Painel verdadeiro vs. Cross section empilhada · PDF file28/11/2010 2 Diferenças em...
Click here to load reader
Transcript of Painel verdadeiro vs. Cross section empilhada · PDF file28/11/2010 2 Diferenças em...
28/11/2010
1
1
Métodos de dados em painel
yit = β0 + β1xit1 + . . . βkxitk + uit
2
Painel verdadeiro vs. Cross section empilhada
Painel: dimensão cross section e temporal
Painel: a mesma unidade sendo seguida aolongo do tempo
Dados empilhados: não é a mesma unidadeseguida.
3
Empilhamento
Aumentar o tamanho da amostra
Investigar o efeito do tempo
Investigar se as relações mudaram ao longodo tempo
4
Diferenças em Diferenças
Seleção aleatória do grupo de tratamento e do grupo de controle – dado é experimental.Podemos simplesmente comparar a mudança dos resultados entre tratamento e controle para estimar o efeito do tratamento.Do tempo 1,2, grupos A, B (y2,B – y2,A) -(y1,B – y1,A), ou (y2,B – y1,B) - (y2,A – y1,A), é a diferença em diferença.
5
Diferenças em Diferenças (cont)
Estrutura da regressão pode calcular esteefeito:
Considere o modelo:
yit = β0 + β1treatmentit + β2afterit + β3treatmentit*afterit + uit
β3 medirá o efeito diferenças em diferenças
Diferenças em DiferençasQuando:
� a separação entre os grupos de tratamento e controle não foi aleatória; e
� quando temos grupos de tratamento e controle muito diferentes, principalmente com relação a características que não são observáveis.
6
28/11/2010
2
Diferenças em Diferenças
�Ideal para a análise de impacto: avaliador ter as informações sobre os grupos de tratamento e de controle em dois períodos de tempo, ou seja, no período anterior ao programa social e no período posterior ao programa social.
7 8
Diferenças em diferenças (cont)
Como a seleção não é aleatória devemosaplicar o método de regressão de forma a controlar por características observáveis.Variáveis de controle adicionais (x’s) podem ser adicionadas para controlar as diferenças existentes entre os grupos de controle e tratamento.
9
Dados de painel em dois períodos
MQO agrupado: empilhamento
O dado de painel pode ser usado parareduzir algum viés de variável omitida.
Se consideramos que a variável omitida é fixa ao longo do tempo, o modelo terá um erro composto.
10
Efeitos fixos não observadosSuponha que o modelo populacional é yit =
β0 + δ0d2t + β1xit1 +…+ βkxitk + ai + uit
Adicionamos um componente do erroconstante ao longo do tempo, υit = ai + uit
Se ai é correlacionado com osx’s, MQO será viesado, tendo em vista que é parte do termo de erro.Com dados em painel, podemos eliminareste efeito fixo tirando as primeirasdiferenças.
11
Primeiras diferenças
Subtrair um período do outro∆yi = δ0 + β1∆xi1 +…+ βk∆xik + ∆ui
Modelo onde não há correlação entre x’s e o termo de erro – exogeneidade estrita.
12
Diferenciando múltiplos períodos
Diferenciar períodos adjacentes.
Se 3 periodos, subtrair período 1 do periodo2, periodo 2 do periodo 3 e terá 2 observações por individuo.
Estimação usando MQO, assumindo que∆uit não são correlacionados ao longo do tempo.
28/11/2010
3
Exemplo no gretl
Os dados de 1980 e 1990 incluem preços de aluguéis e outras variáveis de cidades universitárias. A idéia é ver se uma forte presença de estudantes afeta os valores dos aluguéis. O modelo de efeitos não observados é:
onde pop é a população da cidade, rendfam é a renda média e pctestu é a população estudantil como uma porcentagem da população da cidade (durante o ano letivo).
13 14
Modelo 1:Mínimos Quadrados (OLS), usando as observações 1-128 Variável dependente: l_rent
Coeficiente Erro Padrão razão-t p-valor
const -0,568806 0,534881 -1,0634 0,28967 l_pop 0,0406863 0,0225154 1,8070 0,07320 * l_avginc 0,571446 0,053098 10,7621 <0,00001 *** Dyear_2 0,262227 0,0347632 7,5432 <0,00001 *** pctestu 0,00504356 0,00101918 4,9486 <0,00001 ***
Média var. dependente 5,746195 D.P. var. dependente 0,332707 Soma resíd. quadrados 1,950122 E.P. da regressão 0,125915 R-quadrado 0,861282 R-quadrado ajustado 0,856770 F(4, 123) 190,9220 P-valor(F) 9,41e-52
No gretl: estrutura de dados: seções cruzadas empilhadas 64, 2 períodos de tempo.
15
Modelo 4: Mínimos Quadrados de amostragem ("Pooled OLS"), usando 64 observações Incluídas 64 unidades de seção-cruzada
Comprimento da série temporal = 1 Variável dependente: d_l_rent
Coeficiente Erro Padrão razão-t p-valor
const 0,385521 0,0368245 10,4692 <0,00001 *** d_pctestu 0,0112033 0,00413194 2,7114 0,00873 *** d_l_pop 0,0722457 0,0883426 0,8178 0,41671 d_l_avginc 0,30996 0,0664771 4,6627 0,00002 ***
Média var. dependente 0,559677 D.P. var. dependente 0,106838 Soma resíd. quadrados 0,487362 E.P. da regressão 0,090126 R-quadrado 0,322262 R-quadrado ajustado 0,288375 F(3, 60) 9,509920 P-valor(F) 0,000031
16
Estimação de efeitos fixos
Quando existe um efeito fixo não observado, umaalternativa também é proceder a estimação por efeito fixo.Considere o modeloyit = β1xit1 +…+ βkxitk + ai + uit
A média do ai seráai, se subtraímos a média ao longo do tempo, ai será eliminado.A partir das diferenças dos valores individuais de cadavariável com relação aos valores médios, o termo ai é eliminado, resultando no estimador de efeitos fixos.As estimativas dos parâmetros são consistentes e eficientes.
17
Estimação de efeitos fixos (cont)
Cálculo do grau de liberdade: N(T –1) – kpor conta do cálculo das médias.
O método é igual a incluir um interceptopara cada unidade individual.
18
Primeiras diferenças versus Efeitos fixos
Métodos iguais quando T = 2Para T > 2, os dois métodos são diferentesEstimação de efeitos fixos é mais comum –facilidade de computar.Efeito fixo é implementado em painéis nãobalanceados.
28/11/2010
4
19
Efeitos aleatórios
yit = β0 + β1xit1 + . . . βkxitk + ai + uit
Assumimos queai é correlacionado com osx’s, e se não fosse?
A eliminação do ai geraria estimadoresineficientes.
Modelo de efeitos aleatórios: o efeito nãoobservado não é correlacionado com os x´s:
0),cov( =iitj ax
20
Efeitos aleatórios (cont.)
MQO agrupado: erros padrão serão erradospelo problema de correlação serial entre ostermos de erro.
O termo ai é o erro de composição em cadaperíodo de tempo, logo, os vit sãoserialmente correlacionados ao longo do tempo.
22
2
),(ua
aisit vvcorr
σσσσσσσσσσσσ+
=
21
Efeitos aleatórios (cont.)
Transformar o modelo e aplicar MQGSoma ponderada do MQO e dos efeitos fixos –usa dados quase reduzidos em cada variável.
( )[ ]( ) ( )
( ) ( )iitikitkk
iitiit
auu
xx
xxyy
T
ννβλβλβλ
σσσλ
−+−++−+−=−
+−=...1
1
1110
21222
22
Efeitos aleatórios (cont.)
Se λ = 1, estimador de efeitos fixosSe λ = 0, MQOQuanto maior a variancia do termo nãoobservado, mais próximo estou do EF e vice-versa.
Exemplos
23
Modelo 2: Efeitos-fixos, usando 128 observações Incluídas 64 unidades de seção-cruzada
Comprimento da série temporal = 2 Variável dependente: l_rent
Coeficiente Erro Padrão razão-t p-valor
const 1,40938 1,16724 1,2075 0,23200 pctestu 0,0112033 0,00413194 2,7114 0,00873 *** l_pop 0,0722457 0,0883426 0,8178 0,41671 l_avginc 0,30996 0,0664771 4,6627 0,00002 *** Dyear_2 0,385521 0,0368245 10,4692 <0,00001 ***