Population Averange

MCO

Population Averange

Los modelos agrupados de promedio población hacen un ajuste de los errores estándar para cualquier correlación entre los errores temporales de un individuo determinado, por lo que la estimación del modelo es más eficiente. Un punto interesante es que la heterogeneidad (diferencia de características específicas de cada individuo) entre los individuos es capturada en un componente que se suma al error y permite que no exista correlación entre los errores y las variables exógenas. Este es un punto extra con el que no cuenta el método por MCO.

Habrá dos modelos según el tratamiento que se le dé al valor que genera la estimación con Population Averange que hace énfasis en la heterogeneidad de los individuos.

fectos Fijos y Efectos Aleatorios

(Within - )

EFECTOS FIJOS

Si asumimos que ai es un parámetro fijo. El componente ai del error compuesto se correlaciona con los regresores ai, lo cual permite cierto grado de endogeneidad.

Este parámetro ai está correlacionado con alguna característica de los individuos, lo que se conoce como efecto within que hace alusión a rasgos, costumbres, hábitos, habilidades, etc. Y estos rasgos tienen algún efecto sobre los estimadores. De modo que se vuelve necesario controlar esta influencia sobre nuestro coeficiente de alguna forma.

Este método elimina dicho efecto o influencia de los individuos invariantes en el tiempo de los estimadores.

Para realizar la estimación de B sin que ai interfiera en nuestro resultado necesitamos controlarlos:

Se puede estimar B de forma consistente para los regresores que varían en el tiempo con una correcta transformación, aplicando diferencial para que se pueda eliminar ai

Within

Least squares dummy variables regresion (LSDV)

Esta transformación consiste en eliminar los efectos fijos diferenciando las medias temporales de los individuos sobre la estimación del modelo. El problema es que los coeficientes de las variables que no se modifiquen en el tiempo no se podrán identificar.