Dados do Painel: OLS Agrupado vs. RE vs. Efeitos FE

Tivemos alguma discussão sobre a utilidade dos estimadores Pooled-OLS e RE em comparação com a EF.

Até onde sei, a estimativa do Pooled OLS é simplesmente uma técnica do OLS executada nos dados do painel. Portanto, todos os efeitos individuais específicos são completamente ignorados. Devido a isso, muitas suposições básicas, como a ortogonalidade do termo de erro, são violadas.

O RE resolve esse problema implementando uma interceptação de especificação específica em seu modelo, que é assumida como aleatória. Isso implica em exogenidade total do seu modelo. Isso pode ser testado com o teste Hausmann.

Como quase todo modelo tem alguns problemas de endogenidade, a FE-Estimation é a melhor escolha e oferece as melhores estimativas consistentes, mas os parâmetros específicos individuais desaparecem.

A pergunta que estou me perguntando é quando realmente faz sentido usar o Pooled OLS ou efeitos aleatórios? O OLS agrupado viola muitas suposições e, portanto, é um absurdo completo. Além disso, a forte exogenidade do Estimador de RE nunca é dada, portanto, quando pode ser realmente útil?

Além disso, em todos os modelos, a autocorrelação não pode ser considerada?

Primeiro , você está certo, a estimativa de OLS em pool é simplesmente uma técnica de OLS executada nos dados do painel .

Segundo , saiba que, para verificar quanto seus dados são agrupáveis, você pode usar o teste multiplicador Breusch-Pagan Lagrange - cuja hipótese nula é que a variação dos efeitos fixos não observados é zero OLS agrupado pode ser o modelo apropriado. Portanto, se você mantiver e suspeitar de problemas de endogeneidade, poderá deixar o mundo dos dados em painel e usar outras técnicas de estimativa para lidar com elas, por exemplo, IV (SLS múltiplo), GMM .$H_0$$\iff$$H_0$

Terceiro , em uma especificação FE, parâmetros específicos individuais não desaparecem e podem ser adicionados novamente (com coeficientes idênticos, mas erros padrão que precisam ser ajustados). Na verdade, é sobre isso que trata o modelo LSDV (com média geral acrescentada e dentro das médias).

Quarto , para lidar com a autocorrelação (de erros), as transformações do tipo GLS podem ajudá-lo teoricamente, mas, na prática, trata apenas de heterocedasticidade ( WLS , FGLS ). No entanto, observe que, dependendo do espaço (temporal, geográfico, sociológico, etc ...) no qual você assume que a autocorrelação funciona, é possível proxy sua estrutura e finalmente executar uma transformação semelhante ao GLS, por exemplo, painel espacial.