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


8

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?


Intenta echar un vistazo al enfoque de Mundlak-Chamberlain para esto. Google correlacionó los efectos aleatorios o el enfoque Mundlak. Le permiten relajar la suposición de efectos aleatorios no correlacionados. Ampliaré este comentario como una respuesta adecuada cuando tenga tiempo (viernes por la noche aquí, ya sabes).
Kenji

1
Para seguir el comentario de Kenji: los modelos de efectos aleatorios son más flexibles y el problema de la endogeneidad puede resolverse incluyendo la media de la covariable variable en el tiempo como predictor en el modelo. Ver: Bell, A. y Jones, K. (2015). Explicación de efectos fijos: modelado de efectos aleatorios de datos de panel y secciones transversales de series temporales. Investigación y métodos de ciencias políticas, 3 (1), 133-153.
Wolfgang

Respuestas:


5

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 nulaH0 es que la varianza de los efectos fijos no observados es cero Los OLS agrupados pueden ser el modelo apropiado. Por lo tanto, si siguesH0y 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.

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.