four essays on the estimation of time–invariant - ETH E

DISS. ETH NO. 22486
FOUR ESSAYS ON THE ESTIMATION OF TIME–INVARIANT
VARIABLES IN PANEL DATA MODELS
A thesis submitted to attain the degree of
DOCTOR OF SCIENCES of ETH ZURICH
(Dr. sc. ETH Zurich)
presented by
MICHAELA KESINA
Dipl.-Volkswirtin, Ludwig-Maximilians-Universität München
born on April 4th , 1984
citizen of Germany
accepted on the recommendation of
Prof. Dr. Peter Egger, examiner
Prof. Dr. Badi Baltagi, co-examiner
2015
Summary of the thesis
This thesis deals with the estimation of the effect of time-invariant variables in panel
data models and consists of four essays. The first essay focuses on some nonlinear panel
data models. The remaining three essays deal with the estimation of time-invariant
variables in linear panel data models that account for different forms of spatial correlation.
Chapter 2 (coautherd with Bo Honoré) presents methods to estimate the effect of
time-invariant variables in some nonlinear panel data models. The approach relies on
a two-step procedure where the first step estimates parameters on the time-varying
variables using fixed effects estimators. The second step uses random effects assumptions to retrieve coefficients on time-invariant variables. In the thesis, censored and
multiplicative regression models are investigated in a greater detail. For both types of
models, the estimation procedure is described, Monte Carlo simulations are conducted,
and an empirical application from the literature is presented.
Chapter 3 (coauthored with Badi Baltagi and Peter Egger) extends the Hausman
and Taylor (1981) estimator to allow for spatial correlation in the error. In contrast to
Hausman and Taylor (1981), who assume homoskedastic error components, additionally
a method is presented that allows for heteroskedasticity in the idiosyncratic error component. Monte Carlo results show that the proposed estimator performs well in small
samples. The spatial Hausman-Taylor estimator is applied to a panel data-set of Chinese
firms in the chemical industry, where some of the regressors – public ownership and the
education level of workers – are time-invariant in the time horizon under consideration.
By using the spatial Hausman-Taylor estimator one finds a significant and large negative effect of public ownership on total factor productivity and positive spillover effects.
Chapter 4 (coauthored with Badi Baltagi and Peter Egger) investigates the small
sample properties of the spatial Hausman-Taylor estimator in more detail and additionally suggests a pretest estimator, to choose between different estimators. The
performance of the spatial Hausman-Taylor estimator is compared to an OLS estimator,
a spatial fixed effects estimator, and a spatial random effects estimator. A spatial fixed
effects estimator provides consistent estimates for time-varying variables only, while
ix
spatial random effects estimators and OLS are inconsistent when variables are correlated with the unobserved heterogeneity. The spatial pretest estimator is based upon
two tests, allowing the researcher to distinguish between different spatial estimators.
The spatial Hausman-Taylor estimator performs well compared to the other estimators.
The spatial pretest estimator performs well in choosing the appropriate estimator and
has a good performance in terms of bias and root mean squared error compared to the
other spatial estimators under consideration.
Chapter 5 extends the Hausman and Taylor (1981) estimator by including a spatial
lag of the dependent variable into the model. This yields additional endogeneity which
is addressed by using instruments. Two different types of instrument sets are proposed
which are in the spirit of Kelejian and Prucha (1998) and Lee (2003). In addition
this chapter shows how the spatial autoregressive Hausman-Taylor estimator can cope
with spatial correlation in the error and/or spatial correlation in the covariates. Monte
Carlo results show that the estimation procedure performs well in small samples.
x
Zusammenfassung der Dissertation
Die vorliegende Dissertation befasst sich mit der Schätzung des Effektes von zeitkonstanten Variablen in Paneldatenmodellen und besteht aus vier Aufsätzen. Der erste
Aufsatz widmet sich nichtlinearen Paneldatenmodellen. Die übrigen drei Aufsätze
erörtern die Schätzung von zeitkonstanten Variablen in linearen Paneldatenmodellen,
die verschiedene Formen von räumlicher Korrelation berücksichtigen.
Kapitel 2 (verfasst mit Bo Honoré) präsentiert Methoden, um den Effekt von
zeitinvarianten Variablen in nichtlinearen Paneldatenmodellen zu schätzen. Der Ansatz
besteht aus einem zweistufigen Verfahren, wobei die erste Stufe die Parameter von
zeitvariierenden Variablen mit fixen Effekten schätzt. Die zweite Stufe verwendet
Annahmen für zufällige Effekte, um die Koeffizienten von zeitkonstanten Variablen
zu bestimmen. In der Dissertation werden das zensierte sowie das multiplikative Regressionsmodell im Detail untersucht. Für beide Modelle wird das Schätzverfahren
beschrieben, Monte Carlo Simulationen durchgeführt und eine empirische Anwendung
aus der Literatur präsentiert.
Kapitel 3 (verfasst mit Badi Baltagi und Peter Egger) erweitert den Hausman und
Taylor (1981) Schätzer, um räumliche Korrelation im Fehlerterm zu berücksichtigen.
Im Gegensatz zu Hausman und Taylor (1981), die homoskedastische Fehlertermkomponenten annehmen, wird zusätzlich eine Methode präsentiert, die Heteroskedastie in der
idiosynkratischen Fehlertermkomponente zulässt. Monte Carlo Simulationen zeigen,
dass das vorgeschlagene Schätzverfahren gut in kleinen Stichproben funktioniert. Der
räumliche Hausman-Taylor Schätzer wird auf einen Paneldatensatz von chinesischen
Firmen in der Chemieindustrie angewendet, wo einige Regressoren – Staatsbesitz und
das Bildungsniveau der Arbeiter – in dem betrachteten Zeithorizont zeitinvariant sind.
Mit dem räumlichen Hausman-Taylor Schätzer findet man einen signifikanten und
grossen negativen Effekt von Staatsbesitz auf die Produktivität und positive externe
Effekte.
Kapitel 4 (verfasst mit Badi Baltagi und Peter Egger) untersucht die Eigenschaften
des räumlichen Hausman-Taylor Schätzers in kleinen Stichproben in grösserem Detail
und stellt einen Pretest Schätzer vor, der zwischen verschiedenen Schätzern auswählt.
xi
Das Verhalten des räumlichen Hausman-Taylor Schätzers wird mit folgenden Schätzern
verglichen: einem OLS Modell, einem räumlichen Modell mit fixen Effekten und einem
räumlichen Modell mit zufälligen Effekten. Räumliche Modelle mit fixen Effekten liefern
nur konsistente Schätzer für zeitveränderliche Variablen, während räumliche Modelle
mit zufälligen Effekten und OLS Schätzer inkonsistent sind, wenn Variablen mit der
unbeobachteten Heterogenität korreliert sind. Der räumliche Pretest Schätzer besteht
aus zwei Tests, die es dem Anwender erlauben sich zwischen verschiedenen räumlichen
Schätzern zu entscheiden. Der räumliche Hausman-Taylor Schätzer funktioniert gut im
Vergleich zu den anderen Schätzern. Der räumliche Pretest Schätzer funktioniert gut bei
der Wahl des geeigneten Schätzmodells und hinsichtlich der Verzerrung und mittleren
quadratischen Abweichung im Vergleich zu den anderen betrachteten Schätzern.
Kapitel 5 erweitert den räumlichen Hausman und Taylor (1981) Schätzer und
inkludiert eine räumlich korrelierte abhängige Variable in die Schätzgleichung. Dies
führt zu zusätzlicher Endognenität, die mit Hilfe von Instrumenten gelöst wird. Es
werden zwei unterschiedliche Typen von Instrumenten vorgeschlagen, welche im Sinne
von Kelejian und Prucha (1998) und Lee (2003) sind. Zusätzlich zeigt dieses Kapitel,
wie der räumliche autoregressive Hausman-Taylor Schätzer räumliche Korrelation im
Fehlerterm und/oder räumliche Korrelation in den Kovariaten berücksichtigen kann.
Monte Carlo Simulationen zeigen, dass das Schätzverfahren gut in kleinen Stichproben
funktionert.
xii

Download Report