MODELLI A COMPONENTI DI VARIANZA EFFETTI CASUALI - RANDOM EFFECTS

Presentazione sul tema: "MODELLI A COMPONENTI DI VARIANZA EFFETTI CASUALI - RANDOM EFFECTS"— Transcript della presentazione:

1 MODELLI A COMPONENTI DI VARIANZA EFFETTI CASUALI - RANDOM EFFECTS
Le intercette individuali sono trattate come componenti stocastiche, non come parametri fissi Vi sono numerose considerazioni che rendono plausibile questa ipotesi: Si tratta di caratteristiche non spiegate relative al singolo individuo, è “naturale” ipotizzare distribuzioni probabilistiche (come per la statura) E’ difficile immaginare indipendenza tra le intercette e le esplicative, ad esempio se stimiamo funzioni di produzione, le intercette rappresenterebbero una sorta di capacità imprenditoriale “tipica” dell’impresa e sicuramente questa ha effetto sulla quantità di input utilizzati Trattate come determinazione empirica di una variabile stocastica comune a tutti gli individui, le intercette assumono un significato riferibile all’intero collettivo e non al singolo soggetto

2 Ottenere una prima stima dei coefficienti e dei residui
MODELLI A COMPONENTI DI VARIANZA EFFETTI CASUALI - RANDOM EFFECTS L’assunzione di intercette stocastiche ha, ovviamente, conseguenze sulla struttura di Var/Covar del Modello e quindi sulla tecnica di stima. Come abbiamo visto in questi casi dobbiamo ricorrere (in prevalenza) a GLS, o meglio a FGLS Sintetizzando i passi che ci portano ad una stima FGLS: Ipotizzare un modello della Var/Covar del fenomeno (cioè) ipotizzare una “forma” per la matrice Ω Ottenere una prima stima dei coefficienti e dei residui Sulla base dei residui e delle ipotesi sulla forma stimare Ω Utilizzando la stima di Ω ottenere una seconda stima dei residui Ripetere i passi 4. e 5. fino a convergenza

3 MODELLI A COMPONENTI DI VARIANZA EFFETTI CASUALI - RANDOM EFFECTS
Quindi otterremo tante strategie di stima quanti sono le ipotesi che possiamo sensatamente formulare sull Var/Covar Tali ipotesi saranno strettamente legate (cioè plausibili e coerenti) almeno con il processo generatore dei dati che possiamo immaginare per il fenomeno che ci interessa Qui ne vedremo approfonditamente uno, e accenneremo ad altri, tuttavia la logica della formulazione della strategia rimane la stessa, cioè quella indicata in precedenza Ogni ipotesi determina una strategia e questo spiega la pluralità di stimatori che abbiamo a disposizione. Molto spesso questi stimatori sono identificati con il nome del loro “ideatore”

4 IL MODELLO “Random effect” - BASE
Per la componente individuale si utilizzerà il simbolo  anziché  per chiarezza Questo è il modello “sostanziale” Dobbiamo precisare la natura stocastica degli : Si ripete in t Questo è il modello di misura, Da cui si desume la forma di Ω

5 In sostanza è come se avessimo definito una scomposizione dell’”usuale” residuo di regressione:
Quindi la varianza avrà 2 componenti e la presenza degli i determina correlazione tra i residui di uno stesso individuo Infatti si avrà PER LO STESSO INDIVIDUO: E per INDIVIDUI DIVERSI:

6 Dobbiamo trovare una stima per
I residui sono correlati, dobbiamo usare GLS  è una matrice NTxNT diagonale a blocchi, con un blocco di dimensioni TxT in corrispondenza di ciascun individuo: Dobbiamo trovare una stima per

7 Se “mediamo” il modello in T:
E quindi possiamo stimare i La procedura di stima è la seguente: Si stima il modello sulle medie individuali Si calcolano i residui Si mediano i residui per ciascun individuo Si calcola la varianza “mediando” le varianze dei residui per ciascun individuo Si calcola la varianza complessiva (tutti gli individui) Per differenza si trova

8 Ma b va stimato e quindi vanno corretti i gradi di libertà per la stima LSDV (k variabili)

9 Se ora consideriamo gli scarti di tutti gli individui/tempi cioè tutti i residui della regressione LSDV, abbiamo visto che Divisi per gli opportuni gradi di lbertà possono essere stimati come In sostanza si calcolano la media delle varianza ENTRO e quella TOTALE La differenza tra le due misura la componente di varianza non spiegata dalle differenze individuali

10 χ² con 1 gdl Questo schema suggerisce anche un possibile test
Moltiplicatori di Lagrange, Breusch-Pagan χ² con 1 gdl

11 Effetti Fissi o casuali??
Il punto cruciale è: gli effetti individuali sono incorrelati con le esplicative? Se così non è, abbiamo un problema di variabile omessa Test di Hausman:

12

13

14 I coefficienti della X Overall 3.4974 Within 0.7691 Between 4.1195
LSDV Random E 0.9064

15 Estensioni dei modelli per Dati Panel: 0.1 Panel bilanciati e NON
Finora abbiamo ipotizzato che ogni individuo i fosse asservato T volte. Naturalmente nei casi concreti questo non sempre accade. In simboli un individuo può esserere Ti volte quindi la numerosità complessiva delle osservazioni non è più NxT ma diventa In generale questo non modifica le procedure già viste, basterà nelle formule tener conto che sono previsti Ti occasioni e apportare le modifiche necessarie. (in alcuni casi le cose diventano lievemente più complicate (ad. Es. nelle sommatorie non si può “raccogliere” T). Alcune situazioni fanno eccezione come il test di Breusch-Pagan che prevede una versione “apposita” per panel NON bilanciati.

16 Estensioni dei modelli per Dati Panel: 0.1 Time invariant Variables
Per le variabili che non variano tra le occasioni (es:sesso, anno di nascita, residenza etc..) NON è naturalmente possibile stimare coefficienti separati dagli effetti individuali (siano essi fissi o random). Infatti, ad es. in LSDV i valori sulle colonne della matrice X che sono time-invariant sono semplicemente multipli delle dummy individuali perché sono fissi nel tempo per ciascun individuo. Quindi le intercette individuali riassumono anche parte degli effetti di variabili di altro genere. Diverse strategie sono state suggerite per ovviare a questo grave problema, non sempre soddisfacenti: la più nota è Stimare con LSDV le intercette individuali considerando solo le time variant X Stimare una regressione tra le intercette e le time invariant Utilizzare i residui di 2 come esplicative del modello (senza dummies individuali) per ottenere una unica intercetta e coefficienti per le time invariant Non senza problemi, tema di ricerca aperto

17 Estensioni dei modelli per Dati Panel: 1. Mundlak’s Approach
Abbiamo visto che le stime ad effetti fissi e random hanno alcuni limiti: Fissi: moltiplicano i parametri da stimare (1 per ogni individuo, la cui stima si basa su “poche” osservazioni) Random: presuppone una assunzione piuttosto inverosimile cioè che l’eterogeneità non osservabile sia incorrelata con i regressori Diversi autori hanno suggerito formulazioni diverse per rilasciare questa ipotesi, cioè immagina una “forma funzionale” per la correlazione:

18 Inserendo questa condizione nel modello originale otteniamo
Se γ = 0 allora ho un “fixed effect model”, quanto più γ≠ 0 , tanto più avrò preponderanza dei “random effect”. Testando la significatività di γ posso decidere la minore o minore adeguatezza delle ipotesi Fixed vs. Random E’ ancora un metodo “random effect” , infatti specifica una “forma” per la matrice di Var/Covar, diversa da quella vista in precedenza coerente con il rilascio dell’ipotesi inverosimile di incorrelazione tra regressori e residuo Si Stima con FGLS Di solito è vista come una sorta di compromesso tra fixed e random effects

19 Estensioni dei modelli per Dati Panel: 2.  variabili:
Se i  variano da individuo a individuo, il modello diventa: “random effect” sui  Matrive di Var/Covar dei 

20 Se supponiamo di avere sufficienti gradi di liberta per stimare (inizialmente) i i cioè le intercette per ciascun individuo possiamo riscrivere OGNI BLOCCO di equazioni del modello in questo modo: Quindi la Ω avrà n blocchi diagonali di dimensione TxT come quello specificato qui sopra. Questo determina la stima “corretta”

21 La stima empirica dei coefficienti richiede la stima di Γ (matrice di Var/Covar dei coefficienti individuali βi ) che viene ottenuta dal solito processo iterativo FGLS Naturalmente il modello a coefficiente unico è un caso “ristretto” di quello a coefficienti individuali, quindi la differenza tra i due modelli può essere testata nei modi usuali. In particolare la Statistica (dove b* è il coefficiente unico):

22 Estensioni dei modelli per Dati Panel: Modelli con variabili ritardate:
Yit = yt-1 +xitβ + i + uit, con i + uit=vit Problema: yt-1 è correlato con i  stime inconsistenti di B anche su u è iid Violazione dell’esogenità. E(ut/yt+k) ≠0 * yt-1 è correlato con ut-1 etc.. Quindi i vit sono correlati tra gli individui Il problema è che T è spesso troppo “ridotto” per chè valgano le proprietà asintotiche ad es la consistenza che possono mitigare la endogentà (nei metodi precedenti si faceva leva su N) Ma qui il bias è di ordine 1/T; non 1/N come prime Ci servono altri modelli oltre LSDV La soluzione qui solo citata è il ricorso a Variabili strumentali (IV) z correlate con X ma non con u.

23 Soluzioni IV GMM metodo IV applicato a differenze prime IV con strumenti interni, di fatto si utilizzano i ritardi della dipendente (e delle altre covariate) Trasformazione in DIFFERENZE PRIME + IV Con lagged Y le differenze non mi risolvono tutti i problemi Le proposte di stima più note sono: Anderson Hsiao Arellano Bond Blundell Blond

24 http://people. stern. nyu. edu/wgreene/Lugano2013/Greene-Chapter-11