Datos del panel: OLS agrupados frente a efectos RE frente a efectos FE

Discutimos sobre la utilidad de los estimadores de OLS y RE agrupados en comparación con FE.

Por lo que puedo decir, la estimación OLS agrupada es simplemente una técnica OLS ejecutada en datos del Panel. Por lo tanto, todos los efectos específicos individuales se ignoran por completo. Debido a eso, se violan muchos supuestos básicos como la ortogonalidad del término de error.

RE resuelve este problema mediante la implementación de una intercepción específica en su modelo, que se supone que es aleatoria. Esto implica la exogenidad total de su modelo. Esto se puede probar con la prueba de Hausmann.

Dado que casi todos los modelos tienen algunos problemas de endogenidad, la estimación FE es la mejor opción y le brinda las mejores estimaciones consistentes, pero los parámetros específicos individuales desaparecerán.

La pregunta que me hago es cuándo tiene sentido usar OLS agrupados o efectos aleatorios. Los OLS agrupados violan muchos supuestos y, por lo tanto, no tienen sentido. Además, la fuerte exogenidad del RE-Estimator básicamente nunca se da, entonces, ¿cuándo puede ser realmente útil?

Además de esto, en todos los modelos, ¿no se puede considerar la autocorrelación?

Primero , tiene razón, la estimación de OLS agrupada es simplemente una técnica de OLS que se ejecuta en los datos del Panel .

En segundo lugar , sepa que para verificar la cantidad de datos que se pueden agrupar, puede usar la prueba multiplicadora Breusch-Pagan Lagrange , cuya hipótesis nula$H_0$ es que la varianza de los efectos fijos no observados es cero $\iff$Los OLS agrupados pueden ser el modelo apropiado. Por lo tanto, si sigues$H_0$y sospecha de problemas de endogeneidad, es posible que desee abandonar el mundo de los datos del panel y utilizar otras técnicas de estimación para tratarlos, por ejemplo, IV (SLS múltiple), GMM .

En tercer lugar , en una especificación FE, los parámetros específicos individuales no desaparecen y se pueden volver a agregar (con coeficientes idénticos pero errores estándar que deben ajustarse). En realidad, esto es de lo que se trata el modelo LSDV (con un gran promedio agregado y dentro de los promedios).

Cuarto , para lidiar con la autocorrelación (de errores), las transformaciones similares a GLS pueden ayudarlo teóricamente, pero en la práctica, solo se trata de la heterocedasticidad ( WLS , FGLS ). Sin embargo, tenga en cuenta que dependiendo del espacio (temporal, geográfico, sociológico, etc.) en el que asume que funciona la autocorrelación, puede representar su estructura y finalmente realizar una transformación similar a GLS, por ejemplo, panel espacial.