TOPICOS DE ECONOMETRIA APLICADA

Datos de PanelIntroducción

Métodos Simples Para Datos de Panel

• Corte transversal + serie de tiempo• Encuestas o relevamientos a los mismos

individuos en varios períodos• Datos de unidades (empresas, países) en

varios períodos.• Muestras de corte transversal

independientes (distintos individuos) • Se incrementa el tamaño muestral:

estimadores mas precisos

Ejemplo 1: fertilidad de las mujeres en el tiempo

• Encuesta de años pares entre 1972-1984

• Pregunta: cambiaron los índices de fecundidad en el tiempo? (ceteris paribus)

• Controles: educación, edad, raza, religión, etc.

• Año base 72

1. year 72 to 84, even 2. educ years of schooling 3. meduc mother's education 4. feduc father's education 5. age in years 6. kids # children ever born 7. black = 1 if black 8. east = 1 if lived in east at 16 9. northcen = 1 if lived in nc at 16 10. west = 1 if lived in west at 16 11. farm = 1 if on farm at 16 12. othrural = 1 if other rural at 16 13. town = 1 if lived in town at 16 14. smcity = 1 if in small city at 16 15. y74 = 1 if year = 74 16. y76 17. y78 18. y80 19. y82 20. y84 21. agesq age^2 22. y74educ y74*educ 23. y76educ 24. y78educ 25. y80educ 26. y82educ 27. y84educ

Source | SS df MS Number of obs = 1129 -------------+------------------------------ F( 17, 1111) = 9.72 Model | 399.610888 17 23.5065228 Prob > F = 0.0000 Residual | 2685.89841 1111 2.41755033 R-squared = 0.1295 -------------+------------------------------ Adj R-squared = 0.1162 Total | 3085.5093 1128 2.73538059 Root MSE = 1.5548 ------------------------------------------------------------------------------ kids | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- educ | -.1284268 .0183486 -7.00 0.000 -.1644286 -.092425 age | .5321346 .1383863 3.85 0.000 .2606065 .8036626 agesq | -.005804 .0015643 -3.71 0.000 -.0088733 -.0027347 black | 1.075658 .1735356 6.20 0.000 .7351631 1.416152 east | .217324 .1327878 1.64 0.102 -.0432192 .4778672 northcen | .363114 .1208969 3.00 0.003 .125902 .6003261 west | .1976032 .1669134 1.18 0.237 -.1298978 .5251041 farm | -.0525575 .14719 -0.36 0.721 -.3413592 .2362443 othrural | -.1628537 .175442 -0.93 0.353 -.5070887 .1813814 town | .0843532 .124531 0.68 0.498 -.1599893 .3286957 smcity | .2118791 .160296 1.32 0.187 -.1026379 .5263961 y74 | .2681825 .172716 1.55 0.121 -.0707039 .6070689 y76 | -.0973795 .1790456 -0.54 0.587 -.448685 .2539261 y78 | -.0686665 .1816837 -0.38 0.706 -.4251483 .2878154 y80 | -.0713053 .1827707 -0.39 0.697 -.42992 .2873093 y82 | -.5224842 .1724361 -3.03 0.003 -.8608214 -.184147 y84 | -.5451661 .1745162 -3.12 0.002 -.8875846 -.2027477 _cons | -7.742457 3.051767 -2.54 0.011 -13.73033 -1.754579 ------------------------------------------------------------------------------

• Una mujer en 1982 tiene en promedio 0.52 hijos menos que en 1972 todo lo demás constante

• Refleja la caída de fecundidad por razones que no están contempladas por las otras variables explicativas (educ, edad, etc)

• Se supone que el efecto de cada variable explicativa ha permanecido constante en el tiempo. Pueden usarse interacciones para analizar cambio de coeficientes.

• Problema potencial de heteroscedasticidad:test y estimadores robustos (White).

Ejemplo 2: Salarios educación y género

• Estimación de salarios en función de educacion, experiencia, sindicato, genero.

• Variable dependiente: log salarios años 78 y 85

• Con la incorporación de una dummy para 1985 controlamos el cambio temporal

Obs: 1084 1. educ years of schooling 2. south =1 if live in south 3. nonwhite =1 if nonwhite 4. female =1 if female 5. married =1 if married 6. exper age - educ - 6 7. expersq exper^2 8. union =1 if belong to union 9. lwage log hourly wage 10. age in years 11. year 78 or 85 12. y85 =1 if year == 85 13. y85fem y85*female 14. y85educ y85*educ 15. y85union y85*union

Source | SS df MS Number of obs = 1084 -------------+------------------------------ F( 8, 1075) = 99.80 Model | 135.992074 8 16.9990092 Prob > F = 0.0000 Residual | 183.099094 1075 .170324738 R-squared = 0.4262 -------------+------------------------------ Adj R-squared = 0.4219 Total | 319.091167 1083 .29463635 Root MSE = .4127 ------------------------------------------------------------------------------ lwage | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y85 | .1178062 .1237817 0.95 0.341 -.125075 .3606874 educ | .0747209 .0066764 11.19 0.000 .0616206 .0878212 y85educ | .0184605 .0093542 1.97 0.049 .000106 .036815 exper | .0295843 .0035673 8.29 0.000 .0225846 .036584 expersq | -.0003994 .0000775 -5.15 0.000 -.0005516 -.0002473 union | .2021319 .0302945 6.67 0.000 .1426888 .2615749 female | -.3167086 .0366215 -8.65 0.000 -.3885663 -.244851 y85fem | .085052 .051309 1.66 0.098 -.0156251 .185729 _cons | .4589329 .0934485 4.91 0.000 .2755707 .642295 ------------------------------------------------------------------------------

• El efecto estimado de edu en 1978 es 7.5%• En 1985 1.8 puntos más alto• El término de interacción es significativo al 5%.

La diferencia en el rendimiento de la educación es significativa entre años.

• Una mujer ganaba aprox. 31% menos en 1978. • En 1985 la diferencia es -0.317+0.085=-0.232• Es decir que la diferencia disminuye unos 8.5

puntos porcentuales.

• Que pasa si interactuamos y85 con todas las variables?

• Es equivalente a estimar dos regresiones

• Se puede hacer un Chow test

• Alternativamente se puede incluir la dummy y la interacción con todas las variables y realizar un test de restricciones

Ejemplo 3: Análisis de cambios de políticas

• Efecto de la instalación de un incinerador de basura sobre el precio de viviendas

• Precio contra cercanía de la casa al incinerador.• En corte transversal podemos encontrar que el

precio de las casas es menor después y también antes de la instalación.

• El incinerador se construye en una zona donde ya los precios eran relativamente más bajos

•

------------------------------------- Obs: 321 1. year 1978 or 1981 2. age age of house 3. agesq age^2 4. nbh neighborhood #, 1 to 6 5. cbd dist. to central bus. dstrct, feet 6. intst dist. to interstate, feet 7. lintst log(intst) 8. price selling price 9. rooms # rooms in house 10. area square footage of house 11. land square footage lot 12. baths # bathrooms 13. dist dist. from house to incinerator, feet 14. ldist log(dist) 15. wind perc. time wind incin. to house 16. lprice log(price) 17. y81 =1 if year == 1981 18. larea log(area) 19. lland log(land) 20. y81ldist y81*ldist 21. lintstsq lintst^2 22. nearinc =1 if dist <= 15840 23. y81nrinc y81*nearinc 24. rprice price, 1978 dollars 25. lrprice log(rprice)

AÑO 1981 Source | SS df MS Number of obs = 142 -------------+------------------------------ F( 1, 140) = 27.73 Model | 2.7059e+10 1 2.7059e+10 Prob > F = 0.0000 Residual | 1.3661e+11 140 975815069 R-squared = 0.1653 -------------+------------------------------ Adj R-squared = 0.1594 Total | 1.6367e+11 141 1.1608e+09 Root MSE = 31238 ------------------------------------------------------------------------------ rprice | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- nearinc | -30688.27 5827.709 -5.27 0.000 -42209.97 -19166.58 _cons | 101307.5 3093.027 32.75 0.000 95192.43 107422.6 AÑO 1978 Source | SS df MS Number of obs = 179 -------------+------------------------------ F( 1, 177) = 15.74 Model | 1.3636e+10 1 1.3636e+10 Prob > F = 0.0001 Residual | 1.5332e+11 177 866239953 R-squared = 0.0817 -------------+------------------------------ Adj R-squared = 0.0765 Total | 1.6696e+11 178 937979126 Root MSE = 29432 ------------------------------------------------------------------------------ rprice | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- nearinc | -18824.37 4744.594 -3.97 0.000 -28187.62 -9461.118 _cons | 82517.23 2653.79 31.09 0.000 77280.09 87754.37 ------------------------------------------------------------------------------

• La diferencia entre coeficientes estimados es • Se conoce como el estimador de la diferencia en las

diferencias rprice81Cer – rprice81Lej) – rprice78Cer – rprice78Lej)

• Para la var rprice en el promedio • Mide el cambio en la diferencia media del precio entre

ambas localizaciones

• Es necesario realizar un test para saber la significación del delta

• El delta puede obtenerse de la regresión del precio contra una dummy temporal, la variable de interés y la interacción entre ambas.

• Es el coeficiente estimado para la interacción con la dummy.

reg rprice y81 nearinc y81nrinc Source | SS df MS Number of obs = 321 -------------+------------------------------ F( 3, 317) = 22.25 Model | 6.1055e+10 3 2.0352e+10 Prob > F = 0.0000 Residual | 2.8994e+11 317 914632749 R-squared = 0.1739 -------------+------------------------------ Adj R-squared = 0.1661 Total | 3.5099e+11 320 1.0969e+09 Root MSE = 30243 ------------------------------------------------------------------------------ rprice | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y81 | 18790.29 4050.065 4.64 0.000 10821.88 26758.69 nearinc | -18824.37 4875.322 -3.86 0.000 -28416.45 -9232.293 y81nrinc | -11863.9 7456.646 -1.59 0.113 -26534.67 2806.866 _cons | 82517.23 2726.91 30.26 0.000 77152.1 87882.36 ------------------------------------------------------------------------------

• El error std. es alto.

• No es significativa la interacción.

• Debería controlarse el efecto de la localización por otras variables

• Antigüedad, distancia a rutas, superficie, número de habitaciones, etc.

reg rprice y81 nearinc y81nrinc age agesq intst land area rooms baths Source | SS df MS Number of obs = 321 -------------+------------------------------ F( 10, 310) = 60.19 Model | 2.3167e+11 10 2.3167e+10 Prob > F = 0.0000 Residual | 1.1932e+11 310 384905873 R-squared = 0.6600 -------------+------------------------------ Adj R-squared = 0.6491 Total | 3.5099e+11 320 1.0969e+09 Root MSE = 19619 ------------------------------------------------------------------------------ rprice | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y81 | 13928.48 2798.747 4.98 0.000 8421.533 19435.42 nearinc | 3780.334 4453.415 0.85 0.397 -4982.41 12543.08 y81nrinc | -14177.93 4987.267 -2.84 0.005 -23991.11 -4364.759 age | -739.451 131.1272 -5.64 0.000 -997.4629 -481.4391 agesq | 3.45274 .8128214 4.25 0.000 1.853395 5.052084 intst | -.5386353 .1963359 -2.74 0.006 -.9249549 -.1523158 land | .1414196 .0310776 4.55 0.000 .0802698 .2025693 area | 18.08621 2.306064 7.84 0.000 13.54869 22.62373 rooms | 3304.225 1661.248 1.99 0.048 35.47769 6572.973 baths | 6977.318 2581.321 2.70 0.007 1898.192 12056.44 _cons | 13807.67 11166.59 1.24 0.217 -8164.23 35779.58 ------------------------------------------------------------------------------

EN LOGS PARA OBTENER CAMBIOS PORCENTUALES reg lnprice y81 nearinc y81nrinc age agesq lintst larea lnland rooms baths Source | SS df MS Number of obs = 321 -------------+------------------------------ F( 10, 310) = 84.91 Model | 35.2722428 10 3.52722428 Prob > F = 0.0000 Residual | 12.8768999 310 .041538387 R-squared = 0.7326 -------------+------------------------------ Adj R-squared = 0.7239 Total | 48.1491427 320 .150466071 Root MSE = .20381 ------------------------------------------------------------------------------ lnprice | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y81 | .1620726 .0285 5.69 0.000 .1059948 .2181505 nearinc | .0322337 .0474876 0.68 0.498 -.0612052 .1256725 y81nrinc | -.1315137 .0519713 -2.53 0.012 -.2337748 -.0292527 age | -.0083591 .0014111 -5.92 0.000 -.0111357 -.0055825 agesq | .0000376 8.67e-06 4.34 0.000 .0000206 .0000547 lintst | -.0614477 .0315076 -1.95 0.052 -.1234434 .0005481 larea | .3507717 .0514866 6.81 0.000 .2494643 .4520792 lnland | .0998448 .024491 4.08 0.000 .0516551 .1480345 rooms | .0473343 .0173274 2.73 0.007 .0132401 .0814285 baths | .0942775 .0277257 3.40 0.001 .0397232 .1488318 _cons | 7.651754 .4158839 18.40 0.000 6.833442 8.470066 ------------------------------------------------------------------------------

Cambios en el tiempo debidos a un tratamiento

• Un cambio que afecta a un grupo: grupo de tratamiento• Otro grupo no es afectado por el cambio: grupo de

control• Podemos dividir la muestra en cuatro grupos: • el grupo de control antes del cambio• El grupo de control después del cambio• El grupo de tratamiento antes del cambio• El grupo de tratamiento después del cambio• Llamamos A al grupo de control y B al de tratamiento• dB una dummy = 1 si B (cero en caso contrario)• d2 una dummy = 1 si es el momento 2 (cero en caso

contrario)

y = d2dB + d2dB + otros factores

donde y es la variable de interés

El 1 es el estimador de diferencias en diferencias

En el caso de regresion simple la interpretación es

1 = (y2,B – y2A) – (y1,B – y1A)

Ejemplo 4: Efectos de las leyes de indemnización por lesiones sobre

la duración de la baja laboral • En 1980 en Kentucky se elevó el tope de

indemnización.• Esto no afectaba a los trabajadores de

ingresos bajos ya que no llegaban al tope• El grupo de control son los trabajadores

de ingresos bajos• El de tratamiento el de ingresos altos• Variable dependiente: log de la duración

de los beneficios por lesiones

Obs: 7150

1. durat duration of benefits

2. afchnge =1 if after change in benefits

3. highearn =1 if high earner

4. male =1 if male

5. married =1 if married

6. ky =1 for Kentucky

7. mi =1 for Michigan

8. ldurat log(durat)

9. afhigh afchnge*highearn

reg ldurat afchnge highearn afch_high if ky==1 Source | SS df MS Number of obs = 5626 -------------+------------------------------ F( 3, 5622) = 39.54 Model | 191.071427 3 63.6904757 Prob > F = 0.0000 Residual | 9055.93393 5622 1.6108029 R-squared = 0.0207 -------------+------------------------------ Adj R-squared = 0.0201 Total | 9247.00536 5625 1.64391206 Root MSE = 1.2692 ------------------------------------------------------------------------------ ldurat | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- afchnge | .0076573 .0447173 0.17 0.864 -.0800058 .0953204 highearn | .2564785 .0474464 5.41 0.000 .1634652 .3494918 afch_high | .1906012 .0685089 2.78 0.005 .0562973 .3249051 _cons | 1.125615 .0307368 36.62 0.000 1.065359 1.185871 ------------------------------------------------------------------------------

Datos de Panel Para Dos Períodos

• Dos períodos para el mismo individuo

• Ejemplo: tasa de desempleo y delincuencia para ciudades en 1982 y 1987

• Que ocurre si usamos cross section?

Obs: 92 1. pop population 2. crimes total number index crimes 3. unem unemployment rate 4. officers number police officers 5. pcinc per capita income 6. west =1 if city in west 7. nrtheast =1 if city in NE 8. south =1 if city in south 9. year 82 or 87 10. area land area, square miles 11. d87 =1 if year = 87 12. popden people per sq mile 13. crmrte crimes per 1000 people 14. offarea officers per sq mile 15. lawexpc law enforce. expend. pc, $ 16. polpc police per 1000 people 17. lpop log(pop) 18. loffic log(officers) 19. lpcinc log(pcinc) 20. llawexpc log(lawexpc) 21. lpopden log(popden) 22. lcrimes log(crimes) 23. larea log(area) 24. lcrmrte log(crmrte) 25. clcrimes change in lcrimes 26. clpop change in lpop 27. clcrmrte change in lcrmrte 28. lpolpc log(polpc) 29. clpolpc change in lpolpc 30. cllawexp change in llawexp 31. cunem change in unem 32. clpopden change in lpopden 33. lcrmrt_1 lcrmrte lagged 34. ccrmrte change in crmrte

reg crmrte unem if d87==1 Source | SS df MS Number of obs = 46 -------------+------------------------------ F( 1, 44) = 1.48 Model | 1775.90928 1 1775.90928 Prob > F = 0.2297 Residual | 52674.6428 44 1197.15097 R-squared = 0.0326 -------------+------------------------------ Adj R-squared = 0.0106 Total | 54450.5521 45 1210.01227 Root MSE = 34.6 ------------------------------------------------------------------------------ crmrte | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- unem | -4.161134 3.416456 -1.22 0.230 -11.04655 2.72428 _cons | 128.3781 20.75663 6.18 0.000 86.54589 170.2104 ------------------------------------------------------------------------------

• El resultado es contraintuitivo: mas desempleo genera menor delincuencia

• Problema potencial: omisión de variables

• Factores no observados pueden estar afectando la variable dependiente

• Algunos pueden ser constantes y otros variar en el tiempo

y = d2txit + d2dB + ai + uit t= 1,2 i hace referencia al individuo t al péríodo d2t es una dummy que vale 1 si t=2 La variable ai capta todos los factores no observados que no cambian en el tiempo Es el efecto no observado o efecto fijo Este es el modelo básico de efectos fijos

A la variable a se la conoce también como heterogeneidad no observada El término de error uit se denomina error idiosincrático o error que cambia en el tiempo Son los factores no observables que cambien en t y que afectan a y Un modelo simple puede ser yit = d2txit + d2dB + vit t= 1,2 donde vit es un error compuesto vit = ai + uit Si estimamos por OLS para que los estimadores sean consistentes debemos suponer que los vit no están correlacionados con las x Si esto no es así, la estimación será sesgada e inconsistente El sesgo ocurre por la omision de una variable que es constante en el tiempo (a) se conoce como sesgo de heterogeneidad

reg crmrte d87 unem Source | SS df MS Number of obs = 92 -------------+------------------------------ F( 2, 89) = 0.55 Model | 989.717314 2 494.858657 Prob > F = 0.5788 Residual | 80055.7864 89 899.503218 R-squared = 0.0122 -------------+------------------------------ Adj R-squared = -0.0100 Total | 81045.5037 91 890.609931 Root MSE = 29.992 ------------------------------------------------------------------------------ crmrte | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- d87 | 7.940413 7.975324 1.00 0.322 -7.906386 23.78721 unem | .4265461 1.188279 0.36 0.720 -1.934539 2.787631 _cons | 93.42026 12.73947 7.33 0.000 68.1072 118.7333 ------------------------------------------------------------------------------

• Esta estimación no resuelve el problema de la variable no observable omitida

• Los estimadores son sesgados e inconsistentes.

• En general usamos datos de panel porque queremos permitir que los efectos no observados (a) estén correlacionados con las variables explicativas.

• Dado que a no depende del tiempo es posible diferenciar los datos en los dos años

• Entonces, en diferencias en t desaparece el efecto no observable

yi = xi + ui

• El efecto no observable desaparece porque se anula al ser constante en el tiempo

• La ordenada ahora es el cambio en el termino constante de t= 1 a t=2

• Esta es una ecuación en primeras diferencias• Si el cambio en u no esta correlacionado con el

cambio en x, entonces podemos usar OLS• Los estimadores se conocen como los

estimadores en primeras diferencias

• Las x deben variar en el tiempo

• Es decir, no pueden incluirse variables como por ej. Dummy por género porque no varian en t

• Además debemos suponer homoscedasticidad

reg ccrmrte cunem Source | SS df MS Number of obs = 46 -------------+------------------------------ F( 1, 44) = 6.38 Model | 2566.43732 1 2566.43732 Prob > F = 0.0152 Residual | 17689.5504 44 402.035236 R-squared = 0.1267 -------------+------------------------------ Adj R-squared = 0.1069 Total | 20255.9877 45 450.13306 Root MSE = 20.051 ------------------------------------------------------------------------------ ccrmrte | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- cunem | 2.217999 .8778659 2.53 0.015 .4487771 3.987222 _cons | 15.4022 4.702117 3.28 0.002 5.925709 24.8787 ------------------------------------------------------------------------------ . reg ccrmrte cunem, robust Regression with robust standard errors Number of obs = 46 F( 1, 44) = 7.40 Prob > F = 0.0093 R-squared = 0.1267 Root MSE = 20.051 ------------------------------------------------------------------------------ | Robust ccrmrte | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- cunem | 2.217999 .8155056 2.72 0.009 .5744558 3.861543 _cons | 15.4022 5.178907 2.97 0.005 4.964803 25.8396 ------------------------------------------------------------------------------ .

• Ahora la relación es positiva y significativa

• El termino constante implica que aun cuando el desempleo no cambie, el índice de delincuencia aumentaría 15.4

• Es un aumento tendencial

Ejemplo: Dormir o trabajar?

• Estimación de horas de sueño en función de horas de trabajo

• Se trata de medir sustitución

• Años 75 y 81

Obs: 239 1. age75 age in 1975 2. educ75 years educ in '75 3. educ81 years educ in '81 4. gdhlth75 =1 if good hlth in '75 5. gdhlth81 =1 if good hlth in '81 6. male =1 if male 7. marr75 =1 if married in '75 8. marr81 =1 if married in '81 9. slpnap75 mins slp wk, inc naps, '75 10. slpnap81 mins slp wk, inc naps, '81 11. totwrk75 minutes worked per week, '75 12. totwrk81 minutes worked per week, '81 13. yngkid75 =1 if child < 3, '75 14. yngkid81 =1 if child < 3, '81 15. ceduc change in educ 16. cgdhlth change in gdhlth 17. cmarr change in marr 18. cslpnap change in slpnap 19. ctotwrk change in totwrk 20. cyngkid change in yngkid

reg cslpnap ctotwrk ceduc cmarr cyngkid cgdhlth Source | SS df MS Number of obs = 239 -------------+------------------------------ F( 5, 233) = 8.19 Model | 14674698.2 5 2934939.64 Prob > F = 0.0000 Residual | 83482611.7 233 358294.471 R-squared = 0.1495 -------------+------------------------------ Adj R-squared = 0.1313 Total | 98157309.9 238 412425.672 Root MSE = 598.58 ------------------------------------------------------------------------------ cslpnap | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- ctotwrk | -.2266694 .036054 -6.29 0.000 -.2977029 -.1556359 ceduc | -.0244717 48.75938 -0.00 1.000 -96.09007 96.04113 cmarr | 104.2139 92.85536 1.12 0.263 -78.72946 287.1574 cyngkid | 94.6654 87.65252 1.08 0.281 -78.02738 267.3582 cgdhlth | 87.57785 76.59913 1.14 0.254 -63.33758 238.4933 _cons | -92.63404 45.8659 -2.02 0.045 -182.9989 -2.269154

• Una hora adicional de trabajo lleva a 0.22x(60)=13.62 minutos menos de sueño

• Educ no es significativo: hay poca variabilidad

Análisis de Políticas con Datos de Panel

• Efecto de las leyes de tránsito sobre la conducción en estado de embriaguez

• Datos de 1985 y 1990• 50 estados + DC• Var dep: muertes por accidente/100 millones de

millas recorridas en auto• Ley de “recipientes abiertos” en 1985 en 19

estados• En 1990 en 22 estados• Leyes administrativas que permiten retirar el

permiso: de 21 estados a 29

state admn90 admn85 open90 open85 dthrte90 dthrte85 speed90 speed85 cdthrte cadmn copen cspeed Obs: 51 1. state state postal code 2. admn90 =1 if admin. revocation, '90 3. admn85 =1 if admin. revocation, '85 4. open90 =1 if open container law, '90 5. open85 =1 if open container law, '85 6. dthrte90 deaths per 100 mill. miles, '90 7. dthrte85 deaths per 100 mill. miles, '85 8. speed90 =1 if 65 mph speed limit, 1990 9. speed85 =0 always 10. cdthrte dthrte90 - dthrte85 11. cadmn admn90 - admn85 12. copen open90 - open85 13. cspeed speed90 - speed85

reg cdthrte copen cadmn Source | SS df MS Number of obs = 51 -------------+------------------------------ F( 2, 48) = 3.23 Model | .762579679 2 .38128984 Prob > F = 0.0482 Residual | 5.6636945 48 .117993635 R-squared = 0.1187 -------------+------------------------------ Adj R-squared = 0.0819 Total | 6.42627418 50 .128525484 Root MSE = .3435 ------------------------------------------------------------------------------ cdthrte | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- copen | -.4196787 .2055948 -2.04 0.047 -.8330547 -.0063028 cadmn | -.1506024 .1168223 -1.29 0.204 -.3854894 .0842846 _cons | -.4967872 .0524256 -9.48 0.000 -.6021959 -.3913784 ------------------------------------------------------------------------------ .

• La ley de recipientes reduce la muerte por accidentes en 0.42 (la media era 2.7 y el desvío std 0.6 en 1985)

• La ley administrativa tiene un efecto menor y es menos significativa

• El termino constante muestra la disminución entre períodos independientemente del cambio de leyes

Más de dos Períodos

• El procedimento es similar

• Se diferencia entre períodos consecutivos

• Se incluyen variables dummy para cada período para controlar cambios de tendencia

• Se estima la ecuación en diferencias con una constante y se elimina una dummy.

• Ejemplo

• Indices de delincuencia por condado en Carolina del Norte entre 1981 y 1987

• Se diferencian los datos

• El efecto no observado puede incluir localización, actitud frente a la delincuencia, nivel pasado de delincuencia,número de condenas, etc.

Obs: 630 1. county county identifier 2. year 81 to 87 3. crmrte crimes committed per person 4. prbarr 'probability' of arrest 5. prbconv 'probability' of conviction 6. prbpris 'probability' of prison sentenc 7. avgsen avg. sentence, days 8. polpc police per capita 9. density people per sq. mile 10. taxpc tax revenue per capita 11. west =1 if in western N.C. 12. central =1 if in central N.C. 13. urban =1 if in SMSA 14. pctmin80 perc. minority, 1980 15. wcon weekly wage, construction 16. wtuc wkly wge, trns, util, commun 17. wtrd wkly wge, whlesle, retail trade 18. wfir wkly wge, fin, ins, real est 19. wser wkly wge, service industry 20. wmfg wkly wge, manufacturing 21. wfed wkly wge, fed employees 22. wsta wkly wge, state employees 23. wloc wkly wge, local gov emps 24. mix offense mix: face-to-face/other 25. pctymle percent young male 26. d82 =1 if year == 82 27. d83 =1 if year == 83 28. d84 =1 if year == 84 29. d85 =1 if year == 85 30. d86 =1 if year == 86 31. d87 =1 if year == 87 32. lcrmrte log(crmrte) 33. lprbarr log(prbarr) 34. lprbconv log(prbconv) 35. lprbpris log(prbpris) 36. lavgsen log(avgsen) 37. lpolpc log(polpc) 38. ldensity log(density) 39. ltaxpc log(taxpc) 40. lwcon log(wcon) 41. lwtuc log(wtuc) 42. lwtrd log(wtrd) 43. lwfir log(wfir) 44. lwser log(wser) 45. lwmfg log(wmfg) 46. lwfed log(wfed) 47. lwsta log(wsta) 48. lwloc log(wloc) 49. lmix log(mix) 50. lpctymle log(pctymle) 51. lpctmin log(pctmin) 52. clcrmrte lcrmrte - lcrmrte[t-1] 53. clprbarr lprbarr - lprbarr[t-1] 54. clprbcon lprbconv - lprbconv[t-1] 55. clprbpri lprbpri - lprbpri[t-1] 56. clavgsen lavgsen - lavgsen[t-1] 57. clpolpc lpolpc - lpolpc[t-1] 58. cltaxpc ltaxpc - ltaxpc[t-1] 59. clmix lmix - lmix[t-1]

. reg clcrmrte d83 d84 d85 d86 d87 clprbarr clprbcon clprbpri clavgsen clpolpc Source | SS df MS Number of obs = 540 -------------+------------------------------ F( 10, 529) = 40.32 Model | 9.60042816 10 .960042816 Prob > F = 0.0000 Residual | 12.5963761 529 .023811675 R-squared = 0.4325 -------------+------------------------------ Adj R-squared = 0.4218 Total | 22.1968043 539 .041181455 Root MSE = .15431 ------------------------------------------------------------------------------ clcrmrte | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- d83 | -.0998658 .0238953 -4.18 0.000 -.1468071 -.0529246 d84 | -.0479374 .0235021 -2.04 0.042 -.0941063 -.0017686 d85 | -.0046111 .0234998 -0.20 0.845 -.0507756 .0415533 d86 | .0275143 .0241494 1.14 0.255 -.0199261 .0749548 d87 | .0408267 .0244153 1.67 0.095 -.0071361 .0887895 clprbarr | -.3274942 .0299801 -10.92 0.000 -.3863889 -.2685994 clprbcon | -.2381066 .0182341 -13.06 0.000 -.2739268 -.2022864 clprbpri | -.1650462 .025969 -6.36 0.000 -.2160613 -.1140312 clavgsen | -.0217607 .0220909 -0.99 0.325 -.0651574 .0216361 clpolpc | .3984264 .026882 14.82 0.000 .3456177 .4512351 _cons | .0077134 .0170579 0.45 0.651 -.0257961 .0412229 ------------------------------------------------------------------------------

• Un aumento en la probabilidad de ser detenido en un 1% implica una disminución del índice de delincuencia en un 0.33%

• Un aumento de un 1% del no. de policías aumenta el índice en un 0.4%

• Resultado contraintuitivo

• Puede que esta variable no sea exógena