13.

MODELOS COM DADOS EM PAINEL

Os Modelos de Painel fazem uma anlise quantitativa das relaes
econmicas, juntando dados temporais (time-series) e seccionais (cross-
section) no mesmo modelo o chamado processo agrupado (pooling).
Com dados em painel podemos explorar em simultneo variaes das
variveis ao longo do tempo e entre diferentes indivduos (unidades ou
grupos).
Os indivduos (unidades) podem representar um conjunto de pases,
regies, sectores, empresas, consumidores, etc.
Esta tcnica de juno de dados temporais e seccionais permite uma
estimao mais completa e mais eficiente dos modelos economtricos.
Contudo, a estimao dos modelos em painel torna-se mais complicada
devido a heterogeneidade entre os indivduos (estruturas econmicas
diferentes entre pases, regies, empresas e comportamentos e gostos
diferentes entre consumidores).
13.1. Apresentao do modelo simples linear com dados em painel
A apresentao dos modelos em painel difere dos modelos com dados
temporais ou seccionais no ndice duplo que atribumos a cada varivel:
it it it it
u X b X b a Y + + + + .....
2 2 1 1

com i=1,....,N os indivduos (N unidades, pases, regies, empresas,
sectores)
t=1,....,T os perodos de tempo (T perodos)
NxT o nmero total de observaes
Neste modelo, admitimos a hiptese de que a e bs so os mesmos para
todos os indivduos e para todos os perodos -hiptese muito restritiva.
1
Uma hiptese muito usual admitir que a heterogeneidade dos indivduos
se capta na parte constante a
i
, assumindo deste modo uma parte constante
diferente para cada indivduo i.
Quando para cada indivduo i dispomos do mesmo nmero de dados
temporais o painel chama-se balanceado (ou equilibrado).
Se o nmero de dados temporais no o mesmo para todos os indivduos, o
painel chama-se no-balanceado.
Os mtodos de estimao so os mesmos quer no caso dos modelos com
dados de painel balanceados quer no caso dos modelos com dados de
painel no-balanceados.
13.2. As vantagens e desvantagens dos modelos com dados em painel
A juno dos dados temporais e seccionais traz muitas vantagens, dai a
utilizao cada vez maior dos dados em painel e o desenvolvimento rpido
das tcnicas de estimao:
- utiliza-se um nmero maior de observaes, assegurando assim as
propriedades assimptticas dos estimadores,
- aumentam os graus de liberdade nas estimaes, tornando as inferncias
estatsticas mais credveis (testes t e F mais significativos, mais robustos),
- reduz-se o risco de multicolinearidade, uma vez que os dados entre os
indivduos apresentam estruturas diferentes,
- d acesso a uma maior informao, combinando a informao temporal
(ao longo do tempo) com a informao entre indivduos (unidades
econmicas diferentes),
- aumenta a eficincia e a estabilidade dos estimadores, aplicando mtodos
de estimao adequados e testes de hipteses que permitem uma escolha
segura entre estimaes diferentes,
- permite introduzir ajustamentos dinmicos, que no caso da anlise cross-
section no seriam possveis.
2
Duas so as desvantagens mais assinalveis dos modelos com dados em
painel:
- o enviesamento resultante da Heterogeneidade entre os indivduos, e
- o enviesamento resultante da Selectividade dos indivduos que constituem
a amostra.
13.3. Tipo de modelos com dados em painel
1) Modelos agregados Pooled. Nestes modelos a estimao feita
assumindo que os parmetros a e bs so comuns para todos os
indivduos:
it it it
u bX a Y + + + ....

(homogeneidade na parte constante e no declive)
2) Modelos com efeitos fixos . Nestes modelos, a estimao feita
assumindo que a heterogeneidade dos indivduos se capta na parte
constante, que diferente de indivduo para indivduo:
it it i it
u bX a Y + + + ....

(heterogeneidade na parte constante e homogeneidade nos declives).
A parte constante i
a
diferente para cada indivduo, captando
diferenas invariantes no tempo (por exemplo, dimenso dos pases,
recursos naturais e outras caractersticas que no variam no curto
prazo).
3) Modelos com efeitos aleatrios. Nestes modelos, a estimao
feita introduzindo a heterogeneidade dos indivduos no termo de
erro:

( )
it i it it
u bX a Y + + + + ....
com a
i
=a+
i
( i

representa o efeito aleatrio individual no observvel)

Os modelos com efeitos aleatrios consideram a constante no como um
parmetro fixo mas como um parmetro aleatrio no observvel.
Os modelos com efeitos fixos consideram que as diferenas dos indivduos
(pases, regies, sectores, etc.) captam-se na parte constante
3
Os modelos com efeitos aleatrios consideram que estas diferenas captam-
se no termo de erro.
Estas so as principais diferenas entre os dois modelos em painel.
13.4. Mtodos de estimao dos modelos com dados em painel
Os modelos com dados agrupados,Pooled, podem ser estimados pelo
Mtodo dos Mnimos Quadrados (OLS) assumindo a parte constante
comum para todos indivduos.
Nesse caso, admitimos que os erros u
it
so white noise e no se
encontram correlacionados com os regressores,
( ) 0 ,
it it
u X Cov
.
Contudo, como explicamos anteriormente as hipteses da constante comum
e declive comum so muito restritivas.
Este mtodo pode ser adequado em amostras com indivduos a priori
seleccionados que apresentam algumas semelhanas nas suas
caractersticas estruturais.
Os modelos alternativos dos pooled introduzem a heterogeneidade dos
indivduos quer duma forma fixa (efeitos fixos) quer duma forma aleatria
(efeitos aleatrios).
Existem trs mtodos alternativos que podem ser aplicados para estimar os
modelos em painel com efeitos fixos:
13.4.1. O mtodo de estimao com variveis Dummy (Least Squares
Dummy Variables,LSDV)
4
Com este mtodo introduzimos variveis Dummy para captar a
heterogeneidade dos indivduos, distinguindo os seguintes casos
particulares:
(i) Efeitos Fixos Unilaterais: Utiliza-se uma Dummy para cada indivduo
it it
N
i
i i it
u bX D a Y + + +

...
1

com D
i
a varivel Dummy referente ao indivduo i

'

indivduos outros os para

i indivduo o para
D
, 0
, 1
(ii) Efeitos Fixos Unilaterais: Utiliza-se uma Dummy para cada perodo
it it
T
t
t t it
u bX D a Y + + +

...
1

com D
t
a varivel Dummy referente ao perodo t

'

perodos outros os todos para

indivduos os todos para igual perodo ado er num
D
, 0
min det , 1
(iii) Efeitos Fixos Bilaterais : Utilizam-se Dummies individuais e temporais
it it
T
t
t t
N
i
i i it
u bX D a D a Y + + + +


...
1 1

O mtodo com dummies individuais o mais utilizado, uma vez que estas
captam as diferenas (heterogeneidade) entre os indivduos.
Uma desvantagem do modelo com dummies individuais (quando N
grande) a estimao de um nmero elevado de parmetros e a
consequente perda de graus de liberdade.
13.4.2. O mtodo de estimao com primeiras diferenas
5
Quando os efeitos especficos individuais so admitidos, acontece que os
efeitos fixos i
a
podem ser correlacionados com as variveis explicativas,
( ) 0 ,
it i
X a Cov
;
assim, o mtodo OLS no produz estimadores consistentes. O problema
resolve-se removendo os efeitos especficos individuais.
Utilizar a funo com os valores contemporneos:
it it
N
i
i i it
u bX D a Y + + +

...
1
Desfasar por um perodo:
1 1
1
1
...

+ + +
it it
N
i
i i it
u bX D a Y
Subtrair da 1 equao a 2:
( ) ( )
1 1 1
...

+ +
it it it it it it
u u X X b Y Y

Expressar o modelo em primeiras diferenas e estimar normalmente pelo
mtodo OLS:
it it it
u X b Y + + ...

A desvantagem em estimar este modelo a perda de uma observao para
todos os indivduos.
13.4.3. O mtodo de estimao com as variveis centradas
O mtodo consiste em centrar as variveis, ou seja, subtrair s observaes
de cada indivduo a mdia temporal.
6
Admitir o modelo com efeitos fixos
it it
N
i
i i it
u bX D a Y + + +

...
1
Expressar o modelo em termos de mdias temporais para cada indivduo
i i
N
i
i i i
u X b D a Y + + +

...
1
Subtrair da 1 equao a 2:
( ) ( )
i it i it i it
u u X X b Y Y + + ... ) (

O modelo de painel com as variveis centradas assume a seguinte forma:

( ) ( )
it TM it TM it
v X b Y + + ...

onde
( ) ( )
i it TM it
Y Y Y
e
( ) ( )
i it TM it
X X X

variveis conhecidas como time-demeaned
com

i
T
t
it
i
i
y
T
Y
1
1
e

i
T
t
it
i
i
x
T
X
1
1
as mdias temporais das respectivas
variveis para cada indivduo (conhecidas como group mean)
A desvantagem deste mtodo que no considera variveis explicativas
cujos valores no se alteram ao longo do tempo.
Em termos de estimao o mtodo LSDV e das variveis centradas so
numericamente equivalentes.
13.4.4. Mtodo de estimao dos modelos em painel com efeitos
aleatrios
Os modelos com efeitos aleatrios admitem que a parte constante no um
parmetro fixo mas uma varivel aleatria.
7
Deste modo, considerando o modelo com efeitos fixos podemos substituir a
parte constante com i i
v a a +
.
Assim, o modelo com efeitos aleatrios assume a seguinte forma:

( )
it it i it
u bX v a Y + + + + ...


( )
it i it it
u v bX a Y + + + + ...
it it it
w bX a Y + + + ...

Este tipo de modelo admite a decomposio do termo de erro nas seguintes
componentes:
it i it
u v w +
com ( )
2
, 0 ~
v i
N v o erro individual
( )
2
, 0 ~
u it
N u o erro misto
admite-se que todos os erros so homoscedsticos e no
autocorrelacionados.
A hiptese
( ) 0 , cov
it i
X v
, de no haver correlao entre o erro v
i
(efeitos
fixos no observados) e as variveis explicativas, crucial para se obterem
estimadores no enviesados e consistentes.
Todas as observaes em cada indivduo tm uma componente comum, o
v
i
, criando autocorrelao dos erros dentro do prprio indivduo.
A autocorrelao dos erros dentro do prprio indivduo (within-unit
autocorrelation) torna os estimadores OLS no eficientes e os erros padro
invlidos.
A soluo seria estimar o modelo de efeitos aleatrios pelo mtodo GLS
(Mtodo dos Mnimos Quadrados Generalizados), obtendo-se estimadores
eficientes.
O mtodo GLS implica a seguinte transformao:
Admitir o modelo com efeitos aleatrios
it it it
w bX a Y + + + ...
com it i it
u v w +
8
Expressar o modelo em termos de mdias temporais para cada indivduo e
multiplicar toda a equao pelo parmetro
i i i
w X b a Y + + + ...
com
( )
2 2
2
1
u v
u
T

+
,
1 0 < <
Subtraindo da 1 equao a 2 obtemos
( ) ( ) ( ) ( )
i it i it i it
w w X X b a Y Y + + + ... 1

conhecido como quasi-demeaned model
No modelo de efeitos aleatrios a cada varivel subtrai-se uma fraco da
mdia temporal de cada indivduo.
2
v

conhecida como varincia entre grupos (between variance) uma vez

que se refere a variaes do erro entre os indivduos.
2
u

conhecida como varincia dentro do grupo (within variance) uma

vez que se refere a variaes do erro dentro do prprio indivduo.
Se
0
2

, logo =1, o modelo de efeitos aleatrios equivalente ao

modelo de efeitos fixos (modelo de variveis centradas).
Se
0
2

, logo =0, o modelo de efeitos aleatrios equivalente ao

modelo pooled.
13.5 Efeitos fixos versus efeitos aleatrios
Numa forma geral se o nmero de indivduos (grupos) pequeno,
prefervel usar o mtodo de estimao com efeitos fixos.
Se o nmero de indivduos grande, escolhidos duma forma aleatria
(empresas, consumidores), o mtodo de estimao com efeitos aleatrios
(GLS) o mais indicado.
9
Uma desvantagem do modelo com efeitos fixos que no considera
variveis explicativas invariantes no tempo (o mtodo de estimao elimina
os efeitos fixos).
Se existem razes para acreditar que os efeitos individuais esto
correlacionados com as variveis explicativas o mtodo de efeitos fixos
mais adequado (os estimadores dos efeitos aleatrios so inconsistentes).

Contudo, existem testes formais que permitem escolher o mtodo de
estimao mais adequado.

13.5.1. Teste F (efeitos fixos versus pooled)
O teste F pode ser aplicado para decidir to pool or not to pool a
estimao.
Na hiptese nula, admitimos a homogeneidade na constante (hiptese pool)
e na hiptese alternativa, a heterogeneidade na constante (efeitos fixos).
N
a a a H ... :
2 1 0 (constante comum - pool, OLS)
N A
a a a H ... :
2 1 (efeitos fixos, LSDV)
A estatstica F utilizada para testar esta hiptese a seguinte:
( )
( )
( )
( )
( ) k N NT N
fe
pool fe
stat
F
k N NT
R
N
R R
F

1
]
1

1
]
1

, 1
2
2 2
~
1
1

R
2
fe
o coeficiente de determinao da estimao do modelo com efeitos
fixos (LSDV com dummies individuais).
R
2
pool
o coeficiente de determinao da estimao do modelo com
constante comum (OLS pooled).
Critrio de seleco:
10
Se ( ) k N NT N stat
F F

>
, 1 rejeitar o modelo com constante comum. O modelo
com efeitos fixos nesse caso mais adequado.
13.5.2. Teste de Breusch-Pagan (efeitos aleatrios versus pooled)
O teste de Breush-Pagan utilizado para decidir qual dos modelos o mais
apropriado: o modelo pooled (H
0
) ou o modelo de efeitos aleatrios (H
A
).
0 :
2
0

v
H
(constante comum - pool, OLS)
0 :
2
>
v A
H
(efeitos aleatrios, GLS)
O teste de Breush-Pagan um teste LM dado pela seguinte relao:
2
1
2
1
2
1
1 1
2
~ 1

) (
) 1 ( 2
x
w
w
T
NT
LM
T
t
it
N
i
N
i
T
t
it
1
1
1
1
]
1

Critrio de seleco:
Se LM >
2
1
x rejeitar o modelo pooled (com constante comum) a favor do
modelo com efeitos aleatrios.
13.5.3. Teste de Hausman (efeitos fixos versus efeitos aleatrios)
O teste de Hausman utilizado para decidir qual dos modelos o mais
apropriado: o modelo de efeitos aleatrios (H
0
) ou o modelo de efeitos
fixos (H
A
).
O teste apresenta-se da seguinte forma:
( ) 0 , :
0

it i
X a Cov H
(efeitos aleatrios, GLS)
11
( ) 0 , :
it i A
X a Cov H
(efeitos fixos, LSDV)
Sob a hiptese nula, os estimadores do modelo com efeitos aleatrios
(estimao GLS) so consistentes e eficientes.
Sob a hiptese alternativa, os estimadores GLS com efeitos aleatrios (e
OLS) so no consistentes, mas os estimadores com efeitos fixos so.
A estatstica de Hausman utilizada para testar estas hipteses a seguinte:
( ) ( ) ( ) [ ] ( )
2
1
~

k re fe re fe re fe
b b b Var b Var b b H

fe
b

o vector dos estimadores do modelo com efeitos fixos

re
b

o vector dos estimadores do modelo com efeitos aleatrios

( )
fe
b Var

a matriz de varincias-covarincias dos estimadores
fe
b

( )
re
b Var

a matriz de varincias-covarincias dos estimadores
re
b

k o nmero de regressores
Critrio de seleco:
se
2
k
H >
rejeitar o modelo com efeitos aleatrios. O modelo com efeitos
fixos , nesse caso, mais apropriado.
Referncias:
Gujarati N. Damodar (2003). Basic Econometrics, 4
th
Edition, McGraw-
Hill, Chapter 16.
Stock J. and Watson M. (2007). Introduction to Econometrics, 2
nd
Edition,
Pearson, Chapter 10.
Elias Soukiazis and Vitor Castro (2005), How the Maastricht rules
affected the convergence process in the European Union. A panel data
analysis, Journal of Policy Modelling, n27, p.385-399.
Uma verso anterior est publicada no CEUNEUROP, Discussion Paper
n24, www4.fe.uc.pt/ceue.
12
Soukiazis, E., and Cravo, T. (2008), Human capital and the convergence
process among countries, Review of Development Economics, 12(1),
p.124-142.
Uma verso anterior com o ttulo What type of human capital better
explains the convergence process among countries, est publicada no
CEUNEUROP, Discussion Paper n37, www4.fe.uc.pt/ceue.
13