Método Generalizado de Momentos
Um dos problemas mais críticos encontrados na literatura económica é referente à estimativa de modelos de regressão linear que contêm heteroskedastic erro desconhecida de forma funcional. Em muitas das séries cronológicas e estudos transversais (por exemplo, Choi, 2001; Maddala & Wu, 1999), esta questão tem sido amplamente discutida., Mesmo que a forma da heterocedasticidade seja desconhecida empiricamente, a ignorância da questão em estimativas (como estimativa generalizada de mínimos squares1—EGLS) causaria estimadores ineficientes que resultariam em inferências erradas (Roy, 2002). Vários pesquisadores, como Robinson (1987) e Hidalgo (1992), sugeriram que este problema pode ser resolvido usando técnicas não paramétricas. É porque tais estimadores são válidos mesmo com forma funcional mal especificada., Por outro lado, Rilstones (1991) propôs que o estudo de Monte Carlo pode ser usado para fazer uma comparação entre os estimadores egls não-paramétricos e os vários estimadores paramétricos usando formas corretas e incorretas de heterocedasticidade.
desde o início dos anos 90, a questão da heterocedasticidade nas estimativas de dados do painel tem sido amplamente discutida na literatura. Vários estudos examinaram a presença de heterocedasticidade na análise de dados do painel. Estes estudos incluem Baltagi e Griffin (1988), Li e Stengos (1994), e Randolph (1988)., Assim, Baltagi e Griffin (1988) examinaram a existência de heterocedasticidade através do componente de erro específico individual usando a técnica paramétrica. However, Li and Stengos (1994) focused on the issue of heteroscedasticity in the unit-time-varying error component by using semiparametric method. Conclui-se por ambos os estudos que os estimadores egls propostos têm a mesma distribuição assintótica que o estimador GLS verdadeiro., Além disso, Li e Stengos (1994) argumentaram que após a realização de um estudo de Monte Carlo, as propriedades de amostra finitas de seu estimador também é considerado adequado. Os resultados são inconsistentes com as conclusões de Baltagi e Griffin (1988), em que seu procedimento proposto requer uma grande componente de tempo para o painel.
A semiparametric estimation procedure with unknown functional form in the individual specific errors was then proposed by Roy (2002). The newly recommended procedure does not need a large time component unlike the estimator suggested by Baltagi and Griffin (1988).,Foram obtidas três conclusões principais. Em primeiro lugar, a eficiência é encontrada em vários estimadores padrão,tais como o estimador egls proposto (EGLS), o estimador eglsb iterativo (EGLSB), 3 o estimador padrão GLS para um modelo de componentes de erro de Sentido Único (GLSH), o estimador de efeitos internos ou fixos (dentro), 4 e o estimador OLS (OLS). Em segundo lugar, confirma-se do estudo de Monte Carlo que o estimador proposto tem uma eficiência relativa adequada. No entanto, é sensível à seleção da largura da janela., Em terceiro lugar, todos os estimadores se comportam de forma semelhante quando se trata de desempenho de tamanho, ou seja, nenhum deles exagera ou sub-projeta substancialmente.
Hoje, GMM painel de dados a técnica é aplicada em muitos EKC estudos (por exemplo, Huang, Hwang, & Yang, 2008; Joshi & Beck, 2018; Khan, Zaman, & Zhang, 2016; Tamazian & Rao, 2010; Youssef, Hammoudeh, & Onri, de 2016). Esta técnica de estimativa foi proposta pela primeira vez por Hansen (1982)., Em seguida, foi melhorada por Arellano e Bond (1991), que introduziram a diferença GMM. Um grupo de variáveis explicativas desfasadas é usado como instrumentos para as variáveis correspondentes na equação da diferença no caso da diferença GMM. Mais tarde, Blundell e Bond (1998) alegaram que as propriedades de pequena amostra e assintótica do estimador de diferenças podem ser negativamente afetadas pela emissão de persistência nas variáveis explicativas. Thus, the difference estimator is combined with the original estimator to construct a system estimator, which is named as system GMM estimator.,devem ser preenchidas duas condições para utilizar as diferenças desfasadas das variáveis explicativas como instrumentos na equação dos níveis. Em primeiro lugar, o termo erro não está serialmente correlacionado. Em segundo lugar, não existe correlação entre a diferença entre as variáveis explicativas e os Termos de erro, apesar da correlação entre os níveis das variáveis explicativas e os Termos de erro específicos do país.como resultado, são produzidas as seguintes propriedades de estações:
E = E E = e para todos p e Q.,
brevemente, o estimador de GMM do sistema é obtido usando as condições do momento nas equações acima. De acordo com Arellano e Bond (1991) e Blundell e Bond (1998), a validade do estimador GMM do sistema pode ser verificada usando dois testes. Em primeiro lugar, pode efectuar-se o ensaio de Sargan para testar a validade dos instrumentos utilizados. Em segundo lugar, o teste AR (2) pode ser aplicado para verificar a existência de autocorrelação de segunda ordem.o estimador de GMM tem várias vantagens sobre outros estimadores de dados do painel., Em primeiro lugar, Arellano e Bond (1991) confirmam o fato de que o estimador GMM pode explorar de forma otimizada todas as restrições de momento linear que cumprem a suposição de nenhuma correlação serial nos erros. Estas restrições momentâneas que consistem de efeitos individuais, variáveis dependentes desfasadas, e nenhuma variável estritamente exógena são vitais em estimativas. In addition, Hansen (1982) claimed that GMM estimator can provide consistency for models with nonlinear parameter.,segundo, os estudos transversais têm duas fontes potenciais de viés, ou seja, o problema da heterogeneidade não observável e as variáveis explicativas endógenas. Usando tanto a variabilidade transversal quanto a série cronológica, o estimador de GMM pode ser visto como uma alternativa promissora. Por exemplo, os efeitos não observados específicos do país podem ser eliminados usando o GMM. Entretanto, também é possível corrigir o problema da endogeneidade nas equações de primeira diferença usando um GMM diferenciado, proposto por Arellano e Bond (1991).,
terceiro, estimador GMM também pode superar o problema do instrumento fraco. Blundell and Bond (1998) suggested that such a problem can lead to a large finite-sample bias while using the pooled cross-section regressions in estimating autoregressive moderadamente persistente series from relatively short panels. Além disso, Blundell e Bond (1998) provaram que ao incluir condições de momento mais informativas que são válidas sob as restrições razoáveis de stationaridade no processo de condição inicial, o viés poderia ser muito reduzido., Especificamente, em cima dos níveis lagged usuais como instrumentos para as equações em primeira-diferenças, o estimador GMM utiliza as diferenças lagged first como instrumentos para as equações em níveis.
por último, de acordo com vários estudos, tais como Hsu e Liu (2006) e Mandariage e Poncet (2007, pp. 837-862), usando o estimador de mínimos quadrados ordinários, com a presença de dependente desfasada variáveis nas equações levaria para o problema de inconsistência, como o dependente desfasada variáveis podem ser endógenos., Estes estudos propõem ainda que o estimador GMM poderia eliminar os problemas de heterogeneidade e endogeneidade. Mais importante, estimativas consistentes e imparciais poderiam ser produzidas eventualmente.