Especificación de datos de panel

Question

Estoy tratando de averiguar la mejor especificación para mi conjunto de datos.

Estoy tratando de investigar la efectividad de las zonas económicas especiales en Polonia en el sentido de crecimiento de la economía en tres similares de datos de panel, modelos para la explicó variables: a) tasa de desempleo registrada b) el PIB per cápita c) formación bruta de capital fijo per cápita. Los datos para NUTS3 sub-regiones. Las variables explicativas son: 0-1 para la presencia de la ZONA en la sub-región en el año $t$ y algunas de las variables económicas; periodicidad anual, el conjunto de datos es 2004-2012 66 sub-regiones.

He tratado de efectos fijos y aleatorios. Por ahora, he elegido la FE, debido a la importancia y teóricamente correcto de los signos. Pero hay algunas cuestiones que me impiden tomar por sentado:

1. Cómo prueba de autocorrelación y correlación cruzada?

2. No tengo idea de cómo probar el término de error de la distribución en Stata, y además si no está normalmente distribuida, debo atención sobre ello?

3. Como yo lo entiendo de la literatura, los valores del coeficiente de correlación entre las variables explicativas y el término de error cerca de -1 o 1 no son malas, como una cuestión de hecho; en mi caso, es casi -1 como se puede ver.

4. Es un modelo mixto apropiado para mis datos?

Puedo adjuntar el resultado para el modelo que explica la tasa de desempleo.

Código:

xtreg  st_bezr sse01 wartosc_sr_trw_per_capita zatr_przem_bud podm_gosp_na_10tys_ludn proc_ludn_wiek_prod ludnosc_na_km2, fe

Fixed-effects (within) regression               Number of obs      =       594
Group variable: id                              Number of groups   =        66

R-sq:  within  = 0.4427                         Obs per group: min =         9
       between = 0.3479                                        avg =       9.0
       overall = 0.2365                                        max =         9

                                                F(6,522)           =     69.10
corr(u_i, Xb)  = -0.9961                        Prob > F           =    0.0000

-------------------------------------------------------------------------------------------
                  st_bezr |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
--------------------------+----------------------------------------------------------------
                    sse01 |  -1.406066   .4631984    -3.04   0.003    -2.316028   -.4961045
wartosc_sr_trw_per_capita |  -.0000963   .0000166    -5.79   0.000    -.0001289   -.0000636
           zatr_przem_bud |  -26.11989   4.992198    -5.23   0.000    -35.92716   -16.31263
  podm_gosp_na_10tys_ludn |  -.0201788   .0030788    -6.55   0.000    -.0262273   -.0141304
      proc_ludn_wiek_prod |  -229.1996   16.92631   -13.54   0.000    -262.4516   -195.9475
           ludnosc_na_km2 |   .0790167   .0120865     6.54   0.000     .0552726    .1027609
                    _cons |   161.9786   10.76989    15.04   0.000      140.821    183.1363
--------------------------+----------------------------------------------------------------
                  sigma_u |  53.986519
                  sigma_e |  2.5446248
                      rho |  .99778327   (fraction of variance due to u_i)
-------------------------------------------------------------------------------------------
F test that all u_i=0:     F(65, 522) =    27.09             Prob > F = 0.0000

Answer 1

Para los comandos de Stata en esta respuesta me deja recoger las variables en un local:
local xlist sse01 wartosc_sr_trw_per_capita zatr_przem_bud podm_gosp_na_10tys_ludn proc_ludn_wiek_prod ludnosc_na_km2
Así que ahora usted siempre puede llamar a todas las variables con `xlist'

1) Hay dos comandos que se pueden utilizar después sus efectos fijos de regresión.

• xttest2 realiza una Breusch-Pagan LM prueba con la hipótesis nula de independencia entre los residuos. Esta es una prueba para contemporáneas de correlación. No rechazar la nula significa que la prueba no detectar cualquier sección transversal de la dependencia en los residuos.
• xttest3 realiza una versión modificada de la prueba de Wald para groupwise heterocedasticidad. La hipótesis nula es homoscedasticity.

Usted puede instalar ambos comandos escribiendo ssc instal xttest2 y ssc instal xttest3. Si usted detectar correlaciones entre los residuos puede corregir esto con el robusto opción:
xtreg st_bezr 'xlist', fe robust

Para la prueba de autocorrelación se puede aplicar un Multiplicador de Lagrange de la prueba a través de la xtserial:
xtserial st_bezr 'xlist'
La hipótesis nula de no correlación serial. Para corregir tanto la correlación serial y heterocedasticidad puede utilizar la opción de clúster con su identificador de variable:
xtreg st_bezr 'xlist', fe cluster(id)

2) Para la prueba de normalidad de los residuos: usted puede obtener los residuos a través del comando predecir predict res, e después de que sus efectos fijos de regresión. Para la inspección visual se puede utilizar:

• kdensity res, normal (parcelas de la distribución de los residuos y la compara con una normal)
• pnorm res (parcelas de un estándar de probabilidad normal de la trama)
• qnorm res (parcelas de los cuantiles de los residuos contra los cuantiles de una distribución normal)

Con pnorm usted puede ver si hay es no-normalidad en el medio de la distribución y qnorm muestra cualquier no-normalidad en las colas. Una formales de prueba puede ser obtenida por swilk res. La hipótesis nula es que los residuos están normalmente distribuidos. En general, la no normalidad no es una gran preocupación, pero lo que importa para la inferencia. Usted puede corregir esto con la sólida opción.

3) corr(u_i, Xb) = -0.9961 significa que los efectos fijos están fuertemente correlacionados con sus variables explicativas, lo hiciste bien mediante el control de estos efectos fijos. Una fuerte correlación de este tipo por lo general indica que pooled OLS o de efectos aleatorios no ser adecuado para su propósito debido a que ambos de estos modelos suponen que la correlación entre el $u_i$ $X\beta$ es cero.

4) en General sí, pero depende de lo que queremos estimar o cómo usted puede tratar sus datos, es decir, si las variables son variables aleatorias o no. Aquí es una excelente explicación de la diferencia entre efectos mixtos y de datos de panel, modelos de @mpiktas que seguramente te ayudará.