Regresin con Datos de Panel

(SW Ch. 8)
Un conjunto de datos de panel contiene observaciones
de mltiples unidades individuales (individuos), en el que
cada unidad se observa en dos ms momentos del
tiempo.
Ejemplos:
Datos de los 420 distritos escolares de California
en 1999 y de nuevo en el ao 2000, es decir 840
observaciones en total.

8-1

 Datos de los 50 estados de EE.UU, cada estado

observado durante 3 aos, con un total de 150
observaciones.
Datos de 1000 individuos, en cuatro meses
diferentes, con 4000 observaciones en total.
Notacin para datos de panel
Un subndice doble distingue unidades individuales
(individuos, empresas, pases, etc..) y perodos de
tiempo (aos, meses, etc..)
i = unidad (individual), n = nmero de unidades
individuales,
de manera que i = 1,,n
8-2

t = perodo de tiempo (ao, mes, etc), T = nmero de

perodos de tiempo
de manera que t =1,,T
Datos: Supongamos que tenemos 1 regresor. Los datos
son:
(Xit, Yit), i = 1,,n, t = 1,,T
Notacin en Datos de Panel, ctd.
Datos de Panel con k regresores:
(X1it, X2it,,Xkit, Yit), i = 1,,n, t = 1,,T
8-3

n = nmero de unidades individuales (individuos,

empresas, etc..
T = nmero de perodos de tiempo (aos, meses, etc)
Alguna jerga:
Otro trmino utilizado para datos de panel es datos
longitudinales
Panel balanceado: sin observaciones perdidas
Panel no balanceado: algunas unidades
(individuales) no se observan en algunos perodos de
tiempo (aos, meses, etc..)
8-4

Por qu son tiles los datos de panel?

Con los datos de panel, podemos controlar factores que:
Varan entre unidades individuales (individuos,
empresas, etc..) que no varan en el tiempo
Podran causar sesgo de variable omitida si los
omitisemos
No son observables medibles y por tanto no
pueden incluirse en la regresin utilizando la
regresin mltiple.

8-5

Esta es la idea clave:

Si una variable omitida no cambia en el tiempo,
entonces cualquier cambio en Y en el tiempo no podr
venir causado por la variable omitida.
Ejemplo de un conjunto de datos de panel:
Muertes en accidentes de trfico e impuestos sobre el
alcohol
Unidad de observacin: un ao en un estado de EE.UU
48 estados de EE.UU, de manera que n = nmero de
unidades = 48

8-6

 7 aos (1982,, 1988), de manera que T = # de

perodos de tiempo = 7
Panel balanceado, de manera que el nmero total de
observaciones = 748 = 336
Variables:
Tasa de muertos en accidentes de trfico (# de
muertos en accidentes de trfico en ese estado en ese
ao, por cada 10,000 residentes en el estado)
Impuestos sobre la cerveza
Otras variables (edad legal para conducir,
legislacin sobre la conduccin en estado de
embriaguez, etc.)
8-7

Datos de los muertos por accidente de trfico en 1982

Mayores impuestos sobre el alcohol, ms muertos por

accidente de trfico?
8-8

Datos de los muertos por accidente de trfico en 1988

Mayores impuestos sobre el alcohol, ms muertos por

accidente de trfico?
8-9

Por qu puede ocurrir que haya mayor nmero de

muertos en accidente de trfico en estados en los que hay
mayores impuestos sobre el alcohol?
Otros factores que determinan la tasa de muertos por
accidente de trfico:
Calidad (aos) de los automviles
Calidad de las carreteras
Cultura sobre la bebida y la conduccin
Densidad de coches en la carretera

8-10

Estos factores omitidos podran causar el sesgo de

variable omitida.
Ejemplo #1: densidad de trfico. Supongamos:
(i) Mayor densidad de trfico significa ms muertos en
accidentes de trfico
(ii) Estados (Oeste) con menor densidad de trfico
tienen menores impuestos sobre el alcohol
Entonces las dos condiciones para el sesgo de variable
omitida se satisfacen. Especficamente, impuestos
elevados podra reflejar elevada densidad de trfico
(de manera que el coeficiente MCO estara sesgado
positivamente impuestos elevados, ms muertos)
8-11

 Los datos de panel nos permiten eliminar el sesgo de

variable omitida cuando las variables omitidas son
constantes en el tiempo en un estado dado.
Ejemplo #2: actitudes culturales sobre la embriaguez y
la conduccin
(i) Posiblemente son un determinante de las muertes por
accidente de trfico, y
(ii) potencialmente estn correlacionadas con el
impuesto sobre la cerveza, de manera que los impuestos
sobre la cerveza podran recoger las diferencias
culturales
(sesgo de variable omitida).
8-12

 Entonces las dos condiciones para el sesgo de variable

omitida se satisfacen. Especficamente, impuestos
elevados podra reflejar actitudes culturales hacia la
embriaguez (as el coeficiente MCO sera sesgado)
Los datos de panel nos permiten eliminar el sesgo de
variable omitida cuando las variables omitidas son
constantes en el tiempo dentro de un estado dado.

8-13

Datos de Panel con dos perodos de tiempo

(SW Seccin 8.2)
Consideremos el modelo de datos de panel,
TasadeMuertosit = 0 + 1ImpuestoCervezait + 2Zi + uit
Zi es un factor que no cambia en el tiempo (densidad), al
menos durante los aos para los que disponemos de
datos.
Supongamos que Zi no se observa, de manera que su
omisin podra provocar el sesgo de variable omitida.
El efecto de Zi puede eliminarse utilizando T = 2 aos.
8-14

La idea clave:
Cualquier cambio en la tasa de muertos desde 1982 a
1988 no puede venir causado por Zi, porque Zi (por
hiptesis) no cambia entre 1982 y 1988.
La matemtica: consideremos las tasas de muertos en
1988 y 1982:
TasadeMuertosi1988 = 0 + 1Imp.Cervi1988 + 2Zi + ui1988
TasadeMuertosi1982 = 0 + 1Imp.Cervi1982 + 2Zi + ui1982
Supongamos que E(uit|ImpuestoCervezait, Zi) = 0.
8-15

Restar 1988 1982 (esto es, calculando el cambio),

elimina el efecto of Zi
TasadeMuertosi1988 = 0 + 1Imp.Cervi1988 + 2Zi + ui1988
TasadeMuertosi1982 = 0 + 1ImpCervi1982 + 2Zi + ui1982
as
TasadeMuertosi1988 TasadeMuertosi1982 =

1(Imp.Cervi1988 Imp.Cervi1982) + (ui1988 ui1982)

El nuevo trmino de error, (ui1988 ui1982), no est
correlacionado ni con Imp.Cervi1988 ni con
Imp.Cervi1982.
8-16

 Esta ecuacin de diferencias puede estimarse por

MCO, aunque Zi no se pueda observar
La variable omitida Zi no cambia, de manera que no
puede ser un determinante del cambio en Y

8-17

Ejemplo: Muertos en accidentes de trfico e impuesto

sobre la cerveza
Datos de 1982:

= 2.01 + 0.15Imp.Cerv (n = 48)
TasadeMuertos

(.15) (.13)
Datos de 1988:

= 1.86 + 0.44Imp.Cerv (n = 48)
TasadeMuertos

(.11) (.13)
Regresin de la diferencia (n = 48)


TM
1988 TM 1982 = .072 1.04(Imp.Cerv1988Imp.Cerv1982)

(.065) (.36)
8-18

8-19

Regresin de efectos fijos

(SW Seccin 8.3)
Qu ocurre si se tienen ms de dos perodos de tiempo
(T > 2)?
Yit = 0 + 1Xit + 2Zi + ui, i =1,,n, T = 1,,T
Podemos reescribirlo de dos formas ms tiles:
1. modelo de regresin de n-1 regresores binarios
2. modelo de regresin de Efectos Fijos

8-20

Primero lo reescribimos bajo la forma de efectos fijos.

Supongamos que tenemos n = 3 estados: California,
Texas, Massachusetts.
Yit = 0 + 1Xit + 2Zi + ui, i =1,,n, T = 1,,T
La regresin poblacional para California (es decir, i =
CA):
YCA,t = 0 + 1XCA,t + 2ZCA + uCA,t
= (0 + 2ZCA) + 1XCA,t + uCA,t

YCA,t = CA + 1XCA,t + uCA,t

CA = 0 + 2ZCA no cambia en el tiempo
8-21

 CA es la constante para CA, y 1 es la pendiente

El trmino constante es nico para CA, pero la
pendiente es la misma en todos los estados: lneas
paralelas.

8-22

Para TX:
YTX,t = 0 + 1XTX,t + 2ZTX + uTX,t
= (0 + 2ZTX) + 1XTX,t + uTX,t

YTX,t = TX + 1XTX,t + uTX,t, donde TX = 0 + 2ZTX

Escribiendo las lneas para los tres estados:
YCA,t = CA + 1XCA,t + uCA,t
YTX,t = TX + 1XTX,t + uTX,t
YMA,t = MA + 1XMA,t + uMA,t

Yit = i + 1Xit + uit, i = CA, TX, MA, T = 1,,T

8-23

Las rectas de regresin para cada estado en un

grfico
Y = CA + 1X

Y
CA

Y = TX + 1X

CA

Y = MA+ 1X

TX

TX
MA

MA
X

8-24

Recurdese (Fig. 6.8a) que los cambios en la constante

pueden representarse utilizando regresores binarios.
Y = CA + 1X

Y
CA

Y = TX + 1X

CA

Y = MA+ 1X

TX

TX
MA

MA
X

En forma de regresores binarios:

Yit = 0 + CADCAi + TXDTXi + 1Xit + uit
DCAi = 1 si estado es CA, = 0 resto de los casos
8-25

 DTXt = 1 si estado es TX, = 0 resto de los casos

Dejamos fuera DMAi (por qu?)
Resumen: Dos formas de escribir el modelo de efectos
fijos en la forma de n-1 regresores binarios
Yit = 0 + 1Xit + 2D2i + + nDni + ui
1 para i =2 (estado #2)
donde D2i =
, etc.
0 resto de los casos

Forma de Efectos Fijos:

Yit = 1Xit + i + ui
8-26

 i se llama efecto de estado fijo efecto de

estado es el efecto (fijo) constante de estar en el
estado i

8-27

Regresin de Efectos Fijos: Estimacin

Tres mtodos de estimacin:
1. Regresin MCO de n-1 regresores binarios
2. Regresin MCO en el modelo en desviaciones con
respecto a la media
3. Especificacin de Cambios (solo para T = 2)
Estos tres mtodos producen estimaciones idnticas de
los coeficientes de regresin, y errores estndar
idnticos.
Ya se realiz la especificacin de cambios (1988
menos 1982) pero esto slo funciona para T = 2 aos
Los mtodos #1 y #2 funcionan para T general
8-28

 El mtodo #1 slo es prctico cuando n no es

demasiado grande

8-29

1. Regresin MCO de n-1 regresores binarios

Yit = 0 + 1Xit + 2D2i + + nDni + ui

donde

1 para i =2 (estado #2)

D2i =
0 resto de los casos

(1)

etc.

Primero se crean las variables binarias D2i,,Dni

Entonces se estima (1) por MCO
La inferencia (contraste de hiptesis, intervalos de
confianza) se realiza de la forma habitual (utilizando los
errores estndar robustos a la heterocedasticidad)
Esto no es prctico cuando n es muy grande (por
ejemplo si n = 1000 trabajadores)
8-30

2. Regresin MCO en el modelo en desviaciones con

respecto a la media
El modelo de regresin de efectos fijos:
Yit = 1Xit + i + ui
La media de las unidades individuales satisface:
1 T
1 T
1 T
Yit = i + 1 X it + uit

T t =1
T t =1
T t =1

La desviacin con respecto a la media de las unidades

individuales:
1 T
1 T
1 T

Yit Yit = 1 X it X it + uit uit

T t =1
T t =1
T t =1

8-31

Regresin MCO en desviaciones con respecto a la

media, ctd.
1 T
1 T
1 T

Yit Yit = 1 X it X it + uit uit

T t =1
T t =1
T t =1

Yit = 1 X it + uit
T
T
1
1
donde Yit = Yit Yit y X it = Xit X it
T t =1
T t =1
Para i =1 y t = 1982, Y es la diferencia entre la tasa de
it

muertos en Alabama en 1982, y el valor medio en

Alabama promediado en todos los 7 aos (de 1982 a
1988).
8-32

Regresin MCO en desviaciones con respecto a la

media ctd.
Yit = 1 X it + uit

(2)

T
1
donde Yit = Yit Yit , etc.
T t =1

Primero se construyen las variables en desviaciones

con respecto a la media Yit y X it
Entonces se estima (2), haciendo la regresin de Yit
sobre X it usando MCO
La inferencia (contraste de hiptesis, intervalos de
confianza) se hacen como siempre (utilizando errores
estndar robustos a la heterocedasticidad)
8-33

 Esto es como la aproximacin de cambios, pero Yit

est en desviaciones con respecto al valor medio
individual en vez de con respecto a Yi1.
Esto se puede realizar con un simple comando en
STATA

8-34

Ejemplo: Muertos por accidente de trfico e impuestos

sobre la cerveza en STATA
. areg vfrall beertax, absorb(state) r;
Regression with robust standard errors

Number of obs
F( 1,
287)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

336
10.41
0.0014
0.9050
0.8891
.18986

-----------------------------------------------------------------------------|
Robust
vfrall |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------beertax | -.6558736
.2032797
-3.23
0.001
-1.055982
-.2557655
_cons |
2.377075
.1051515
22.61
0.000
2.170109
2.584041
-------------+---------------------------------------------------------------state |
absorbed
(48 categories)

areg automticamente resta la media individual a los datos

esto es especficamente til cuando n es grande la constante
incluida es arbitraria
8-35

Ejemplo, ctd.
Para n = 48, T = 7:

= .66Imp.Cerv + Efectos Fijos de Estado
TasadeMuertos

(.20)
Debera presentarse la constante?
Cuntos regresores binarios debera incluir para
estimar esto usando el mtodo de regresor binario?
Compare la pendiente, el error estndar con la
estimacin de la especificacin de cambios de 1988
vs. 1982 (T = 2, n = 48):


TM
1988 TM 1982 = .072 1.04(Imp.Cer1988Imp.Cer1982)

(.065) (.36)
8-36

Regresin con Efectos Fijos Temporales

(SW Seccin 8.4)
Una variable omitida puede variar en el tiempo pero no
entre estados:
Coches seguros (airbags, etc.); cambios en las leyes
nacionales
Estos pueden producir regresores binarios que varen
en el tiempo
Denotemos estos cambios (coches seguros) por la
variable St, que cambia en el tiempo pero no entre
unidades individuales (estados, etc..).
El modelo de regresin poblacional resultante es:
Yit = 0 + 1Xit + 2Zi + 3St + uit
8-37

Slo efectos fijos temporales

Yit = 0 + 1Xit + 3St + uit
En efecto, la ordenada en el origen vara de un ao a otro:
Yi,1982 = 0 + 1Xi,1982 + 3S1982 + ui,1982
= (0 + 3S1982) + 1Xi,1982 + ui,1982

Yi,1982 = 1982 + 1Xi,1982 + ui,1982,

1982 = 0 + 3S1982

De forma similar,
Yi,1983 = 1983 + 1Xi,1983 + ui,1983,
etc.

1983 = 0 + 3S1983
8-38

Dos formulaciones para los efectos fijos temporales

1. Formulacin de Regresores Binarios:
Yit = 0 + 1Xit + 2B2t + TBTt + uit
1 cuando t =2 (ao #2)
donde B2t =
,
0 resto de los casos

etc.

2. Formulacin de Efectos Temporales:

Yit = 1Xit + t + uit
8-39

Efectos fijos temporales: mtodos de estimacin

1. Regresin MCO de T-1 regresores binarios
Yit = 0 + 1Xit + 2B2it + TBTit + uit
Se crean las variables binarias B2,,BT
B2 = 1 si t = ao #2, = 0 resto de los casos
Hacer la regresin de Y sobre X, B2,,BT por
MCO
Dnde est B1?

8-40

2. Regresin MCO en desviaciones con respecto a las

medias temporales (no individuales)
Calcular las desviaciones Yit, Xit con respecto a las
medias de un ao (no de un estado)
Estimar por MCO utilizando los datos en
desviaciones con respecto a las medias temporales

8-41

Efectos fijos de estado y temporales

Yit = 0 + 1Xit + 2Zi + 3St + uit
1. Formulacin de Regresores Binarios:
Yit = 0 + 1Xit + 2D2i + + nDni
+ 2B2t + TBTt + uit
2. Formulacin de efectos de estado y temporales:
Yit = 1Xit + i + t + uit
8-42

Efectos de estado y temporales: mtodos de

estimacin
1. Regresin MCO n-1 y T-1 regresores binarios
Crear las variables binarias D2,,Dn
Crear las variables binarias B2,,BT
Hacer la regresin de Y sobre X, D2,,Dn,
B2,,BT utilizando MCO
Qu pasa con D1 y B1?
2. Regresin MCO en desviaciones con respecto a las
medias individuales y temporales
Calcular las desviaciones de Yit, Xit con respecto a
las medias anuales y de estado
8-43

 Estimar por MCO utilizando los datos en

desviaciones con respecto a las medias
individuales y temporales
Estos dos mtodos se pueden tambin combinar

Ejemplo de STATA: Muertes por accidente de trafico

.
.
.
.
.
.
.

gen y83=(year==1983);
gen y84=(year==1984);
gen y85=(year==1985);
gen y86=(year==1986);
gen y87=(year==1987);
gen y88=(year==1988);
areg vfrall beertax y83 y84 y85 y86 y87 y88, absorb(state) r;

8-44

Regression with robust standard errors

Number of obs =
336
F( 7,
281) =
3.70
Prob > F
= 0.0008
R-squared
= 0.9089
Adj R-squared = 0.8914
Root MSE
= .18788
-----------------------------------------------------------------------------|
Robust
vfrall |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------beertax | -.6399799
.2547149
-2.51
0.013
-1.141371
-.1385884
y83 | -.0799029
.0502708
-1.59
0.113
-.1788579
.0190522
y84 | -.0724206
.0452466
-1.60
0.111
-.161486
.0166448
y85 | -.1239763
.0460017
-2.70
0.007
-.214528
-.0334246
y86 | -.0378645
.0486527
-0.78
0.437
-.1336344
.0579055
y87 | -.0509021
.0516113
-0.99
0.325
-.1524958
.0506917
y88 | -.0518038
.05387
-0.96
0.337
-.1578438
.0542361
_cons |
2.42847
.1468565
16.54
0.000
2.139392
2.717549
-------------+---------------------------------------------------------------state |
absorbed
(48 categories)

Ir a la seccin para ver otra forma de hacer esto con

STATA!

8-45

Algo de Teora: Las hiptesis de la regresin de

Efectos Fijos (SW Ap. 8.2)
Para una nica X:
Yit = 1Xit + i + uit, i = 1,,n, t = 1,, T
1. E(uit|Xi1,,XiT,i) = 0.
2. (Xi1,,XiT,Yi1,,YiT), i =1,,n, son extracciones
i.i.d. de su distribucin conjunta.
3. (Xit, uit) tienen momentos de orden 4 finitos.
4. No hay multicolinealidad perfecta (mltiples Xs)
5. corr(uit,uis|Xit,Xis,i) = 0 para t s.
8-46

Las hiptesis 3&4 son idnticas a las vistas en seccin

cruzada; 1, 2, difieren; 5 es nueva
Hiptesis #1: E(uit|Xi1,,XiT,i) = 0
uit tiene media cero, dado el efecto fijo individual y la
historia entera de las Xs para ese estado
Esta es una extensin de la hiptesis #1 del modelo de
regresin mltiple
Esto significa que no hay efectos retardados omitidos
(cualesquiera efectos retardados de las X deben entrar
explcitamente)
Tambin, no hay realimentacin (feedback) de u a la
X futura:
8-47

o Si un estado tiene una tasa de muertos

particularmente elevada este ao no afecta
subsecuentemente si se incrementa el impuesto
sobre la cerveza.
o Volveremos sobre este punto cuando veamos datos
de series temporales

8-48

Hiptesis #2: (Xi1,,XiT,Yi1,,YiT), i =1,,n, son

extracciones i.i.d. de su distribucin conjunta.
Esta es una extensin de la hiptesis #2 del modelo de
regresin mltiple con datos de seccin cruzada
Se satisface si las unidades (estados, individuos) se
muestrean aleatoriamente de sus poblaciones
mediante el muestreo aleatorio simple, de manera que
los datos para estas unidades se recogen en el tiempo.
Esto no requiere que las observaciones sean i.i.d. en el
tiempo para la misma unidad eso sera poco realista
(si un estado tiene DWI obligatorio que sentencia
leyes este ao se encuentra fuertemente relacionado
con si tendr esa ley el ao siguiente).
8-49

Hiptesis #5: corr(uit,uis|Xit,Xis,i) = 0 para t s

Esta hiptesis es nueva.
Dice que (dado X), los trminos de error no estn
correlacionados en el tiempo dentro de un estado.
Por ejemplo, uCA,1982 y uCA,1983 no estn
correlacionados
Es esto plausible? Qu incluye el trmino de error?
o Invierno especialmente nevado
o Apertura de nuevas autopistas
o Fluctuaciones en la densidad de trfico a partir de
las condiciones econmicas

8-50

 La hiptesis #5 requiere que estos factores omitidos

que entran en uit estn incorrelados en el tiempo,
dentro de un estado.

8-51

Qu ocurre si la hiptesis #5 no se cumple:

corr(uit,uis|Xit,Xis,i) 0?
Una analoga til es la heterocedasticidad.
Los estimadores MCO con datos de panel de 1 son
insesgados, consistentes
Los errores estndar MCO sern errneos usualmente
los errores estndar MCO infraestima la verdadera
varianza
Intuicin: si uit est correlacionado en el tiempo, no se
tiene tanta informacin (tanta variacin aleatoria) como
se tendra si uit estuviese incorrelada.

8-52

 Este problema se soluciona utilizando errores estndar

consistentes a la heterocedasticidad y la
autocorrelacin volveremos sobre esto cuando
veamos la regresin de series temporales

8-53

Aplicacin: Leyes sobre la conduccin en estado de

embriaguez y los muertos por accidente de trfico
(SW Seccin 8.5)
Algunos hechos
40,000 muertos por accidente de trfico anuales en
EE.UU.
1/3 de los muertos por accidente de trfico implican a
un conductor bebido
25% de los conductores por carretera entre la 1 y las 3
de la madrugada haban bebido (estimacin)
Un conductor bebido puede causar 13 veces ms un
accidente mortal que un conductor no bebido
(estimacin)
8-54

Leyes sobre la conduccin en estado de embriaguez y

los muertos por accidente de trfico, ctd.
Cuestiones de poltica pblica
La conduccin en estado de embriaguez causa externalidades
importantes (conductores sobrios son asesinados, etc..) Hay
una amplia justificacin para la intervencin gubernamental
Hay caminos efectivos para reducir la conduccin en estado
de embriaguez? Si es as, qu?
Cules son los efectos de leyes especficas:
o castigo obligatorio
o edad minima legal para beber
o intervenciones econmicas (impuestos sobre el alcohol)?

8-55

El conjunto de datos de panel de la conduccin en

estado de embriaguez
n = 48 estados EE.UU, T = 7 aos (1982,,1988)
(balanceado)
Variables
Tasa de muertos por accidente de trfico (muertos
por 10,000 residentes)
Impuesto sobre la cerveza (Imp.Cerv)
Edad legal mnima para beber
Leyes sancionadoras para la primera violacin DWI:
o Prisin obligatoria
o Servicios a la Comunidad Obligatorios
8-56

o Otros casos, la sentencia sera slo una multa

monetaria
Millas de los vehculos por conductor (US DOT)
Datos econmicos del estado (renta real per cpita,
etc.)

8-57

Por qu nos pueden ayudar los datos de panel?

Potencial sesgo de variable omitida (VO) por las variables que
varan entre estados pero que son constantes en el tiempo

o Cultura de beber y conducir

o Calidad de las carreteras
o Cantidad de coches en la carretera
usar efectos fijos de estado
Potencial sesgo de VO por las variables que varan en el tiempo
pero que son constantes entre estados:

o Mejoras en la seguridad de los coches en el tiempo

o Cambios en las actitudes nacionales sobre la
conduccin en estado de embriaguez
usar efectos fijos en el tiempo
8-58

8-59

8-60

Anlisis Emprico: Principales Resultados

El signo del coeficiente del impuesto sobre la cerveza
cambia cuando se incluyen los efectos fijos de estado
Los efectos fijos temporales son estadsticamente
significativos pero no tienen un fuerte impacto sobre los
coeficientes estimados
El efecto estimado del impuesto sobre la cerveza baja
cuando se incluyen otras leyes como regresor
La nica variable poltica que parece tener un impacto
es la del impuesto sobre la cerveza ni la edad mnima
para beber, ni la condena obligatoria, etc.
Las otras variables econmicas tienen coeficientes
elevados: ms renta, ms conduccin, ms muertos
8-61

Extensiones de la aproximacin de n-1 regresores

binarios
La idea de utilizar diversos indicadores binarios para
eliminar el sesgo de variable omitida puede extenderse a
datos que no sean de panel la clave es si la variable
omitida es constante para un grupo de observaciones, de
manera que en efecto significa que cada grupo tiene su
propia ordenada en el origen.
Ejemplo: problema del tamao de clase.
Suponga que los asuntos financieros y curriculares se
determinan a nivel de condado, y que cada condado
tiene diferentes distritos. El sesgo de variable omitida
8-62

podra tenerse en cuenta incluyendo indicadores

binarios, uno para cada condado (omitir uno para
evitar la multicolinealidad perfecta).

8-63

Resumen: Regresin con datos de panel

(SW Seccin 8.6)
Ventajas y limitaciones de la regresin de efectos fijos
Ventajas
Podemos controlar las variables omitidas que:
o Varan entre estados pero no en el tiempo, y/
o Varan en el tiempo pero no entre estados
Ms observaciones proporcionan ms informacin
La estimacin supone extensiones relativamente
sencillas de la regresin mltiple.

8-64

 La estimacin de efectos fijos puede hacerse de 3

formas:
1. Mtodo de los Cambios cuando T = 2
2. Mtodo de n-1 regresores binarios cuando n es
pequeo
3. Regresin en desviaciones con respecto a las
medias individuales
Mtodos similares se aplican a la regresin con
efectos temporales fijos y a los efectos fijos tanto
temporales como individuales
La inferencia estadstica: como en regresin mltiple.

8-65

Limitaciones/desafos
Necesita variacin en X en el tiempo dentro de las
unidades individuales
Efectos temporales retardados pueden ser importantes
Los errores estndar pueden ser muy reducidos (los
errores pueden estar correlacionados en el tiempo)

8-66