Datos de Panel - Un Enfoque Practico

Working Paper # 2014/16
Gua CERO para datos de panel. Un enfoque

prctico
Labra, R. & Torrecillas, C.
UAM-Accenture Working Papers

ISSN: 2172-8143
Edited by: UAM-Accenture Chair on the Economics and Management of Innovation,
Autonomous University of Madrid, Faculty of Economics
Editado por: Ctedra UAM-Accenture en Economa y Gestin de la Innovacin
E-mail: catedra.uam-accenture@uam.es URL: http://www.uam.es/docencia/degin/catedra/
Gua CERO para datos de panel. Un enfoque prctico

Romilio Labra* y Celia Torrecillas**
Resumen
El incremento de bases de datos, junto con el avance en las tcnicas economtricas, ha
facilitado el desarrollo de estudios cada vez ms sofisticados de los fenmenos econmicos,
permitiendo asistir ms apropiadamente a los responsables de la elaboracin de las polticas
pblicas y empresarios. Sin embargo, estas herramientas se han tornado cada vez ms
complejas, demandando un alto grado de conocimiento terico y prctico para poder
implementarlas. La metodologa de Datos de Panel es una de las ms usadas en los ltimos
tiempos en el mbito de la economa y los negocios. Su riqueza reside en que permite trabajar
simultneamente varios periodos de tiempo y los efectos individuales, y a su vez, tratar el
problema de la endogeneidad. A pesar de las ventajas de esta tcnica, existen diversos
obstculos para su implementacin, tanto metodolgicos como operativos. Esta gua pretende
colaborar con investigadores y profesionales que buscan llevar a cabo estudios utilizando
Datos de Panel, ofreciendo una pauta para manejar y analizar datos, en forma conjunta con
revisar sus fundamentos y ofrecer diversos ejemplos.
Palabras claves: Datos de panel, econometra, modelos estticos y dinmicos, endogeneidad.
*Doctor en Economa y Gestin de la Innovacin. Investigador del Instituto Complutense de

Estudios Internacionales, Universidad Complutense de Madrid. E-mail: r.labra@pdi.ucm.es
**Doctora en Economa. Profesora Adjunta. Departamento de Economa y Finanzas.
Universidad Europea de Madrid. C/ el Tajo S/N. 28670. Villaviciosa de Odn. Madrid. E-mail:
celiatorrecillas@gmail.com
NDICE
1.
Introduccin .......................................................................................................................... 4
2.
Conceptos bsicos ................................................................................................................. 5
3.
Cundo utilizar datos de panel? .......................................................................................... 9

3.1. Condiciones necesarias para usar datos de panel ........................................................... 10
3.2. Cmo abordar el trabajo de datos de panel?................................................................. 11
4. Usando datos de panel. Estimacin de Modelos economtricos ........................................... 14

4.1. Cmo seleccionar entre los distintos tipos de datos de panel? Datos de panel: estticos
o dinmicos ............................................................................................................................. 14
4.2.
MODELOS ESTTICOS: efectos fijos y efectos aleatorios ............................................ 14
4.2.1.
Anlisis terico .................................................................................................... 15
4.2.2.
Cmo elegir el entre datos de panel estticos y dinmicos? Test de Hausman 16
4.2.3.
Comandos en STATA y procedimiento ................................................................ 17
4.2.4.
Estimador con variables instrumentales (IV) ...................................................... 18
4.2.5.
Ejemplos prcticos .............................................................................................. 19
4.3.
MODELOS DINMICOS. ANLISIS TERICO ................................................................ 23
4.3.1.
Tratamiento de la endogeneidad ........................................................................ 23
4.3.2.
Cmo estimar un modelo con variables endgenas? ....................................... 23
4.3.3.
Comandos en Stata ............................................................................................. 24
4.3.4.
Consideracin de One step y Two step ............................................................... 25
4.3.5.
Principales problemas al estimar el modelo con GMM ...................................... 25
4.3.6. Procedimiento ........................................................................................................... 27

4.3.7. Interpretacin de los Test ......................................................................................... 35
4.3.8. Tips ............................................................................................................................ 38
4.4.
PANELES DINMICOS: ejemplos prcticos .................................................................. 40
xtabond (Difference GMM) ................................................................................................. 40

xtdpdsys (System GMM) ..................................................................................................... 43
xtabond2 ............................................................................................................................. 45
5.
Algunas recomendaciones prcticas ................................................................................... 50
6.
Referencias .......................................................................................................................... 55
ANEXO: Compendio de comandos para xtabond2 ..................................................................... 57
1. Introduccin
Muchas investigaciones en el rea econmica requieren la aplicacin de un anlisis
emprico. Para conseguir tal fin, una de las tcnicas ms usada durante dcadas ha sido
la regresin linear simple, la cual permite explicar un fenmeno econmico (variable
dependiente) a travs de un conjunto de factores (variables independientes).
Los trabajos impulsados dcadas atrs han utilizado el mtodo de Mnimos Cuadrados
Ordinarios (MCO u OLS por sus siglas en ingls), sin embargo esta metodologa
presenta algunas crticas: primero, no permite el estudio de los efectos individuales
(Castellacci, 2008) y segundo, los estimadores son inconsistentes y pueden ser
insesgados cuando tratemos de analizar varios periodos de tiempo y efectos
individuales. Aun as, han servido de base para muchos estudios de gran relevancia
para la teora econmica. Para solucionar algunos de los problemas descritos
anteriormente, en las ltimas dcadas la metodologa de Datos de Panel se ha hecho
muy popular debido a que esta tcnica tiene en cuenta los efectos fijos de los
individuos que pueden ocasionar comportamientos no aleatorios de las variables, y las
series de tiempo cuyos datos tienen su propia dinmica que debe ser estudiada.
Existen dos tipos de anlisis con datos de panel: Estticos y Dinmicos. Los primeros,
fciles de aplicar con los actuales paquetes estadsticos, permiten evaluar un conjunto
de variables como explicativas de algn fenmeno en estudio y determinar as si el
conjunto de datos presentan efectos individuales fijos o variables. Sin embargo, este
tipo de tcnica tambin presenta una serie de carencias, dentro de las cuales se
encuentra la incapacidad de tratar adecuadamente el problema de la endogeneidad,
por lo que no es posible analizar desde una perspectiva evolucionista la dependencia
del pasado o el proceso acumulativo (Dosi, 1988). Habida cuenta de este problema, los
paneles dinmicos son recomendados por diversos investigadores ya que permiten
incorporar en el modelo una estructura endgena, mediante la integracin de efectos
pasados a travs de variables instrumentales. Esta gua, permite abordar de una forma
prctica los anlisis de paneles estticos y dinmicos, y a la vez entrega una serie de
recomendaciones y ejemplos A continuacin podemos encontrar 5 secciones. La
primera ofrece una breve referencia a los principales conceptos que soportan el
anlisis de Datos de Panel. La segunda introduce al usuario en estas tcnicas y ayuda a
discriminar el tipo de modelo y el estimador a emplear. La seccin 4 entrega en detalle
los procedimientos a seguir para llevar a cabo estimaciones de modelos utilizando
Datos de panel. En la parte 5 la gua presenta una serie de recomendaciones para
aplicar esta metodologa. Finalmente la seccin 6 contiene las referencias de la
literatura empleada.
2. Conceptos bsicos
En este apartado se introducen algunos conceptos necesarios para abordar el trabajo
de anlisis economtrico usando un panel de datos.
a) Regresin lineal
Una regresin lineal queda representada como aparece en la siguiente ecuacin:
Yi = 0 + 11 + +
Condiciones
Media del error es Nula:
( ) = 0
= 1
Varianza Constante:
( ) = 2
= 1n
Covarianza Nula:
( ) = 0
Propiedades de los estimadores

Linealidad: La forma funcional que une el verdadero valor del parmetro con el
estimado es lineal.
Insesgadz: El valor ms probable del estimador coincide con el verdadero valor del
parmetro.
Consistencia: La diferencia entre el valor estimado del parmetro y el real se anula
para una muestra finita.
Eficiencia: La desviacin entre el verdadero valor del parmetro estimado y el valor del
estimador ser la menor posible.
b) Panel de Datos
Conjunto de datos que combina una dimensin temporal (serie de tiempo) y otra
transversal (individuos).
c) Modelos estticos y Modelos dinmicos
El modelo economtrico esttico es aquel que considera los regresores como variables
exgenas, es decir, estn determinadas fuera del modelo y no existe dependencia
5
entre ellas. Por el contrario, el modelo dinmico incorpora la relacin entre la variable
dependiente y las independientes de manera bidireccional, y a su vez, la relacin de
dependencia entre las variables independientes.
d) Heterocedasticidad y Homocedasticidad
En estadstica un modelo presenta heterocedasticidad si la varianza de los errores de la
muestra no es constante. Por el contrario, el modelo es homocedstico si la varianza
de los errores es la misma para toda la muestra. En la figura siguiente se pueden
observar grficamente las diferencias:
Figura 1. Esquema grfico del concepto de heterocedasticidad y homocedasticidad
Fuente: De Arce y Maha, 2001
e) Endogeneidad
Desde una perspectiva economtrica, la endogeneidad se define como la existencia de
correlacin entre la variable dependiente y el trmino de error. Bajo una visin
econmica, el trmino hace referencia a la relacin causal entre las variables, las
cuales quedan explicadas dentro del modelo (Mileva, 2007).
En especial, la endogeneidad causada por la relacin bidireccional entre el fenmeno
que queremos explicar y sus variables explicativas fue el principal problema que se
intent resolver con los modelos de regresin a travs de paneles dinmicos, pues el
tradicional mtodo de uso de variables instrumentales (proxy) no permita dar una
completa respuesta a este problema. El primer paso fue incluir la variable dependiente
como explicativa. Debido a que no es posible incorporarla directamente por problemas
de correlacin, los autores clsicos de paneles dinmicos, como Arellano y Bond
(1991), Arellano y Bover (1995), y Blunder y Bond (1998), lograron identificar
instrumentos adecuados para este tipo de anlisis, usando los retardos de la variable
dependiente (Y) como regresor(es) ( ).
depende de , y a la vez depende de
6
Entonces podemos expresar, el segundo trmino de la ecuacin como la variable

dependiente retardada ( ) ms las variables independientes ( ). Dada que la
casualidad est temporalmente afectada, el regresor se expresa como un retardo de
= + +
Donde,
: variable dependiente del individuo i en el tiempo t
: variable dependiente del individuo i en tiempo t-1
: constante del modelo
: coeficiente de la variable i
: variable dependiente i en el tiempo t
f) Variables exgenas, endgenas, predeterminadas e instrumentales

Variable Exgena: es aquella que viene determinada desde fuera del modelo, es decir,
no tiene relacin con el resto de los regresores y por tanto, no existe correlacin entre
los errores de la variable y los del modelo.
(1 , ) = 0
Siendo:
1 : la variable exgena
: los errores del modelo
Variable endgena Es aquella que est determinada dentro del modelo, es decir existe
causalidad en ambos sentidos (Xi Yi; YiXi).
(1 , ) 0
Siendo:
1 : La variable endgena
Por tanto, y a efectos prcticos podemos considerar dos tipos de endogeneidad

1. Endogeneidad del modelo
2. Endogeneidad de las variables independientes
La primera est relacionada con el efecto de la variable dependiente sobre s misma, es
decir, el modelo est determinado por su pasado. Por otro lado, la endogeneidad de
7
las variables independientes se produce porque Xit est determinada por su condicin
pasada (Xi t-n).
Adems, tambin podra ocurrir que exista relacin entre las variables independientes,
lo que quedara reflejado mediante un coeficiente de correlacin alto entre ellas, lo
que dara lugar a multicolinealidad.
Variable predeterminada:
Son variables que se determinan fuera del modelo y con anterioridad al actual
momento. El valor futuro de la variable puede estar correlacionado con el trmino de
error del modelo pero no con su retardo. Este tipo de variables estn relacionadas con
la variable independiente.
(1 , ) 0 <
Siendo:
1 : La variable endgena
s-t: distintos periodos de tiempo
Variables Instrumentales (IV) - Lags

Son proxy de variables que no podemos observar o que no podemos utilizar
directamente por diferentes problemas, como la falta de datos, mala calidad de la
informacin, imposibilidad de cuantificarlas o series incompletas.
Una variable instrumental puede ser una proxy o la misma variable retardada (lag),
expresada en diferencias o en niveles.
Un instrumento o conjunto de instrumentos (Z) debe cumplir las siguientes
propiedades:
1. El instrumento debe estar correlacionado con la variable independiente
endgena a instrumentalizar (Xi).
(1 , ) 0
2. Los errores de Z tienen que estar no correlacionados con los errores del
modelo.
(, ) = 0
NOTA: Una variable (Xi) puede tener varios instrumentos.
3. Cundo utilizar datos de panel?

Muchos trabajos de investigacin en la ltima dcada han venido aplicando la
metodologa de datos de panel. Esto se debe en parte, al gran avance que ha existido
en las bases de datos, las cuales se han elaborado recogiendo cada vez ms datos de
individuos a lo largo del tiempo.
Previos trabajos que han utilizado regresiones lineales, haban sido abordados usando
tcnicas de series de tiempo y de seccin cruzada. Una extensin a las tcnicas
anteriores es el Pool de datos, segn la cual cada individuo, en un momento de
tiempo, es una observacin.
El desarrollo de tcnicas de datos de panel, por el contrario, puede tratar en forma
independiente el conjunto de datos de un individuo en el tiempo, lo que se conoce
como efectos individuales (i).
Como se observa en la figura 2, un conjunto de datos pueden ser analizados de
diferentes formas. La figura 2a muestra una serie de observaciones analizadas,
mientras que la figura 2b, presenta un anlisis de regresin lineal, sin diferenciar
individuos, es decir como un Pool de datos.
Por su parte, la figura 2c muestra como el conjunto de datos est compuesto en la
realidad por tres subgrupos (individuos observados a travs del tiempo) y que por
tanto, podra llevarse a cabo otro tipo de anlisis que considere esta condicin.
La figura 2D muestra las regresiones para cada subgrupo o individuo (individuo 1, 2 y
3), de lo que se desprende que cada uno posee un comportamiento diferente y que
debe ser analizado teniendo en cuenta esta particularidad.
Finalmente, en la figura 2E se presenta una regresin lineal teniendo en cuenta los
efectos individuales. La funcin final para el conjunto de individuos (lnea continua de
color negro) es totalmente distinta a la que obtendramos si el anlisis no se hubiese
hecho a travs de las tcnicas de panel (figura 2B).
Como conclusin de este ejemplo grfico, se puede deducir que es importante tener
en cuenta los efectos individuales cuando estos existen, ya que el anlisis y sus
resultados pueden variar al usar una u otra tcnica.
Figura 2. Esquema Grfico de los efectos individuales (i)

A
id 1
id 1
id 2
id 2
id 3
id 3
E
8
7
6
id 1
id 2
id 3
Datos Panel
3
2
0
Fuente: Elaboracin propia
Cabe recordar que dentro de esta ltima tcnica, datos de panel, existen dos grandes
mtodos: Paneles Estticos y Paneles Dinmicos, cuya principal diferencia radica en la
capacidad y forma de tratar la endogeneidad de las variables, como se ver en los
captulos siguientes.
3.1. Condiciones necesarias para usar datos de panel

Para aplicar este mtodo es necesario reunir dos requisitos:
1. Tener un conjunto de individuos pudiendo ser estos, por ejemplo, empresas o
pases.
10
2. La existencia de observaciones de los mismos individuos (al menos

parcialmente) durante un determinado periodo de tiempo (un conjunto de
aos).
No slo es necesario contar con los requisitos anteriores, sino que tambin existen una
serie de limitaciones con respecto a la cuanta de los mismos.
En general, para ambos mtodos (datos de panel estticos y dinmicos) se
recomienda el uso de bases de datos con un nmero de individuos (n) grande y un
perodo de tiempo (t) pequeo. La literatura no entrega un valor exacto de n y t sin
embargo, algunos autores han indicado que un adecuado n podra ser mayor a 100,
mientras que el t no debiera sobrepasar 15, e idealmente ser inferior a 10 en el caso
de paneles dinmicos (Roodman, 2008).
Esta metodologa se ha aplicado con ms frecuencia en los estudios de carcter micro
debido a que estas bases de datos tienen, normalmente, un gran nmero de
observaciones para cortos periodos de tiempo. Un caso distinto observamos para los
trabajos macro, en cuyas bases de datos es frecuente encontrar una relacin n/t
considerablemente menor, pudiendo ser para algunas variables incluso menor a 1, lo
que reviste serias dificultades para estudios con variables endgenas (datos de panel
dinmicos).
S la relacin n/t es pequea, la literatura muestra diversas alternativas para solucionar
este problema, las que van desde dividir el periodo de tiempo de anlisis, agrupar los
aos en bienios, trienios, o el periodo que sea ms razonable para el tipo de estudio
que se est realizando. Sin embargo, esto tiene la limitacin de reducir la informacin
empleada para el anlisis, afectando la varianza de muestra.
Los anlisis de datos de panel tambin se pueden aplicar cuando el panel est
incompleto, lo que se denomina en ingls unbalanced panel data, es decir no se
encuentran completas toda la serie de datos para un individuo, o faltan individuos para
ciertos aos de una misma variable. Cuando los missing (datos faltantes) son elevados,
pueden surgir limitaciones en el anlisis, generando inconsistencia en los resultados, o
simplemente impidiendo realizar la estimacin del modelo o funcin.
3.2. Cmo abordar el trabajo de datos de panel?

Paso1: Base de datos
Para trabajar con datos de panel, las bases de datos deben estar construidas de la
siguiente manera:
11
En las columnas, tienen que aparecer cada una de las variables objeto del
anlisis.
En las filas, se recogen los individuos en los distintos periodos de tiempo.
Adems, hay que aadir dos columnas, una indicando el ao (o perodo) de cada
observacin (year en el ejemplo de la figura 3)1 y otra que identifique los individuos (id
en el ejemplo de la figura 3)2.
A continuacin se representa la estructura de los datos para ser analizados bajo la
metodologa de Datos de Panel (figura 3).
Figura 3: Plantilla para ordenar los datos en Panel. Formato Long
Individ
Ind1-10
Ind1-11
Ind1-12
Ind1-13
Ind1-13+n
Ind2-10
Ind2-11
Ind2-12
Ind2-13
Ind2-13-n
Ind3-10
Ind3-11
Ind3-12
Ind3-13
Ind3-13-n
Indn-10
Indn-11
Indn-12
Indn-13
Indn-13-n
Year
2010
2011
2012
2013
2013+n
2010
2011
2012
2013
2013+n
2010
2011
2012
2013
2013+n
2010
2011
2012
2013
2013+n
Id
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
Var1
Var2
Var3
Var4
Var5
Varn
El ejemplo anterior muestra una base de datos del tipo Long, que es utilizada por Stata
para el anlisis de datos de panel. Sin embargo, muchas bases de datos estn
construidas en el formato Wide, el cual emplea una columna para cada ao y variable,
y una fila para cada individuo, como se observa en la figura siguiente (figura 4).
Figura 4: Plantilla de datos para Panel. Formato Wide
Individ var1_2010 var1 _2011 var1 _2012 var1 _2013 var1 _n var2_2010 var2 _2011 var2_2012 var2_2013
ind1
ind2
ind3
ind4
indn
var2_n
1
2
Cualquier nombre puede ser empleado para indicar el periodo

Cualquier nombre puede ser empleado para indicar los individuos
12
varn_2011 varn_2012 varn_2012 varn_2013
varn_n
Stata permite pasar de formato Wide a Long y viceversa pero solo variable a variable.
Para ello se emplea el comando reshape.
Para pasar de Wide a Long

Primero, la columna que identifica los individuos debe ser llamada id (para el ejemplo
que se muestra). La variable a invertir debe denominarse de la siguiente forma (para el
ejemplo): varA2000; varA2001; varA2002, donde varA es el nombre de la variable y el
nmero que la acompaa corresponde al ao de observacin, los cuales deben ser
consecutivos
Segundo, la instruccin a entregar a Stata quedara de la siguiente forma:
reshape long varA, i (id) j(year)
Para pasar de Long a Wide

Habiendo creado la varA2000; varA2001; varA2002, la instruccin para Stata que
permite pasar de Long a Wide, quedara como sigue:
reshape wide varA, i (id) j(year)
Paso 2: Declarar la base de datos
Existen diferentes formas para indicarle a Stata que queremos trabajar con datos de
panel. Sin embargo, se recomienda una alternativa que evita estar sealando en cada
estimacin el identificador de individuo (id) y ao (year):
xtset id year
Esta instruccin se puede digitar directamente en el recuadro de comandos de Stata,
programar al inicio de un dofile3 (xtset id year) o directamente desde las opciones de
las barras de herramientas:
Stadistic-Longitudinal/panel data-Setup and utilities-Declare dataset to be panel data
Siguiendo esta ltima ruta en panel ID variables sealar id, y en time variable year.
Stata reporta la siguiente salida al declararse el panel:
. xtset id year
panel variable:
time variable:
delta:
id (strongly balanced)
year, 95 to 99
1 unit
Archivo de programacin para las estimaciones en Stata
13
4. Usando datos de panel. Estimacin de Modelos economtricos

4.1. Cmo seleccionar entre los distintos tipos de datos de panel?
Datos de panel: estticos o dinmicos
El primer paso para la seleccin del modelo es la identificacin de la presencia de
endogeneidad. Existen varias formas para identificarla, dentro de las cuales estn:
1. Deteccin de variables endgenas sobre la base de estudios previos de la
literatura especializada.
2. Analizando la correlacin entre los errores de Xi y los errores del modelo.
( , ) 0
3. Realizando el test de endogeneidad denominado Durbin Wu Hausman (DWH),
el cual compara estimaciones efectuadas mediante diferentes mtodos: MCO y
modelo endgeno utilizando variables instrumentales (estimador IV).
4. En el caso de anlisis con paneles dinmicos (GMM) el test de Sargan / Hansen
analiza la validez de los instrumentos, por lo que es posible deducir si nos
encontramos ante un modelo endgeno.
En el caso de que teniendo en cuenta las consideraciones anteriores, no detectemos
endogeneidad y no sospechemos de ella, entonces el camino ms recomendado es la
utilizacin de paneles estticos o MCO. Si por el contrario, la literatura o los test dan
indicios o confirman la presencia de endogeneidad, necesariamente deberemos
utilizar un mtodo que permita tratarla.
4.2.
MODELOS ESTTICOS: efectos fijos y efectos aleatorios
Tradicionalmente, los mtodos estadsticos que intentan explicar un fenmeno

observado a travs de una serie de variables han sido tratado mediante regresiones
lineales, usando el mtodo de MCO. Si una muestra presenta efectos individuales, y
las variaciones en el tiempo tambin explican el comportamiento de las variables,
entonces debemos aplicar la metodologa de datos de panel. Si por el contrario, no se
observase este tipo de condicin, es decir no existen efectos individuales, entonces un
anlisis utilizando MCO sera consistente y el ms eficiente.
Para testear esta condicin, puede ser utilizado el test de Hausman, haciendo en
primer lugar una estimacin por medio de MCO y a continuacin realizando un panel
de datos, para finalmente ejecutar el anlisis de Hausman4.
Para ms detalles de este test ver punto 4.2.2.
14
4.2.1. Anlisis terico
Los efectos individuales ( ) pueden ser tratados como aleatorios o fijos. Para poder
llevar a cabo esta estimacin, se asume que los son constantes a lo largo del
tiempo.
1. Efectos aleatorios
Para tratar los efectos aleatorios se emplea el Mtodo Generalizado de Momentos
(MGM), que es una extensin ms eficiente de MCO.
Este estimador asume la condicin de que los efectos individuales no estn
correlacionados con las variables explicativas el modelo, es decir:
( , ) = 0
Siendo,
=Efectos individuales
X= Variables explicativas
Por ello, los efectos individuales se suman al trmino de error, quedando el modelo
definido como:
= + ( + )
2. Efectos fijos
Para tratar los efectos fijos se emplea el estimador intragrupos (within), el cual asume
que el efecto individual est correlacionado con las variables explicativas. Este
supuesto relaja la condicin impuesta por el estimador de efectos aleatorios, tratando
el efecto individual separadamente del trmino de error.
( , ) 0
El modelo queda representado como sigue:
= + +
Este estimador tiene la ventaja de que permite conocer los separadamente, lo que
contribuye a entender de mejor forma el modelo. Adems, evita una sobrestimacin
del parmetro , lo que ocurre cuando se aplica el estimador de efectos aleatorios.
Desventajas del estimador de efectos fijos:
15
1. Elimina informacin del modelo, por lo que ante este riesgo a veces es
necesario asumir la condicin de efectos aleatorios.
2. El estimador de efectos fijos es menos eficiente que el de efectos aleatorios,
siendo ambos consistentes.
3. En el caso de que tengamos variables constantes en el tiempo, el estimador de
efectos fijos no puede estimar los de estas variables, a menos que se utilice el
estimador de Hausman y Taylor (comando xthtaylor). Por el contrario, el
estimador de efectos aleatorios si permite calcular los de este tipo de
variables.
Una forma alternativa de abordar este tipo de anlisis es a travs de la construccin de
dummies para cada efecto individual que queramos conocer y controlar. De esta forma
el estimador MCO entregar separadamente los de estos efectos.
4.2.2. Cmo elegir el entre datos de panel estticos y dinmicos? Test de Hausman
Para decidir cul es el estimador esttico (fijo o variable) ms adecuado para nuestro
modelo emplearemos el Test de Hausman. Este test compara los obtenidos por
medio del estimador de efectos fijos y efectos aleatorios, identificando si las
diferencias entre ellos son o no significativas.
Por tanto, primero se debe estimar por el mtodo menos eficiente pero consistente
(efectos fijos) y posteriormente por el estimador eficiente y consistente (efectos
aleatorios). En ambos casos la matriz de pesos debe ser homocedstica.
Este test calcula su estadstico a partir de las diferencias entre los ponderados por la
varianza.
La hiptesis nula comprueba la existencia de no correlacin entre los y las variables
explicativas.
Ho: No diferencia sistemtica entre los coeficientes
La interpretacin de este test quedara como sigue:
Criterio de rechazo
Si la Prob>chi2 es mayor a 0.05 rechazo Ho, es decir, hay correlacin entre los efectos
individuales y las variables explicativas, lo que indica que el estimador aleatorio debe
ser utilizado. En caso contrario, Prob>chi2 es menor a 0.05, emplearamos el estimador
de efectos fijos.
16
4.2.3. Comandos en STATA y procedimiento
Los comandos ms utilizados para el anlisis de datos de panel estticos son:

xtreg: para regresiones usando datos de panel estticos
hausman: para realizar el test que compara entre efectos fijos y efectos aleatorios
Independiente del tratamiento de los efectos individuales (fijos o aleatorios) debemos

hacer los dos tipos de estimaciones descritas anteriormente, para poder comparar
efectos fijos y aleatorios mediante el Test de Hausman.
El procedimiento quedara como sigue:
Paso 1. Clculo de los efectos fijos
La instruccin para STATA quedara de la siguiente manera:
xtreg vardep varindep, fe
estimates store fe
Donde:
fe entrega la instruccin para realizar la estimacin tratando los efectos individuales
como fijos.
vardep es la variable dependiente y varindep es la(s) variable(s) independiente(s).
Se digita en primer lugar el comando del estimador (xtreg), posteriormente la variable

dependiente y a continuacin las independientes. Despus de la coma se incluye la
especificacin del tratamiento de los efectos individuales.
estimates store fe permite guardar la estimacin anterior bajo el nombre de fe5.
Paso 2. Clculo de efectos aleatorios

xtreg vardep varindep, re
estimates store re6
Donde, re indica que la estimacin debe hacerse considerando efectos aleatorios.
5
6
Cualquier nombre puede ser utilizado.

Cualquier nombre puede ser utilizado.
17
Paso 3. Test de Hausman

Este test es una postestimacin que requiere que previamente se haya estimado el
modelo mediante efectos fijos y aleatorios, y guardado los resultados como se ha
descrito anteriormente.
La instruccin para STATA quedara como sigue:
hausman fe re
Puede darse el caso de que este test entregue un valor negativo en el estadstico y por
tanto, la probabilidad del mismo no pueda calcularse. Esto impide utilizar este test
para seleccionar los estimadores. Esta situacin puede deberse a un problema de
escala de alguna variable, el reducido tamao de la muestra o a un elevado nmero de
missing. Una alternativa para evitarlo es corregir la escala, ampliar la muestra, adems
de utilizar los comandos de Stata: sigmamore o sigmaless.
Si la hiptesis nula del Test de Hausman es cierta, los tienen que ser parecidos por la
condicin de consistencia, mediante la cual el parmetro tiende al verdadero valor en
el infinito. Por el contrario, si los son muy distintos, la hiptesis alternativa es la
correcta.
Paso 4. Calcular el estimador efectos fijos y aleatorios con la opcin vce (robust)7
La instruccin para STATA quedara como sigue:
Para efectos fijos: xtreg vardep varindep, fe vce(robust)
Para efectos aleatorios: xtreg vardep varindep, re vce(robust)
Poniendo el comando vce(robust) la estimacin se realiza considerando la
heterocedasticidad de la muestra. Ambas opciones son consistentes, pero la opcin
vce(robust) evita el sesgo y la ineficiencia de los .
El motivo de que no se realice directamente para calcular el Test de Hausman es
porque este estadstico no se puede calcular con esta opcin.
4.2.4. Estimador con variables instrumentales (IV)
En caso que nos encontremos ante la presencia de endogeneidad en alguno de las

variables explicativas, pueden emplearse los estimadores de efectos fijos y aleatorios
El comando vce(robust) o robust permite realizar la estimacin a pesar de que haya problemas de
heterocedasticidad (Hoechle, 2007).
18
mediante la incorporacin de variables instrumentales (proxy), usando el comando

xtivreg.
La sintaxis para estimar a travs de este mtodo quedara como sigue:
xtivreg vardep varindep (varend = instr), fe
xtivreg vardep varindep (varend = instr), re
Donde:
varend es la(s) variable(s) endgena(s) instrumentalizada(s) por la variable(s)
intrumental(es) (instr).
vardep la variable dependiente y varindep las variables independientes exgenas.
El procedimiento para la estimacin es igual al explicado en el apartado anterior.
4.2.5. Ejemplos prcticos
Ejemplo 1:
El ejemplo 1 muestra la salida de una estimacin utilizando paneles estticos; fijos y
aleatorios, y el test que permite la seleccin entre ambos.
xtreg vardep var1 var2 var3 var4 var5 var6 var7, fe
. xtreg vardep var1 var2 var3 var4 var5 var6 var7, fe
Fixed-effects (within) regression
Group variable: id
Number of obs
Number of groups
=
=
231
33
R-sq:
Obs per group: min =

avg =
max =
7
7.0
7
within = 0.8880
between = 0.9577
overall = 0.9521
corr(u_i, Xb)
F(7,191)
Prob > F
= -0.9588
vardep
Coef.
var1
var2
var3
var4
var5
var6
var7
_cons
.0202028
.0008267
.0021287
.0065644
.0364941
.0043909
.0710379
2.020736
sigma_u
sigma_e
rho
.04299151
.00323677
.99436358
F test that all u_i=0:
Std. Err.
.0024939
.0017831
.0008556
.0024005
.0076725
.0008097
.0051512
.0780141
8.10
0.46
2.49
2.73
4.76
5.42
13.79
25.90
P>|t|
0.000
0.643
0.014
0.007
0.000
0.000
0.000
0.000
=
=
216.39
0.0000
[95% Conf. Interval]

.0152837
-.0026905
.000441
.0018294
.0213604
.0027938
.0608773
1.866856
.025122
.0043438
.0038163
.0112993
.0516278
.005988
.0811985
2.174616
(fraction of variance due to u_i)

F(32, 191) =
42.77
Prob > F = 0.0000
La salida anterior es una estimacin por efectos fijos, sin la opcin vce(robust), ya que
solo as es posible calcular el Test de Hausman.
19
De la salida anterior, es importante destacar lo siguiente: el test F de los efectos

individuales que permite rechazar la hiptesis nula de que los efectos individuales son
iguales a 0 (Prob>F=0.000), justificando de esta forma un anlisis que considere los
efectos individuales.8
xtreg vardep var1 var3 var3 var4 var5 var6 var7, re
. xtreg vardep var1 var2 var3 var4 var5 var6 var7, re
Random-effects GLS regression
Group variable: id
Number of obs
Number of groups
=
=
231
33
R-sq:

avg =
max =
7
7.0
7
within = 0.8693
between = 0.9654
overall = 0.9629
Random effects u_i ~ Gaussian

corr(u_i, X)
= 0 (assumed)
vardep
Coef.
var1
var2
var3
var4
var5
var6
var7
_cons
.0232875
.003527
.0039026
.003862
.0334484
.0057653
.0433229
2.472417
sigma_u
sigma_e
rho
.00799778
.00323677
.8592622
Wald chi2(7)
Prob > chi2
Std. Err.
.0026374
.0015317
.0006186
.0023366
.006816
.0007847
.0012061
.0259252
P>|z|
8.83
2.30
6.31
1.65
4.91
7.35
35.92
95.37
0.000
0.021
0.000
0.098
0.000
0.000
0.000
0.000
=
=
2344.03
0.0000

.0181184
.0005249
.0026902
-.0007177
.0200894
.0042274
.0409589
2.421604
.0284567
.006529
.005115
.0084417
.0468075
.0073032
.0456869
2.523229
Esta salida es una estimacin por efectos aleatorios, sin la opcin vce(robust) con el
mismo objetivo anterior.
Rho indica la proporcin de los efectos conjuntos ( + ) que provienen de los
efectos individuales. En el ejemplo, el 85.9% del error compuesto del modelo se debe a
los efectos individuales.
. hausman fe re
Coefficients
(b)
(B)
fe
re
var1
var2
var3
var4
var5
var6
var7
.0202028
.0008267
.0021287
.0065644
.0364941
.0043909
.0710379
(b-B)
Difference
.0232875
.003527
.0039026
.003862
.0334484
.0057653
.0433229
-.0030847
-.0027003
-.0017739
.0027024
.0030457
-.0013744
.027715
sqrt(diag(V_b-V_B))
S.E.
.
.000913
.0005911
.0005502
.0035227
.0001998
.005008
b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test:
Ho:
difference in coefficients not systematic

chi2(7) = (b-B)'[(V_b-V_B)^(-1)](b-B)
=
89.70
Prob>chi2 =
0.0000
(V_b-V_B is not positive definite)
Si los efectos individuales son iguales entre los individuos debiramos descartar la opcin de datos de
panel y utilizar un MCO.
20
La salida anterior corresponde al test de Hausman, el que determina un chi2 de 89,7 y

una Prob>chi2 mayor que 0.0000, lo cual nos lleva a rechazar la hiptesis nula, es decir,
debemos seleccionar el estimador para efectos fijos.
xtreg vardep var1 var2 var3 var4 var5 var6 var7, fe vce(robust)
. xtreg vardep var1 var2 var3 var4 var5 var6 var7, fe vce(robust)
Fixed-effects (within) regression
Group variable: id
Number of obs
Number of groups
=
=
231
33
R-sq:

avg =
max =
7
7.0
7
within = 0.8880
between = 0.9577
overall = 0.9521
corr(u_i, Xb)
F(7,32)
Prob > F
= -0.9588
=
=
90.63
0.0000
(Std. Err. adjusted for 33 clusters in id)

vardep
Coef.
var1
var2
var3
var4
var5
var6
var7
_cons
.0202028
.0008267
.0021287
.0065644
.0364941
.0043909
.0710379
2.020736
sigma_u
sigma_e
rho
.04299151
.00323677
.99436358
Robust
Std. Err.
.0053116
.0018095
.0009144
.0041423
.015223
.0014128
.0116051
.166512
t
3.80
0.46
2.33
1.58
2.40
3.11
6.12
12.14
P>|t|
0.001
0.651
0.026
0.123
0.023
0.004
0.000
0.000

.0093834
-.0028592
.0002661
-.0018733
.0054858
.0015131
.047399
1.681562
.0310222
.0045125
.0039913
.015002
.0675023
.0072687
.0946768
2.35991
La estimacin anterior se ha realizado para una muestra de 231 observaciones y 33

grupos (individuos), incorporando la opcin vce(robust). La probabilidad del test de
significancia conjunta (F) del modelo es 0.0000, lo que indica que los regresores en su
conjunto explican la variable dependiente.
En este modelo las var1, var5, var6, var7 afectan significativamente la variable
dependiente, es decir, sus son significativos, mientras que var2 y var4 no son
significativas en este modelo.
Ejemplo 2
Ejemplo de estimacin con variables instrumentales.
xtivreg vardep var1 var2 var3(var4=var5), fe
21
. xtivreg vardep var1 var2 var3 (var4= var5), fe

Fixed-effects (within) IV regression
Group variable: id
Number of obs
Number of groups
=
=
231
33
R-sq:

avg =
max =
7
7.0
7
within = 0.2156
between = 0.3932
overall = 0.3187
corr(u_i, Xb)
vardep
Coef.
var4
var1
var2
var3
_cons
.0732154
.0363368
.0032061
.0004476
3.20709
sigma_u
sigma_e
rho
.08451083
.00849997
.98998528
test that all u_i=0:
Instrumented:
Instruments:
Wald chi2(4)
Prob > chi2
= -0.8181
Std. Err.
.0111016
.0061664
.0047458
.0027074
.0362826
6.60
5.89
0.68
0.17
88.39
P>|z|
0.000
0.000
0.499
0.869
0.000
=
=
3.42e+07
0.0000

.0514567
.0242508
-.0060954
-.0048588
3.135977
.0949741
.0484227
.0125076
.0057541
3.278202

F(32,194) =
154.61
Prob > F
= 0.0000
var4
var1 var2 var3 var5
La estimacin anterior utiliza la var5 como instrumento de la var4. La interpretacin de

los resultados y el procedimiento (efectos fijos, efectos aleatorios, test de Hausman, y
opcin seleccionada con vce(robust)) siguen los mismos pasos que en el ejemplo 1.
Cabe sealar que las variables estrictamente exgenas (var1, var2 y var3) se
instrumentalizan a s mismas y por eso en la ltima lnea de la salida se muestran como
instrumentos.
Para probar si var5 es un buen instrumento, podemos efectuar una regresin
(comando regress) entre la variable a instrumentar y su instrumento. Si la variable es
significativa y tiene un R2 razonablemente alto (en valor absoluto) nos encontramos
ante un buen instrumento. En el ejemplo se observa como var5 es un buen
instrumento de la var4.
. reg var4 var5

Source
SS
df
MS
Model
Residual
.733018371
56.2668087
1
229
.733018371
.245706588
Total
56.9998271
230
.247825335
var4
Coef.
var5
_cons
.3519882
-1.338499
Std. Err.
.2037882
.4699643
t
1.73
-2.85
22
Number of obs
F( 1,
229)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.085
0.005
=
=
=
=
=
=
231
2.98
0.0855
0.0129
0.0085
.49569

-.0495515
-2.264506
.7535279
-.4124924
4.3.
MODELOS DINMICOS. ANLISIS TERICO
Este tipo de modelos han sido desarrollados con el propsito de incorporar en la

estimacin las relaciones de casualidad que se generan en el interior del modelo, como
una forma de tratar los problemas de endogeneidad.
4.3.1. Tratamiento de la endogeneidad
La endogeneidad puede ser tratada a travs de diferentes vas, sin embargo una de las
formas ms habitualmente empleada es a travs de variables instrumentales
expresadas como retardos de la variable endgena.
Dependiendo del estimador que empleemos, los retardos pueden ser formulados
como diferencias o niveles.
4.3.2. Cmo estimar un modelo con variables endgenas?
Los estimadores desarrollados para tratar la endogeneidad abordan la problemtica de

las siguientes formas:
1) Estimador de variables instrumentales (IV) que utiliza proxy como instrumento
de la variable endgena (Cameron, 2009). Esta metodologa no permite analizar
lo que denominamos endogeneidad del modelo, es decir, no es posible incluir
la variable dependiente retardada como regresor directamente a travs de
comandos.
2) Uso de retardos como instrumentos de la variable endgena. En este caso el
regresor corresponder al valor en t-n (Niveles) de la variable endgena o la
diferencia de estos valores () ((1) (Diferencias). Por tanto, mientras
ms grande sea el periodo de (t) dispondremos de un mayor nmero de
instrumentos. Para estimar este tipo de modelos se emplean los denominados
GMM.
Dentro de este ltimo grupo disponemos de diversas alternativas. Una de ellas es el
estimador de Arellano y Bond (1991) conocido como Difference GMM, ya que utiliza
como instrumentos las diferencias de los retardos. Posteriormente, y con el objetivo
de hacer frente a paneles con un t (perodo de tiempo) pequeo, y por tanto con un
reducido nmero de instrumentos, fueron desarrollados estimadores que incluyeron
los retardos en niveles de las variables como instrumentos. Dentro de ellos destaca el
estimador de Arellano-Bover (1995) que al incorporar las variables en niveles conforma
23
un sistema de ecuaciones, dando lugar a su nombre System GMM. Un estimador

similar a este ltimo es el desarrollado por Roodman (2006) denominado xtabond29.
A continuacin se presentan las funciones que expresan la regresin con variables
instrumentales.
Ecuaciones en diferencias
1 = 2 1
Ecuaciones en niveles
= 1
1 = 2*
*Lo anterior indica que el instrumento de Yt-1 es Yt-2
Frmulas del System GMM
= ,1 + +
= +
( ) = ( ) = ( ) = 0
Donde:
es la variable dependiente del individuo i en el tiempo t
es la variable independiente del individuo i en el tiempo t
Donde el trmino de error tiene dos componentes ortogonales:

=
=
4.3.3. Comandos en Stata
xtivreg: este comando permite hacer estimaciones con variables endgenas por medio
de (proxy) como instrumento.
xtbond: (Arellano y Bond, 1991) este comando realiza la regresin con variables
endgenas utilizando sus diferencias (Difference GMM).
9
Xtabond2 no es un comando oficial de STATA 11, sino que es una versin aportada por Roodman
(2006).
24
xtdpdsys: (Arellano y Bover, 1995) este comando lleva a cabo la regresin con
variables endgenas utilizando como instrumentos sus diferencias y niveles (Difference
and System GMM)
xtabond2: desarrollado por Roodman (2006) al igual que el anterior, utiliza ecuaciones
con variables en niveles y en diferencias para instrumentalizar las variables endgenas.
xtdpd: Comando para hacer regresiones con variables endgenas utilizando como
instrumentos las diferencias y/o los niveles. Segn Camern (2009) este comando
permite corregir el modelo en el caso de la presencia de medias mviles, lo que se
podra observar a travs del test de Arellano y Bond, en particular si muestra la
presenta autocorrelacin de segundo orden.
4.3.4. Consideracin de One step y Two step
Todos los estimadores expuestos anteriormente pueden efectuar el anlisis a travs de

dos mecanismos: One step y Two step.
One step: Utiliza solo la matriz de pesos homocedstica para la estimacin.
Two step: Utiliza para la estimacin la matriz de pesos heterocedstica.
La literatura indica que los estimadores Two step son ms eficientes.
4.3.5. Principales problemas al estimar el modelo con GMM
Proliferacin de instrumentos. Sobreidentificacin
Producto de la generacin de instrumentos en diferencias y niveles (todos los

comandos anteriores, con la excepcin de Arellano y Bond que solo usa diferencias), es
posible que surjan ms instrumentos que los necesarios, producindose la
sobreidentificacin del modelo.
Roodman (2009) hace un profundo anlisis de este problema y plantea mecanismos
para testear adecuadamente la existencia o no de exceso de instrumentos de las
variables endgenas.
Existen dos principales test de contraste para comprobar la validez de los instrumentos
usados:
25
1. Test de Sargan
Este test es adecuado cuando la estimacin se ha hecho considerando la matriz de
pesos homocedstica, como es el caso de One step. Es necesario destacar que si la
estimacin se realiza con One step y adems con la opcin vce(robust), entonces,
este test no se puede ejecutar (solo es factible sin la opcin vce(robust)).
El comando usado en Stata para este test es: estat sargan y se emplea como
postestimacin del modelo.
La Hiptesis nula de este test es:
H0= Las restricciones de sobreidentificacin son vlidas.
2. Test de Hansen
Este test permite detectar la sobreidentificacin del modelo cuando se ha
empleado la matriz de pesos heterocedstica en la estimacin, es decir es vlido
para estimaciones con Two step y opcin vce(robust)).
Cuando utilizamos el comando xtabond2, este test es reportado directamente.
La Hiptesis nula de este test es igual a la de Sargan test.
H0= Las restricciones de sobreidentificacin son vlidas.
Autocorrelacin
Para que la estimacin sea consistente y se justifique la utilizacin de modelos

dinmicos, que empleen los retardos en diferencias o niveles como instrumentos, se
requiere que los errores no estn serialmente correlacionados, lo que se comprueba
con el test de Arellano y Bond.
La hiptesis nula de este test es:
Ho: No existe autocorrelacin.
En Stata, por defecto, este test entrega los resultados para el orden 1 y 2 (Ar(1) y
Ar(2)). Es probable que cuando el test de Arellano y Bond indica que existe correlacin
serial estemos frente a un modelo con raz unitaria.
26
Heterocedasticidad
La heterocedasticidad es un problema recurrente en los modelos dinmicos. Para

probar la existencia de la misma, disponemos del test de Breusch-Pagan, que es
aplicable solo a regresiones lineales simples que no consideran los efectos fijos. Por
tanto, para nuestro caso podra ser empleado solo en el anlisis con xtivireg a travs
del comando IVhettest. Este test indica la existencia o no de heterocedasticidad, y
normalmente se usa para comparar MCO con el estimador para variables
instrumentales. En caso de existir heterocedasticidad, este estimador no es eficiente,
lo que nos lleva a emplear GMM.
4.3.6. Procedimiento
Como hemos indicado, existen dos maneras de realizar las estimaciones de modelos
con variables endgenas: estimacin con variables instrumentales (proxy) y por medio
de estimadores GMM.
La eleccin del mtodo a utilizar estar basada en el tipo de instrumentos disponibles.
Si disponemos de proxys que renan las caractersticas deseadas, las usaremos como
instrumentos en el tratamiento de las variables endgenas. Por el contrario, en el caso
de que no existan adecuados proxys como instrumentos deberemos usar sus retardos
a travs del estimador GMM.
Si deseamos incluir el efecto endgeno del modelo, es decir la variable dependiente
retardada como regresor, la opcin sera GMM.
Modelizacin
En este apartado se explicar la sintaxis y la interpretacin de los comandos y sus
resultados: xtabond, xtdpdsys y xtabond2.
27
Comando xtabond
Para regresiones que empleen el comando xtabond distinguiremos entre modelos con
variables exgenas, predeterminadas o endgenas, y modelos que combinen estos
tipos de variables.
1) Para modelos con variables independiente exgenas

Paso1
xtabond vardep var1 var2 var310, lags(#) twostep
estat sargan
Paso2
xtabond vardep var1 var2 var3, lags(#) vce(robust) twostep
estat abond
Siendo: var1, var2 y varn, variables independientes exgenas
Primero, debemos hacer la estimacin sin la opcin vce(robust), para postestimar el

test de Sargan. Se digita en primer lugar el comando del estimador (xtabond), luego la
variable dependiente y a continuacin las independientes exgenas (para el ejemplo:
var1, var2 y var3). Despus de la coma se ponen los lags (retardos) de la variable
dependiente a incluir como regresor.
Segundo, estimamos el modelo con la opcin vce(robust). En este caso aadimos el
test de Arellano y Bond para conocer la existencia o no de autocorrelacin serial (estat
abond).
2) Para modelos con variables independientes predeterminadas

Paso1
xtabond vardepend var1 var2 var3, lags(#)twostep pre (var4, va5, lagstructur(#,#))
estat sargan
10
El nmero de variables independiente puede ser desde 1 hasta n.
28
Paso 2
xtabond vardepend var1 var2 var3, lags(#) twostep vce(robust) pre(var4, var5,
lagstructur(#,#))
estat abond
Siendo: var1, var2 y va3, variables independientes exgenas y var4, var5 variables
independiente predeterminadas.
Para considerar las variables independientes como predeterminadas usamos la sintaxis

pre (var4, var5, lagstructur(#,#)), despus de la coma. Dentro del parntesis se ponen
la lista de variables predeterminadas (en el ejemplo var4 y var5) y las limitaciones a los
instrumentos (lagstructur(#,#)). En el primer # se indica el nmero de lags a incluir,
mientras que el segundo # se debe indicar la cantidad mxima de lags a incluir.
3) Para modelos con variables independientes endgenas

Paso 1
xtabond vardepend var1 var2 var3, lags(#)twostep endog (var6, va7, lagstructur(#,#))
estat sargan
Paso 2
xtabond vardepend var1 var2 var3, lags(#) twostep vce(robust) endog(var6, var7,
lagstructur(#,#))
estat abond
Para considerar las variables endgenas usamos la expresin endog(var6, var7,

lagstructur(#,#) despus de la coma. Dentro del parntesis del comando se ponen la
lista de variables endgenas y las limitaciones a los instrumentos.
Siendo: var1, var2 y var3, variables independientes exgenas y var6, var7 variables
independiente endgenas
Otras combinaciones
Las modelos permiten combinaciones de los diferentes tipos de variables
independientes: exgenas, predeterminada y endgenas, debiendo ser asignada cada
variable en una sola categora.
29
xtabond vardepend var1 var2 var3, lags(#) twostep vce(robust) pre(var4, var5,
lagstructur(#,#)) endog(var6, var7, lagstructur(#,#))
Las restricciones de las variables (lags) pueden ser asignadas a un grupo o a cada
variable.
xtabond vardepend var1 var2 var3, lags(#) twostep vce(robust) endog(var6, var7,
lagstructur(1,.)) endog(var8, lagstructur(2,2))
Siendo: var1, var2 y var3, variables independientes exgenas y var6, var7 var8 variables
independiente endgenas
El nmero mximo de lags depender de la extensin temporal de la base de datos,

teniendo en cuenta que se va perdiendo un t cada vez que diferenciamos.
La estimacin tambin se puede realizar utilizando otros comandos para restringir los
instrumentos:
1. Maxdelp (#) Nmero mximo de lags de la variable dependiente que pueden
ser utilizados como instrumentos.
2. Maxlags (#) Nmero mximo de lags de las variables predeterminadas y
endgenas.
Comando xtdpdsys
Para regresiones que empleen el comando xtdpdsys, procederemos de la siguiente
forma:
xtdpdsys vardep var1 var2, lags(#) twostep vce(robust) pre(var4, var5, lagstructur(#,#))
endog(var6, var7, lagstructur(#,#))
Siendo: var1, var2 y var3, variables independientes exgenas, var4 y var5 variables
predeterminadas, y var6, var7 var8 variables independiente endgenas
Como podemos observar, la sintaxis de la estimacin anterior solo difiere en el

estimador (xtdpdsys), mientras que la descripcin de variables y sus restricciones se
usan igual que en xtabond. La diferencia entre ambos (xtabond y xtdpdsys) es la
construccin de variables instrumentales. El primero usa solo diferencias y el segundo
emplea diferencias y niveles.
30
Comando xtabond2
A pesar de que Stata ha incorporado estimadores que utilizan instrumentos en niveles
y diferencias (xtdpdsys y xtdpd), el comando xtabond2 mantiene algunas ventajas con
respecto a los anteriores, tales como la posibilidad de excluir el retardo de la variable
dependiente como regresor, adems de mayores alternativas en el tratamiento de las
variables.
Como ya se ha mencionado, xtabond solo estima con instrumentos en diferencias, lo
cual reduce el nmero de instrumentos posibles de utilizar. Por su parte, xtabond2
adems de utilizar las diferencias, tambin emplea los niveles, lo cual incrementa el
tamao de la matriz (sistema de ecuaciones) y el nmero de instrumentos por cada
variable. Debido a lo anterior, el primero (xtabond) es ms recomendable para
muestra de tiempo grande, mientras que el segundo (xtabond2) funciona mejor para
muestras de tiempo pequeas, ya que al incorporar los instrumentos en niveles,
reduce la prdida de informacin, aunque podra generar sobreidentificacin.
xtabond2 puede utilizar en su sintaxis tanto la estimacin con instrumentos en
diferencias y en niveles (gmmstyle), como solo en diferencias (comando eq(diff)) o solo
en niveles (comando eq(level)).
Para llevar a cabo las estimaciones en Stata con xtabond2, la programacin se divide
en dos partes. La primera identifica las variables (Qu analizaremos?) y la segunda
corresponde al cmo sern tratadas las variables independientes (endgenas,
predeterminadas o exgenas) y bajo qu restricciones. Ambas secciones van separadas
por una coma.
Se introducen las variables partiendo por la dependiente y luego la(s)
independiente(s). En caso de que necesitemos incorporar la variable dependiente
como regresor, sta debe ir especificada entre la dependiente y las independientes,
bajo la sintaxis de l.vardep, para el primer retardo de la variable dependiente, l(#) para
retardos superiores, o combinaciones de ambos. Este mismo tipo de estructura se
utiliza para especificar las variables independientes a travs de sus retardos.
Hay dos formas de introducir las instrucciones de cmo tratar las variables:
a. gmmstyle o gmm: para variables endgenas o predeterminadas
b. ivstyle o iv: para variables exgenas.
xtabond2 no requiere de postestimaciones para conocer los estadsticos referidos a
sobreidentificacin (test de Sargan y Hansen) y autocorrelacin serial (test de Arellano
y Bond), sino que los reporta directamente.
31
A continuacin se presentan la sintaxis a emplear utilizando variables exgenas,

predeterminadas o endgenas, y las posibles combinaciones de stas.
1. Para modelos con variables independientes exgenas

xtabond2 vardep l.vardep var1 var2 var3, gmm (l.vardep, lag (# #)) iv(var1 var2 var3)
robust twostep
Donde
var1 y var2 son variables exgenas, y l.vardep es el retardo de la variable dependiente
utilizada como regresor, con sus respectivas restricciones de instrumentos -lags (# #).
Cabe mencionar que el regresor l.vardep puede ser eliminado de la estimacin, lo que
obliga a excluirlo tambin del segundo trmino de la ecuacin -gmm (l.vardep, lag(# #))-.
Robust es el comando que se usa para trabajar con heterocedasticidad.
2. Para modelos con variables independientes predeterminadas

Para especificar el tratamiento de la variable como predeterminada tenemos tres
alternativas que entregan el mismo resultado:
1. gmm(var 4 var5)
2. gmm(var 4 var5, lag(. .)
3. gmm(var4 var5, lag(1 .)
xtabond2 vardep l.vardep var4 var5, gmm (l.vardep, lag (# #) gmm (var4 var5) robust
twostep
La sintaxis anterior ha usado la primera opcin, la cual indica que var4 y var5 son
predeterminadas y por tanto se especifican dentro del comando gmm, a diferencia del
caso anterior (variables exgenas) que se usa el comando iv.
3. Para modelos con variables independientes endgenas

En el ejemplo siguiente, las var6 y var7 sern tratadas como endgenas. Ntese que en
los comandos a utilizar la principal diferencia con la sintaxis de las variables
predeterminadas, se encuentra en la especificacin de los retardos (lags) de estas
variables. Al igual que en caso anterior existen tres alternativas de especificacin:
1. gmm(l.(var6 var7))
2. gmm(var6 var7, lag(2 .))
3. gmm(l.(var6 var7, lag(1 .))
32
En los ejemplos que siguen se usa la primera alternativa:

xtabond2 vardep l.vardep var6 var7), gmm (l.vardep, lag (# #) gmm(l.var6 var7) robust
twostep
En el caso de que en las restricciones de las variables tratadas como endgenas (var6 y
var7) utilicemos retardos superiores a los indicados (lag(3 .) o superiores) la variable
sigue siendo considerada endgena para el modelo.
Las variables independientes pueden tratarse empleando 1 o ms retardos, esto se
indica en la primera parte de la ecuacin (ejemplo: si queremos tratarlas con retardo
debe indicarse con el comando l., ej: l.(var6), lo que significa que las var6 ser
analizada usando su primer retardo. Adems su tratamiento tambin puede ser como
predeterminado, endgeno o exgeno.
La sintaxis quedara de la siguiente forma:
Usando el solo el primer retardo
xtabond2 vardep l.vardep l.(var6 var7), gmm (l.vardep, lag (# #) gmm(l.(var6 var7))
robust twostep
Usando el primer y segundo retardo
Si por el contrario, deseamos utilizar en nuestra estimacin el primer y segundo
retardo de la variable independiente, quedara como sigue:
xtabond2 vardep l.vardep l(1/2).(var6 var7), gmm (l.vardep, lag (# #) gmm(l.(var6
var7)) robust twostep
4. Combinaciones en el tratamiento de las variables

xtabond2 vardep l.vardep var1 var2 var3 var4 var5 l.(var6 var7), ///
gmm(l.vardep, lag (# #) ///iv(var1 var2 var3) ///
gmm(var4 var5)///
gmm(l.(var6 var7)) robust twostep b///
En este caso existe una combinacin en el tratamiento de las variables, siendo las var1
var2 var3 exgenas, var4 var5 predeterminadas y var6 var7 endgenas, usando el
primer retardo.
(Las barras /// sirven para hacer un salto de lnea en Stata sin que se pierda la
continuidad en la secuencia de programacin).
33
Restricciones adicionales
Restricciones adicionales a las variables pueden ser incorporadas a travs de otros

comandos que van en el segundo trmino de la programacin:
1. Lags
Se usa para gmm(style) o gmm
Esta restriccin ya ha sido empleada en los ejemplos anteriores. Se utiliza para
disminuir el nmero de instrumentos.
Comando: lag(# #)
2. Collapse
Se usa en gmm(style) y especfica que debe crearse un instrumento por cada
variable y lag, en vez de uno por cada periodo de tiempo, variable y lag.
Comando: collapse
3. Equation difference
Se usa para gmm(style) y el iv(style) para indicar que la estimacin se realice
solo usando las diferencias como instrumentos.
Comando: eq(diff)
4. Equation level
Se usa para gmm(style) y el iv(style) para indicar que la estimacin se calcule
solo usando los instrumentos en niveles.
Comando: eq(level)
5. Noconstant
El modelo se estima sin constante.
Comando: noconstant
6. Combinaciones
Diversas combinaciones de las restricciones anteriores pueden ser utilizadas en
xtabond2
Ejemplo:
xtabond2 vardep l.vardep var1 var2 var3 var4 var5 l.(var6 var7), ///
gmm(l.vardep, lag (2 2) collapse) ///
iv(var1 var2 var3) ///
gmm(var4 var5, collapse) ///
gmm(l.(var6 var7, eq(diff)) robust twostep noconstant ///
En el caso anterior la estimacin incluye siete variables independientes ms una

variable dependiente y su retardo como regresor. La variable dependiente -l.vardepretardada con lag(2 2) y collapsada. Por otro lado, var4 y var5 estn tratadas como
predeterminadas collapsadas, y var6 var7 son endgenas y se estn utilizando solo las
ecuaciones en diferencias. Finalmente la estimacin no considerar la constante.
34
4.3.7. Interpretacin de Test

Test de Sargan
Este test verifica la validez de los instrumentos, pero es vulnerable a la proliferacin de

stos y requiere adems errores homocedsticos (One step) para ser consistente
(Roodman, 2008). Por ello, el test de Sargan es ms robusto para estimaciones One
step y en aquellas donde no hay riesgo de sobreidentificacin. Sin embargo, cuando los
errores estn distribuidos de forma heterocedstica (Two step), es ms conveniente
utilizar el test de Hansen, el cual est solo disponible para xtabond2.
El estadstico que reporta este test es el chi2. El nmero que acompaa al chi2 en la
salida de la estimacin, indicado entre parntesis, corresponde a la cantidad de
instrumentos que exceden a los necesarios. La diferencia entre el nmero total de
instrumentos y los que sobran, es el nmero ptimo de instrumentos para el modelo.
La interpretacin el test de Sargan se realiza de la siguiente manera:
Hiptesis Nula:
Ho: las restricciones de sobreidentificacin son vlidas
El criterio de rechazo
Prob>chi2 0.05 (5%)
Si la probabilidad es mayor o igual a 0.05, los instrumentos utilizados en la estimacin
son vlidos y por tanto no existe sobreidentificacin. Por el contrario, si el valor es
inferior a 0.05 los instrumentos no son vlidos debido probablemente a una
sobreidentificacin.
Warnning
Prob>chi2 = 1(100%)
Si la probabilidad es igual o cercano a 1, no significa que los instrumentos sean vlidos,
sino que probablemente no se estn cumpliendo las propiedades asintticas del test,
en cuyo caso debemos rechazar la Ho, al igual que cuando el valor es < 0.05.
Dado que los estimadores calculan con la mayor cantidad de instrumentos posibles y la
probabilidad de sobreidentificacin es alta cuando rechazamos la Ho del test de
Sargan, es recomendable restringir la generacin de instrumentos con los comandos
correspondientes: xtabond y xtdpdsys (maxlags o maxldep) y para xtabond2 (lags,
collapse, eq(level) y eq(diff).
35
Test de Hansen
Como hemos mencionado, este test est solo disponible para xtabond2 y se reporta
directamente cuando estimamos a travs de este comando. Adems, se recomienda
cuando trabajamos con la matriz de errores heterocedstica (Two step).
La interpretacin del test de Hansen se realiza de la siguiente manera:
Hiptesis nula (dem Sargan)
Ho: las restricciones de sobreidentificacin son vlidas
El criterio de rechazo
Prob>chi2 0.05 (5%)
Warnning
Prob>chi2 = 1(100%)
Si el valor es igual o cercano a 1, no significa que los instrumentos sean vlidos sino
que probablemente no se est cumpliendo las propiedades asintticas del test
(Roodman, 2009), en cuyo caso debemos rechazar la Ho, al igual que cuando el valor
es < 0.05.
Recomendacin
El valor de Prob>chi2 debe estar situado en el siguiente intervalo
0.05 Prob>chi2<0.8
Segn, Roodman (2009) sera ptimo encontrar la Prob>chi2 en el siguiente intervalo
0.1 Prob>chi2<0.25
En el caso de que el valor de la Prob>chi2 se encuentre fuera del intervalo, el modelo
debe ser analizado con precaucin, pues podra estar sobreidentificado, siendo
necesario agregar restricciones.
Comandos en Stata:
1. Test de Sargan: estat sargan
Usndolo despus de la estimacin con One step
2. Test de Hansen: Se reporta por defecto al usar el comando xtabond2
36
Test de autocorrelacin de Arellano y Bond
Los modelos dinmicos imponen la condicin de que los errores estn no

correlacionados (Cameron, 2009). Para probar esto se usa el test de Arellano y Bond.
Es previsible que exista correlacin serial de primer orden (AR (1) pr>z < 0.05). En este
caso estimar el modelo utilizando directamente el regresor Yt-1 estara sesgado. Por
ello, el estimador utiliza los retardos de Yt-1 como instrumentos, esto es Yt-2 y sucesivos.
Si no existe correlacin serial de segundo orden (AR(2) pr>z > 0.05) el primer retardo
como instrumento (Yt-2) s sera adecuado.
Por tanto, debiramos esperar que en Ar(2) la probabilidad (pr>z) no sea significativa
al 5%, lo cual confirmara la ausencia de autocorrelacin serial de los errores en el
orden 2.
La interpretacin de este test se realiza de la siguiente manera:
Hiptesis Nula
Ho: no existe autocorrelacin.
Para rechazar o no la hiptesis nula utilizaremos el valor de la pr>z en AR(2). No se
rechaza cuando este valor es >0.05, es decir los errores no estn serialmente
correlacionados.
Si no rechazamos Ho, se puede usar el comando xtdpd, el cual considera el problema
de medias mviles, o aadir ms lags a la variable dependiente endgena (Camern,
2009).
En AR(1) la probabilidad pr>z puede ser significancia debido a que el modelo est
relacionado con su pasado inmediato, pero no con periodos anteriores (no significativo
en Ar(2)).
El criterio de no rechazo
Ar(2) prob>z >0.0511
Recomendaciones
11
Un mismo conjunto de variables explicativas tratadas de diferente forma

(predeterminada, endgena o exgena) y con diferentes restricciones puede
reportar estadsticos diferentes para Ar(1) y Ar(2).
La estimacin est correcta, desde el punto de vista de la autocorrelacin, cuando AR(2)>0.05.
37
Si las variables y su tratamiento son los adecuados, y este test reporta

autocorrelacin en el orden serial 2, los estimadores permiten agregar el
comando arlevels que cambia la forma de calcular este estadstico.
Comandos para STATA

Para xtbond y xtdpdsys el comando para este test es:
estat abond
En xtabond2 el test es reportado directamente.
4.3.8. Tips
Estos tips han sido extrados desde Mileva (2007), Roodman (2009), adems de las
experiencias empricas de los autores de esta guia.
En este apartado distinguiremos entre Tips para: (1) Paneles GMM en general
(xtabond, xtdpdsys y xtaond2) y (2) Tips especficos para xtabond2.
1) Para paneles GMM (Xtabond, Xtdpdsys y Xtabond2)

1. System GMM (xtabond2, xtdpdsys y xtdpd) se aconseja para t pequeos y n
grandes.
2. Si en el test de Arellano y Bond se verifica que la autocorrelacin no se
corrige, y el test de Sargan/Hansen seala que existe sobreidentificacin, no
se aconseja usar paneles dinmicos. Habra que probar a travs de paneles
estticos.
3. Debemos usar en las estimaciones de los modelos la opcin Two step porque
es ms eficiente y evita el sesgo en la estimacin.
4. Cuando hay pocos individuos en una muestra es ms probable la existencia
de sobreidentificacin en el modelo, lo que genera un estadstico
Sargan/Hansen dbil. La regla es tener un nmero de instrumentos igual o
menor al nmero de grupos de individuos.
nmero de instrumentos nmero de individuos
5. Cuando la muestra tiene un t grande (t>10) el problema de
sobreidentificacin emerge fcilmente. Para corregir esta situacin se puede:
38
a. Aumentar el nmero de individuos de la muestra o reducir el t, por

ejemplo usando datos bianuales.
b. Para el comando xtabond2, usar las restricciones disponibles en los
comandos: lags, collapse, eq(diff) y eq(level). Para los otros estimadores
usar los comandos maxldep (#) y maxlags(#).
6. Al quitar la constante se observa la tendencia de un aumento en la
significancia de las variables.
2) Solo para xtabond2
1.
La variable dependiente utilizada como regresor se puede tratar como

endgena o como predeterminada.
2. Mecanismos para tratar de mejorar la significancia de los coeficientes.
a. Quitando la variable dependiente como regresor.
b. Mejorar la especificacin del modelo
3. Usando el comando ivstyle introducimos las variables que consideramos
exgenas ms las variables independientes que no son parte de la ecuacin y
que por tanto, no han sido especificadas en la primera parte de la estimacin
(antes de la coma).
4. Si el valor del test de Hansen no cumple las condiciones, es posible corregir
el problema cambiando las restricciones a los retardos de la variable
dependiente usada como regresor
39
4.4.
PANELES DINMICOS: ejemplos prcticos
En este apartado se ofrecen una serie de los ejemplos de paneles dinmicos. Para ello
se usar un caso para el anlisis con xtabond y xtdpdsys y tres ejemplos para el
comando xtabond2.
xtabond (Difference GMM)

xtabond vardep var1 var3, lags(1) noconstant
. xtabond
vardep var1 var3, lags(1) noconstant
Arellano-Bond dynamic panel-data estimation

Group variable: ica
Time variable: year
Number of obs
Number of groups
Obs per group:
Number of instruments =
=
=
51
17
min =
avg =
max =
3
3
3
=
=
304.52
0.0000
Wald chi2(3)
Prob > chi2
One-step results
vardep
Coef.
vardep
L1.
Std. Err.
.5451245
.0615707
var1
var3
.003336
-.1939186
.0050603
.0839586
P>|z|
8.85
0.000
.4244481
.6658009
0.66
-2.31
0.510
0.021
-.0065821
-.3584744
.0132541
-.0293628
Instruments for differenced equation

GMM-type: L(2/.).vardep
Standard: D.var1 D.var3
El ejemplo anterior muestra los resultados de una estimacin con difference GMM,
One step (por defecto), considerando vardep como variable dependiente, y como
variables explicativas el retardo de vardep (variable endgena) y var1 y var2 (variables
exgenas). Adems, se ha incorporado el comando noconstant para que la estimacin
no sea calculada con el trmino constante.
La muestra est compuesta por 51 observaciones y 17 grupos (individuos). El nmero
de instrumentos usados en la estimacin es igual a 8, siendo este nmero inferior al
nmero de grupos, lo que da indicios de que no debieran existir problemas de
sobreidentificacin.
No tiene sentido en este caso analizar la significancia de los coeficientes de las
variables ya que, como se ha venido argumentando siempre es preferible la opcin
Two step y vce(robust) para mejorar la eficiencia. Esta estimacin solo ha sido
realizada para postestimar el test de Sargan.
40
estat sargan
. estat sargan
Sargan test of overidentifying restrictions
H0: overidentifying restrictions are valid
chi2(5)
Prob > chi2
=
=
7.506046
0.1856
La prob> chi2 del test de Sargan (test de sobreidentificacin) es igual a 0.1856 lo que es
mayor que 0.05. Esto indica H0 no se rechaza, por lo que las restricciones de
sobreidentificacin son vlidas y, por tanto, los instrumentos utilizados para la
estimacin son correctos.
xtabond vardep var1 var3, lags(1) twostep vce(robust) noconstant maxldep(2)

> a variable dependiente retardada como explicativa*/
. xtabond vardep var1 var3, lags(1) twostep vce(robust) noconstant maxldep(2)
Group variable: ica
Time variable: year
Number of obs
Number of groups
Obs per group:
=
=
51
17
min =
avg =
max =
3
3
3
=
=
32.97
0.0000
Wald chi2(3)
Prob > chi2
Two-step results
(Std. Err. adjusted for clustering on ica)
WC-Robust
Std. Err.
vardep
Coef.
vardep
L1.
.6027618
.1876604
var1
var3
.0020771
-.1868614
.0049239
.1276013
P>|z|
3.21
0.001
.2349543
.9705694
0.42
-1.46
0.673
0.143
-.0075736
-.4369553
.0117278
.0632324

GMM-type: L(2/3).vardep
La salida anterior muestra la estimacin aadiendo los comandos Two step y

vce(robust). Adems, en este caso se ha aadido el comando maxldep(2) que reduce el
nmero de instrumentos empleados de la variable endgena.
Con respecto a la significancia de los coeficientes, se observa cmo las variables var1 y
var3 usadas no son significativas para explicar la variable dependiente (vardep).
nicamente, el regresor l.vardep afecta positiva y significativamente a vardep.
El test de Wald comprueba la capacidad explicativa de las variables en su conjunto. En
el ejemplo anterior, ste presenta una prob>chi2 =0.000 lo que quiere decir que el total
de regresores explican significativamente la variable dependiente.
41
estat abond
. estat abond
Arellano-Bond test for zero autocorrelation in first-differenced errors
Order
1
2
Prob > z
-.36093
1.2524
0.7182
0.2104
H0: no autocorrelation
El test de Arellano y Bond comprueba la autocorrelacin serial de los errores en

primeras diferencias.
Debemos poner atencin en los estadsticos de segundo orden [Ar(2)], el cual debe ser
no significativo al 5%, pues los instrumentos utilizados requieren que se cumpla esta
condicin. En este caso, esta restriccin se cumple pues la Prob>z= 0.2104, por lo que
no rechazo la hiptesis nula - Ho: no autocorrelacin.
En muchas ocasiones podemos encontrar que la prob>z en el orden 1 [Ar(1)] sea
significativa (<0.05), lo que es perfectamente vlido y esperable.
En los ejemplos anteriores var1 y var3 han sido tratadas como variables estrictamente
exgenas. Sin embargo, la utilizacin de este mtodo permite tambin utilizar las
variables como endgenas o predeterminadas.
xtabond vardep var1, lag(1) twostep vce(robust) noconstant endogenous(var3,

lag(0,2))
. xtabond
vardep var1, lags(1) twostep vce(robust) noconstant endogenous(var3, lag(0,2))

Group variable: ica
Time variable: year
Number of obs
Number of groups
Obs per group:
12
=
=
51
17
min =
avg =
max =
3
3
3
=
=
259.86
0.0000
Wald chi2(3)
Prob > chi2
Two-step results
WC-Robust
Std. Err.
vardep
Coef.
P>|z|
vardep
L1.
.5654174
.0901613
6.27
0.000
.3887044
.7421303
var3
var1
.0381789
.0012381
.209067
.0060108
0.18
0.21
0.855
0.837
-.3715849
-.0105428
.4479427
.013019

GMM-type: L(2/.).vardep L(2/3).var3
Standard: D.var1
42
En la salida anterior var3 ha sido tratada como endgena (endgenous var3). El

comando lag(0,2) le indica a Stata los instrumentos a emplear.
xtabond vardep var1, lag(1) twostep vce(robust) noconstant pre(var3)
. xtabond
vardep var1, lags(1) twostep vce(robust) noconstant pre(var3)

Group variable: ica
Time variable: year
Number of obs
Number of groups
Obs per group:
16
=
=
51
17
min =
avg =
max =
3
3
3
=
=
67.66
0.0000
Wald chi2(3)
Prob > chi2
Two-step results
WC-Robust
Std. Err.
vardep
Coef.
vardep
L1.
.5655598
.0846262
var3
var1
-.0471795
.0021778
.0958539
.0068772
P>|z|
6.68
0.000
.3996954
.7314241
-0.49
0.32
0.623
0.751
-.2350496
-.0113013
.1406906
.0156569

GMM-type: L(2/.).vardep L(1/.).var3
Standard: D.var1
En este caso var3 ha sido tratada como predeterminada sin poner restricciones, lo que
incrementa el nmero de instrumentos.
xtdpdsys (System GMM)

xtdpdsys vardep vardep var1 var3, lag(1) twostep
.
xtdpdsys vardep var1 var3, lags(1) twostep
System dynamic panel-data estimation

Group variable: id
Time variable: year
Number of obs
Number of groups
Obs per group:
12
=
=
68
17
min =
avg =
max =
4
4
4
=
=
57943.32
0.0000
Wald chi2(3)
Prob > chi2
Two-step results
vardep
Coef.
Std. Err.
vardep
L1.
.9807195
.0587436
var1
var3
_cons
.0106537
-.4958859
.9624618
.0038595
.060886
5.677702
P>|z|
16.69
0.000
.8655842
1.095855
2.76
-8.14
0.17
0.006
0.000
0.865
.0030893
-.6152202
-10.16563
.0182182
-.3765515
12.09055
Warning: gmm two-step standard errors are biased; robust standard

errors are recommended.
Instruments for level equation
GMM-type: LD.vardep
Standard: _cons
43
En la estimacin anterior se usa el comando xtdpsys. Vardep es la variable dependiente

y como regresores se emplean var1, var2 y el primer retardo de vardep (l.vardep), lo
que se indica con el comando lags(1). Var1 y var2 son exgenas y se ha usado la opcin
Two step.
La muestra est compuesta por 68 observaciones y 17 grupos (individuos). La
estimacin ha empleado 12 instrumentos, provenientes tanto de las ecuaciones en
niveles como de las ecuaciones en diferencias.
Si este mismo ejercicio lo hiciramos con el comando xtabond el nmero de
instrumentos sera inferior, ya que este estimador solo considera las ecuaciones en
diferencias.
estat sargan
. estat sargan
Sargan test of overidentifying restrictions
chi2(8)
Prob > chi2
=
=
3.774949
0.8768
El test de Sargan presenta una Prob>chi2 igual a 0.8768, por lo que la Ho no es

rechazada, lo que significa que los instrumentos son vlidos.
xtdpdsys vardep var1 var3, lags(1) vce(robust) twostep

. xtdpdsys vardep var1 var3, lags(1) vce(robust)
System dynamic panel-data estimation
Group variable: ica
Time variable: year
twostep
Number of obs
Number of groups
Obs per group:
12
=
=
68
17
min =
avg =
max =
4
4
4
=
=
2139.59
0.0000
Wald chi2(3)
Prob > chi2
Two-step results
WC-Robust
Std. Err.
vardep
Coef.
vardep
L1.
.9807195
.3357206
var1
var3
_cons
.0106537
-.4958859
.9624618
.0264802
.1540212
24.79639
P>|z|
2.92
0.003
.3227193
1.63872
0.40
-3.22
0.04
0.687
0.001
0.969
-.0412466
-.7977618
-47.63758
.0625541
-.1940099
49.5625

Instruments for level equation
GMM-type: LD.vardep
Standard: _cons
44
. estat sargan
A diferencia
de laofanterior
estimacin,
en esta ltima hemos incorporado la opcin
Sargan test
overidentifying
restrictions
vce(robust) que
realiza
el clculo
contest
la matriz
de pesos heterocedstica.
cannot
calculate
Sargan
with vce(robust)
chi2(8)
Prob > chi2
estat abond
=
=
.
.
. /*se ejecuta solo sin la opcion vce(robust)*/

. estat abond
Arellano-Bond test for zero autocorrelation in first-differenced errors
Order
1
2
Prob > z
.69632
-.27936
0.4862
0.7800
H0: no autocorrelation
El test de Arellano y Bond muestra que para el segundo orden no hay correlacin serial
de los errores y por tanto, Ho no se rechaza, lo que permite inferir que la
endogeneidad ha sido tratada adecuadamente en el modelo.
xtabond2
Ejemplo 1
xtabond2 Vardep l.Vardep l.(var1 var2 var3) var4 var5 var6 var7, gmm(l.Vardep)
gmm(l.(var1 var2 var3)) gmm(var4 var5) iv(var6 var7) robust twostep
. xtabond2 Vardep l.Vardep l.(var1 var2 var3) var4 var5 var6 var7, gmm(l.Vardep) gmm(l.(var1 var2 var
> 3)) gmm(var4 var5) iv(var6 var7) robust twostep artest(2)
Favoring speed over space. To switch, type or click on mata: mata set matafavor space, perm.
Warning: Number of instruments may be large relative to number of observations.
Warning: Two-step estimated covariance matrix of moments is singular.
Using a generalized inverse to calculate optimal weighting matrix for two-step estimation.
Difference-in-Sargan statistics may be negative.
Dynamic panel-data estimation, two-step system GMM
Group variable: id
Time variable : year
Number of instruments = 130
Wald chi2(8) = 48616.09
Prob > chi2
=
0.000
Number of obs
Number of groups
Obs per group: min
avg
max
Corrected
Std. Err.
Vardep
Coef.
Vardep
L1.
.9771125
.0359486
var1
L1.
-.0022753
var2
L1.
.002381
var3
L1.
var4
var5
var6
var7
_cons
198
33
6
6.00
6
P>|z|
27.18
0.000
.9066545
1.04757
.0020396
-1.12
0.265
-.0062729
.0017224
.0026863
0.89
0.375
-.002884
.007646
-.0011169
.001226
-0.91
0.362
-.0035198
.0012859
-.0006205
.0009532
.0026386
.0008161
.0318833
.0004026
.001894
.0046711
.0006034
.0818426
-1.54
0.50
0.56
1.35
0.39
0.123
0.615
0.572
0.176
0.697
-.0014096
-.002759
-.0065165
-.0003666
-.1285253
.0001685
.0046655
.0117938
.0019988
.1922919
Arellano-Bond test for AR(1) in first differences: z =

Sargan test of
(Not robust,
Hansen test of
(Robust, but
=
=
=
=
=
overid. restrictions: chi2(121) = 243.60

but not weakened by many instruments.)
overid. restrictions: chi2(121) = 24.38
can be weakened by many instruments.)
45
-2.40
-1.67
Pr > z =
Pr > z =
0.016
0.094
Prob > chi2 =
0.000
Prob > chi2 =
1.000
El ejemplo 1 muestra una estimacin de un modelo economtrico dinmico usando el

estimador xtbond2.
Vardep corresponde a la variable dependiente y l.Vardep a su retardo utilizado como
regresor. Por su parte, var1, var2, var3, var4, var5, var6, var7 son variables
independientes, siendo tratadas las tres primeras como endgenas en su primer
retardo, var4 y var5 como predeterminadas, y finalmente la var6 y var7 son
estrictamente exgenas. Ninguna variable ha sido restringida y el anlisis se ha hecho
usando las opciones two step y robust.
En este caso el nmero de instrumentos es mayor que el nmero de grupos, esto es
130 > que 33, lo que a priori da indicios de sobreidentificacin.
El test de Hansen (test de validez de los instrumentos) reporta un valor=1, lo que
indica que los instrumentos no son vlidos, y por tanto existe sobreidentificacin.
Como el ejemplo anterior usa la opcin Two step, no corresponde interpretar el test
de Sargan.
El test de Arellano-Bond muestra que existe autocorrelacin serial de los errores en el
orden 2 [Ar(2)], al ser significativo Pr>z=0.094, por lo cual la Ho se rechaza.
El modelo no reporta alta significancia en las variables explicativas. En este caso, solo
el retardo de la variable dependiente es significativo, lo que mostrara que el modelo
ha sido mal especificado, que las variables han sido tratadas inadecuadamente, o que
el modelo no es endgeno.
Finalmente, concluimos que este modelo no rene las condiciones necesarias para ser
aceptado como vlido.
Condicin 1: Validez de los instrumentos (Hansen=Prob>chi2=1)
Condicin 2: Autocorrelacin- Ar (2)- significativo
Condicin 3: Nmero de instrumentos > nmero de grupos
46
Ejemplo 2
xtabond2 Vardep l.Vardep var1 var2 var3 var4 var6 var7, gmm(l.vardep, lag(1 1))
gmm(var1 var2, collapse) iv(var3 var4 var5 var6 var7) robust twostep
. xtabond2 Vardep l.Vardep var1 var2 var3 var4 var5 var6 var7, gmm(l.Vardep, lag (1 1
> )) gmm(var1 var2, collapse) iv(var3 var4 var5 var6 var7) robust twostep
Favoring speed over space. To switch, type or click on mata: mata set matafavor space
> , perm.
Using a generalized inverse to calculate optimal weighting matrix for two-step esti
> mation.
Group variable: id
Wald chi2(8) = 40108.63
Prob > chi2
=
0.000
Number of obs
Number of groups
Obs per group: min
avg
max
Corrected
Std. Err.
P>|z|
=
=
=
=
=
198
33
6
6.00
6
Vardep
Coef.
Vardep
L1.
.9215161
.063568
14.50
0.000
.796925
1.046107
var1
var2
var3
var4
var5
var6
var7
_cons
.0102567
.002995
.0003887
.000135
-.0007416
-.0004157
.0011585
.1802162
.0030295
.0028396
.0007755
.0004844
.0014002
.0024315
.000629
.164076
3.39
1.05
0.50
0.28
-0.53
-0.17
1.84
1.10
0.001
0.292
0.616
0.780
0.596
0.864
0.065
0.272
.0043189
-.0025705
-.0011312
-.0008145
-.003486
-.0051813
-.0000743
-.1413667
.0161945
.0085605
.0019086
.0010845
.0020028
.00435
.0023913
.5017992

Sargan test of
(Not robust,
Hansen test of
(Robust, but
overid. restrictions: chi2(21)

= 132.76
= 29.47
-2.51
-0.92
Pr > z =
Pr > z =
0.012
0.360
Prob > chi2 =
0.000
Prob > chi2 =
0.103
El ejemplo 2 muestra una estimacin de un modelo economtrico dinmico usando el

comando xtabond2.
Las variables usadas son iguales al ejemplo anterior, pero esta vez tratadas de
diferente forma. var1 y var2 son consideradas como predeterminadas y estn
restringidas con el comando collapse. var3, var4, var5, var6 y var7 estn tratadas como
exgenas. l.vardep es endgena y est restringida con los lags(1 1). Las condiciones del
modelo robust y Two step se siguen manteniendo.
En este caso, el nmero de instrumentos es considerablemente inferior al ejemplo
anterior, generndose solo 30, lo que es menor al nmero de grupos (33). Por lo
anterior, el modelo no presenta indicios de sobreidentificacin.
El test de Hansen reporta prob>chi2 =0.103, lo que indica que los instrumentos
empleados son vlidos. Por otro lado, el test de Arellano y Bond la pr>z=0.36 para
Ar(2) no rechaza la Ho.
47
La prueba de Wald seala que el modelo est correctamente estimado y que las
variables en conjunto explican adecuadamente la variable dependiente.
Por tanto, tomando en cuenta los estadsticos analizados, este modelo cumple con las
condiciones requeridas. Sin embargo, se recomendara seguir mejorando el modelo,
pues es probable que no todas las variables estn adecuadamente expresadas
Finalmente, concluimos que este modelo rene las condiciones necesarias para ser
aceptado como vlido.
Condicin 1: Validez de los instrumentos (Test Hansen=Aceptable)
0.1 (prob>chi2=0.103) 0.25
El valor es ptimo, aunque tambin se aceptara que sea superior a 0.25, siempre y
cuando sea inferior a 0.80.
Condicin 2: Autocorrelacinz= -2.51 Ar(1)= 0.012
z=-0.92 Ar(2)=0.36
Condicin 3: Nmero de instrumentos < nmero de grupos
48
Ejemplo 3
xtabond2 vardep l.(var1 var2 var3 var4 var5 var6 var7), gmm(var1 var2 var3 var4 var5
var6 var7, collapse eq(diff)) robust twostep
. xtabond2 vardep l.(var1 var2 var3 var4 var5 var6 var7), gmm(var1 var2 var3 var4 var5 var6 var7,
> collapse eq(diff)) robust twostep
Favoring speed over space. To switch, type or click on mata: mata set matafavor space, perm.
Warning: Number of instruments may be large relative to number of observations.
Using a generalized inverse to calculate optimal weighting matrix for two-step estimation.
Group variable: id
Wald chi2(7) =
309.05
Prob > chi2
=
0.000
Number of obs
Number of groups
Obs per group: min
avg
max
Corrected
Std. Err.
vardep
Coef.
var1
L1.
.010191
.0051105
var2
L1.
.0824361
var3
L1.
=
=
=
=
=
198
33
6
6.00
6
P>|z|
1.99
0.046
.0001746
.0202074
.0180862
4.56
0.000
.0469878
.1178843
-.0002977
.0024909
-0.12
0.905
-.0051797
.0045843
var4
L1.
.0014213
.0012378
1.15
0.251
-.0010048
.0038474
var5
L1.
.0055398
.0047159
1.17
0.240
-.0037033
.0147829
var6
L1.
.0256558
.0185012
1.39
0.166
-.0106058
.0619175
var7
L1.
.0058867
.0017399
3.38
0.001
.0024765
.0092968
_cons
1.886316
.2522068
7.48
0.000
1.391999
2.380632

Sargan test of
(Not robust,
Hansen test of
(Robust, but

= 301.57
= 28.39
1.18
-1.45
Pr > z =
Pr > z =
0.236
0.146
Prob > chi2 =
0.000
Prob > chi2 =
0.778
La estimacin en el ejemplo 3 permite el clculo del panel dinmico sin considerar el

retardo de la variable dependiente como regresor. Ntese que este comando es una
particularidad de xtabond2.
En este caso, todas las variables independientes son tratadas a travs de sus retados
como predeterminadas y con las restricciones collapse y equation level, manteniendo
las condiciones del modelo robust y twostep.
El nmero de instrumentos es superior al nmero de grupos y el test de Hansen est
en el lmite de lo aceptado. El test de Arellano-Bond presenta las condiciones
necesarias para concluir que no hay autocorrelacin serial de segundo orden.
Lo ms relevante en este modelo es que tenemos una nueva variable independiente
significativa (var2). Una probable re-especificacin del modelo sera requerida.
49
5. Algunas recomendaciones prcticas

En este apartado se entregan algunos consejos para aquellos estudiantes e
investigadores que se inician en el uso de esta metodologa. En ningn caso podemos
decir que sta sea la ruta ms eficiente o mejor para realizar un anlisis con datos de
panel, sin embargo lo que aqu presentamos ha sido el resultado de diversos trabajos
llevados a cabo.
1. Seleccin de variables
La seleccin de variables a incluir en el modelo depender de la informacin que la
literatura especializada pueda entregar, y por tanto del tipo modelo que se intente
estimar y del fenmeno que se desee explicar.
No obstante, estadsticamente el anlisis del tipo factorial permite realizar la seleccin
de variables acorde al poder explicativo de cada una de ellas y la agrupacin de las
mismas. A pesar de esto, en muchos casos podemos seguir teniendo mltiples
opciones, por lo que se recomienda hacer un anlisis de correlacin entre ellas, con el
fin de excluir las variables que tengan un mismo comportamiento (deberamos esperar
una correlacin menor o igual a 0.70, aunque no existe un criterio exacto).
Recomendamos que la seleccin final de las variables se realice usando paneles
estticos, pues este anlisis es ms simple y requiere menos tiempo que paneles
dinmicos, entregando una buena orientacin de las variables que efectivamente
podran explicar el fenmeno en estudio.
2. Propuesta para estimaciones con paneles dinmicos usando xtabond2.

En los ejemplos presentados en esta gua, el panel estaba formado por datos macro y
por tanto, con un nmero relativamente pequeo de individuos (pases) y un t (aos)
largo, lo que genera una tendencia a la proliferacin de instrumentos.
Debido a que se pueden aplicar diversas opciones en el anlisis con paneles dinmicos,
es imprescindible seguir un procedimiento sistemtico y estructurado que permita ir
desarrollando un proceso deductivo, partiendo desde las alternativas ms generales,
hasta las ms especficas, debido a que cada una de ellas puede entregar resultados
diferentes. Lo anterior nos obliga a que cada prueba tenga respaldo estadstico (a
travs de los test que correspondan) y conceptual.
En el anlisis con paneles dinmicos es necesario tratar la endogeneidad del modelo y
de las variables independientes. Como primer paso, recomendamos conocer el
50
comportamiento de la variable dependiente como regresor (sus retardos). Para ello,

abordamos el anlisis tomando solamente la variable dependiente (Y) retrasada como
explicativa, y aplicndole las diversas alternativas de restricciones (lags y collapse) y
mtodos de clculo (equation level y equation different). Esto nos dar un indicio de si
el modelo tienen un comportamiento endgeno y qu tipo de restricciones debieran
imponerse al retardo de Y.
Figura 5: Alternativas de pruebas recomendadas. Se han considerado en esta plantilla
restricciones hasta el retado 3.
Sin Lags
Anlisis de la endogeneidad del modelo

Retardo de la vardep (L)
Lags
Collapse
Sin Lags
(1 .)
(2 .)
(3 .)
(1 .)
(2 .)
(3 .)
(. 1)
(. 2)
(. 3)
(. 1)
(. 2)
(. 3)
(1 1)
(2 2)
(3 3)
(1 1)
(2 2)
(3 3)
(1 2)
(1 3)
(1 2)
(1 3)
(2 1)
(2 3)
(2 1)
(2 3)
(3 1)
(3 2)
(3 1)
(3 2)
Fuente: elaboracin propia
Se pueden agregar dos cuadros que incluyan las restricciones de eq(diff) o eq(level),
adems de las combinaciones presentadas en el cuadro anterior.
S los estadsticos se comportan correctamente, nos indicara que existe indicios de
endogeneidad en el modelo y que esta puede ser tratada por medio del GMM system.
Adems, los resultados nos permiten seleccionar la combinacin de restricciones que
impondremos al retardo de Y en el modelo extendido (aquel que incluye las variables
independientes).
Cabe mencionar, que en modelos dinmicos la variable Y retardada tiene
habitualmente un poder explicativo superior que el resto de las variables
independientes, por lo cual, el tratamiento de sus restricciones por separado, se hace
an ms necesario.
Es recomendable elegir una combinacin de restricciones que presente el menor
nmero de instrumentos posibles cuando tenemos sospechas de que nuestro modelo
pueda ser fcilmente sobreidentificado, debido a que el resto de las variables
explicativas aportarn tambin sus propios instrumentos.
Posteriormente, debiramos estimar el modelo incorporando el resto de las variables
independientes. Una recomendacin importante es tratar estas variables en grupos:
51
exgenas, predeterminadas y endgenas, y con las diferentes alternativas de

restricciones y mtodos de clculo, como muestra la figura 6.
Figura 6: Anlisis de las variables independientes: Exgenas, predeterminadas y
endgenas
Anlisis de las variables explicativas como exgenas
comando: ivstyle
EXGENAS ( Variables sin retardo)
Sin restriciones
Anlisis de las variables explicativas como exgenas

comando: ivstyle
EXGENAS ( Variables con retardo)
Sin restriciones
Equation difference
Equation difference
Equation level
Equation level
Lags
Sin Lags
Sin Lags
Anlisis de las variables explicativas como predeterminadas

comando: gmmstyle
PREDETERMINADA o ENDGENAS ( Variables sin retardo)
Collapse
Equation level
Sin Lags
Equation diff
Sin Lags
(1 .)
(2 .)
(3 .)
(1 .)
(2 .)
(3 .)
(1 .)
(2 .)
(3 .)
(1 .)
(2 .)
(3 .)
(. 1)
(. 2)
(. 3)
(. 1)
(. 2)
(. 3)
(. 1)
(. 2)
(. 3)
(. 1)
(. 2)
(. 3)
(1 1)
(2 2)
(3 3)
(1 1)
(2 2)
(3 3)
(1 1)
(2 2)
(3 3)
(1 1)
(2 2)
(3 3)
(1 2)
(1 3)
(1 2)
(1 3)
(1 2)
(1 3)
(1 2)
(1 3)
(2 1)
(2 3)
(2 1)
(2 3)
(2 1)
(2 3)
(2 1)
(2 3)
(3 1)
(3 2)
(3 1)
(3 2)
(3 1)
(3 2)
(3 1)
(3 2)
Lags
Sin Lags
Sin Lags
Anlisis de las variables explicativas como endgenas

comando: gmmstyle
PRDETERMINADA O ENDGENA (Variables con retardo)
Collapse
Equation level
Sin Lags
Equation diff
Sin Lags
(1 .)
(2 .)
(3 .)
(1 .)
(2 .)
(3 .)
(1 .)
(2 .)
(3 .)
(1 .)
(2 .)
(3 .)
(. 1)
(. 2)
(. 3)
(. 1)
(. 2)
(. 3)
(. 1)
(. 2)
(. 3)
(. 1)
(. 2)
(. 3)
(1 1)
(2 2)
(3 3)
(1 1)
(2 2)
(3 3)
(1 1)
(2 2)
(3 3)
(1 1)
(2 2)
(3 3)
(1 2)
(1 3)
(1 2)
(1 3)
(1 2)
(1 3)
(1 2)
(1 3)
(2 1)
(2 3)
(2 1)
(2 3)
(2 1)
(2 3)
(2 1)
(2 3)
(3 1)
(3 2)
(3 1)
(3 2)
(3 1)
(3 2)
(3 1)
(3 2)
De los anlisis anteriores sern seleccionadas aquellas estimaciones en las que los test
de Sargan/Hansen y Arellano y Bond se comporten acorde a los criterios sealados.
Esto nos permite conocer si nuestras variables son de naturaleza exgena, endgena o
predeterminada, adems de la restriccin que debemos utilizar.
Como tercer paso, es probable que algunas de las variables que han sido incorporadas
en un determinado grupo tengan un comportamiento mejor si son tratadas de una
forma distinta. Por ello, procedemos a tratar variable a variable de manera diferente.
52
Es decir, si el grupo de variables ha sido inicialmente tratado como endgeno,

tomaremos una a una como exgena, e introducindose el resto como endgenas.
Para ello podemos utilizar el esquema que se presenta a continuacin (figura 7).
Figura 7: Tratamiento individualizado de las variables independientes
Tratamiento indiviualizado de las Xs
De: exgenas
A: endgenas /predeterminada
Var 1
Var2
Var3
Var4
Var5
Var6
Varn
Tambin es posible hacer combinaciones de variables con retardo (L) y variables sin
retardo, lo que aumenta el nmero de combinaciones posibles.
Finalmente, se pueden hacer combinaciones de todas las alternativas que en el paso 3
han aprobado la condicin impuesta por los estadsticos. Es decir, por ejemplo,
podemos tener tres variables exgenas, una endgena retardada, y dos
predeterminadas.
Cualquier alternativa en el tratamiento de las variables que finalmente seleccionemos
debe estar respaldada en la literatura pertinente.
Gran parte de las recomendaciones entregadas anteriormente pueden ser tambin
aplicadas para el estimador xtabond y xtdpdsys, poniendo atencin en las opciones y
comandos que estos tienen.
53
3. Como presentar los resultados obtenidos por medio de estimaciones con datos
de panel
A continuacin, se presenta una propuesta para reportar los resultados de las
estimaciones (figura 8). El formato ha sido elaborado sobre la base de lo que
comnmente se observa en publicaciones cientficas.
Figura 8: Propuesta para presentar los resultados
Datos de Panel Estticos
Coef
SE
Var1
Var2
Var3
Var4
Var5
Var6
Var7
Varn
_cons
Hausman
chi2
Prob>Chi2
Within
Overall
Between
Observations
Individuos
Static Panel Data Robust SE in parentheses
Datos de Panel Dinmicos

Coef
SE
Dependent t-1
Var1
Var2
Var3
Var4
Var5
Var6
Varn
_cons
Hansen
Test Chi-Square
Ar(1)
Ar(2)
Observaciones/grupos
Prob>chi2
z
z
N/n
Instrumentos
GMM- Dinamic Panel data- Two Step- Robust standard errors in parentheses
54
6. Referencias
LVAREZ, I. y MARN, R., 2010. Entry modes and national systems of innovation.
Journal of International Management, 16(4), pp. 340-353.
ARELLANO, M. y BOND, S., 1991. Some tests of specification for panel data: Monte
Carlo evidence and an application to employment equations. The Review of Economic
Studies, 58(2), pp. 277-297.
ARELLANO, M. y BOVER, O., 1995. Another look at the instrumental variable estimation
of error-components models. Journal of Econometrics, 68(1), pp. 29-51.
ARELLANO, M. y BOVER, O., 1990. La econometra de datos de panel. Investigaciones
Econmicas (segunda poca), 14(1), pp. 3-45.
BAUM, C.F., SCHAFFER, M.E. y STILLMAN, S., 2003. Instrumental variables and GMM:
Estimation and testing. Stata Journal, 3(1), pp. 1-31.
BLUNDELL, R. y BOND, S., 1998. Initial conditions and moment restrictions in dynamic
panel data models. Journal of Econometrics, 87(1), pp. 115-143.
BOND, S.R., 2002. Dynamic panel data models: a guide to micro data methods and
practice. Portuguese Economic Journal, 1(2), pp. 141-162.
CAMERON, A.C. y TRIVEDI, P.K., 2009. Microeconometrics using Stata. Stata Press
College Station, TX.
CASTELLACCI, F., 2008. Technology clubs, technology gaps and growth trajectories.
Structural Change and Economic Dynamics, 19(4), pp. 301-314.
DE ARCE, R. y MAHA, R., 2001. Conceptos bsicos sobre la heterocedasticidad en el
modelo bsico de regresin lineal. Tratamiento con E-Views. Disponible en
https://www.uam.es/ana.delsur/pdf/heterocedasticidad.pdf
DOSI, G., 1988. Sources, procedures, and microeconomic effects of innovation. Journal
of economic literature, pp. 1120-1171.
GALVAO, A. y MONTES-ROJAS, G., 2009. Instrumental variables quantile regression for
panel data with measurement errors. Department of Economics Discussion Paper
Series, 9(06).
HOECHLE, D., 2007. Robust standard errors for panel regressions with cross-sectional
dependence. Stata Journal, 7(3), pp. 281.
MILEVA, E., 2007. Using Arellano-Bond Dynamic Panel GMM Estimators in Stata.
Tutorial, Fordham University, New York.
55
ROODMAN, D., 2006. How to do xtabond2: An introduction to difference and system

GMM in Stata. Center for Global Development working paper, (103).
ROODMAN, D., 2009. A note on the theme of too many instruments. Oxford Bulletin of
Economics and Statistics, 71(1), pp. 135-158.
ROODMAN, D., 2012. xtabond2: Stata module to extend xtabond dynamic panel data
estimator. Statistical Software Components.
SARGAN, J.D., 1958. The estimation of economic relationships using instrumental
variables. Econometrica: Journal of the Econometric Society, pp. 393-415.
SCHMIDHEINY, K., 2014. Instrumental Variables. Short Guides to Microeconometrics.
Universidad de Basel, Suiza. Disponible en kurt.schmidheiny.name/teaching/iv2up.pdf
56
ANEXO: Compendio de comandos para xtabond2

nomata: mata se refiere a un lenguaje de programacin que hace ms rpido la
ejecucin de la estimacin con xtabond2. Este comando obliga a que la estimacin sea
realizada con el lenguaje ado.
level: se refiere al intervalo de confianza que se reporta en los resultados y por defecto
usa level (95)
robust: permite trabajar bajo el supuesto de heterocedasticidad en los errores
twostep: hace el clculo Two step de paneles GMM (matriz heterocedstica).
artest(#): hace el test de autocorrelacin hasta el orden serial # . Por defecto #=2.
arleves(#): se utiliza para calcular el test de Arellano y Bond en niveles y no en
diferencias.
equation(level): para especificar el tipo de ecuaciones (instrumentos) a emplear. En
este caso utilizarn solo las ecuaciones en niveles
equation(diff): para especificar el tipo de ecuaciones a emplear. En este caso utilizarn
solo las ecuaciones en diferencias.
passthru: se usa junto al comando gmm(style) y permite instrumentalizar las variables
endgenas o predeterminadas solo a travs de las ecuaciones en niveles.
noconstant: el estimador realiza el anlisis sin la consideracin de la constante
orthogonal: hace la estimacin con la matriz de las desviaciones ortogonales en vez de
la construida con las primeras diferencias.
lags(# #): se utiliza para limitar el nmero de instrumentos indicando desde y hasta
que retardo deseamos emplear.
collapse: restringe el nmero de instrumentos utilizados a una sola por lag y variable.
57

Datos de Panel - Un Enfoque Practico

Cargado por

Copyright:

Formatos disponibles

Datos de Panel - Un Enfoque Practico

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Datos de Panel - Un Enfoque Practico

Cargado por

Copyright:

Formatos disponibles

Working Paper # 2014/16

Gua CERO para datos de panel. Un enfoque

UAM-Accenture Working Papers

Gua CERO para datos de panel. Un enfoque prctico

Palabras claves: Datos de panel, econometra, modelos estticos y dinmicos, endogeneidad.

*Doctor en Economa y Gestin de la Innovacin. Investigador del Instituto Complutense de

Conceptos bsicos ................................................................................................................. 5

Cundo utilizar datos de panel? .......................................................................................... 9

4. Usando datos de panel. Estimacin de Modelos economtricos ........................................... 14

MODELOS ESTTICOS: efectos fijos y efectos aleatorios ............................................ 14

Anlisis terico .................................................................................................... 15

Cmo elegir el entre datos de panel estticos y dinmicos? Test de Hausman 16

Comandos en STATA y procedimiento ................................................................ 17

Estimador con variables instrumentales (IV) ...................................................... 18

Ejemplos prcticos .............................................................................................. 19

MODELOS DINMICOS. ANLISIS TERICO ................................................................ 23

Tratamiento de la endogeneidad ........................................................................ 23

Cmo estimar un modelo con variables endgenas? ....................................... 23

Comandos en Stata ............................................................................................. 24

Consideracin de One step y Two step ............................................................... 25

Principales problemas al estimar el modelo con GMM ...................................... 25

4.3.6. Procedimiento ........................................................................................................... 27

PANELES DINMICOS: ejemplos prcticos .................................................................. 40

xtabond (Difference GMM) ................................................................................................. 40

Algunas recomendaciones prcticas ................................................................................... 50

ANEXO: Compendio de comandos para xtabond2 ..................................................................... 57

Propiedades de los estimadores

Fuente: De Arce y Maha, 2001

Entonces podemos expresar, el segundo trmino de la ecuacin como la variable

f) Variables exgenas, endgenas, predeterminadas e instrumentales

Por tanto, y a efectos prcticos podemos considerar dos tipos de endogeneidad

Variables Instrumentales (IV) - Lags

3. Cundo utilizar datos de panel?

Figura 2. Esquema Grfico de los efectos individuales (i)

Fuente: Elaboracin propia

3.1. Condiciones necesarias para usar datos de panel

2. La existencia de observaciones de los mismos individuos (al menos

3.2. Cmo abordar el trabajo de datos de panel?

Fuente: Elaboracin propia

Fuente: Elaboracin propia

Cualquier nombre puede ser empleado para indicar el periodo

varn_2011 varn_2012 varn_2012 varn_2013

Para pasar de Wide a Long

Para pasar de Long a Wide

Archivo de programacin para las estimaciones en Stata

4. Usando datos de panel. Estimacin de Modelos economtricos

MODELOS ESTTICOS: efectos fijos y efectos aleatorios

Tradicionalmente, los mtodos estadsticos que intentan explicar un fenmeno

Para ms detalles de este test ver punto 4.2.2.

4.2.1. Anlisis terico

4.2.3. Comandos en STATA y procedimiento

Los comandos ms utilizados para el anlisis de datos de panel estticos son:

Independiente del tratamiento de los efectos individuales (fijos o aleatorios) debemos

Se digita en primer lugar el comando del estimador (xtreg), posteriormente la variable

Paso 2. Clculo de efectos aleatorios

Donde, re indica que la estimacin debe hacerse considerando efectos aleatorios.

Cualquier nombre puede ser utilizado.

Paso 3. Test de Hausman