ЛЕКЦИЯ 2 МОДЕЛИ С ФИКСИРОВАННЫМИ ЭФФЕКТАМИ Линейная модель панельных данных Линейная модель панельных данных Линейная панельная модель yit xitT uit i – индекс объекта, t – индекс момента времени, β – вектор коэффициентов регрессии, xitT – транспонированный вектор наблюдений над k независимыми переменными. x1it xit ... x kit Однонаправленная модель ошибки: 1 ... k uit i it μi – ненаблюдаемые индивидуальные эффекты, υit – остаточные идиосинкратические компоненты. Двунаправленная модель ошибки: uit i t it λi – ненаблюдаемые временные эффекты. 2.3. Линейная модель панельных данных Предполагается, что μi, λi и υit являются независимыми одинаково распределенными величинами с нулевой средней и постоянной дисперсией σμ2, σλ2 и συ2 соответственно. Индивидуальные и временные эффекты могут трактоваться как фиксированные или как случайные. В первом случае оценивается модель с фиксированными эффектами, во втором случае оценивается модель со случайными эффектами. Модели с фиксированными эффектами 1. 2. Однонаправленная модель с фиксированными эффектами Двунаправленная модель с фиксированными эффектами Однонаправленная модель с фиксированными эффектами. Постановка. В модели индивидуальные эффекты μi предполагаются фиксированными неизвестными параметрами, поэтому в ошибке остается только идиосинкратическая компонента. Пусть i=1,…,n, t=1,…,T, υit ~ (0, συ2) yit d it i xitT it i 1, для объекта d it 0, для других объектов В сумме все фиктивные переменные повторяют константу, поэтому в необходимо избавляться либо от константы, либо от одного индивидуального эффекта Однонаправленная модель с фиксированными эффектами. Постановка. Модель в векторной форме Для i-го объекта: yi1 yi ... y iT yi iT i X i i xiT1 i1 X i ... i ... xT iT iT Модель в матричной форме: y1 y ... y n X1 X ... X n 1 ... n 1 iT ... 1 y D X iT 0 0 iT D ... ... 0 0 0 ... ... 0 ... iT 0 1 ... n Однонаправленная модель с фиксированными эффектами. Постановка. По предположению υit не зависят от регрессоров и υit ~ (0, συ2) независимые одинаково распределенные величины, следовательно ковариационная матрица ошибок имеет идеальную структуру. В данном случае оценки метода наименьших квадратов β и μ будут несмещенными и эффективными. Необходимым техническим условием является, чтобы матрица (DX) имела полный ранг (n+k). Это означает, что: матрица X не должна включать константу; матрица X не должна содержать переменные неменяющиеся во времени; T должно быть не меньше 2, чтобы индивидуальные эффекты были идентифицируемы. Однонаправленная модель с фиксированными эффектами. Частная регрессия. Пусть необходимо оценить следующую регрессию, в которой нас интересуют только оценки β2 y x1 1 x2 2 e ˆOLS ( X T X )1 X T y 1 2 X x1 , x2 Следовательно x1T x1 T x x 2 1 Отсюда x x2 x x2 T 1 T 2 1 x1T y ˆ1 T x y ˆ 2 2 x1T x1 T x x 2 1 x1T X T x2 T x1T x2 ˆ1 x1T y T T x2 x2 ˆ2 x2 y ˆ1 ( x1T x1 ) 1 x1T y ( x1T x1 ) 1 x1T x2T ˆ2 ( x1T x1 ) 1 x1T ( y x2T ˆ2 ) Однонаправленная модель с фиксированными эффектами. Частная регрессия. Подставим ˆ1 во второе уравнение x2T x1 ( x1T x1 ) 1 x1T y x2T x1 ( x1T x1 ) 1 x1T x2 ˆ2 x2T x2 ˆ2 x2T y x I x x x x y x M x x M y I – единичная матрица и M I x x x x ˆ2 x2T I x1 x1T x1 x1T x2 1 1 T 2 1 1 T T 1 1 1 1 1 T 2 1 1 2 T 2 1 1 T 1 1 Матрица M1∙является: 1) симметричной ( M1T M1 ) и 2) идемпотентной ( M 12 M 1 ). Доказательство: T T 1. M1 I P P x1 x1T x1 1 x1T PT x1 x1T x1 1 x1T x1T T x1T x1 1 x1T x1 x1T x1 1 x1T M1T I T PT I P M1 2. P 2 x1 x1T x1 1 x1T x1 x1T x1 1 x1T x1 x1T x1 1 x1T P M12 ( I P) 2 I 2 2IP P 2 I P M1 Однонаправленная модель с фиксированными эффектами. Частная регрессия. Матрицы M1 и P - проекционные матрицы Py x1 x1T x1 1 x1T y x1 yˆ Px1 x1 M 1 y y yˆ eˆ y M1 x1 0 M1∙y – вектор остатков регрессии y на x1 M1∙x2 – матрица остатков регрессии x2 на x1 Пусть x2*=M1∙x2 и y*=M1∙y. Тогда ˆ2 x2T M1 x2 x2T M1 y x2T M1M1 x2 x2T M12 y x2*T x2* x2*T y* 1 1 1 Однонаправленная модель с фиксированными эффектами. Частная регрессия. Теорема Фриша-Во-Ловелла. Подвектор ˆ2 - это коэффициенты регрессии, в которой остатки регрессии y на x1 регрессируют на множество остатков регрессии каждого столбца матрицы x2 на x 1. Применяется следующий алгоритм: 1. Строится регрессия y на x1 и оцениваются остатки ê y 2. Строится регрессия x2 на x1 и оцениваются остатки eˆx 3. Строится регрессия ê y на eˆx и оцениваются коэффициенты ˆ2 и остатки ê , которые будут равны коэффициентам и остаткам исходной регрессии. Оценкой ˆ1 является оценка метода наименьших квадратов T ˆ регрессии y x2 2 на x1. 2 2 Следствие. Если x1 – константа, то ˆ2 можно получить из регрессии y y на x x , при этом ˆ1 y x2T ˆ2 Однонаправленная модель с фиксированными эффектами. Оценка. Избавимся от индивидуальных фиктивных эффектов y D X Определим две проекционные матрицы P D( DT D) 1 DT Запишем Q I nt P D I niT Произведение Кронекера имеет следующие свойства: a11B ... a1k B A B nk ml a B ... a B nk n1 A B 1 A1 B 1 A B T AT BT A BC D AC BD Однонаправленная модель с фиксированными эффектами. Оценка. D I niT D D In i T Следовательно T T I P n iT I n i i I n T TIn T T T 1 1 1 T DD T I n iT I n iT I n J T T T T D D T 1 1 In T 1 1 ... 1 J T iT iTT 1 1 ... 1 Где Отсюда P DDT D 1 DT 1 I n J T T Q I nT P I nT 1 I n JT T В соответствии с теоремой Фриша-Во-Ловелла регрессируем остатки регрессии y на D на остатки регрессии x на D ˆ QX T QX 1 QX T QY X T QX 1 X T Q Fixed Effects Least Squares, FE; Least Squares Dummy Variables, LSDV; Within – estimation Однонаправленная модель с фиксированными эффектами. Оценка. Оценка β является OLS-оценкой на преобразованных данных, преобразование заключается в умножении матрицы X и вектора Y на матрицу Q I nT 1 I n J T T Преобразование состоит в вычитании среднего значения по времени из T каждого наблюдения yit yit 1 yit yit yi T t 1 Оценивается следующая система: где 1 T yi yit T t 1 1 T xi xit T t 1 yit yi xit xi it 1 T i it T t 1 Оценки μ равны оценкам метода наименьших квадратов в регрессии разности y X̂ на индивидуальные фиктивные переменные ˆ DT D DT ( y Xˆ ) , так как 1 D D T 1 1 In , T то ˆ i yi xiT ˆ Однонаправленная модель с фиксированными эффектами. Свойства оценок. Дисперсия оценки равна ˆ2 Var ( ˆ ) 2 X T QX RSS nT n k 1 RSS y T Qy y T Qx xT Qx 1 xT Qy Асимптотические свойства оценок при n и фиксированном T различные. Оценки ˆ j являются асимптотически нормальными и состоятельными, т.е. ˆ n ˆ j (j 0) se ( ˆ j ) N (0,1) n Следовательно, можно проводить стандартное тестирование в отношении этих оценок. Оценки же i несостоятельны. Причина в том, что их количество растет пропорционально n. Однонаправленная модель с фиксированными эффектами. Тестирование. Нулевая гипотеза H 0 : 1 2 ...... n 0 RSS RSS n 1 F F Пусть it ~ N 0, , тогда ~ , RSS nT n k где RSSr – сумма квадратов остатков в регрессии без индивидуальных эффектов r n 1,nT n k 2 yit xitT it Асимптотический тест Вальда в данном случае невозможен Двунаправленная модель с фиксированными эффектами. Постановка. В двунаправленной модели ошибка включает наряду с индивидуальными временные эффекты: uit i t it yit i t xitT it где i=1,…,n, t=1,…,T, υit ~ (0, συ2) независимые одинаково распределенные величины. В этой модели константа дублируется дважды: как сумма всех μi как сумма всех λt. Пусть n 0 и T 0 Двунаправленная модель с фиксированными эффектами. Постановка. Матричная запись 1 n1 y inT D D X 1 T 1 iT 0 0 iT D ... ... 0 0 0 ... 0 0 ... 0 ... ... iT 0 ... 0 I T 1 0 ... 0 D ... ... ... I T 1 0 ... 0 Благодаря предположению о структуре ошибок, метод наименьших квадратов будет давать несмещенную и эффективную оценку. Необходимым условием получения оценки является равенство ранга матрицы регрессоров (n+T-1+k). Это означает, что: матрица X не должна содержать переменные неменяющиеся во времени; матрица X не должна содержать переменные общие для всех объектов в каждый отдельный момент времени Если эти условия выполнены, то модель можно оценивать методом наименьших квадратов, но можно применить и метод частных регрессий. Двунаправленная модель с фиксированными эффектами. Оценка. D inT D D Пусть P D DT D 1 DT I n 1 1 1 JT J n I T J nT T n nT Q I nT P По теореме Фриша-Во-Ловелла ˆ (QX )T QX (QX )T Qy X T QX X T Qy 1 1 Т.о. оценка ˆ является оценкой МНК на данных, преобразованных с помощью матрицы Q, уравнения модифицируются: yit yi yt y ( xit xi xt x )T it i t 1 T yi yit T t 1 1 T xi xit T t 1 1 y nT T n y t 1 i 1 1 n yt yit n i 1 1 T i it T t 1 it 1 x nT T n x t 1 i 1 it 1 n xt xit n i1 1 nT T 1 n t it n i1 n t 1 i 1 it Двунаправленная модель с фиксированными эффектами. Свойства оценок. Дисперсия оценки равна ˆ2 RSS nT n k T 1 Var ˆ 2 X T QX 1 RSS yT Qy yT Qx xT Qx 1 xT Qy Асимптотически оценка ˆ является состоятельной и нормальной при фиксированном T и n . Оценки индивидуальных эффектов при n и фиксированном T являются несостоятельными, так как их количество растет пропорционально размеру выборки. Оценки временных эффектов при n и фиксированном T могут быть состоятельными относительно друг друга. Но так как они связаны с несостоятельными оценками индивидуальных эффектов через константу, то их свойства страдают тоже. Оценками константы, индивидуальных эффектов и временных эффектов можно пользоваться как состоятельными при n и T . Двунаправленная модель с фиксированными эффектами. Тестирование. 1. Тестирование на отсутствие индивидуальных и временных эффектов H 0 : 1 2 ...... n1 1 2 ...... T 1 0 Пусть it ~ N 0, , тогда F RSS RSS n T 2 ~ FnT 2,nT nk T 1 где RSS nT n k T 1 r RSS – сумма квадратов остатков в регрессии без T y x it it индивидуальных и временных эффектов it Асимптотический тест невозможен 2. Тестирование на отсутствие индивидуальных эффектов r 2 F RSS RSS n 1 RSS nT n k T 1 r H 0 : 1 2 ...... n1 0 ~ Fn1,nT nk T 1 , где RSSr из yit t xitT it Двунаправленная модель с фиксированными эффектами. Тестирование. 3. Тестирование на отсутствие временных эффектов H 0 : 1 2 ...... T 1 0 F RSS RSS T 1 RSS nT n k T 1 r ~ FT 1,nT nk T 1 где RSSr – сумма квадратов остатков в панельной регрессии с фиксированными индивидуальными эффектами yit i xitT it В этом случае возможен асимптотический тест, так как число ограничений T-1 фиксировано при фиксированном T и n . Статистика Вальда W T 1F T21