TOPICOS DE ECONOMETRIA
APLICADA
Datos de Panel
Introducción
Métodos Simples Para Datos de
Panel
• Corte transversal + serie de tiempo
• Encuestas o relevamientos a los mismos
individuos en varios períodos
• Datos de unidades (empresas, países) en
varios períodos.
• Muestras de corte transversal
independientes (distintos individuos)
• Se incrementa el tamaño muestral:
estimadores mas precisos
Ejemplo 1: fertilidad de las mujeres
en el tiempo
• Encuesta de años pares entre 1972-1984
• Pregunta: cambiaron los índices de
fecundidad en el tiempo? (ceteris paribus)
• Controles: educación, edad, raza, religión,
etc.
• Año base 72
1. year
2. educ
3. meduc
4. feduc
5. age
6. kids
7. black
8. east
9. northcen
10. west
11. farm
12. othrural
13. town
14. smcity
15. y74
16. y76
17. y78
18. y80
19. y82
20. y84
21. agesq
22. y74educ
23. y76educ
24. y78educ
25. y80educ
26. y82educ
27. y84educ
72 to 84, even
years of schooling
mother's education
father's education
in years
# children ever born
= 1 if black
= 1 if lived in east at 16
= 1 if lived in nc at 16
= 1 if lived in west at 16
= 1 if on farm at 16
= 1 if other rural at 16
= 1 if lived in town at 16
= 1 if in small city at 16
= 1 if year = 74
age^2
y74*educ
Source |
SS
df
MS
-------------+-----------------------------Model | 399.610888
17 23.5065228
Residual | 2685.89841 1111 2.41755033
-------------+-----------------------------Total |
3085.5093 1128 2.73538059
Number of obs
F( 17, 1111)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
1129
9.72
0.0000
0.1295
0.1162
1.5548
-----------------------------------------------------------------------------kids |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ | -.1284268
.0183486
-7.00
0.000
-.1644286
-.092425
age |
.5321346
.1383863
3.85
0.000
.2606065
.8036626
agesq |
-.005804
.0015643
-3.71
0.000
-.0088733
-.0027347
black |
1.075658
.1735356
6.20
0.000
.7351631
1.416152
east |
.217324
.1327878
1.64
0.102
-.0432192
.4778672
northcen |
.363114
.1208969
3.00
0.003
.125902
.6003261
west |
.1976032
.1669134
1.18
0.237
-.1298978
.5251041
farm | -.0525575
.14719
-0.36
0.721
-.3413592
.2362443
othrural | -.1628537
.175442
-0.93
0.353
-.5070887
.1813814
town |
.0843532
.124531
0.68
0.498
-.1599893
.3286957
smcity |
.2118791
.160296
1.32
0.187
-.1026379
.5263961
y74 |
.2681825
.172716
1.55
0.121
-.0707039
.6070689
y76 | -.0973795
.1790456
-0.54
0.587
-.448685
.2539261
y78 | -.0686665
.1816837
-0.38
0.706
-.4251483
.2878154
y80 | -.0713053
.1827707
-0.39
0.697
-.42992
.2873093
y82 | -.5224842
.1724361
-3.03
0.003
-.8608214
-.184147
y84 | -.5451661
.1745162
-3.12
0.002
-.8875846
-.2027477
_cons | -7.742457
3.051767
-2.54
0.011
-13.73033
-1.754579
------------------------------------------------------------------------------
• Una mujer en 1982 tiene en promedio 0.52 hijos
menos que en 1972 todo lo demás constante
• Refleja la caída de fecundidad por razones que
no están contempladas por las otras variables
explicativas (educ, edad, etc)
• Se supone que el efecto de cada variable
explicativa ha permanecido constante en el
tiempo. Pueden usarse interacciones para
analizar cambio de coeficientes.
• Problema potencial de heteroscedasticidad:test
y estimadores robustos (White).
Ejemplo 2: Salarios educación y
género
• Estimación de salarios en función de
educacion, experiencia, sindicato, genero.
• Variable dependiente: log salarios años 78
y 85
• Con la incorporación de una dummy para
1985 controlamos el cambio temporal
Obs:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
1084
educ
south
nonwhite
female
married
exper
expersq
union
lwage
age
year
y85
y85fem
y85educ
y85union
years of schooling
=1 if live in south
=1 if nonwhite
=1 if female
=1 if married
age - educ - 6
exper^2
=1 if belong to union
log hourly wage
in years
78 or 85
=1 if year == 85
y85*female
y85*educ
y85*union
Source |
SS
df
MS
-------------+-----------------------------Model | 135.992074
8 16.9990092
Residual | 183.099094 1075 .170324738
-------------+-----------------------------Total | 319.091167 1083
.29463635
Number of obs
F( 8, 1075)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
1084
99.80
0.0000
0.4262
0.4219
.4127
-----------------------------------------------------------------------------lwage |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------y85 |
.1178062
.1237817
0.95
0.341
-.125075
.3606874
educ |
.0747209
.0066764
11.19
0.000
.0616206
.0878212
y85educ |
.0184605
.0093542
1.97
0.049
.000106
.036815
exper |
.0295843
.0035673
8.29
0.000
.0225846
.036584
expersq | -.0003994
.0000775
-5.15
0.000
-.0005516
-.0002473
union |
.2021319
.0302945
6.67
0.000
.1426888
.2615749
female | -.3167086
.0366215
-8.65
0.000
-.3885663
-.244851
y85fem |
.085052
.051309
1.66
0.098
-.0156251
.185729
_cons |
.4589329
.0934485
4.91
0.000
.2755707
.642295
------------------------------------------------------------------------------
• El efecto estimado de edu en 1978 es 7.5%
• En 1985 1.8 puntos más alto
• El término de interacción es significativo al 5%.
La diferencia en el rendimiento de la educación
es significativa entre años.
• Una mujer ganaba aprox. 31% menos en 1978.
• En 1985 la diferencia es -0.317+0.085=-0.232
• Es decir que la diferencia disminuye unos 8.5
puntos porcentuales.
• Que pasa si interactuamos y85 con todas
las variables?
• Es equivalente a estimar dos regresiones
• Se puede hacer un Chow test
• Alternativamente se puede incluir la
dummy y la interacción con todas las
variables y realizar un test de restricciones
Ejemplo 3: Análisis de cambios de
políticas
• Efecto de la instalación de un incinerador de
basura sobre el precio de viviendas
• Precio contra cercanía de la casa al incinerador.
• En corte transversal podemos encontrar que el
precio de las casas es menor después y
también antes de la instalación.
• El incinerador se construye en una zona donde
ya los precios eran relativamente más bajos
•
-------------------------------------
Obs:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
321
year
age
agesq
nbh
cbd
intst
lintst
price
rooms
area
land
baths
dist
ldist
wind
lprice
y81
larea
lland
y81ldist
lintstsq
nearinc
y81nrinc
rprice
lrprice
1978 or 1981
age of house
age^2
neighborhood #, 1 to 6
d i s t . t o c e n t r a l b u s . d s t rc t , f e e t
dist. to interstate, feet
log(intst)
selling price
# rooms in house
square footage of house
square footage lot
# bathrooms
dist. from house to incinerator, feet
log(dist)
perc. time wind incin. to house
log(price)
=1 if year == 1981
log(area)
log(land)
y81*ldist
lintst^2
=1 if dist <= 15840
y81*nearinc
price, 1978 dollars
log(rprice)
AÑO 1981
Source |
SS
df
MS
-------------+-----------------------------Model |
2.7059e+10
1
2.7059e+10
Residual |
1.3661e+11
140
975815069
-------------+-----------------------------Total |
1.6367e+11
141
1.1608e+09
Number of obs
F(
1,
140)
Prob > F
R- s q u a r e d
Adj R-squared
Root MSE
=
=
=
=
=
=
142
27.73
0.0000
0.1653
0.1594
31238
-----------------------------------------------------------------------------rprice |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------nearinc |
-30688.27
5827.709
-5.27
0.000
-42209.97
-19166.58
_cons |
101307.5
3093.027
32.75
0.000
95192.43
107422.6
AÑO 1978
Source |
SS
df
MS
-------------+-----------------------------Model |
1.3636e+10
1
1.3636e+10
Residual |
1.5332e+11
177
866239953
-------------+-----------------------------Total |
1.6696e+11
178
937979126
Number of obs
F(
1,
177)
Prob > F
R- s q u a r e d
Adj R-squared
Root MSE
=
=
=
=
=
=
179
15.74
0.0001
0.0817
0.0765
29432
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - rprice |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------nearinc |
-18824.37
4744.594
-3.97
0.000
-28187.62
-9461.118
_cons |
82517.23
2653.79
31.09
0.000
77280.09
87754.37
------------------------------------------------------------------------------
• La diferencia entre coeficientes estimados es
 d1 = - 11863.9
• Se conoce como el estimador de la diferencia en las
diferencias
 d1 = (rprice81Cer – rprice81Lej) – (rprice78Cer – rprice78Lej)
• Para la var rprice en el promedio
• Mide el cambio en la diferencia media del precio entre
ambas localizaciones
• Es necesario realizar un test para saber la
significación del delta
• El delta puede obtenerse de la regresión
del precio contra una dummy temporal, la
variable de interés y la interacción entre
ambas.
• Es el coeficiente estimado para la
interacción con la dummy.
reg
rprice
y81
nearinc
y81nrinc
Source |
SS
df
MS
-------------+-----------------------------Model |
6.1055e+10
3
2.0352e+10
Residual |
2.8994e+11
317
914632749
-------------+-----------------------------Total |
3.5099e+11
320
1.0969e+09
Number of obs
F(
3,
317)
Prob > F
R- s q u a r e d
Adj R-squared
Root MSE
=
=
=
=
=
=
321
22.25
0.0000
0.1739
0.1661
30243
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - rprice |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------y81 |
18790.29
4050.065
4.64
0.000
10821.88
26758.69
nearinc |
-18824.37
4875.322
-3.86
0.000
-28416.45
-9232.293
y81nrinc |
-11863.9
7456.646
-1.59
0.113
-26534.67
2806.866
_cons |
82517.23
2726.91
30.26
0.000
77152.1
87882.36
------------------------------------------------------------------------------
• El error std. es alto.
• No es significativa la interacción.
• Debería controlarse el efecto de la
localización por otras variables
• Antigüedad, distancia a rutas, superficie,
número de habitaciones, etc.
reg
rprice
y81
nearinc
y81nrinc
age agesq
Source |
SS
df
MS
-------------+-----------------------------Model | 2.3167e+11
10 2.3167e+10
Residual | 1.1932e+11
310
384905873
-------------+-----------------------------Total | 3.5099e+11
320 1.0969e+09
intst land area rooms baths
Number of obs
F( 10,
310)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
321
60.19
0.0000
0.6600
0.6491
19619
-----------------------------------------------------------------------------rprice |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------y81 |
13928.48
2798.747
4.98
0.000
8421.533
19435.42
nearinc |
3780.334
4453.415
0.85
0.397
-4982.41
12543.08
y81nrinc | -14177.93
4987.267
-2.84
0.005
-23991.11
-4364.759
age |
-739.451
131.1272
-5.64
0.000
-997.4629
-481.4391
agesq |
3.45274
.8128214
4.25
0.000
1.853395
5.052084
intst | -.5386353
.1963359
-2.74
0.006
-.9249549
-.1523158
land |
.1414196
.0310776
4.55
0.000
.0802698
.2025693
area |
18.08621
2.306064
7.84
0.000
13.54869
22.62373
rooms |
3304.225
1661.248
1.99
0.048
35.47769
6572.973
baths |
6977.318
2581.321
2.70
0.007
1898.192
12056.44
_cons |
13807.67
11166.59
1.24
0.217
-8164.23
35779.58
------------------------------------------------------------------------------
EN LOGS PARA OBTENER CAMBIOS PORCENTUALES
reg lnprice
y81 nearinc y81nrinc
age agesq
Source |
SS
df
MS
-------------+-----------------------------Model | 35.2722428
10 3.52722428
Residual | 12.8768999
310 .041538387
-------------+-----------------------------Total | 48.1491427
320 .150466071
lintst larea lnland rooms baths
Number of obs
F( 10,
310)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
321
84.91
0.0000
0.7326
0.7239
.20381
-----------------------------------------------------------------------------lnprice |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------y81 |
.1620726
.0285
5.69
0.000
.1059948
.2181505
nearinc |
.0322337
.0474876
0.68
0.498
-.0612052
.1256725
y81nrinc | -.1315137
.0519713
-2.53
0.012
-.2337748
-.0292527
age | -.0083591
.0014111
-5.92
0.000
-.0111357
-.0055825
agesq |
.0000376
8.67e-06
4.34
0.000
.0000206
.0000547
lintst | -.0614477
.0315076
-1.95
0.052
-.1234434
.0005481
larea |
.3507717
.0514866
6.81
0.000
.2494643
.4520792
lnland |
.0998448
.024491
4.08
0.000
.0516551
.1480345
rooms |
.0473343
.0173274
2.73
0.007
.0132401
.0814285
baths |
.0942775
.0277257
3.40
0.001
.0397232
.1488318
_cons |
7.651754
.4158839
18.40
0.000
6.833442
8.470066
------------------------------------------------------------------------------
Cambios en el tiempo debidos a un
tratamiento
• Un cambio que afecta a un grupo: grupo de tratamiento
• Otro grupo no es afectado por el cambio: grupo de
control
• Podemos dividir la muestra en cuatro grupos:
• el grupo de control antes del cambio
• El grupo de control después del cambio
• El grupo de tratamiento antes del cambio
• El grupo de tratamiento después del cambio
• Llamamos A al grupo de control y B al de tratamiento
• dB una dummy = 1 si B (cero en caso contrario)
• d2 una dummy = 1 si es el momento 2 (cero en caso
contrario)
y =    d  d2   1 dB + d 1 d2 . dB + otros factores
donde y es la variable de interés
El d1 es el estimador de diferencias en diferencias
En el caso de regresion simple la interpretación es
d1 = (y2,B – y2A) – (y1,B – y1A)
Ejemplo 4: Efectos de las leyes de
indemnización por lesiones sobre
la duración de la baja laboral
• En 1980 en Kentucky se elevó el tope de
indemnización.
• Esto no afectaba a los trabajadores de
ingresos bajos ya que no llegaban al tope
• El grupo de control son los trabajadores
de ingresos bajos
• El de tratamiento el de ingresos altos
• Variable dependiente: log de la duración
de los beneficios por lesiones
Obs: 7150
1. durat
duration of benefits
2. afchnge
=1 if after change in benefits
3. highearn
=1 if high earner
4. male
5. married
=1 if male
=1 if married
6. ky
=1 for Kentucky
7. mi
=1 for Michigan
8. ldurat
log(durat)
9. afhigh
afchnge*highearn
reg
ldurat
afchnge
highearn
afch_high if ky==1
Source |
SS
df
MS
-------------+-----------------------------Model | 191.071427
3 63.6904757
Residual | 9055.93393 5622
1.6108029
-------------+-----------------------------Total | 9247.00536 5625 1.64391206
Number of obs
F( 3, 5622)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
5626
39.54
0.0000
0.0207
0.0201
1.2692
-----------------------------------------------------------------------------ldurat |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------afchnge |
.0076573
.0447173
0.17
0.864
-.0800058
.0953204
highearn |
.2564785
.0474464
5.41
0.000
.1634652
.3494918
afch_high |
.1906012
.0685089
2.78
0.005
.0562973
.3249051
_cons |
1.125615
.0307368
36.62
0.000
1.065359
1.185871
------------------------------------------------------------------------------
Datos de Panel Para Dos Períodos
• Dos períodos para el mismo individuo
• Ejemplo: tasa de desempleo y
delincuencia para ciudades en 1982 y
1987
• Que ocurre si usamos cross section?
Obs:
92
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
pop
crimes
unem
officers
pcinc
west
nrtheast
south
year
area
d87
popden
crmrte
offarea
lawexpc
polpc
lpop
loffic
lpcinc
llawexpc
lpopden
lcrimes
larea
lcrmrte
clcrimes
clpop
clcrmrte
lpolpc
clpolpc
cllawexp
cunem
clpopden
lcrmrt_1
ccrmrte
population
total number index crimes
unemployment rate
number police officers
per capita income
=1 if city in west
=1 if city in NE
=1 if city in south
82 or 87
land area, square miles
=1 if year = 87
people per sq mile
crimes per 1000 people
officers per sq mile
law enforce. expend. pc, $
police per 1000 people
log(pop)
log(officers)
log(pcinc)
log(lawexpc)
log(popden)
log(crimes)
log(area)
log(crmrte)
change in lcrimes
change in lpop
change in lcrmrte
log(polpc)
change in lpolpc
change in llawexp
change in unem
change in lpopden
lcrmrte lagged
change in crmrte
reg
crmrte
unem if d87==1
Source |
SS
df
MS
-------------+-----------------------------Model |
1775.90928
1
1775.90928
Residual |
52674.6428
44
1197.15097
-------------+-----------------------------Total |
54450.5521
45
1210.01227
Number of obs
F(
1,
44)
Prob > F
R- s q u a r e d
Adj R-squared
Root MSE
=
=
=
=
=
=
46
1.48
0.2297
0.0326
0.0106
34.6
-----------------------------------------------------------------------------crmrte |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------unem |
-4.161134
3.416456
-1.22
0.230
-11.04655
2.72428
_cons |
128.3781
20.75663
6.18
0.000
86.54589
170.2104
------------------------------------------------------------------------------
• El resultado es contraintuitivo: mas
desempleo genera menor delincuencia
• Problema potencial: omisión de variables
• Factores no observados pueden estar
afectando la variable dependiente
• Algunos pueden ser constantes y otros
variar en el tiempo
y =    d d 2 t   1 x it + d1 d 2 . d B + a i + u it
t = 1, 2
i hace referencia al individuo
t a l pé r í o d o
d2t es una dummy que vale 1 si t=2
La variable ai capta todos los factores no observados que no cambian en el
tiempo
Es el efecto no observado o efecto fijo
Este es el modelo básico de efectos fijos
A la variable a se la conoce también como heterogeneidad no observada
El término de error uit se denomina error idiosincrático o error que cambia en
el tiempo
Son los factores no observables que cambien en t y que afectan a y
Un modelo simple puede ser
yit =   d d2t  1 xit + d1 d2 . dB + vit
t= 1,2
donde vit es un error compuesto
vit = ai + uit
Si estimamos por OLS para que los estimadores sean consistentes debemos
suponer que los vit no están correlacionados con las x
Si esto no es así, la estimación será sesgada e inconsistente
El sesgo ocurre por la omision de una variable que es constante en el tiempo
(a) se conoce como sesgo de heterogeneidad
reg
crmrte
d87 unem
Source |
SS
df
MS
-------------+-----------------------------Model |
989.717314
2
494.858657
Residual |
80055.7864
89
899.503218
-------------+-----------------------------Total |
81045.5037
91
890.609931
Number of obs
F(
2,
89)
Prob > F
R- s q u a r e d
Adj R-squared
Root MSE
=
92
=
0.55
=
0 .5 7 8 8
=
0.0122
= -0.0100
=
29.992
-----------------------------------------------------------------------------crmrte |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------d87 |
7.940413
7 . 9 75 3 2 4
1.00
0.322
-7.906386
23.78721
unem |
.4265461
1.188279
0.36
0.720
-1.934539
2.787631
_cons |
93.42026
12.73947
7.33
0.000
68.1072
118.7333
------------------------------------------------------------------------------
• Esta estimación no resuelve el problema
de la variable no observable omitida
• Los estimadores son sesgados e
inconsistentes.
• En general usamos datos de panel porque
queremos permitir que los efectos no
observados (a) estén correlacionados con
las variables explicativas.
• Dado que a no depende del tiempo es
posible diferenciar los datos en los dos
años
• Entonces, en diferencias en t desaparece
el efecto no observable
yi = d  1 xi + ui
• El efecto no observable desaparece porque se
anula al ser constante en el tiempo
• La ordenada ahora es el cambio en el termino
constante de t= 1 a t=2
• Esta es una ecuación en primeras diferencias
• Si el cambio en u no esta correlacionado con el
cambio en x, entonces podemos usar OLS
• Los estimadores se conocen como los
estimadores en primeras diferencias
• Las x deben variar en el tiempo
• Es decir, no pueden incluirse variables
como por ej. Dummy por género porque
no varian en t
• Además debemos suponer
homoscedasticidad
reg
ccrmrte
cunem
Source |
SS
df
MS
-------------+-----------------------------Model |
2566.43732
1
2566.43732
Residual |
17689.5504
44
402.035236
-------------+-----------------------------Total |
20255.9877
45
450.13306
Number of obs
F(
1,
44)
Prob > F
R- s q u a r e d
Adj R-squared
Root MSE
=
=
=
=
=
=
46
6.38
0.0152
0.1267
0.1069
20.051
-----------------------------------------------------------------------------ccrmrte |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------cunem |
2.217999
.8778659
2.53
0.015
.4487771
3.987222
_cons |
15.4022
4.702117
3.28
0.002
5.925709
24.8787
-----------------------------------------------------------------------------. reg
ccrmrte
cunem, robust
Regression with robust standard errors
Number of obs
F(
1,
44)
Prob > F
R- s q u a r e d
Root MSE
=
=
=
=
=
46
7.40
0.0093
0.1267
20.051
-----------------------------------------------------------------------------|
Robust
ccrmrte |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------cunem |
2.217999
.8155056
2.72
0.009
.5744558
3.861543
_cons |
15.4022
5.178907
2.97
0.005
4.964803
25.8396
-----------------------------------------------------------------------------.
• Ahora la relación es positiva y significativa
• El termino constante implica que aun
cuando el desempleo no cambie, el índice
de delincuencia aumentaría 15.4
• Es un aumento tendencial
Ejemplo: Dormir o trabajar?
• Estimación de horas de sueño en función
de horas de trabajo
• Se trata de medir sustitución
• Años 75 y 81
Obs:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
239
age75
educ75
educ81
gdhlth75
gdhlth81
male
marr75
marr81
slpnap75
slpnap81
totwrk75
totwrk81
yngkid75
yngkid81
ceduc
cgdhlth
cmarr
cslpnap
ctotwrk
cyngkid
age in 1975
years educ in '75
years educ in '81
=1 if good hlth in '75
= 1 i f g o o d h l t h i n ' 81
=1 if male
=1 if married in '75
=1 if married in '81
mins slp wk, inc naps, '75
m i n s s l p w k , i n c n a p s , '8 1
minutes worked per week, '75
minutes worked per week, '81
=1 if child < 3, '75
=1 if child < 3, '81
c h an g e i n e d u c
change in gdhlth
change in marr
change in slpnap
change in totwrk
change in yngkid
reg
cslpnap
ctotwrk
ceduc
cmarr
cyngkid
Source |
SS
df
MS
-------------+-----------------------------Model |
14674698.2
5
2934939.64
Residual |
83482611.7
233
358294.471
-------------+-----------------------------Total |
98157309.9
238
412425.672
cgdhlth
Number of obs
F(
5,
233)
Prob > F
R- s q u a r e d
Adj R-squared
Root MSE
=
=
=
=
=
=
239
8.19
0.0000
0.1495
0.1313
598.58
-----------------------------------------------------------------------------cslpnap |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
- - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - - - - - - -- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - ctotwrk |
-.2266694
.036054
-6.29
0.000
-.2977029
-.1556359
ceduc |
-.0244717
48.75938
-0.00
1.000
-96.09007
96.04113
cmarr |
104.2139
92.85536
1.12
0.263
-78.72946
287.1574
cyngkid |
94.6654
87.65252
1.08
0.281
-78.02738
267.3582
cgdhlth |
87.57785
76.59913
1.14
0.254
-63.33758
238.4933
_cons |
-92.63404
45.8659
-2.02
0.045
-182.9989
-2.269154
• Una hora adicional de trabajo lleva a
0.22x(60)=13.62 minutos menos de sueño
• Educ no es significativo: hay poca
variabilidad
Análisis de Políticas con Datos de
Panel
• Efecto de las leyes de tránsito sobre la
conducción en estado de embriaguez
• Datos de 1985 y 1990
• 50 estados + DC
• Var dep: muertes por accidente/100 millones de
millas recorridas en auto
• Ley de “recipientes abiertos” en 1985 en 19
estados
• En 1990 en 22 estados
• Leyes administrativas que permiten retirar el
permiso: de 21 estados a 29
state
speed85
Obs:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
admn90
cdthrte
admn85
cadmn
open90
copen
open85
cspeed
dthrte90
dthrte85
51
state
admn90
admn85
open90
open85
dthrte90
dthrte85
speed90
speed85
cdthrte
cadmn
copen
cspeed
state postal code
=1 if admin. revocation, '90
=1 if admin. revocation, '85
=1 if open container law, '90
=1 if open container law, '85
deaths per 100 mill. miles, '90
deaths per 100 mill. miles, '85
=1 if 65 mph speed limit, 1990
=0 always
dthrte90 - dthrte85
admn90 - admn85
open90 - open85
speed90 - speed85
speed90
reg
cdthrte
copen
cadmn
Source |
SS
df
MS
-------------+-----------------------------Model |
.762579679
2
.38128984
Residual |
5.6636945
48
.117993635
-------------+-----------------------------Total |
6.42627418
50
.128525484
Number of obs
F(
2,
48)
Prob > F
R- s q u a r e d
Adj R-squared
Root MSE
=
=
=
=
=
=
51
3.23
0.0482
0.1187
0.0819
.3435
-----------------------------------------------------------------------------cdthrte |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------copen |
-.4196787
.2055948
-2.04
0.047
-.8330547
-.0063028
cadmn |
-.1506024
.1168223
-1.29
0.204
-.3854894
.0842846
_cons |
-.4967872
.0524256
-9.48
0.000
-.6021959
-.3913784
-----------------------------------------------------------------------------.
• La ley de recipientes reduce la muerte por
accidentes en 0.42 (la media era 2.7 y el
desvío std 0.6 en 1985)
• La ley administrativa tiene un efecto
menor y es menos significativa
• El termino constante muestra la
disminución entre períodos
independientemente del cambio de leyes
Más de dos Períodos
• El procedimento es similar
• Se diferencia entre períodos consecutivos
• Se incluyen variables dummy para cada
período para controlar cambios de
tendencia
• Se estima la ecuación en diferencias con
una constante y se elimina una dummy.
• Ejemplo
• Indices de delincuencia por condado en
Carolina del Norte entre 1981 y 1987
• Se diferencian los datos
• El efecto no observado puede incluir
localización, actitud frente a la
delincuencia, nivel pasado de
delincuencia,número de condenas, etc.
Obs:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
630
county
year
crmrte
prbarr
prbconv
prbpris
avgsen
polpc
density
taxpc
west
central
urban
pctmin80
wcon
wtuc
wtrd
wfir
wser
wmfg
wfed
wsta
wloc
mix
pctymle
d82
d83
d84
d85
d86
d87
lcrmrte
lprbarr
lprbconv
lprbpris
lavgsen
lpolpc
ldensity
ltaxpc
lwcon
lwtuc
lwtrd
lwfir
lwser
lwmfg
lwfed
lwsta
lwloc
lmix
lpctymle
lpctmin
clcrmrte
clprbarr
clprbcon
clprbpri
clavgsen
clpolpc
cltaxpc
clmix
county identifier
81 to 87
crimes committed per person
'probability' of arrest
' p r o b a b i l i t y' o f c o n v i c t i o n
'probability' of prison sentenc
avg. sentence, days
police per capita
people per sq. mile
tax revenue per capita
=1 if in western N.C.
=1 if in central N.C.
=1 if in SMSA
perc. minority, 1980
w e e kl y w a g e , c o n s t r u c t i o n
wkly wge, trns, util, commun
wkly wge, whlesle, retail trade
wkly wge, fin, ins, real est
w k l y w g e , s e r v i c e i n d u s tr y
wkly wge, manufacturing
wkly wge, fed employees
wkly wge, state employees
wkly wge, local gov emps
o f f e n s e m i x : f a c e- t o - f a c e / o t h e r
percent young male
=1 if year == 82
=1 if year == 83
=1 if year == 84
=1 if year == 85
=1 if year == 86
=1 if year == 87
log(crmrte)
log(prbarr)
l o g ( pr b c o n v )
log(prbpris)
log(avgsen)
log(polpc)
log(density)
log(taxpc)
l o g ( w c o n)
log(wtuc)
log(wtrd)
log(wfir)
log(wser)
log(wmfg)
log(wfed)
log(wsta)
log(wloc)
log(mix)
log(pctymle)
log(pctmin)
lcrmrte - lcrmrte[t-1]
lprbarr - lprbarr[t-1]
lprbconv - lprbconv[t-1]
lprbpri - lprbpri[t-1]
lavgsen - lavgsen[t-1]
lpolpc - lpolpc[t-1]
ltaxpc - ltaxpc[t-1]
lmix - lmix[t-1]
. reg
clcrmrte
clpolpc
d83 d84 d85 d86 d87
clprbarr
Source |
SS
df
MS
-------------+-----------------------------Model |
9.60042816
10
.960042816
Residual |
12.5963761
529
.023811675
-------------+-----------------------------Total |
22.1968043
539
.041181455
clprbcon
clprbpri clavgsen
Number of obs
F( 10,
529)
Prob > F
R- s q u a r e d
Adj R-squared
Root MSE
=
=
=
=
=
=
540
40.32
0.0000
0.4325
0.4218
.15431
-----------------------------------------------------------------------------clcrmrte |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------d83 |
-.0998658
.0238953
-4.18
0.000
-.1468071
-.0529246
d84 |
-.0479374
.0235021
-2.04
0.042
-.0941063
-.0017686
d85 |
-.0046111
.0234998
-0.20
0.845
-.0507756
.0415533
d86 |
.0275143
.0241494
1.14
0.255
-.0199261
.0749548
d87 |
.0408267
.0244153
1.67
0.095
-.0071361
.0887895
clprbarr |
-.3274942
.0299801
-10.92
0.000
-.3863889
-.2685994
clprbcon |
-.2381066
.0182341
-13.06
0.000
-.2739268
-.2022864
clprbpri |
-.1650462
.025969
-6.36
0.000
-.2160613
-.1140312
clavgsen |
-.0217607
.0220909
-0.99
0.325
-.0651574
.0216361
clpolpc |
.3984264
.026882
14.82
0.000
.3456177
.4512351
_cons |
.0077134
.0170579
0.45
0.651
-.0257961
.0412229
------------------------------------------------------------------------------
• Un aumento en la probabilidad de ser
detenido en un 1% implica una
disminución del índice de delincuencia en
un 0.33%
• Un aumento de un 1% del no. de policías
aumenta el índice en un 0.4%
• Resultado contraintuitivo
• Puede que esta variable no sea exógena
Descargar

TOPICOS DE ECONOMETRIA APLICADA Estimaciones de