Aula14 - Painel (Parte 3)

Microeconometria
Aula 14 – Dados em painel (parte III)
Prof. Gilberto Boaretto
Ibmec/RJ
Conteúdo
Estimação por efeitos fixos

Hipóteses para estimação por efeitos fixos
Efeitos fixos versus primeiras diferenças
Exemplo
Estimação por PD e EF no R
Extra: Estimação por efeitos aleatórios

Hipóteses para estimação por efeitos aleatórios
Efeitos fixos ou efeitos aleaórios?
Extra: Correlação serial

Bibliografia
Wooldridge, J. M. (2017). Introdução à Econometria: uma abordagem

moderna. 6a edição. Cengage Learning – Caps. 13 e 14.
Stock, J. H., and M. M. Watson (2012). Introduction to Econometrics.

3a edição. Pearson – Cap. 10.
▶ Um método de estimação alternativo ao de primeiras diferenças é o de
efeitos fixos.
▶ Considere o modelo original
Yit = β1 Xit + ai + Uit , t = 1, 2, . . . , T (1)
▶ Para cada i, calculamos a média da equação (1) ao longo do tempo:
Y i = β1 X i + ai + U i (2)
T
1X
onde Y i = Yit . Fazemos o mesmo para Xit e Uit .
T t=1
▶ Como ai é fixo ao longo do tempo, aparece em ambas as equações.
▶ Subtraindo (2) de (1), temos

Yit − Y i = β1 Xit − X i + Uit − U i , t = 1, 2, . . . , T. (3)
▶ Note que o efeito fixo é eliminado quando subtraimos (2) de (1).

0 / 27
▶ Que pode ser escrito como
Ÿit = β1 Ẍit + Üit , t = 1, 2, . . . , T (4)
▶ Essa transformação de efeito fixo também é chamada intragrupo.
▶ Podemos usar MQO agrupados na regressão (4) para estimar β1 . Esse é

o método de estimação por efeitos fixos ou intragrupo.
▶ Esse método explora a variação temporal em Y e X dentro de cada

observação do corte transversal.
▶ No caso mais geral,
Ÿit = β1 Ẍit1 + β2 Ẍit2 + · · · + βk Ẍitk + Üit , t = 1, 2, . . . , T.
▶ Sob a hipótese de exogeneidade estrita das variáveis explicativas, o

estimador de efeitos fixos é não-viesado.
1 / 27
▶ Note que não há intercepto, que é automaticamente eliminado na
transformação por EF.
▶ O estimador de efeitos fixos leva em conta uma correlação arbitrária

entre ai e as variáveis explicativas em qualquer perı́odo de tempo, como
na primeira diferença.
▶ Portanto, qualquer variável explicativa que seja constante ao longo do

tempo para todo i é removida pela transformação de efeitos fixos:
Ẍit = 0 para todo i e t se Xit for constante ao longo de t.
▶ Graus de liberdade: há N T observações; perdemos k graus de

liberdade, pois estimamos k parâmetros; adicionalmente, também
perdemos um grau de liberdade para cada observação i devido à
centralização na média.
• Portanto, há N T − N − k = N (T − 1) − k graus de liberdade.

• É necessário corrigir os erros-padrão e as estatı́sticas de teste.
2 / 27
▶ O R2 é interpretado como o montante da variação temporal em Yit que
é explicada pela variação temporal nas variáveis explicativas.
▶ Variáveis explicativas constantes no tempo podem ser incluı́das na

regressão através da interação com variáveis que mudam no tempo, ou
por exemplo, com dummies anuais.
• Retorno educacional. Podemos incluir educação no modelo através de

uma interação com uma dummy de ano. Assim, podemos entender como
o retorno educacional mudou ao longo dos anos. Porém, não podemos
obter o retorno educacional do perı́odo base (o perı́odo base é omitido).
Somente avaliamos como o retorno educacional se alterou em relação ao
perı́odo base.
▶ Podemos estimar os efeitos fixos dos indivı́duos usando uma regressão

com dummies, ou seja, incluindo N dummies de indivı́duos na regressão
(1) e aplicando MQO. Essas dummies se tornam interceptos especı́ficos
dos indivı́duos. É necessário T suficientemente grande e N
relativamente pequeno.
3 / 27
Hipótese de Efeitos Fixos 1 (HEF.1): Para cada i, o modelo é
Yit = β1 Xit1 + β2 Xit2 + · · · + βk Xitk + ai + Uit , t = 1, 2, . . . , T.
em que βj são os parâmetros a serem estimados e ai os efeitos não

observados.
Hipótese de Efeitos Fixos 2 (HEF.2): Temos uma amostra

aleatória na dimensão do corte transversal.
Hipótese de Efeitos Fixos 3 (HEF.3): Cada variável explicativa

muda ao longo do tempo (para ao menos algum i), e não há relações
lineares perfeitas entre as variáveis explicativas.
4 / 27
Hipótese de Efeitos Fixos 4 (HEF.4): Para cada t, o valor

esperado do erro idiosincrático, dada as variáveis explicativas em todos
os perı́odos de tempo e o efeito não observado, é zero:
E (Uit | Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j , ai ) = 0.
As hipóteses HEF.1–HEF.4 são idênticas às do modelo de primeiras

diferenças. Sob essas hipóteses, o estimador de EF é não viesado. Também é
consistente se para um T fixo, N → ∞.
Hipótese de Efeitos Fixos 5 (HEF.5):

2
Var (Uit | Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j , ai ) = σU para todo
t = 1, 2, . . . , T .
5 / 27
Hipóteses para a estimação por efeitos fixos
Hipótese de Efeitos Fixos 6 (HEF.6): Para todo t ̸= s, os erros
idiosincráticos são não correlacionados (condicionais a todas as variáveis
explicativas e a ai :
Cov (Uit , Uis | Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j , ai ) = 0.
Sob HEF.1–HEF.6, o estimador de efeitos fixos é o melhor estimador linear

não viesado. Como o estimador de primeiras diferenças é linear e não
viesado, ele é, necessariamente, pior que o estimador de EF pois possui maior
variância. A hipótese que o torna pior do que o estimador de EF é a HEF.6,
que implica que os erros são não correlacionados. No caso do estimador de
PD, tinhamos que exigir que a primeira diferença era não correlacionada.
Hipótese de Efeitos Fixos 7 (HEF.7): Condicional a

(Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j , ai ),
os Uit ’s são independentes e
2
identicamente distribuı́dos como N 0, σU .
6 / 27
Efeitos fixos versus primeiras diferenças
▶ Quando T = 2, ambas as estimativas são idênticas. O método de PD é

mais simples de ser implementado.
▶ Quando T ≥ 3, os estimadores não são os mesmos. Ambos são não

viesados e consistentes sob as hipóteses HEF.1–HEF.4 quando T é fixo e
N → ∞.
• Se Uit são serialmente não correlacionados, os estimadores de EF são

mais eficientes do que os de PD.
• Em muitos casos, não podemos assumir que os fatores não observados

que se alteram no tempo sejam serialmente não correlacionados. Se Uit
seguir um passeio aleatório, há uma correlação serial bastante
significativa e positiva, então a ∆Uit será não correlacionada. Neste caso,
a estimação por PD é melhor.
7 / 27
Estimação por efeitos fixos – Exemplo
▶ Vamos analisar o efeitos que leis que proı́bem o consumo de bebida

alcoólica ao dirigir têm sobre o número de mortes.
▶ Aproximadamente 40.000 mortes por ano no trânsito nos EUA.
▶ 1/3 das fatalidades no trânsito envolvem o consumo de bebida alcoolica

ao dirigir.
▶ 25% dos motoristas que andam entre 1h e 3h da manhã dirigem sob o

efeito de bebida alcoólica (estimativas).
▶ Um motorista sob o efeito de bebida alcoólica tem 13 vezes mais

chances de causar um acidente fatal.
8 / 27
▶ Vamos analisar os efeitos de aplicações de leis sobre o consumo de

bebida alcoólica.
• Punição é mandatória para quem dirige sob o efeito do álcool?
• Existe uma idade mı́nima para o consumo de álcool?
• Imposto sobre o consumo de bebida alcoólica?
▶ Dados de painel dos EUA:
• N = 48 estados,
• T = 7 anos (1982–1988).
9 / 27
▶ Por que o uso dos métodos de estimação para dados em painel pode nos
ajudar?
▶ Há um potencial viés de variável omitida de variáveis que variam entre

os estados mas são constantes no tempo.
• Uso de efeitos fixos de estado pode nos ajudar.
– Cultura sobre beber e dirigir.
– Qualidade das estradas e ruas.
▶ Há um potencial viés de variável omitida de variáveis que variam no

tempo mas são constantes entre os estados.
• Uso de efeito fixo de tempo pode nos ajudar.
– Melhora na segurança dos carros.
– Mudança nacional nas atitudes em relação ao fato de dirigir alcoolizado

(Lei Seca).
10 / 27
11 / 27
▶ Principais resultados:
• O sinal do coeficiente associado ao imposto sobre o consumo de bebida

alcoólica muda quando efeitos fixos de estados são incluı́dos.
• Efeitos fixos de tempo são estatisticamente significante (teste F) mas não

tem muito impacto sobre os coeficientes estimados.
• O efeito do imposto sobre bebida alcoólica diminui quando outras leis

são incluı́das como regressores.
• A única variável de polı́tica pública que parece ter efeito sobre a redução
de mortes no trânsito é o imposto sobre o consumo de bebida alcoólica.
12 / 27
Estimação por PD e EF no R
▶ Consultar script
R/aula13 - estimação painel no R.R
no Dropbox da disciplina.
13 / 27
Extra: Estimação por efeitos aleatórios
Não cai na prova!!

Estimação por efeitos aleatórios
▶ Considere o modelo (1) com a inclusão de um intercepto:
Yit = β0 + β1 Xit + ai + Uit , t = 1, 2, . . . , T.
▶ A inclusão do intercepto deve-se ao fato de podermos assumir que

E (ai ) = 0.
▶ Suponha que entendemos que ai seja não correlacionado com a variável

explicativa em todos os perı́odos de tempo.
▶ Neste caso, o uso de uma transformação para eliminar o efeito fixo não
observado resultará em estimadores ineficientes.
14 / 27
As hipóteses do modelo de efeitos aleatórios são: HEF.1, HEF.2, HEF.5 e
HEF.6. As hipóteses HEF.3 e HEF.4 são alteradas para:
Hipótese de Efeitos Aleatórios 3 (HEA.3): Não há relações

lineares perfeitas entre as variáveis explicativas. Não é mais necessário
eliminar variáveis explicativas constantes no tempo pois somente
subtrairemos uma fração das médias temporais.
Hipótese de Efeitos Aleatórios 4 (HEA.4): Para cada t, o valor

esperado do erro idiosincrático, dada as variáveis explicativas em todos
os perı́odos de tempo e o efeito não observado, é zero:
E (Uit | Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j , ai ) = 0.
Adicionalmente, o valor esperado de ai , dadas todas as variáveis

explicativas, é constante:
E (ai | Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j ) = 0.
15 / 27
A hipótese HEF.5 também deve incluir um termo adicional:
Hipótese de Efeitos Aleatórios 5 (HEA.5):

2
Var (Uit | Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j , ai ) = σU
para todo t = 1, 2, . . . , T . Adicionalmente, a variância de ai , dadas

todas as variáveis explicativas, é constante:
Var (ai | Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j ) = σa2 .
▶ Note que se as hipóteses do modelo de efeitos aleatórios forem válidas,

nem precisarı́amos usar os dados de painel. As informações de um corte
transversal seriam suficientes para a estimação.
• Não faz sentido perder as informações ao longo do tempo.
▶ Também poderı́amos usar o MQO agrupado considerando dummies

temporais. Mas ignorarı́amos uma caracterı́stica importante: o ai
pertence ao erro gerando uma correlação serial ao longo do tempo.
16 / 27
▶ Considere o modelo
Yit = β0 + β1 Xit1 + · · · + βk Xitk + Vit , t = 1, 2, . . . , T (5)
em que Vit = ai + Uit é o erro composto.
▶ Também podemos adicionar dummies temporais.
▶ Dada a persistência de ai ao longo do tempo, os Vit ’s são serialmente

correlacionados ao longo do tempo.
σa2
Corr (Vit , Vis ) = 2 , ∀t ̸= s
σa2 + σU
▶ Neste caso, erros-padrão e estatı́sticas de teste usuais não são

válidos.
17 / 27
▶ Podemos resolver aplicando o método de mı́nimo quadrados
ponderados (MQG).
▶ Para isso, N deve ser grande e T relativamente pequeno.
▶ Procedimento: defina
2
1/2
σU
λ=1− 2 .
σU + T σa2
Note que 0 ≤ λ ≤ 1.
▶ Vamos transformar o modelo original (5) subtraindo uma fração λ das

médias temporais das variáveis:

Yit − λY i = β0 (1 − λ) + β1 Xit1 − λX i1 +

· · · + βk Xitk − λX ik + Vit − λV i (6)
18 / 27
▶ O método de estimação de efeitos aleatórios, portanto, retira uma

fração da média temporal de forma a corrigir o problema da correlação
serial ao longo do tempo.
▶ O estimador de MQG acima é simplesmente o estimador de MQO

agrupado da equação (6).

▶ Não é óbvio que os erros Vit − λV i serão serialmente não
correlacionados, mas eles são.
▶ Agora podemos incluir variáveis constantes no tempo. Essa é uma

vantagem da estimação por EA em relação às estimações por EF e PD.
19 / 27
▶ O parâmetro λ não é conhecido, mas pode ser estimado:

 1/2
b =1− 1
λ σ̂ 2
 .
1 + T σ̂2a
U
ba2 e σ
em que σ bU2
são estimadores consistentes para σa2 e σU
2
.
▶ Eles podem ser baseados nos resı́duos da estimação por EF ou MQO

agrupado Vbit , em que
Pn PT −1 PT
s=t+1 Vit Vis
b b
i=1 t=1
ba2
σ = N T (T −1)
2 − (k + 1)
2
σ
bU bV2 − σ
=σ ba2
20 / 27
▶ O estimador de MQG factı́vel, em que λ é estimado, é também

chamado de estimador de efeitos aleatórios.
▶ Consistente sob a hipótese de não correlação entre ai e Xitj , sendo T é

fixo e N → ∞.
▶ Note que se λ ≈ 0, temos estimativas próximas às de MQO agrupados.

Já se λ ≈ 1, temos estimativas próximas às de EF.
▶ O segundo caso é mais comum por σa2 ser geralmente grande.
b → 1 e isso faz com que EA e EF sejam

▶ Conforme T fica maior, λ
semelhantes.
21 / 27
▶ Note que
Vit − λV i = (1 − λ) ai + Uit − λU i ,
ou seja, os erros na equação transformada, estimada por efeitos
aleatórios, ponderam o efeito não observado constante no tempo pelo
fator (1 − λ).
▶ Portanto, embora haja uma pequena correlação entre ai e alguma das

variáveis explicativas, causando inconsistência, essa correlação é
atenuada pelo fator (1 − λ).
▶ Quando λ → 1, o termo do viés se aproxima de zero porque o estimador

de EA se aproxima do estimador de EF.
▶ Mesmo se não houver correlação, os erros-padrão das estimativas de

MQO agrupado e dos testes estatı́sticos serão inválidos por ignorar a
correlação serial ao longo do tempo.
22 / 27
Efeitos fixos ou efeitos aleaórios
▶ Sabemos que na estimação por efeitos aleatórios, removemos uma fração

da média da variável no tempo.
▶ Quando λ se aproxima de 1, as estimativas de EF e EA tendem a serem

iguais, dado que
(i) T → ∞; ou
σa2
(ii) 2
→ ∞.
σU
▶ Portanto, se (i) ou (ii) forem válidos, não importa se tratamos ai como

EF ou EA.
23 / 27
EF e EA: vantagens e desvantagens
▶ Estimação por efeitos fixos (EF):
• Vantagem: não é necessário assumir independência entre o efeito
individual fixo no tempo e os regressores.
• Desvantagem: não permite a estimação do efeito de variáveis
observadas fixas no tempo.
▶ Estimação por efeitos aleatórios (EA):

• Vantagem: o número de parâmetros a ser estimado é fixo, portanto
eficiente.
• Desvantagem: hipótese muito forte sobre independência entre os
efeitos individuais fixos no tempo e os regressores.
▶ Portanto, a escolha entre EF e EA deve se basear na hipótese de

independência entre os efeitos individuais fixos no tempo e os
regressores:
• ai ⊥ X it =⇒ EA é eficiente.
• ai ̸⊥ X it =⇒ EA é inconsistente.
24 / 27
EF e EA: qual devemos escolher?
▶ Podemos testar essa hipótese de independência:
• H0 : ai ⊥ X it =⇒ EF e EA são consistentes, EA é eficiente.
• H1 : ai ̸⊥ X it =⇒ EF é consistente e EA é inconsistente.
β
b
EA β
b
EF
H0 consistente & eficiente consistente & ineficiente

H1 inconsistente consistente
b −β P
▶ Sob H0 , β EF → 0.
b
EA
P
b −β
▶ Sob H1 , β EF ̸→ 0.
b
EA
25 / 27
Efeitos fixos ou efeitos aleaórios
▶ βbEA consistente e eficiente sob H0 , inconsistente sob H1 .
▶ β
b
EF consistente sob H0 e H1 .
′ h i−1 d
βbEF − βbEA −→ χ2k

H = N βbEF − βbEA Var(βbEF − Var(βbEA )
▶ Lembre-se do resultado de Hausman:

Var βbEF − βbEA = Var βbEF − Var βbEA
26 / 27
Extra: Correlação serial
Não cai na prova!!

Correlação serial
▶ Suponha um modelo do tipo:
Yit = β1 Yit−1 + ci + Uit

| {z }
= Vit
▶ Precisamos que Cov (Yit−1 , ci ) = 0. Veja que
Yit−1 = β1 Yit−2 + ci + Uit−1
ou seja,
Cov (Yit−1 , ci ) = Cov (β1 Yi,t−2 + ci + Ui,t−1 , ci )

= β1 Cov (Yi,t−2 , ci ) + Cov (ci , ci ) + Cov (Ui,t−1 , ci )
= (· · · ) + σc2 + 0
▶ Portanto, ci é necessariamente correlacionado com Yi,t−1 . Essa hipótese

de que Cov (ci , Xit ) = 0 pode ser muito forte em alguns casos.
Voltar
27 / 27

Aula14 - Painel (Parte 3)

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula14 - Painel (Parte 3)

Enviado por

Direitos autorais:

Formatos disponíveis

Microeconometria

Aula 14 – Dados em painel (parte III)

Prof. Gilberto Boaretto

Estimação por efeitos fixos

Extra: Estimação por efeitos aleatórios

Extra: Correlação serial

Wooldridge, J. M. (2017). Introdução à Econometria: uma abordagem

Stock, J. H., and M. M. Watson (2012). Introduction to Econometrics.

Yit = β1 Xit + ai + Uit , t = 1, 2, . . . , T (1)

▶ Para cada i, calculamos a média da equação (1) ao longo do tempo:

▶ Note que o efeito fixo é eliminado quando subtraimos (2) de (1).

Ÿit = β1 Ẍit + Üit , t = 1, 2, . . . , T (4)

▶ Essa transformação de efeito fixo também é chamada intragrupo.

▶ Podemos usar MQO agrupados na regressão (4) para estimar β1 . Esse é

▶ Esse método explora a variação temporal em Y e X dentro de cada

▶ No caso mais geral,

Ÿit = β1 Ẍit1 + β2 Ẍit2 + · · · + βk Ẍitk + Üit , t = 1, 2, . . . , T.

▶ Sob a hipótese de exogeneidade estrita das variáveis explicativas, o

▶ O estimador de efeitos fixos leva em conta uma correlação arbitrária

▶ Portanto, qualquer variável explicativa que seja constante ao longo do

▶ Graus de liberdade: há N T observações; perdemos k graus de

• Portanto, há N T − N − k = N (T − 1) − k graus de liberdade.

▶ Variáveis explicativas constantes no tempo podem ser incluı́das na

• Retorno educacional. Podemos incluir educação no modelo através de

▶ Podemos estimar os efeitos fixos dos indivı́duos usando uma regressão

Hipótese de Efeitos Fixos 1 (HEF.1): Para cada i, o modelo é

Yit = β1 Xit1 + β2 Xit2 + · · · + βk Xitk + ai + Uit , t = 1, 2, . . . , T.

em que βj são os parâmetros a serem estimados e ai os efeitos não

Hipótese de Efeitos Fixos 2 (HEF.2): Temos uma amostra

Hipótese de Efeitos Fixos 3 (HEF.3): Cada variável explicativa

Hipótese de Efeitos Fixos 4 (HEF.4): Para cada t, o valor

E (Uit | Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j , ai ) = 0.

As hipóteses HEF.1–HEF.4 são idênticas às do modelo de primeiras

Hipótese de Efeitos Fixos 5 (HEF.5):

Cov (Uit , Uis | Xi1j , Xi2j , . . . , Xitj , Xi,t+1,j , . . . , XiT j , ai ) = 0.

Sob HEF.1–HEF.6, o estimador de efeitos fixos é o melhor estimador linear

Hipótese de Efeitos Fixos 7 (HEF.7): Condicional a

▶ Quando T = 2, ambas as estimativas são idênticas. O método de PD é

▶ Quando T ≥ 3, os estimadores não são os mesmos. Ambos são não

• Se Uit são serialmente não correlacionados, os estimadores de EF são

• Em muitos casos, não podemos assumir que os fatores não observados

▶ Vamos analisar o efeitos que leis que proı́bem o consumo de bebida

▶ Aproximadamente 40.000 mortes por ano no trânsito nos EUA.

▶ 1/3 das fatalidades no trânsito envolvem o consumo de bebida alcoolica

▶ 25% dos motoristas que andam entre 1h e 3h da manhã dirigem sob o

▶ Um motorista sob o efeito de bebida alcoólica tem 13 vezes mais

▶ Vamos analisar os efeitos de aplicações de leis sobre o consumo de

• Punição é mandatória para quem dirige sob o efeito do álcool?

• Existe uma idade mı́nima para o consumo de álcool?

• Imposto sobre o consumo de bebida alcoólica?

▶ Dados de painel dos EUA:

▶ Há um potencial viés de variável omitida de variáveis que variam entre

• Uso de efeitos fixos de estado pode nos ajudar.

– Cultura sobre beber e dirigir.

– Qualidade das estradas e ruas.

▶ Há um potencial viés de variável omitida de variáveis que variam no

• Uso de efeito fixo de tempo pode nos ajudar.

– Melhora na segurança dos carros.

– Mudança nacional nas atitudes em relação ao fato de dirigir alcoolizado

• O sinal do coeficiente associado ao imposto sobre o consumo de bebida

• Efeitos fixos de tempo são estatisticamente significante (teste F) mas não

• O efeito do imposto sobre bebida alcoólica diminui quando outras leis

R/aula13 - estimação painel no R.R