bases-cye-2024(2) una sola descarga en base de feria de
Econometría ii-cap 16 datos de panel
1. MODELO DE
REGRESIÓN CON
DATOS DE PANEL
E C O N O M E T R Í A I I
T A R D E ( B ) 5 1
S A M A N A M U D L O Y O L A , O S C A R
G R U P O : 4 C A P I T U L O ( 1 6 )
2 9 / 0 5 / 2 0 1 5
INTEGRANTES:
COLLAZOS COLLAZOS, SAMANTHA
LOPEZ DIAZ, CAROL
FLORES PANDURO, MILAGROS
HUARCAYA LINARES, JEYSON
2. MODELO DE REGRESIÓN CON DATOS DE PANEL
ECONOMETRÍA II
1. ¿Cuáles son las características especiales de a.- los datos de corte
transversal, b.-las series de tiempo y c.-los datos de papel?
En los datos de serie de tiempo se observan los valores de una o más
variables durante un periodo (por ejemplo el PBI durante varios trimestres o
varios años).en los datos de corte transversal, se recopilan valores de una o
más variables para varias unidades de muestra, o entidades, en el mismo
punto de tiempo (por ejemplo tasa de criminalidad en 24 departamentos del
Perú en un año determinado). En los datos de papel, la misma unidad de
corte transversal (una empresa, familia u un estado) se estudia a lo largo
del tiempo, en resumen los datos de papel esta la dimensión de espacio y
la del tiempo.
2. ¿Qué se quiere dar a entender con modelo de efecto fijos (MEF)?
Como los datos de papel presentan las dos dimensiones de tiempo y
espacio, ¿Cómo es que el (MEF), permite ambas dimensiones?
En el modelo de efecto fijo nosotros permitimos que cada variable este
representado por su propio intercepto pero que el intercepto pertenezca a
un mismo tiempo. Nosotros permitamos que el tiempo y ambas
dimensiones estén introducidos en los ensayos de datos de corte trasversal
y tiempo.
3. ¿qué se quiere dar a entender con el modelo de componentes del error
(MCE)? ¿en que difiere del (MEF)? ¿cuándo resulta apropiado el MCE,
y cuando el MEF)?
Una alternativa al MEF es el MCE. En este último se supone que el
intercepto de una unidad individual se extrae de manera aleatoria de una
población mucho más grande con una valor medio constante. Así el
intercepto individual se expresa como una desviación respecto de este valor
medio constante. Una desventaja del MCE respecto al MEF consiste en la
economía de los grados de libertad, en vista que no se tiene que calcular N
intercepto de corte transversal, solo se requiere estimar el valor medio del
intercepto y su varianza. El MCE es adecuado para situaciones en la que el
intercepto (aleatorio) de cada unidad de corte transversal no está
correlacionado con las regresoras. Y la ventaja es que se puede introducir
variables como género, región y género que se mantiene constantes en una
sujeto dado. En el MEF no podemos hacer eso porque todas las variables
son coloniales con el intercepto especifico del sujeto.
4. ¿hay diferencia entre los modelos de mínimos cuadrados con
variables dicótomas (MCVD), estimados dentro de grupos y primeras
diferencias?
3. MODELO DE REGRESIÓN CON DATOS DE PANEL
La diferencia del modelo de mínimos cuadrados con variables dicótomas
estimadas dentro de grupo y primeras diferencias es que en esta última se
toma en cuenta un único año mientras que en grupos se toma entre un
periodo de años.
5. ¿Cuándo resulta inapropiados los modelos de regresión con datos de
papel? Proporcione ejemplo.
Los datos de papel plantean diversos problemas de estimación y de
inferencia. Como esos datos implican dimensiones de corte transversal y
temporales, necesitan abordarse los problemas que plagan nos datos de
corte transversal (por ejemplo, la heteroscedasticidad) y los datos de series
de tiempo (por ejemplo, la autocorrelación). Además hay otros proclamas
como la correlación cruzada en unidades individuales en el mismo punto en
el tiempo.
6. ¿Cómo ampliaría el modelo (16.4.2) para incluir un componente del
error en el tiempo? Escriba el modelo explícitamente.
Modelo (16.4.2)
Cit = α1 + α2D2i + α3D3i + α4D4i + α5D5i + α6D6i + β2Qit + β3PFit + β4LFit
+ uit
Modelo con error en el tiempo
El nuevo término del error es:
Wit = εi + Vt + uit
Con el supuesto que:
εi = N(0, σε
2
); Vt = N(0, σv
2
); uit = N(0, σu
2
)
Al largo plazo suponemos que:
E(εiVt) = E(εiuit) = E(Vtuit) = 0
E(εiεj) = 0(i ≠ j); E(VtVS) = 0(t ≠ s)
E(uituis) = E(uitujt) = E(WitWjs) = 0; (i ≠ j; t ≠ s)
Como resultado:
Var(Wit) = σ2
= σε
2
+ σV
2
+ σu
2
4. MODELO DE REGRESIÓN CON DATOS DE PANEL
Que es; Wit es homocedastico. El coeficiente de correlación de al lado Wit y
Wjt(i ≠ j), que es, entre el error de dos diferentes partes cruzadas unidas dado un
punto del tiempo.
COV(Wit; Wjt)
√Var(Wit)Var(Wjt)
=
σV
2
σε
2 + σV
2
+ σu
2
; (i ≠ j)
El coeficiente de correlación entre Wit y Wjt(t ≠ s), que es, entre los errores dado
la sección cruzada unidad de 2 diferentes tiempos.
COV(Wit; Wis)
√Var(Wit)Var(Wis)
=
σε
2
σε
2 + σV
2
+ σu
2
; (t ≠ s)
7. Consulte el ejemplo de los huevos y sus precios de la tabla 1.1. ¿Qué
modelo resultaría apropiado en este caso, el MEF o el MCE? ¿por qué?
Table 1.1
U.S. Egg Production
STATE = State
Y1 = Eggs Produced in 1990, Millions
Y2 = Eggs Produced in 1991, Millions
X1 = Price Per Dozen in 1990, Cents
X2 = Price Per Dozen in 1991, Cents
STATE Y1 Y2 X1 X2
AL 2206 2186 92.7 91.4
AK 0.7 0.7 151 149
AZ 73 74 61 56
AR 3620 3737 86.3 91.8
CA 7472 7444 63.4 58.4
CO 788 873 77.8 73
CT 1029 948 106 104
DE 168 164 117 113
FL 2568 2537 62 57.2
GA 4302 4301 80.6 80.8
HI 227.5 224.5 85 85.5
ID 187 203 79.1 72.9
5. MODELO DE REGRESIÓN CON DATOS DE PANEL
IL 793 809 65 70.5
IN 5445 5290 62.7 60.1
IA 2151 2247 56.5 53
KS 404 389 54.5 47.8
KY 412 483 67.7 73.5
LA 273 254 115 115
ME 1069 1070 101 97
MD 885 898 76.6 75.4
MA 235 237 105 102
MI 1406 1396 58 53.8
MN 2499 2697 57.7 54
MS 1434 1468 87.8 86.7
MO 1580 1622 55.4 51.5
MT 172 164 68 66
NE 1202 1400 50.3 48.9
NV 2.2 1.8 53.9 52.7
NH 43 49 109 104
NJ 442 491 85 83
NM 283 302 74 70
NY 975 987 68.1 64
NC 3033 3045 82.8 78.7
ND 51 45 55.2 48
OH 4667 4637 59.1 54.7
OK 869 830 101 100
OR 652 686 77 74.6
PA 4976 5130 61 52
RI 53 50 102 99
SC 1422 1420 70.1 65.9
SD 435 602 48 45.8
TN 277 279 71 80.7
TX 3317 3356 76.7 72.6
UT 456 486 64 59
VT 31 30 106 102
VA 934 988 86.3 81.2
WA 1287 1313 74.1 71.5
WV 136 174 104 109
WI 910 873 60.1 54
WY 1.7 1.7 83 83
6. MODELO DE REGRESIÓN CON DATOS DE PANEL
Aquí nosotros tenemos N= 50 csu y T=2 y 2 series de tiempo dado
referente al punto N° 2 sec. 16.5 desde que nosotros no pudimos
considerar los 50 estados en la unión así como el ramdom darwing, aquí el
MEF debería ser el más apropiado.
8. Para los datos de inversión presentados en la tabla 1.2. ¿Qué modelos
debe elegir, MEF o MEFA? ¿por qué?
9. Con base en el Michigan Income Dynamics Study (Estudio Michigan
de dinámica del ingreso), Hausman trató de estimar un modelo para
salarios, o ganancias, con una muestra de 629 egresados del nivel
medio superior, a quienes se les dio seguimiento durante seis años.
7. MODELO DE REGRESIÓN CON DATOS DE PANEL
10.Consulte el ejemplo de las aerolíneas analizado en el texto. En lugar
del modelo lineal presentado en la ecuación (16.4.2), estime un modelo
de regresión log-lineal y compare los resultados que se proporcionan
en la tabla 16.2.
Pasos para introducir los datos de panel:
o Click en new / workfile.
o En la ventana emergente hacer clik en el desglosable workfile struture
type y elegir la opción balanced panel.
o En el panel de especificación escoger la opción anual.
o En los cuadros en blanco(start date) introducimos el número 1; y en
(end date) introducimos 15
o En number of cross sections introducimos el número 6.
o Click en empty group e introducimos los datos
9. MODELO DE REGRESIÓN CON DATOS DE PANEL
11.Consulte los datos de la tabla 1.1
a) Sea Y=huevos producidos (en millones) y X=precio de los
huevos (centavos por docena). Calcule el modelo para los años
1990 y 1991 por separado.
10. MODELO DE REGRESIÓN CON DATOS DE PANEL
b) Agrupe las observaciones para los dos años y estime la
regresión agrupada. ¿Qué suposiciones hace al agrupar los
datos?
Pasos para introducir los datos de panel:
o Click en new_workfile.
o En la ventana emergente hacer clink en el desgloasble
workfilestruture type_ y elegir la opción balanced panel
o En el panel de especificación escoger la opción anual
o En los cuadros en blanco(starte date)introduciomos el
nimero 1; y en (end date) introducimos el 15 que
representa 3 que representa el mismo dato(perido o
cadigo)
11. MODELO DE REGRESIÓN CON DATOS DE PANEL
o En el cuadro final intruciomos la cantidad de códigos o
periodos de tiempo igual.
c) Utilice el modelo de efectos fijos con la distinción entre los dos
años y presente los resultados de la regresión.
Pasos para hacer la regresión del modelo de efecto fijo:
Quick
Estimate equation
Introducimos las variable de la función
12. MODELO DE REGRESIÓN CON DATOS DE PANEL
Click en panel option,
En el desglosable cross section damos click en fixed y
aceptamos.
d) ¿Puede utilizar el modelo de efectos fijos si hace la distinción
de los 50 estados? ¿Por qué?
13. MODELO DE REGRESIÓN CON DATOS DE PANEL
e) ¿Tiene sentido distinguir el efecto por estado y el efecto por
año? De ser así, ¿cuántas variables dicótomas tendría que
introducir?
f) ¿El modelo de componentes del error sería apropiado como
modelo para la producción de huevos? ¿Por qué? Vea si puede
estimar dicho modelo con Eviews, por ejemplo.
12.Continúe con el ejercicio 11. Antes de decidir hacer la regresión
agrupada, quizá desee averiguar si los datos son “agrupables”. Para
este propósito, se decide por la prueba de chow analizada con el
capítulo 8. Muestre los cálculos necesarios y determine si la regresión
agrupada tiene sentido.
14. MODELO DE REGRESIÓN CON DATOS DE PANEL
13.Use los datos de inversión de la tabla 1.6
a) Estime la función de inversión Grunfeld para cada empresa de
manera individual.
b) Ahora agrupe los datos de todas las empresas y estime la
función de inversión Grunfeld por MCO.
c) Estime la función de inversión con MCVD y compare los
resultados con la regresión agrupada que estimó en b).
15. MODELO DE REGRESIÓN CON DATOS DE PANEL
d) ¿Cómo decidiría entre la regresión agrupada y la regresión de
MCVD? Realice los cálculos necesarios.
14.La tabla 16.16 suministra datos sobre la tasa de desempleo civil Y (%)
y los salarios por hora del sector manufacturero en dólares
estadounidenses X (índice, 1992 = 100) para Canadá, Reino Unido y
Estados Unidos de 1980 a 2006. Considere el modelo:
𝐘𝐢𝐭 = 𝛃 𝟏 + 𝛃 𝟐 𝐗 𝐢𝐭 + 𝛍𝐢𝐭
Año Sal_EUA Desemp_EUA Sal_CAN Desemp_CAN Sal_RU Desemp_RU
1980 55.9 7.1 49.0 7.3 47.1 6.9
1981 61.6 7.6 53.8 7.3 47.5 9.7
1982 67.2 9.7 60.1 10.7 45.1 10.8
1983 69.3 9.6 64.3 11.6 41.9 11.5
1984 71.6 7.5 65.0 10.9 39.8 11.8
1985 75.3 7.2 65.0 10.2 42.3 11.4
1986 78.8 7.0 64.9 9.3 52.0 11.4
1987 81.3 6.2 69.6 8.4 64.5 10.5
1988 84.1 5.5 78.5 7.4 74.8 8.6
1989 86.6 5.3 85.5 7.1 73.5 7.3
1990 90.5 5.6 92.4 7.7 89.6 7.1
1991 95.6 6.8 100.7 9.8 99.9 8.9
1992 100.0 7.5 100.0 10.6 100.0 10.0
1993 102.0 6.9 94.8 10.8 88.8 10.4
1994 105.3 6.1 92.1 9.6 92.8 8.7
1995 107.3 5.6 93.9 8.6 97.3 8.7
1996 109.3 5.4 95.9 8.8 96.0 8.1
1997 112.2 4.9 96.7 8.4 104.1 7.0
1998 118.7 4.5 94.9 7.7 113.8 6.3
1999 123.4 4.2 96.8 7.0 117.5 6.0
2000 134.7 4.0 100.0 6.1 114.8 5.5
2001 137.8 4.7 98.9 6.5 114.7 5.1
2002 147.8 5.8 101.0 7.0 126.8 5.2
2003 158.2 6.0 116.7 6.9 145.2 5.0
2004 161.5 5.5 127.1 6.4 171.4 4.8
2005 168.3 5.1 141.8 6.0 177.4 4.8
2006 172.4 4.6 155.5 6.5 192.3 5.5
Notas: Desemp = Tasa de desempleo %. Sal = Indice de Salarios por hora en dolares americanos.
CAN= Canadá, RU= Reino Unido, EUA= Estados Unidos
16. MODELO DE REGRESIÓN CON DATOS DE PANEL
a. A priori, ¿cuál es la relación esperada entre Y y X? ¿Por qué?
- A priori se podría esperar una relación inversa entre los dos, porque si el
desempleo es alto, habrá menos presión para el aumento de los
salarios, asumiendo otras variables constantes.
b. Calcule el modelo dado en (1) para cada país.
Rusia:
Canadá:
17. MODELO DE REGRESIÓN CON DATOS DE PANEL
Reino Unido
Todas son estadísticamente significativas en los individuales.
Agrupada
18. MODELO DE REGRESIÓN CON DATOS DE PANEL
c. Estime el modelo agrupando las 81 observaciones en su totalidad.
- Todas las variables son estadísticamente significativas tanto en el
individual como colectivamente, si se asumen validos todos los
supuestos del modelo clásico de regresión lineal.
19. MODELO DE REGRESIÓN CON DATOS DE PANEL
d. Calcule el modelo de efectos fijos.
e) Estime el modelo de componentes del error.
20. MODELO DE REGRESIÓN CON DATOS DE PANEL
f) ¿Cuál es el mejor modelo, el MEF o el MCE? Justifique la
respuesta. (Sugerencia: Aplique la prueba de Hausman.)
La Respuesta gira en torno del supuesto respecto de la probable
correlación entre el componente de error individual, o especifico de la
unidad de corte trasversal y las regresoras.
Si se supone que la unidad de corte trasversal y las regresoras no
están correlacionas, el MCE puede resultar apropiado, pero si la
unidad de corte trasversal y la regresoras están correlacionados, el
MEF puede resultar adecuado.
HP: No difieren considerablemente los estimadores MEF y MCE
HA: Si difieren considerablemente los estimadores MEF y MCE
21. MODELO DE REGRESIÓN CON DATOS DE PANEL
Se rechaza la hipótesis HP, pues el valor estimado de X^2 para 1
gl es muy significativo, la conclusión es que el MCE no es
apropiado porque es probable que los efectos aleatorios estén
correlacionados con una o más regresaras, en este caso se
rechazamos el MCE en favor del MEF.
15.Baltagi y Griffin consideraron la siguiente función de demanda de
gasolina:*
𝐥𝐧 𝐘𝐢𝐭 = 𝛃 𝟏 + 𝛃 𝟐 𝐥𝐧𝐗 𝟐𝐢𝐭 + 𝛃 𝟑 𝐥𝐧𝐗 𝟑𝐢𝐭 + 𝛃 𝟒 𝐥𝐧𝐗 𝟒𝐢𝐭 + 𝛍𝐢𝐭
donde Y = consumo de gasolina por automóvil; 𝐗 𝟐= ingreso real per
cápita, 𝐗 𝟑= precio real de la gasolina, 𝐗 𝟒= número de automóviles per
cápita, i = clave del país, en los 18 países miembros de la OCDE, y
t = tiempo (observaciones anuales de 1960 a 1978)
Nota: Los valores de la tabla ya muestran el rezago correspondiente.
COUNTRY Ctry
Code
YEAR LGASPCAR LINCOMEP LRPMG LCARPCAP
AUSTRIA 1 1960 4.173244195 -6.474277179 -0.334547613 -9.766839569
AUSTRIA 1 1961 4.100989105 -6.426005835 -0.351327614 -9.608621845
AUSTRIA 1 1962 4.073176551 -6.407308295 -0.379517692 -9.457256552
AUSTRIA 1 1963 4.059509124 -6.370678539 -0.414251392 -9.343154947
AUSTRIA 1 1964 4.037688787 -6.322246805 -0.445335362 -9.237739346
AUSTRIA 1 1965 4.033983285 -6.294667914 -0.497060662 -9.123903477
AUSTRIA 1 1966 4.047536559 -6.252545451 -0.466837731 -9.019822048
AUSTRIA 1 1967 4.052910694 -6.234580709 -0.505883405 -8.934402537
AUSTRIA 1 1968 4.045507048 -6.206894403 -0.522412545 -8.847967407
AUSTRIA 1 1969 4.046354789 -6.153139668 -0.559110514 -8.788686207
AUSTRIA 1 1970 4.080887673 -6.081712385 -0.596561219 -8.728199896
AUSTRIA 1 1971 4.106720494 -6.043625854 -0.654459143 -8.635898234
AUSTRIA 1 1972 4.128017777 -5.981051867 -0.596331841 -8.538337921
AUSTRIA 1 1973 4.199380561 -5.895152832 -0.594446813 -8.487289099
AUSTRIA 1 1974 4.018495372 -5.852381219 -0.466026934 -8.430404061
AUSTRIA 1 1975 4.029018075 -5.869363378 -0.454142205 -8.382814756
AUSTRIA 1 1976 3.985411744 -5.811702699 -0.500083722 -8.322231914
AUSTRIA 1 1977 3.931675943 -5.833287895 -0.421915626 -8.249563179
29. MODELO DE REGRESIÓN CON DATOS DE PANEL
U.S.A. 18 1970 4.848484212 -5.421964732 -1.251763468 -7.765376424
U.S.A. 18 1971 4.860286475 -5.406042458 -1.281315598 -7.748920613
U.S.A. 18 1972 4.854073265 -5.353955638 -1.331169295 -7.680418486
U.S.A. 18 1973 4.846374507 -5.308156487 -1.290669666 -7.637692669
U.S.A. 18 1974 4.798625944 -5.32869387 -1.231466862 -7.617557615
U.S.A. 18 1975 4.804932235 -5.346189919 -1.200376972 -7.607010066
U.S.A. 18 1976 4.814890717 -5.297945516 -1.154681971 -7.574748181
U.S.A. 18 1977 4.811032467 -5.256605805 -1.175909738 -7.553457696
U.S.A. 18 1978 4.818453968 -5.221232302 -1.212061827 -7.536176385
a. Estime la función de demanda anterior agrupando los datos de los 18
países miembros (un total de 342 observaciones).
30. MODELO DE REGRESIÓN CON DATOS DE PANEL
b. Estime el modelo de efecto fijo con los mismos datos.
c. Estime el modelo de componentes aleatorios con los mismos datos.
31. MODELO DE REGRESIÓN CON DATOS DE PANEL
d. Con base en este análisis, ¿qué modelo describe mejor la demanda de
gasolina en los 18 países de la OCDE? Justifique su respuesta.
Prueba de Hausman:
HP: No difieren considerablemente los estimadores MEF y MCE
HA: Si difieren considerablemente los estimadores MEF y MCE
Se rechaza la hipótesis HP, pues el valor estimado de X^2 para 3
gl es muy significativo, la conclusión es que el MCE no es
apropiado porque es probable que los efectos aleatorios estén
correlacionados con una o más regresaras, en este caso se
rechazamos el MCE en favor del Modelo de efectos fijos.
32. MODELO DE REGRESIÓN CON DATOS DE PANEL
16.El artículo de Subhayu Bandyopadhyay y Howard J. Wall “The
Determinants of Aid in the Post-Cold War Era”, Review, Federal
Reserve Bank of St. Louis, noviembre-diciembre de 2007, vol. 89,
número 6, pp. 533-547, estima, con datos de panel, la capacidad de
ayuda a las necesidades económicas y físicas de los países
beneficiarios, los derechos civiles y políticos, y la eficacia del
gobierno. Los datos corresponden a 135 países y abarcan tres años.
El artículo y los datos se encuentran en:
http://research.stlouisfed.org/publications/ review/past/2007 en la
sección núm. 10, vol. 89, noviembre y diciembre. Los datos también se
encuentran en el sitio web de este libro, en la tabla 16.18. Estime el
modelo de los autores (presentado en la página 534 del artículo)
mediante un estimador de efectos aleatorios. Compare los resultados
con los de los estimadores de efectos agrupados y fijos
proporcionados por los autores en la tabla 2 de su artículo. ¿Qué
modelo es apropiado en este caso, el de efectos fi jos o el de efectos
aleatorios? ¿Por qué?
37. MODELO DE REGRESIÓN CON DATOS DE PANEL
HP: No difieren considerablemente los estimadores MEF y MCE
HA: Si difieren considerablemente los estimadores MEF y MCE
Se rechaza la hipótesis HP, pues el valor estimado de X^2 para 1 gl es muy
significativo, la conclusión es que el MCE no es apropiado porque es
probable que los efectos aleatorios estén correlacionados con una o más
regresaras, en este caso se rechazamos el MCE en favor del MEF.