Modelo de regresión

múltiple con datos panel

Profesor:

Dr. Elías Alvarado Lagunas

[Link]
ÍNDICE TEMAS

1. Modelo de regresión múltiple con datos de panel

2. Modelo de coeficientes constantes

3. Modelo de efectos fijos

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Para este modelo se considera una base de datos longitudinales

con datos de panel que contiene información para una variable
dependiente y varias variables independientes, considerando un
conjunto de agentes sociales (personas, organizaciones, ciudades,
regiones, países) en diferentes instantes de tiempo.

Ejemplo: Análisis de regresión donde v es una función lineal de k con variables explicativas xk
𝑌𝑖𝑡 = 𝛽0 + 𝛽𝐼 𝑋𝐼𝑖𝑡 + 𝛽2 𝑋2𝑖𝑡 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Ejemplo: Análisis de regresión donde v es una función lineal de k con variables explicativas xk

𝑌𝑖𝑡 = 𝛽0 + 𝛽𝐼 𝑋𝐼𝑖𝑡 + 𝛽2 𝑋2𝑖𝑡 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

Simplificando lo anterior: 𝑘

𝑌𝑖𝑡 = 𝛽0 + ෍ 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

𝑘=1

En donde
i = N unidades sociales
t = T observaciones en el tiempo
Y donde además es el término de error que representa los efectos
de todas las variables omitidas en el modelo

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Simplificando lo anterior: 𝑘

𝑌𝑖𝑡 = 𝛽0 + ෍ 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

𝑘=1

Esto quiere decir que también es la variación observada de la

variable dependiente y que no se consiguen por medio de la
variación observada en las k variables independientes
En notación matricial:

𝑌𝑖𝑡 = 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

En donde
𝜷𝟎 , 𝜷𝟏 , 𝜷𝟐 , … , 𝜷𝒌 son los parámetros que se quieren estimar
𝜷𝟎 es la ordenada en el origen
Y el resto de los parámetros son las pendientes de y con respecto a cada una de las k
variables independientes.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Cuando se trata de una base de datos longitudinal de sección

cruzada, el modelo anterior utiliza una ecuación con NxT
observaciones.

En dado caso los parámetros a estimar son k, los cuales deben de ser
considerados iguales para todas las unidades de muestra y también
para cada periodo de tiempo.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Al intentar aplicar un modelo de regresión común para un

conjunto de NxT observaciones pueden surgir distintos problemas:

• Suponer que los coeficientes son iguales para los N individuos o agentes
sociales y para cualquier momento T del tiempo
• En el procedimiento utilizado puede haber varios supuestos en la estimación
por mínimos cuadrados del modelo de regresión estándar
𝑬 𝑼𝒊𝒕 = 0 para toda i ó unidad social.
𝐕𝐀𝐑 𝒖𝒊𝒕 = σ2 para toda unidad social i, y para todo instante t
𝑪𝑶𝑽 𝒖𝒊𝒕 , 𝒖𝒋𝒔 = 0 para todo agente 𝑖 ≠ 𝑗 y para todo instante 𝑡 ≠ 𝑠
𝑪𝑶𝑽 𝒖𝒊𝒕 , 𝒖𝒌𝒊𝒕 = 0 para todo i y t

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Una estimación por mínimos

cuadrados ordinarios parte del
supuesto de que la varianza de los
términos de error es la misma
para cada una de las
observaciones

Estos términos de error no están

correlacionados para distintos
instantes de tiempo ni para
distintas unidades sociales

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

La violación de dichos supuestos es implícita en el caso de datos

longitudinales de corte transversal haciendo que las estimaciones
realizadas mediante este método no sean eficientes o de mínima
varianza.

Utilizar un modelo de regresión por mínimos cuadrados ordinarios

con una base de datos longitudinal de sección cruzada implica
entonces trasladar información en la base de datos al termino de
error.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Un termino de error se puede descomponer en sus tres

componentes:

𝑢𝑖𝑡 = 𝛼𝑖 + ∅𝐼 + 𝜀𝑖𝐼

Donde el error tiene un componente individual que es invariable a

través del tiempo, el componente temporal es invariable a través
de los individuos y un componente que representa el efecto de
todas las otras variables que varia entre individuos y además a
través del tiempo.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Un termino de error se puede descomponer en sus tres

componentes:

𝑢𝑖𝑡 = 𝛼𝑖 + ∅𝐼 + 𝜀𝑖𝐼

Esta estructura permite:

• Que los residuos 𝑢𝑖𝑡 no sean aleatorios.
• Presentar una correlación en los términos de error entre
diferentes momentos del tiempo para unidad social.
• Presentar una correlación en los términos de error para
unidades sociales diferentes en un mismo momento del tiempo.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Pueden surgir complicaciones en el caso de que exista correlación

en los términos de error para diferentes unidades sociales y
momentos en el tiempo diferentes debido a la heterocedasticidad
y la auto correlación o correlación serial.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

La heterocedasticidad se da
cuando la varianza de los
términos de error no es la
misma para cada unidad o
caso.
La correlación serial los términos de error
correspondiente a una misma
observación no son independientes unos
de otros, en otras palabras, los términos
de errores están correlacionados consigo
mismo a través del tiempo.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

En el caso de estimar el modelo presentado por mínimos

cuadrados para una base de datos longitudinal de sección cruzada
para el conjunto de NxT observaciones.

Los estimadores siguen siendo insesgados pero ya no son los

estimadores lineales insesgados de mínima varianza. Una manera
de solucionar este problema es estimar un modelo en el que se
asume que todos los efectos de las variables independientes
difieren para cada individuo i y en cada momento en el tiempo t.
𝑌𝑖𝑡 = 𝛽0𝑖 + 𝛽𝐼𝑖 𝑋𝐼𝑖𝑡 + 𝛽2𝑖 𝑋2𝑖𝑡 + ⋯ + 𝛽𝑘𝑖 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

El procedimiento de modelos diferentes para casos diferentes es

equivalente a estimar un modelo con los datos correspondientes a
un solo agente social para todos los periodos de tiempo
considerados en la muestra. Para que cuando el análisis se
repitiera para los distintos agentes sociales, se podrían examinar
las diferentes pautas de comportamiento entre ellos.

En notación matricial:
𝑌𝑖𝑡 = 𝛽𝑖 𝑋𝑖𝑡 + 𝑢𝑖𝑡 𝑖 = 1, … , 𝑁 𝑦 𝑡 = 1, … , 𝑇

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

En notación matricial:
𝑌𝑖𝑡 = 𝛽𝑖 𝑋𝑖𝑡 + 𝑢𝑖𝑡 𝑖 = 1, … , 𝑁 𝑦 𝑡 = 1, … , 𝑇
El vector de parámetros fi varia para cada agente social i, pero no
varia a través del tiempo, de esta manera se tiene un sistema de
A1 ecuaciones con tantas ecuaciones como unidades sociales en la
muestra.
Por otro lado, el procedimiento de diferentes modelos en el
tiempo consiste en realizar un análisis similar para cada uno de los
periodos incluidos en la muestra con el objetivo de analizar las
posibles variaciones que a lo largo del tiempo haya podido
producirse en la estructura del modelo que se estima:
𝑌𝑖𝑡 = 𝛽0𝑡 + 𝛽𝐼𝑡 𝑋𝐼𝑖𝑡 + 𝛽2𝑡 𝑋2𝑖𝑡 + ⋯ + 𝛽𝑘𝑡 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡 𝑖 = 1, … , 𝑁 𝑦 𝑡 = 1, … , 𝑇

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Por un lado tenemos los modelos en los que se asume que no

existen diferencias en los efectos de las variables explicativas sobre
la variable dependiente ni por individuos ni a través del tiempo,
con lo cual se estima un modelo común para el conjunto NxT
observaciones.

Por el otro se tienen los modelos en los que se asume que todos
los efectos difieren para cada individuo y/o en cada momento en
el tiempo, con lo cual se estiman diferentes modelos para
diferentes casos o unidades de análisis y/o para diferentes
elementos en el tiempo.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Asumir que los coeficientes de regresión Son idénticos para todos

los agentes de la muestra así como a través del tiempo es
restrictivo y difícil de creer dada la información contenida en los
datos.

Asumir que el vector de coeficientes es distinto para cada agente

social es excesivamente general. No hay mucho que ganar en
eficiencia con el pooling de datos temporales de sección en
relación con lo costoso que es obtener dicho tipo de datos.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE REGRESIÓN MÚLTIPLE CON DATOS PANEL
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

El objetivo final de estos modelos es obtener estimadores fiables y

eficientes, esto es, no sesgados de mínima varianza.

Cada uno de los modelos implica una serie de supuestos explícitos

acerca de la relación existente entre las variables explicativas y/o
la naturaleza del error de la ecuación de regresión.

Dependiendo de cuál sea el proceso social a investigar, se pueden

utilizar modelos en los que se identifica una estructura del error
determinada.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

En este modelo se asume que los coeficientes son los mismos para
cada uno de los agentes sociales de la muestra
𝑘

𝑌𝑖𝑡 = 𝛽0 + ෍ 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

𝑘=1

En donde
k = K variables independientes de interés
i = N unidades sociales
t = T observaciones en el tiempo
En notación matricial:
𝑌𝑖𝑡 = 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

En notación matricial:
𝑌𝑖𝑡 = 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

Los parámetros a estimar son K, considerados iguales o constantes

para todas las unidades de la muestra y también para cada
periodo de tiempo.

La estimación por mínimos cuadrados ordinarios de dicha

ecuación parte del supuesto de que la varianza de los términos de
error es la misma para cada una de las observaciones, y además
que dichos términos de error no están correlacionados para
distintos instantes de tiempo.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

En notación matricial:
𝑌𝑖𝑡 = 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

𝑉𝐴𝑅 𝑢𝑖𝑡 = 𝜎 2 para toda unidad social i y para todo instante t

𝐶𝑂𝑉 𝑢𝑖𝑡 , 𝑢𝑗𝑠 = 0 para todo agente 𝑖 ≠ 𝑗 y para todo instante 𝑡 ≠ 𝑠

Existen varias situaciones en que la estructura de covarianzas del

término de error es más compleja, y en consecuencia se violan los
supuestos de la estimación por mínimos cuadrados ordinarios que
se describirán a continuación.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

En el caso de heteroscedasticidad a través de agentes sociales, la

varianza de los términos de error es diferente para cada agente
social: 2
𝑉𝐴𝑅 𝑢𝑖𝑡 = 𝜎𝑖

En otro caso hay independencia de lo que se suponga acerca y las

varianzas de los términos de error de distintos períodos, los
términos de error de cada agente social no son independientes en
un momento dado:
𝐶𝑂𝑉 𝑢𝑖𝑡 , 𝑢𝑗𝑡 = 0

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

En otra situación existen distintos instantes del tiempo, pero un

mismo agente social y los términos de error están correlacionados.
Se puede suponer que únicamente los términos de error de
períodos consecutivos están correlacionados, o por el contrario
que todos los términos están correlacionados

En este caso existen distintas estructuras de correlación y se le

conoce como autocorrelación o correlación serial, donde el
término de error (para un agente social) está correlacionado
consigo mismo a través del tiempo
𝐶𝑂𝑉 𝑢𝑖𝑡−𝑘 , 𝑢𝑖𝑡 = 0

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Para estimar este modelo de coeficientes constantes con datos

longitudinales se aconseja el método de mínimos cuadrados
generalizados (MCG).
La estructura de comportamiento de los errores siguiente:
𝑉𝐴𝑅 𝑢𝑖𝑡 = 𝜎𝑖𝑡2
2
𝐶𝑂𝑉 𝑢𝑖𝑡 , 𝑢𝑗𝑡 = 𝜎𝑖𝑗𝑡𝑠

La varianza del error es diferente para cada agente social ¡ y

también puede variar a través del tiempo: la covarianza es ahora
distinta de 0 y varía dependiendo de quiénes sean los agentes
sociales i y j, y en qué momentos del tiempo se este calculando
dicha covarianza, tiempos t y s.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

En el caso de N agentes sociales observados T veces en el tiempo,

el número de parámetros a estimar es:

𝑁 × 𝑇 ( 𝑁 × 𝑇 + 1ሻ
2

Es común imponer alguna hipótesis sencilla acerca de cuál es el

comportamiento intertemporal y/o transversal del termino de
error. Los modelos dinámicos más populares en el caso de
estimación por mínimos cuadrados generalizados.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

En el supuesto de sólo heterocedasticidad a través de los agentes

sociales, se asume que la varianza es diferente para cada uno de
¡os agentes sociales de la muestra:
𝑉𝐴𝑅 𝑢𝑖𝑡 = 𝜎𝑖2

En donde
𝐶𝑂𝑉 𝑢𝑖𝑡 , 𝑢𝑗𝑆 = 0 para todo agente 𝑖 ≠ 𝑗
𝑡 ≠ 𝑠 para todo instante

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Otra estructura de error posible más complicada que la anterior es

cuando los términos de error están correlacionados a través de las
diferentes unidades sociales.
𝑉𝐴𝑅 𝑢𝑖𝑡 = 𝜎𝑖2

En donde
𝐶𝑂𝑉 𝑢𝑖𝑡 , 𝑢𝑗𝑡 = 𝐶𝑂𝑉 𝑢𝑗𝑡 , 𝑢𝑖𝑡 = 𝜎𝑖𝑗 para todo agente 𝑖 ≠ 𝑗
𝑡 para todo instante

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Dada la gran distorsión en las desviaciones típicas de los

coeficientes estimados por MCO cuando existe autocorrelación
serial, existen una serie de modelos de máxima verosimilitud, en
los que se intenta especificar la naturaleza del proceso
autorregresivo y estimar el modelo causal teniendo en cuenta tal
proceso autorregresivo 𝑝

𝑢𝑖𝑡 = ෍ 𝑝𝑖 𝑢𝑖𝑡−𝑝 + 𝜀𝑖𝑡

𝑝=1
En donde
i = N unidades sociales
t = T observaciones en el tiempo

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

El procedimiento de estos modelos denominados modelos

autorregresivos es básico.
• Ajustar un modelo de regresión por MCO
• Se examinan los errores estimados en la búsqueda de una
pauta de autocorrelación entre ellos.
• Si 𝑢𝑡 está correlacionado con 𝑢𝑡−𝐼 entonces el proceso que mejor
describe el comportamiento del error es un autorregresivo de
primer orden.
• Si 𝑢𝑡 , está correlacionado sólo con 𝑢𝑡−2 el proceso es un
autorregresivo de segundo orden restringido, etc.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Si el modelo autorregresivo especificado es el correcto, el problema de

estimación asociado con la estimación por MCO desaparece, con
desviaciones típicas precisas y estadísticos de significación de variables
fiables.

Uno de los problemas de estos modelos autorregresivos radica en la

dificultad que supone interpretar cada uno de los p parámetros de
autocorrelación de manera teórica y sustantiva para un proceso social de
estudio.

En estos casos se incluye en el modelo una variable independiente en el

modelo de regresión, un primer retardo (o incluso algunas veces más
retardos) de la variable dependiente.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

El modelo resultante es ahora

𝑘

𝑌𝑖𝑡 = 𝛽0 + 𝑛𝛾𝑖𝑡−𝐼 + ෍ 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

𝑘=1
En donde
k = K variables independientes de interés
i = N unidades sociales
t = T observaciones en el tiempo
La variable 𝑦𝑡 es la endógena 𝑦𝑡−𝐼 es la variable endógena retardada
un periodo en el tiempo, 𝑋𝐾 1 son las variables explicativas o exógenas
cuyos retardos en el tiempo también pueden ser incluidos en el
modelo causal, 𝑢𝑖𝑡 es el error del modelo

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Este modelo se utiliza a menudo en los análisis de datos de panel sin

prestar cuidado a algunos de los problemas más graves de esta técnica:
• Los estimadores de modelos con retardos de la variable dependiente
suelen ser inestables y pueden tornar valores diferentes según la
subestructura que se analice.
• Aún a pesar de la inclusión de Yi en el modelo, no se está
necesariamente solucionando el problema de la autocorrelación
serial.
• Hay que considerar la posibilidad de incluir un proceso autorregresivo
para el comportamiento del error.
• La estimación con retardos de la variable endógena es una fuente
importante de sesgo dificultando en muchas ocasiones la estimación
del modelo.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Por esto en los casos de modelos con retardos de la variable endógena,

se optan por la estimación en dos etapas del modelo o estimación por
variables instrumentales. El estimador de mínimos cuadrados en dos
etapas consiste en estimar una variable instrumento 𝐼𝑖𝑡 primero:
𝑅

𝐼𝑖𝑡 = 𝑎 + ෍ 𝑏𝑟 𝑧𝑘𝑖𝑡 + 𝑢𝑖𝑡

𝑟=1

Que se correlaciona con 𝑦𝑖𝑡−𝐼 para posteriormente incluir dicho

instrumento en b ecuación principal que se desea estimar, en
substitución de la variable endógena retardada. Reescribiendo:
𝑘

𝑌𝑖𝑡 = 𝛽0 + 𝑛𝐼𝑖𝑡 + ෍ 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

𝑘=1

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

𝑌𝑖𝑡 = 𝛽0 + 𝑛𝐼𝑖𝑡 + ෍ 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

𝑘=1

Hay algunos puntos a considerar:

• Primero, debe ser ortogonal al término de error de la ecuación
Uj es decir no correlacionada con el término de error.
• Segundo, debe ser una variable que a su vez está altamente
correlacionada con la variable endógena retardada. De manera
que variables instrumentales que satisfacen estas dos
condiciones pueden garantizar una solución única para el
modelo de regresión.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Tenemos como desventaja

• La dificultad de encontrar un instrumento estadísticamente
apropiado y que a su vez tenga una interpretación sustantiva, es
decir, que tenga sentido incluir dicho instrumento.
• Se necesita incluir un instrumento que tenga algún tipo de
fundamento teórico. Y de la naturaleza adecuada
El instrumento optimo seria aquel que fuese una combinación
lineal de variables explicativas que no aparezcan en el modelo
inicial

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

El principio básico de los modelos ARIMA o metodología de Box-

Jenkjns, es que el efecto de un conjunto de variables explicativas x
sobre y, debe ser estimado después de que se haya controlado por los
efectos pasados de la variable endógena.

La metodología Box-Jenkins presta atención a la necesidad de precisar

cuál es el proceso que autogenera y explica la variación de la variable
endógena a través del tiempo. Se requiere que todas las variables que
se van a utilizar en el modelo de regresión deben ser estacionarias

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Una vez que las variables son estacionarias, con la metodología Box-
Jenkins se intenta identificar el mejor modelo ARIMA mediante el cual
la variable endógena se puede explicar por sus valores pasados.

Es necesario prestar mucha atención en precisar cuál es el proceso que

autogenera la variación de la variable endógena a través del tiempo
mediante el uso de las funciones (y sus gráficos) de autocorrelación, y
autocorrelación parcial

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

El acrónimo ARIMA hace referencia a un proceso autorregresivo de

orden p y un proceso de medias móviles de orden q que
conjuntamente generan y
Un modelo ARIMA(p,q) en general es el siguiente:

𝑌𝑖𝑡 = 𝛿 + ∅𝐼 𝑌𝑖𝑡−1 + ∅2 𝑌𝑖𝑡−2 + ⋯ + ∅𝑝 𝑌𝑖𝑡−𝑝 + 𝛿𝑖𝑡 − 𝜃𝑙 𝜀𝑖𝑡−1 − 𝜃2 𝜀𝑖𝑡−2 − ⋯ − 𝜃𝑞 𝜀𝑖𝑡−𝑞

Donde p y q denota las ordenes de la componente autorregresiva y de

medidas móviles del modelo

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE COEFICIENTES CONSTANTES
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Y otra estructura mas sencilla del Modelo ARIMA(1.1):

𝑌𝑖𝑡 = 𝛿 + ∅𝑌𝑖𝑡−1 + 𝜀𝑖𝑡 − 𝜃𝜀𝑖𝑡−1 ∅ < 1 𝑦 𝜃 < 1

Tras la estimación del modelo ARIMA se debe:

• Diagnosticar si dicho modelo se ajusta satisfactoriamente a los
datos, mediante estadísticos que comprueban la significación de
los coeficientes del modelo ARIMA así como del ajuste del modelo
• Evaluar los términos de error del modelo ARIMA, verificando que
siguen un proceso de ruido blanco, o sea cuando los valores en el
tiempo siguen una distribución normal, con esperanza cero,
varianza constante, y están incorelacionados entre sí.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE EFECTOS FIJOS
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

El modelo de efectos fijos parte del supuesto de que los

coeficientes en concreto la constante o término independiente del
modelo de regresión varían dependiendo del agente social o del
momento en el tiempo

Este modelo permite investigar la variación intertemporal y/o

transversal por medio de distintos términos independientes y
puede captar la variación existente en la muestra debido a la
presencia de diferentes agentes sociales

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE EFECTOS FIJOS
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Para el caso más general de datos de panel, el modelo de

regresión es el siguiente:
𝑘

𝑌𝑖𝑡 = 𝛽0 + ෍ 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡

𝑘=1

Y el término de error se conforma con la siguiente estructura:

𝑢𝑖𝑡 = 𝑎𝑖 + ∅𝑡 + 𝜀𝑖𝑡

𝑁−1 𝑇−1

𝑎𝑖 = ෍ 𝑎𝑖 𝑑𝑖 𝑦 ∅𝑡 = ෍ ∅𝑡 𝑡𝑡
𝑖=1 𝑡=1

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE EFECTOS FIJOS
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

𝑢𝑖𝑡 = 𝑎𝑖 + ∅𝑡 + 𝜀𝑖𝑡

𝑁−1 𝑇−1

𝑎𝑖 = ෍ 𝑎𝑖 𝑑𝑖 𝑦 ∅𝑡 = ෍ ∅𝑡 𝑡𝑡
𝑖=1 𝑡=1

Con 𝑎𝑖 se incorporan una serie de N-1 variables dicotómicas en el modelo de regresión con
el fin de controlar por el efecto de cada uno de los agentes sociales en la variable
dependiente.
Con ∅, se introduce una serie de T-1 variables dicotómicas para controlar por el efecto del
tiempo.
El error 𝑢𝑖𝑡 , ya no es aleatorio. Tiene un componente individual fijo que es invariable a
través del tiempo a pero varia de unos agentes sociales a otros y uno temporal fijo
invariable de los individuos.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE EFECTOS FIJOS
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

El modelo de regresión a estimar es el siguiente:

𝑘

𝑌𝑖𝑡 = 𝛽0 + 𝑎1 𝑑1 + 𝑎2 𝑑2 + ⋯ + 𝑎𝑁 𝑑𝑁 + ∅1 𝑡1 + ∅2 𝑡2 + ⋯ + ∅ 𝑇 𝑡𝑇 + ෍ 𝛽𝐾 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡 + 𝜀𝑖𝑡

𝐾=1

En forma matricial es:

𝑌𝑖𝑡 = 𝑎𝑖 + ∅𝑡 + 𝛽𝑖 𝑋𝑖𝑡 + 𝜀𝑖𝑡 𝑖 = 1, … 𝑁 𝑦 𝑡 = 1, … , 𝑇

Donde se captan las diferencias estructurales entre unidades

muéstrales por medio de las N-1 términos independientes
adicionales, y las diferencias en instantes del tiempo a través de los
T-1 términos independientes adicionales

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE EFECTOS FIJOS
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Este modelo de efectos fijos se puede extender fácilmente para

incluir interacciones entre agentes sociales y períodos temporales.
Hay que considerar las diferencias en las pendientes como
realizaciones diferentes de variables aleatorias con una misma
distribución de probabilidad
Sawmy en 1970 propone un modelo general a estimar:
𝑌𝑖𝑗 = 𝛽 + 𝑎𝑖 + ∅𝑡 𝑋𝑖𝑡 + 𝜀𝑖𝑡

En donde i = N unidades sociales

T = T observaciones en el tiempo.

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE EFECTOS FIJOS
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Este método permite incluir la variación en los efectos de las

variables independientes en la variable dependiente a través de las
unidades sociales y a través del tiempo.
En el caso de que se quiera incluir la componente que varia para
cada unidad social, el estimador entre grupos es el que se obtendría
utilizando en la estimación únicamente las N observaciones
formadas por las medias de las variables dependiente e
independientes de cada una de las unidades sociales:
(𝑦ഥ𝐼 , 𝑋𝑘𝑖 )

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE EFECTOS FIJOS
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

Mientras que el estimador “intragrupos” es el que utiliza en su

cálculo únicamente la variabilidad de las observaciones dentro de
cada unidad social. Se obtiene estimando la siguiente ecuación por
MCO:
𝑌𝑖𝑡 − 𝑦𝑖 = 𝛽𝐼𝐺 𝑋𝑖𝑡 − 𝑋𝑘𝑖 + (𝜀𝑖𝑡 − 𝜀ഥ𝑖 ሻ

El estimador de coeficientes aleatorios de Swamy es una media

ponderada de las estimaciones producidas por los estimadores
entre grupos e intragrupos

Dr. Alvarado Lagunas, E. Estadística [Material de clase].

 MODELO DE EFECTOS FIJOS
MODELO DE REGRESIÓN MÚLTIPLE MODELO DE COEFICIENTES
MODELO DE EFECTOS FIJOS
CON DATOS PANEL CONSTANTES

El vector de estimadores de coeficientes aleatorios se obtendría al

estimar el siguiente modelo:
𝑌𝑖𝑡 − ∅ 𝑦𝑖 = 𝛽𝐶𝐴 𝑋𝑖𝑡 − ∅𝑋𝑘𝑖 + (𝜀𝑖𝑡 − ∅𝜀𝑖 ൯

En donde
O = Linea de función de la varianza de 𝑎𝑖 y 𝜀𝑖𝑡

Dr. Alvarado Lagunas, E. Estadística [Material de clase].