Upload
phamnhu
View
220
Download
0
Embed Size (px)
Citation preview
8-Econometria, a.a. 2011-12. Modelli per Panel Data
Lezione 8
Modelli per Panel Data
Per rappresentare dati rilevati in diverse unità statistiche e in diversi istanti è naturale introdurre
nelle notazioni un doppio indice (per esempio per indicare l’unità statistica e t il tempo). Un
modello econometrico lineare che coinvolge tali dati prende allora la seguente forma
i
it it ity ′= +x β u , per 1, ,i m= … , 1, ,t T= … .
Costruzione del vettore delle osservazioni (di ciascun processo): Per varie ragioni talvolta e`
opportuno disporre le osservazioni di ciascun processo, che in modo naturale sono disposte in una
matrice , in un vettore di dimensione . Evidentemente questa operazione puo` essere
realizzata in vari modi. Qui procede come segue:
m T× mT
Se [ ]itz e` la matrice delle osservazioni di un processo si pone
11 12 1 1( , , , , , , , ) mTT m mTz z z z z ′= ∈z R… … … ,
pertanto il vettore colonna , di dimensione , e` costituio da gruppi di dimensione T in
ciascuno dei quali sono incolonnate le osservazioni della corrispondente unita` statistica (in gretl:
stacked time series)
z mT m
In questo capitolo saranno presentate procedure di stima del parametro β che utilizzano la
particolare struttura che i dati e gli errori, potrebbero avere.
Definizione: I dati 1, ,1, ,
, iit itt T
y ==
x ……
m
T
si dicono panel-data se sono stati rilevati in m unità statistiche,
che rimangono le stesse al variare di ( 1, , )t = … ; si dicono invece pooled-data se si riferiscono a
differenti unità statistiche ( unità statistiche per ogni istante t , che non rimangono le stesse al
variare di t ).
mT m
Osservazione: Nel caso in cui i dati siano del tipo pooled, il metodo OLS consente la costruzione
di uno stimatore di β , le cui proprietà dipendono sia da quelle degli errori che da quelle del
processo delle osservazioni.
Quanto segue mostra che il metodo OLS è spesso inappropriato quando si è in presenza di
panel data, nel senso che o con opportuni e semplici accorgimenti si possono costruire stimatori
piu` efficienti di quelli OLS oppure, venendo meno la esogeneita` delle variabili indipendenti, si
perdono tutte le proprietà statistiche di tali stimatori. In queste lezione saranno descritte procedure
per modelli per panel-data in cui T è fissato (piccolo), mentre o è finito oppure tende
all’infinito.
m
1
8-Econometria, a.a. 2011-12. Modelli per Panel Data
La struttura degli errori nel modello di regressione in presenza di panel data: E’ ragionevole
immaginare che gli errori abbiano la seguente rappresentazione (struttura) itu
it i itu v ε= + ,
dove la componente è legata alle caratteristiche dell’unità statistica i (riassume l’influenza che
ha l’unità statistica sulla variabile dipendente)
iv( )1 , mentre itε è la componente casuale.
Anche nell’ipotesi che i due processi itε e iv siano con media nulla e tra loro non
correlati (ipotesi abbastanza ragionevole in taluni casi), gli errori e per sono correlati ,
. . .i i d
itu isu t s≠ ( ) 2
cosicché le stime OLS non sono certamente buone (certamente non efficienti, sia per campioni finiti
che asintoticamente); inoltre potrebbe accadere che sia correlata con (circostanza affatto
inverosimile) e in tal caso si perde anche la consistenza delle stime OLS.
iv itx
Modello con le componenti degli errori: La precedente osservazione consente di scrivere il
modello lineare, in presenza di Panel-Data, nella forma
(*) it it i ity v ε′= + +x β , per 1, ,i m= … , 1, ,t T= … .
Definizione: Un modello con componenti degli errori, si dice ad effetti fissati se nella procedura
di stima, l’errore (per ), indipendentemente dalla sua natura (deterministica o
aleatoria), è trattata come costante (non nota), si dice invece ad effetti aleatori se l’errore è una
variabile aleatoria e nella procedura di stima è trattata come tale.
iv 1, ,i = … m
m
v
iv
Osservazione:
• Per un modello con componenti degli errori, essere ad effetti fissati o ad effetti aleatori non
è una propria caratteristica, ma dipende dal tipo di procedura utilizzata nella procedura di stima. Nei
seguenti due punti si segnalano alcune situazioni generali in cui generalmente il modello è
considerato ad effetti fissati oppure ad effetti aleatori.
• Si considera il modello ad effetti fissati (e dunque sarà trattato come parametro non noto)
quando (per ) o è realmente deterministico (e dunque è una costante dipendente da )
oppure è una variabile aleatoria correlata con . (Se è
iv
iv 1, ,i = … i
itx 2. . .( , )iv i i d νμ σ∼ allora, si osserva
1 Generalmente riassume tutte le variabili esogene del modello, caratteristiche dell’unità statistica (che non dipendono da ) e per le quali non sono disponibili le osservazioni. Per esempio se si è interessati all’effetto che l’istruzione (educ) ha sul salario (wage), tra le variabili indipendenti (o di controllo) dovrebbe essere inserita anche una misura delle capacità personali (ability) per le quale però non sono disponibili le osservazioni e che comunque rimane ragionevolmente costante nel tempo. Notare che non e` escluso che le variabili possano essere deterministiche.
ivt
iv2 Infatti per t si ha s≠ ( )( ) 2E( ) Eit is it i is i vu u v vε ε σ⎡ ⎤= + + =⎣ ⎦ .
2
8-Econometria, a.a. 2011-12. Modelli per Panel Data
innanzitutto che non è restrittivo assumere 0νμ = , è suffficiente infatti modificare l’intercetta
aggiungendo νμ , inoltre le stime di sono interpretate come osservazioni e allora consentono di
costruire una stima di
iv
2vσ . Generalmente nei problemi econometrici le stime di non hanno alcun
interesse e pertanto non sono riportate nel quadro riassuntivo delle procedure di stima).
iv
• Si considera il modello ad effetti aleatori, quando la componente caratteristica dell’unità
statistica , è una variabile aleatoria che (oltre a non essere correlata con
iv
i itε ) è non correlata con le
variabili indipendenti del modello. itx
• Alla luce di quanto affermato nei precedenti due punti si osserva immediatamente che i
modelli ad effetti aleatori sono anche modelli ad effetti fissati, pertanto e` prevedibile che le
procedure di stima per modelli ad effetti aleatori forniscano stime piu` efficienti di quelle per effetti
fissati, naturalmente nel caso in cui sono utilizzabili entrambe le procedure.
Modelli ad Effetti Fissati
Si considera il modello it it i ity v ε′= + +x β , per 1, ,i m= … e 1, ,t T= … , e dunque ciascun e`
interpretato come un parametro non noto. Notare che in questa prima fase non si fa alcuna ipotesi
sugli errori, ipotesi che saranno necessarie quando si rivolge l’attenzione alle proprietà statistiche
degli stimatori.
iv
Procedura di Stima del parametro (e anche di ): Si introduce una variabile muta β iv jd per
ciascuna delle unità statistica, dunque per ogni m 1, ,j m= … si ha:
1 per e per 1, ,0 per e per 1, ,
jit
i j t Td
i j t T= =⎧
= ⎨ ≠ =⎩
……
e si denota con d il vettore di lunghezza delle variabili mute (le cui osservazioni sono ). Se
si pone η , il modello originario ha la seguente rappresentazione vettoriale
m itd
(1( , , ) mmv v ′ )∈R…=
it it it ity ε′ ′= + +x β d η ,
e la seguente rappresentazione matriciale
= + +y Xβ Dη ε ,
Osservazione: Se nel modello originario è presente l’intercetta, dalla matrice deve essere
eliminata la prima colonna i cui elementi sono tutti uguali ad 1, altrimenti ci sarebbe collinearità
nella matrice delle osservazioni delle variabili indipendenti poiche` la somma degli elementi in
ciascuna riga di D e` uguale a 1.
X
Definizione: Lo stimatore OLS di β del precedente modello lineare, dicesi stimatore ad effetti
3
8-Econometria, a.a. 2011-12. Modelli per Panel Data
fissati o anche stimatore within-group, e si denota con il simbolo (o anche ). Talvolta è
indicato anche con la sigla LSDV (Least Square Dummy Variables).
ˆFEβ ˆ
wβ
Osservazione: Dal precedente modello si ottengono anche le stime OLS degli “parametri” ai
quali si fara` riferimento solo marginalmente in queste lezioni. Notare che il numero di parametri
cresce con m e dunque con il numero di unità statistiche considerate.
m iv
iv
Costruzione e rappresentazione dello stimatore : ˆFEβ
Osservazione preliminare: Fissato 1, ,j m= … e denotato con il vettore (colonna) delle
osservazioni della variabile muta
jD
jd e dunque vec( )jitD d j ′⎡ ⎤= ⎣ ⎦ ,( )3 allora
• è ortogonale a per e jD kD j k≠ ( )jD D j′ è la matrice diagonale di ordine in cui
soltanto
mT
j esimo− blocco diagonale (che ha dimensione T ) ha elementi (diagonali) diversi da 0 e
tutti uguali a T .
• per ogni si ha che il vettore ( mT∈z R ) ( )1( ) ( )j
j j j jD
P D D D D−
′ ′⎡ ⎤= ⎣ ⎦z z ha come coordinate
1
1 T
jtt
zT =∑ nell’ j esimo− blocco di dimensione T e tutte le altre uguali a 0.
• Il vettore è costituito dagli m blocchi di dimensione T , il cui i e(M I P= −Dz )D z simo−
blocco (per ) ha coordinate 1, ,i = … m it iz z ⋅− per 1, ,t T= … , dove si è posto 1
1T
=T
i itt
z z⋅=∑ .
• I vettori e , le cui coordinate sono descritte nei precedenti punti, sono
rispettivamente il vettore dei valori previsti e il vettore dei residui del modello .
PDz M Dz
= +z Dγ resid
Ora se si considera la proiezione 1( )M −′ ′= −D I D D D D in e il modello mTR
(**) M M M= +D Dy Xβ εD ,
la cui rappresentazione vettoriale e`
(**) ( ) ( ) ( )it i it i it iy y ε ε⋅ ⋅ ⋅′− = − + −x x β per 1, ,i m= … e 1, ,t T= … , ( )4
per il teorema FWL si ha:
3 Le componenti sono tutte 0 fatta eccezione di quelle del gruppo j che sono uguali ad 1. 4 Le osservazioni utili (e quindi i gradi di liberta`) per questo modello sono ( 1m T )− in quanto si ha
1( )
T
it it
y y ⋅=
0− =∑
1( )
T
it it
⋅=
− =∑ x x 0 e 1
( )T
it it
ε ε ⋅=
− =∑ 0 m per , di cio` se ne dovra` tener conto nella stima della varianza. 1, ,i = …
4
8-Econometria, a.a. 2011-12. Modelli per Panel Data
• lo stimatore si ottiene con il metodo OLS da quest’ultimo modello e dunque ˆFEβ
( ) 1
1
1 1 1 1
1
1 1 1 1
ˆ '
1 1( )( ) ( )(( 1) ( 1)
1 1( ) ( )( 1) ( 1)
FE
m T m T
it i it i it i it ii t i t
m T m T
it i it it i iti t i t
M M
)y ym T m T
ym T m T
−
−
⋅ ⋅ ⋅= = = =
−
⋅ ⋅= = = =
′=
⎡ ⎤′= − − −⎢ ⎥− −⎣ ⎦
⎡ ⎤′= − −⎢ ⎥− −⎣ ⎦
∑∑ ∑∑
∑∑ ∑∑
D Dβ X X X y
x x x x x x
x x x x x
⋅−
• i residui nei due modelli (*) e (**) sono gli stessi
• lo stimatore utilizza soltanto le variazioni presenti in ciascun gruppo (unita` statistica) e
per questa ragione è denominato anche stimatore within-groups. Pertanto se all’interno di
ˆFEβ
ciascuno degli gruppi (individuati dall’indice i e costituito da T osservazioni) di una variabile
indipendente del modello non c’è variazione, il corrispondente parametro non e` identificato (non
potra` essere stimato).
m
Proprietà statistiche degli stimatori ad effetti fissati:
Proprietà finite (sono soltanto elencate in quanto si deducono facilmente da quelle note per gli
stimatori OLS):
1) Se le variabili indipendenti sono strettamente esogene (cioe` E( | ) 0itε =X ) allora e`
corretto ( );
ˆFEβ
ˆE( | )FE =β X β
2) Se le variabili indipendenti sono strettamente esogene e 2. . .(0, )it i i d εε σ∼ allora
• 1 2ˆvar( | ) ( )FE M εσ−′= Dβ X X X ,
• e` efficiente nella classe degli stimatori corretti e lineari in ˆFEβ y ;
• Una stima corretta di 2εσ e` 2
1 1
1 ˆ( 1)
m T
iti t
sm T k
2ε= =
=− − ∑∑ , dove i residui possono essere
calcolati anche attraverso il modello (**).
3) Se le variabili indipendenti sono strettamente esogene e 2. . .(0, )it n i d εε σ∼ allora sono
disponibili anche le distribuzione di probabilità degli stimatori utilizzabili per la costruzione di test
e di stime di intervallo.
Proprietà asintotiche (per ): m →∞
4) Sempre nelle ipotesi di stretta esogeneita` delle variabili indipendenti, nelle ipotesi che i dati
nelle unita` statistiche siano del tipo cross-section (cioe` le variabili nelle diverse unita`
statistiche sono indipendenti), allora
m
5
8-Econometria, a.a. 2011-12. Modelli per Panel Data
• è consistente, asintoticamente normale (e efficiente in ipotesi di omoschedasticita`), con
la stima della varianza asintotica che si ottiene dal modello (**).
ˆFEβ
Osservazione: Un rapido sguardo al modello (**) è sufficiente per convincersi che per la validità
della precedente proprietà non è sufficiente la sola ipotesi di esogeneità delle variabili indipendenti;
in realtà la consistenza di segue dalla condizione ˆFEβ [ ]E ( )it i itε⋅− =x x 0 che è soddisfatta se si ha
E( ) per ogni , e per ogni is it t s iε =x 0 ;
notare che questa condizione esclude la possibilità che tra le variabili indipendenti ci possa essere
qualche ritardo della variabile dipendente. I metodi di stima per tali modelli non saranno presentati
in queste lezioni.
Vantaggi e svantaggi dello stimatore ad effetti fissati:
• Consente di stimare parametri del modello anche in presenza di variabili non osservabili
che però non dipendono dal tempo (è certamente uno degli aspetti più interessanti nell’utilizzo dei
panel-data).
• Si calcola facilmente anche se è molto grande; (si devono soltanto calcolare le medie
rispetto al parametro per ciascuna unita` statistica);
m
t
• Non è possibile stimare coefficienti delle variabili che non presentano alcuna variazione
all’interno di ciascun degli m gruppi.
• L`ultima rappresentazione dello stimatore mostra che esso puo` essere ottenuto anche
con il metodo delle variabili strumentali (per alcune interessanti conseguenze vedi paragrafo 10.2.5
di M. Verbeek, A guide to modern econometrics). Il metodo di stima delle variabili strumentali
sara` presentato nel prossimo capitolo.
ˆFEβ
Modello ad Effetti Aleatori
Il modello ha l’usuale rappresentazione con le componenti degli errori e dunque
it it i ity v ε′= + +x β , per 1, ,i m= … e 1, ,t T= … ,
e si suppone
2. . .(0, ), . . .(0, )i iti i d i i d 2ν εν σ ε σ∼ ∼ e non correlati tra loro.
Notare che si sta supponendo tra l’altro che le variabili indipendenti sono strettamente esogene.
Stimatore ad effetti aleatori e sua costruzione: Per comodità si riscrive il modello nella forma
it it ity = +x β u , per 1, ,i m= … , 1, ,t T= … ,
e si osserva che
6
8-Econometria, a.a. 2011-12. Modelli per Panel Data
2var( )it vu ε2σ σ= + e
2 per e cov( , )
0 per v
it jsi j t
u ui j
σ⎧ s= ≠= ⎨
≠⎩,
pertanto la matrice di covarianza degli errori è
( )mT mT×
⎡ ⎤⎢ ⎥⎢ ⎥=⎢ ⎥⎢ ⎥⎣ ⎦
Σ 0 00 Σ 0
Ω
0 0 Σ
,
con 2
2 2 22
( )
vT v T
T Tε ε
ε
σσ σ σσ×
⎛ ⎞′= + +⎜
⎝ ⎠I IΣ ′⎟ιι = ιι . Ricordare che il vettore delle osservazioni è stato
ordinato secondo gruppi, ciascuno con T elementi, e che m ι è il vettore di dimensione T le cui
coordinate sono uguali ad 1.
In definitiva si ha 2 2 2( /v )ε εσ σ σ=Ω Δ ,
essendo 2 2( /v )εσ σΔ la matrice a blocchi diagonale, in cui ciascun blocco (di dimensione T ) è m
2
2v
Tε
σσ
′+I ιι .
Definizione: Lo stimatore FGLS di (vedi Lezione 7) dicesi stimatore ad effetti aleatori e si denota
con il simbolo .
β
ˆREβ
La seguente proposizione ha un ruolo fondamentale nella costruzione di . ˆREβ
Proposizione: Posto e n mT= n Pλ= − DΨ I con 1/ 22
21 1vTε
σλσ
−⎛ ⎞
= − +⎜ ⎟⎝ ⎠
si ha 1 2 2( /v )εσ σ−=ΨΨ Δ .
Dimostrazione: Osservato che è la matrice di blocchi diagonali in cui ciascun blocco e` PD mT′ιι ,
e` sufficiente verificare che 2 2( ) ( / )v nεσ σ =ΨΨ Δ I (o 2
22( ) ( )v
T TT ε
σλσ
′ ′ T− + =I Iιι ιι I ). Tale verifica si
fa con un calcolo diretto, che non presenta alcuna difficoltà.
Osservazione:
i) Se il parametro λ definito nella precedente proposizione è noto (e dunque lo è anche 2 2/v εσ σ )
allora lo stimatore GLS di β (e quindi ) si ottiene stimando con il metodo OLS il modello ˆREβ
( ) ( )P Pλ λ− = − +D DI y I Xβ resid .
7
8-Econometria, a.a. 2011-12. Modelli per Panel Data
ii) Per 0λ = , e quindi per 2vσ , il precedente modello diventa = +y Xβ resid e da esso si ottiene
. ˆOLSβ
iii) Per 1λ = , e quindi per T grande oppure 2εσ piccolo rispetto a 2
νσ , il modello diventa
sostanzialmente ( ) e da esso si ottiene . ( )P P−D DI− = +I y Xβ resid
2
ˆFEβ
iv) Se è nota una stima consistente di 2 /v εσ σ (per ), allora lo stimatore FGLS (e la stima
della sua varianza asintotica) del modello ad effetti aleatori si individua con il metodo OLS dal
modello di regressione
m →∞
ˆ ˆ( ) ( )P Pλ λ− = − +D DI y I Xβ resid
Osservazione: Un modo diretto per la costruzione di λ utilizza la stima del modello ad effetti
fissati che fornisce sia che 2ˆ sεσ = 2 2
1
1 ˆ ˆˆ (m
v iim
2)σ η η=
= −∑ . Il calcolo di 2ˆvσ presenta pero`
l`inconveniente di dover individuare le stime m ˆiη che sono molte e non hanno alcuna altra utilità:
Un`altra procedura (più semplice della precedente) per costruire una stima consistente di 2ˆvσ .
Si considera il modello
P P P= +D D Dy Xβ u ,
che, dopo aver osservato che il vettore delle osservazioni di ciascuna variabile ha le coordinate
costanti in ognuno degli gruppi e coincidenti con la media nel gruppo, si puo` scrivere in forma
vettoriale
m
( ) ( )i i i i iy u⋅ ⋅ ⋅ ⋅⎛ ⎞′ ′= + = +⎜ ⎟⎝ ⎠
x β x β w per 1, ,i m= … .
Per tale modello si ha
• ( )2
2 2E( | )w iwTεσ 2
vσ σ= =X + , (segue dalle proprietà degli errori del modello ad effetti
aleatori, dopo aver osservato che e` 1 1 1
1 1 1( )T T T
i it it i it it t t
w u v vT T T
ε ε= = =
⎛ ⎞= = + = +⎜ ⎟
⎝ ⎠∑ ∑ ∑ 1, ,= … per i m ).
• la corrispondente stima di β , denominata stima tra gruppi (between group), è
11
1 1
ˆ ˆ( ) ( )m m
BG b i i i ii i
P P y−
−⋅ ⋅ ⋅ ⋅
= =
⎡ ⎤⎛ ⎞ ⎛ ⎞′ ′ ′= = =⎢ ⎥⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠⎢ ⎥⎣ ⎦∑ ∑D Dβ β X X X y x x x
• è uno stimatore consistente per β per ; ˆBGβ m →∞
8
8-Econometria, a.a. 2011-12. Modelli per Panel Data
• ( )2 21
1
1ˆm
w wi
sm k
σ=
= =−
2w∑ e` uno stimatore (corretto e) consistente per ( )2
2 2w vT
εσσ σ= + e allora
una stima consistente di 2vσ è
22 2 ˆˆ ˆv w T
εσσ σ= − .
• può accadere che la stima di 2vσ (costruita con la procedura ora descritta) sia negativa;
questo è un segnale che o forse non è sufficientemente grande oppure il modello non è
correttamente specificato.
m
Il Test di Hausman sugli effetti aleatori
Un problema che si pone in presenza di un modello lineare per panel data con errori
omoschedastici, è quello di stabilire quale tipo di stima utilizzare per β . Se non è
sufficientemente grande, gli unici stimatori possibili sono se il modello è ad effetti aleatori
(essendo in tal caso E( ) oppure (se sono presenti nel modello gli effetti dovuti alle
unità statistiche che sono o deterministici oppure aleatori e correlati con le variabili indipendenti),
se invece m è grande la scelta dovrà essere fatta tra gli stimatori e . A tal fine potrebbe
essere utile il test sull’ipotesi
m
ˆOLSβ
| ) 0itu =X ˆFEβ
ˆFEβ ˆ
REβ
0
1
: modello ad effetti aleatori: modello ad effetti fissati
HH
⎧⎨⎩
,
che si passa a costruire.
Il test di Hausman – Si osserva innanzitutto:
1) Nell’ipotesi , per β ci sono due stimatori e , i quali sono entrambi 0H ˆREβ ˆ
FEβ
n − consistenti, però il primo è asintoticamente più efficiente;
2) Nell’ipotesi soltanto lo stimatore è 1H ˆFEβ n − consistente (l’altro non è consistente).
E’ allora naturale, al fine di costruire un test sulla precedente ipotesi, considerare la distanza tra i
due stimatori (se è vera ci si attende che sia piccola), ma per costruire tale distanza è
indispensabile la varianza di . Si può provare con un calcolo diretto (la prova qui non è
stata riportata) che nell’ipotesi sussiste la seguente uguaglianza
0H
ˆ ˆFE RE−β β
0H
ˆ ˆ ˆ ˆvar( ) var( ) var( )FE RE FE RE− = −β β β β .( )5
Ha senso allora considerare la statistica, denominata statistica di Hausman,
( ) 5 In realtà Hausman enunciò un principio, denominato principio di Hausman, e ne provò la validità in contesti molto più generali della presente situazione, che giustificano l’uguaglianza come conseguenza delle condizioni 1) e 2).
9
8-Econometria, a.a. 2011-12. Modelli per Panel Data
( ) ( )1
ˆ ˆ ˆ ˆ ˆ ˆvar( ) var( )FE RE FE RE FE REH−′ ⎡ ⎤= − − −⎢ ⎥⎣ ⎦
β β β β β β
che ha distribuzione asintotica 2kχ (essendo le variabili presenti nel modello, escluse quelle che
non presentano variabilità in ciascuno dei T gruppi). Le informazioni fin qui raccolte consentono di
costruire un test sull’ipotesi in esame.
k
Nota:
1) Può accadere che non sia definita positiva; una tale circostanza può
essere un segnale che il valore di non sia sufficientemente grande.
ˆvar( ) var( )FE RE−β β
m
2) La seguente osservazione riportata in B.H. Baltagi, Econometric Analysis of Panel Data,
(pag.76) consente di implementare il test di Hausman con un usuale test su un modello lineare.
Infatti sia assegnato il modello (che soltanto per semplicità è presentato nella seguente forma)
,it it ity x uα β= + + it i it u v ε+ , =
dal quale, posto 1
1 T
i itt
x xT⋅
=
= ∑ e 1 1
1 T m
itt i
x xmT⋅⋅
= =
= ∑∑ , si ottiene immediatamente il modello
( ) ( )it it i i ity y x x x x u uβ β⋅⋅ ⋅ ⋅ ⋅⋅ ⋅⋅− = − + − + − .
Si prova:
i) La stima OLS del modello
1 2( ) ( )it it i iy y x x x x residβ β⋅⋅ ⋅ ⋅ ⋅⋅− = − + − + ,
dà rispettivamente gli stimatori ˆFEβ e ˆ
BGβ , cioè 1ˆ
OLS FEβ β= e 2ˆ ˆ
OLS REβ β= ;
ii) L’usuale test sull’ipotesi 0 1:H 2β β= coincide con il test di Hausman.
Osservazione: Il vettore delle osservazioni delle variabili del precedente modello si costruiscono
facilmente ricordando che
• ity y⋅⋅− è il vettore dei residui della regressione di ity sulla sola costante;
• it ix x ⋅− è il vettore dei residui della regressione di itx su tutte le variabili mute delle
unità statistiche.
10