Effetti fissi ed effetti casuali nei dati panel
Comprendi la stima within, i fattori invarianti nel tempo, l'ipotesi di ortogonalità degli effetti casuali, l'approccio di Mundlak, i test di Hausman e le applicazioni finanziarie dei panel.
Risposta diretta
Una regressione a effetti fissi confronta nel tempo i cambiamenti di una variabile esplicativa e dell'esito all'interno di ogni impresa o persona, eliminando le caratteristiche dell'unità che non cambiano. Gli effetti casuali combinano variazione within e between assumendo che l'effetto dell'unità sia incorrelato con i regressori di ogni periodo. Gli effetti fissi non producono automaticamente un effetto causale: restano confondimento variabile nel tempo, causalità inversa ed errore di misurazione. La scelta dovrebbe partire dall'estimando e dalla credibilità dell'ortogonalità, non dalla sola efficienza.
I panel osservano ripetutamente le stesse unità
I dati panel seguono unità come imprese, fondi, famiglie o paesi su più date, contenendo sia differenze cross-sectional sia variazione temporale.
In yit=βxit+αi+λt+uit, αi è una componente dell'unità invariata nel tempo e λt è uno shock datato condiviso tra le unità.
I minimi quadrati pooled mescolano differenze tra unità e relazioni within e possono distorcere β quando αi è correlato con xit.
Gli effetti fissi usano cambiamenti within dell'unità
La trasformazione within sottrae la media temporale di ciascuna unità, rimuovendo αi invariato nel tempo e confrontando gli scostamenti dalla media propria dell'unità.
Un coefficiente a effetti fissi dell'impresa chiede come gli esiti co-variano quando cambia la leva finanziaria della stessa impresa, non come le imprese ad alta leva differiscono da quelle a bassa leva.
Aggiungere effetti fissi temporali assorbe shock comuni di livello come cicli economici, tassi d'interesse o rendimenti di mercato che interessano tutte le unità in una data.
Alcune informazioni scompaiono e alcune distorsioni restano
Caratteristiche invarianti nel tempo come origine industriale o tratti del fondatore sono perfettamente collineari con gli effetti dell'unità, quindi i loro coefficienti separati non sono identificati.
Un regressore che cambia appena all'interno delle unità fornisce poche informazioni identificative, aumentando l'incertezza e l'impatto relativo dell'errore di misurazione.
Variabili omesse che cambiano nel tempo, feedback dall'esito al regressore e controlli post-trattamento restano problemi anche dopo aver aggiunto gli effetti fissi.
Gli effetti casuali richiedono un'ortogonalità più forte
Gli effetti casuali trattano αi come parte dell'errore stocastico e combinano variazione within e between se è incorrelato con i regressori di ogni periodo.
Quando quella condizione vale, possono essere più efficienti degli effetti fissi e possono stimare coefficienti su regressori invarianti nel tempo.
Se qualità latente della gestione o preferenza per il rischio influenzano la struttura del capitale, gli effetti casuali possono mescolare quella differenza d'impresa nel coefficiente obiettivo.
L'approccio di Mundlak rende visibile la correlazione
Gli effetti casuali correlati, o approccio di Mundlak, aggiungono le medie delle unità dei regressori variabili nel tempo per modellare esplicitamente la correlazione tra αi e xit.
Questo separa effetti within e differenze between e trasforma la forte ortogonalità degli effetti casuali in una specificazione più ispezionabile.
In condizioni lineari semplici di panel bilanciato, il coefficiente della variabile within si collega agli effetti fissi, ma l'equivalenza non si trasferisce automaticamente a ogni modello non lineare o dinamico.
Un test di Hausman non è un verdetto
La logica di Hausman confronta coefficienti quando uno stimatore è efficiente solo sotto l'ipotesi nulla mentre entrambi sono consistenti sotto quella stessa ipotesi.
Il rifiuto segnala un conflitto con l'ortogonalità o con altre condizioni del modello, ma non rifiutare non dimostra che le ipotesi degli effetti casuali siano vere.
Campioni piccoli, debole variazione within, scelte di covarianza robuste e specificazione errata possono indebolire la potenza e la stabilità numerica del test.
I panel finanziari richiedono anche un disegno della dipendenza
Effetti di impresa e anno sono comuni, ma cicli industriali o politiche nazionali possono richiedere interazioni più granulari con il tempo.
Errori persistenti dell'impresa motivano il clustering per impresa; gli shock comuni residui di data possono motivare clustering per data o a due vie quando il disegno supporta un numero sufficiente di cluster.
Aggiungere una variabile dipendente ritardata crea distorsione da panel dinamico con T breve, quindi l'interpretazione statica degli effetti fissi non può essere trasferita semplicemente.
Riporta la fonte della variazione e le ipotesi
Dichiara dimensioni dell'unità e del tempo, bilanciamento, variazione within e between, combinazione degli effetti fissi e livello di clustering della covarianza.
Spiega quali unità e quali cambiamenti temporali identificano il coefficiente e se il campione contiene movimento within economicamente significativo.
Usa effetti fissi, effetti casuali, stime di Mundlak e risultati di Hausman come evidenza, giustificando il modello finale attraverso i percorsi di confondimento e l'effetto obiettivo.
Domande frequenti
Gli effetti fissi eliminano tutte le distorsioni da variabili omesse?
No. Rimuovono i fattori dell'unità che non cambiano nel tempo, mentre confondimento variabile nel tempo, causalità inversa ed errore di misurazione possono restare.
Gli effetti fissi possono stimare una variabile invariabile nel tempo?
Non nel consueto modello within perché quella variabile è perfettamente collineare con l'effetto fisso dell'unità.
Gli effetti casuali sono sempre più efficienti degli effetti fissi?
Possono esserlo sotto le loro ipotesi di ortogonalità e varianza; se queste falliscono, perdere consistenza conta più che guadagnare efficienza.
Posso usare effetti casuali se il test di Hausman non rifiuta?
Non automaticamente. Valuta potenza del test e condizioni del modello e difendi separatamente il motivo per cui gli effetti dell'unità dovrebbero essere indipendenti dai regressori.