Dane panelowe Model.

Prezentacja na temat: "Dane panelowe Model."— Zapis prezentacji:

1 Dane panelowe Model

2 Model grawitacyjny

3 Deklaracja danych panelowych
Wymiar czasu określa się komendą tis a wymiar obiektu komendą iis tis year iis pairid

4 Braki obserwacji w panelu
xtdes pairid: 1, 2, ..., n = year: 70, 75, ..., T = Delta(year) = 5; (95-70)/5 + 1 = 6 (pairid*year does not uniquely identify observations) Distribution of T_i: min % % % % % max Freq. Percent Cum. | Pattern | Dla 37,50% jednostek, które | pojawiły się w panelu | dysponujemy kompletem 6 obs. | | | | | | | (other patterns) | XXXXXX

5 Macierz przejścia xttrans nazwa_zmiennej

6 Estymator efektów losowych
Model efektów losowych stosujemy, gdy: – efekty indywidualne nie są a skorelowane z regresorami xit – zał., że efekt indywidualny jest realizacją pewnej zmiennej losowej o określonym rozkładzie.

7 xtreg ltrade lrgdp lpop ldist cu comcol comctry comlang colonial regional ll island
Random-effects GLS regression Number of obs = Group variable (i): pairid Number of groups = 7961 R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 6 Random effects u_i ~ Gaussian Wald chi2(11) = corr(u_i, X) = 0 (assumed) Prob > chi2 = ltrade | Coef. Std. Err. z P>|z| [95% Conf. Interval] lrgdp | lpop | ldist | cu | comcol | comctry | comlang | colonial | regional | ll | island | _cons | sigma_u | sigma_e | rho | (fraction of variance due to u_i)

8 Zapisywanie wyników est store random

9 xtsum xtsum ltrade R2 between jest dużo wyższy od R2 within,
co jest spowodowano tym, że dla większości zmiennych zróżnicowanie między jednostkami jest znacznie wyższe niż dla poszczególnych jednostek. xtsum ltrade Variable | Mean Std. Dev Min Max | Observations ltrade overall | | N = between | | n = within | | T-bar = UWAGA! Dla tych zmiennych można by było obliczyć średnie po pairid i odchylenia po tych zmiennych.

10 Graficzna prezentacja zależności między zmiennymi graph matrix ltrade cu ldist lrgdp

11 Test Breuscha-Pagana na występowanie efektów indywidualnych.
xttest0 Breusch and Pagan Lagrangian multiplier test for random effects: ltrade[pairid,t] = Xb + u[pairid] + e[pairid,t] Estimated results: | Var sd = sqrt(Var) ltrade | e | u | Test: Var(u) = 0 chi2(1) = Prob > chi2 = Testowanie hipotezy o istnieniu efektów indywidualnych sprowadza się do testowania hipotezy parametrycznej, że H0 : σ2u= 0. Jeśli hipoteza zerowa jest prawdziwa, to ui = 0 i liniowy model efektów nieobserwowalnych sprowadza się do modelu spełniającego założenia KMRL. W takim przypadku lepiej jest zamiast estymatora efektów losowych użyć zwykłego estymatora MNK. Jeśli hipoteza zerowa zostanie odrzucona, wnioskujemy, że efekty indywidualne są istotne w modelu i w konsekwencji efektywniejszym estymatorem jest estymator efektów losowych.

12 Estymator efektów stałych
Zakładamy: efekty indywidualne mogą być skorelowane ze zmiennymi objaśniającymi. Formując model z czynnikami stałymi zakłada się, że różnice między jednostkami mogą być uchwycone poprzez różnice w wyrazie wolnym. Uwzględniony zostanie w ten sposób wpływ wszystkich zmiennych w czasie czynników, specyficznych dla każdej jednostki.

13 xtreg ltrade lrgdp lpop ldist cu comcol comctry comlang colonial regional ll island, fe
Fixed-effects (within) regression Number of obs = Group variable (i): pairid Number of groups = 7961 R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 6 F(7,23258) = corr(u_i, Xb) = Prob > F = ltrade | Coef. Std. Err. t P>|t| [95% Conf. Interval] lrgdp | lpop | ldist | cu | comcol | (dropped) comctry | comlang | colonial | (dropped) regional | ll | (dropped) island | (dropped) _cons | sigma_u | sigma_e | rho | 1 (fraction of variance due to u_i) F test that all u_i=0: F(7960, 23258) = 7.54 Prob > F =

14 Test Hausmana

15 Test Hausmana hausman . random chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)
---- Coefficients ---- | (b) (B) (b-B) sqrt(diag(V_b-V_B)) | random Difference S.E. lrgdp | lpop | ldist | cu | comctry | comlang | regional | 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(1) = (b-B)'[(V_b-V_B)^(-1)](b-B) = Prob>chi2 =

16 Stały i specyficzny efekt związany z momentem obserwacji
xi:xtreg ltrade cu ldist lrgdp lpop comlang regional comcol comctry colonial ll island i.year Random-effects GLS regression Number of obs = Group variable (i): pairid Number of groups = 7961 R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 6 Random effects u_i ~ Gaussian Wald chi2(16) = corr(u_i, X) = 0 (assumed) Prob > chi2 = ltrade | Coef. Std. Err. z P>|z| [95% Conf. Interval] cu | ldist | lrgdp | lpop | comlang | regional | comcol | comctry | colonial | ll | island | _Iyear_75 | _Iyear_80 | _Iyear_85 | _Iyear_90 | _Iyear_95 | _cons | sigma_u | sigma_e | rho | (fraction of variance due to u_i)

17 Test Reset xtreg ltrade lrgdp lpop ldist cu comcol comctry comlang colonial regional ll island fit2 fit3 Random-effects GLS regression Number of obs = Group variable (i): pairid Number of groups = R-sq: within = Obs per group: min = between = avg = overall = max = Random effects u_i ~ Gaussian Wald chi2(13) = corr(u_i, X) = 0 (assumed) Prob > chi = ltrade | Coef. Std. Err z P>|z| [95% Conf. Interval] lrgdp | lpop | ldist | cu | comcol | comctry | comlang | colonial | regional | ll | island | fit2 | fit3 | _cons | sigma_u | sigma_e | rho | (fraction of variance due to u_i)

18 Badanie reszt Skewness Kurtosis

19 Reszty muszą być symetryczne względem wartości dopasowanych

20 Zbilansowanie panelu xtreg ltrade lrgdp lpop ldist cu comcol comctry comlang colonial regional ll island Random-effects GLS regression Number of obs = Group variable (i): pairid Number of groups = 2404 R-sq: within = Obs per group: min = 6 between = avg = 6.0 overall = max = 6 Random effects u_i ~ Gaussian Wald chi2(11) = corr(u_i, X) = 0 (assumed) Prob > chi2 = ltrade | Coef. Std. Err. z P>|z| [95% Conf. Interval] lrgdp | lpop | ldist | cu | comcol | comctry | comlang | colonial | regional | ll | island | _cons | sigma_u | sigma_e | rho | (fraction of variance due to u_i)

21 Grupowa heteroskedastyczność
Dla danych panelowych przyjmuje się GROUPWISE HETEROSCEDATICITY czyli zał. wariancja składnika losowego jest stała dla danej jednostki, natomiast może się różnić się pomiędzy jednostkami.

22 TEST LM nie jest odporny na brak normalności reszt
sum LM p_value Variable | Obs Mean Std. Dev Min Max LM | p_value |

23 TEST skorygowany WALDA jest odporny na brak normalności reszt
sum W p_value1 Variable | Obs Mean Std. Dev Min Max W | e p_value1 | e

24 Xttest1 Joint Test: LM(Var(u)=0,rho=0) = 8562.63
Test na łączną istotność efektów losowych i istnienie autokorelacji 1 rzędu dla modelu RE Xttest1 Joint Test: LM(Var(u)=0,rho=0) = Pr>chi2(2) = W modelu występują efekty losowe i autokorelacja 1 rzędu.