T. de la regresion
2
R corregido
Valor p (de F )
Criterio de Akaike
HannanQuinn
DurbinWatson

0,532609
0,351255
0,565061
0,000000
3761,145
4997,355
1,592755

Contraste de diferentes interceptos por grupos

Hipotesis
nula: Los grupos tienen un intercepto comun

Estadstico de contraste: F (544, 3811) = 7,97998

con valor p = P (F (544, 3811) > 7,97998) = 0
Econometra II

Modelos de datos de panel 22 / 26

09:21:17

Efectos aleatorios
Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos

Modelo 3: Efectos aleatorios (MCG), utilizando 4360 observaciones

cruzada
Se han incluido 545 unidades de seccion
Largura de la serie temporal = 8
Variable dependiente: lwage

Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo
Datos
MCO agrupados
Efectos fijos
Efectos aleatorios
Conclusiones

const
educ
black
hisp
exper
expersq
married
union

Coeficiente

Desv. Tpica

Estadstico t

Valor p

0,107464
0,101225
0,144131
0,0201511
0,112119
0,00406885
0,0627951
0,107379

0,110706
0,00891329
0,0476148
0,0426011
0,00826087
0,000591826
0,0167729
0,0178300

0,9707
11,3566
3,0270
0,4730
13,5724
6,8751
3,7439
6,0224

0,3317
0,0000
0,0025
0,6362
0,0000
0,0000
0,0002
0,0000

Media de la vble. dep.

Suma de cuad. residuos
Log-verosimilitud
Criterio de Schwarz

1,649147
1012,958
3004,649
6076,341

D.T. de la vble. dep.

D.T. de la regresion
Criterio de Akaike
HannanQuinn

0,532609
0,482393
6025,299
6043,313

2 = 0,123380
2 = 0,120766

u
= 0,642641

Econometra II

Modelos de datos de panel 23 / 26

09:21:17

Efectos aleatorios
Contenidos

Introduccion
Efectos de grupo
Modelo de efectos fijos
Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Contraste de Breusch-Pagan

Hipotesis
nula: Varianza del error especfico a la unidad = 0

Estadstico de contraste asintotico:

2 (1) = 3216,73
con valor p = 0
Contraste de Hausman

Hipotesis
nula: Los estimadores de MCG son consistentes

Estadstico de contraste asintotico:

2 (4) = 27,3483
con valor p = 1,69022e-005

Datos
MCO agrupados
Efectos fijos
Efectos aleatorios
Conclusiones

Econometra II

Modelos de datos de panel 24 / 26

09:21:17

Conclusiones

Introduccion

de
En primer lugar usaremos los distintos contrastes disponibles para decidir cual
todos los modelos es el adecuado:

Efectos de grupo

Contenidos

Modelo de efectos fijos

Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo

Datos
MCO agrupados
Efectos fijos
Efectos aleatorios
Conclusiones

En el ajuste realizado considerando efectos fijos tenemos un contraste (al final

del todo) cuya hipotesis

nula es que todos los grupos tienen un intercepto comun

(es decir, el modelo adecuado es MCO agrupados). En este caso se rechaza la

hipotesis
nula, por lo que es preferible el modelo ajustado considerando efectos
fijos.
En el ajuste realizado considerando efectos aleatorios se tienen dos contrastes
al final). En el primero de ellos, Breusch-Pagan, la hipotesis

(tambien
nula es que
no hay efectos aleatorios (es decir, el modelo adecuado es MCO agrupados).

Puesto que se rechaza la hipotesis

nula, es preferible el modelo ajustado
mediante efectos aleatorios.

En el segundo contraste, el de Hausman, la hipotesis

nula es que el modelo
a considerar es el de efectos aleatorios frente a la alternativa de efectos fijos.

adecuada es la segunda.
Puesto que se rechaza la hipotesis
nula, la opcion

de estimar
Resumiendo, con los dos primeros contrastes desechamos la opcion
mediante MCO agrupados, mientras que con el tercero decidimos que el modelo
adecuado (de los dos posibles) es el de efectos fijos.
Todas las variables tienen coeficientes significativamente distintos de cero, por
lo que sus variaciones realmente influyen en la variable dependiente. Y el modelo es

conjuntamente valido
ya que se rechaza la hipotesis
nula de que todos los regresores

tengan coeficiente nulo de forma simultanea,

es decir, la variabilidad explicada por el
modelo no se debe al azar.
Econometra II

Modelos de datos de panel 25 / 26

09:21:17

Conclusiones
Contenidos

Introduccion
Efectos de grupo

de resultados se tendra que:

En cuanto a la interpretacion

Modelo de efectos fijos

Modelo de efectos
aleatorios
de modelos
Seleccion
Ejemplo
Datos
MCO agrupados
Efectos fijos
Efectos aleatorios
Conclusiones

Econometra II

Un individuo casado tiene un salario superior en un 453% a otro que no lo este.

Un individuo afiliado a un sindicato tiene un salario superior en un 8208% a otro

que no lo este.
Al introducir la variable experiencia y su cuadrado lo que se esta comprobando
de esta variable con el salario es cuadratica

es si la relacion
(en lugar de lineal).
es la
El coeficiente negativo del cuadrado de la variable indica que la relacion
de una U invertida, es decir, hay un punto a partir del cual a mayor experiencia
menor porcentaje de salario.

bajo efectos aleatorios se proporcionan

Finalmente, destacar que en la estimacion
2
2
las estimaciones de u y necesarias para estimar . En este caso, b
= 0.642641,

siendo este
el valor usado para obtener el modelo agrupado transformado (MAT) que
posteriormente es estimado por MCG.

Modelos de datos de panel 26 / 26