Kurssin kuvaus

Pitkittäis- ja paneeliaineistojen analysointi on 5 op:n tilastotieteen aine-opintojen kurssi.

Kurssin voi suorittaa syventävänä, jolloin tenttikysymykset ovat vaativammat kuin aine-opintona suorittaville.

Kurssin tarkoituksena on perehdyttää kuulijat pitkittäis- ja paneeliaineistojen hyödyntämismahdollisuuksiin muuttujien välisiä riippuvuuksia koskevien päätelmien tekemisessä. Kurssilla käsitellään paneeliaineistojen analyysiä erikoistapauksena moniyhtälömallien käyttämisestä ja esitetään miten tilastollinen päättely voidaan tehdä yleistetyn pienimmän neliösumman estimaattorin avulla. Kurssilla käsitellään paneeliaineiston käyttöä tilanteissa, joissa jokin muuttuja jää havaitsematta sekä käsitellään satunnaisvaikutuksen ja kiinteitten vaikutusten menetelmiä. Suurinta huomiota kiinnitetään jatkuviin vastemuuttujiin, mutta myös kvalitatiiviset vasteet sekä lukumäärävasteet tulevat esille kurssilla.

Esitietoina suositellaan tilastotieteen perusteiden hallintaa.

Esitiedot taloustieteilijöille: Matematiikan perusteet taloustieteilijöille 1 ja 2, Tilastotieteen perusmenetelmät 1

Bologna description

Luennot

Luennot pidetään torstaisin 14.15-15.45 ja perjantaisin 12.15-13.45 salissa KO143.

Luennot pidetään kevätlukukauden 2014 2. periodilla. Luentokurssi kestää 7 viikkoa siten, että kurssiin kuuluu yhteensä 14 kahden tunnin luentokertaa, eli yhteensä 28 tuntia luentoja.

• Luento 1: 13.3 to: Data types (cross section, time series, and panel data); 10.1 Motivation: The Omitted Variables Problem (unobserved effect and differencing). 2. Conditional Expectation and Related Topics (the law of the itereated expectations).

---

• Luento 2: 14.3 pe: 3. Basic Asymptotic Theory (convergence in probability, convergence in distribution, the weak law of large numbers, the central limit theorem, Slutsky's theorem, continuous mapping theorem). 4. The Single-Equation Linear Model and OLS Estimation; 4.2 Asymptotic Properties of OLS; 4.2.1 Consistency; 4.2.2 Asymptotic Inference Using OLS. (The asmptotic normality of the OLS estimator).

---

• Luento 3: 20.3 to: 4.2.2 Asymptotic Inference Using OLS; (t-test and Wald's test). 7 Estimating Systems of Equations by OLS and GLS; 7.1 Introduction; 7.2 Some Examples (seemingly unrelated regressions (SUR), linear panel data model as a system of T equations, contemporaneous exogeneity, strict exogeneity, first order dynamics, finite distributed lag model, aggregate time effect and dummy variables).

---

• Luento 4: 21.3 pe: 7.3 System OLS Estimation of a Multivariate System; 7.3.1 Preliminaries (SUR and linear panel data model as special cases); 7.3.2 Asymptotic Properties of System OLS (consistency and asymptotic normality, asymptotic covariance matrix and an estimator of the asymptotic covariance matrix); 7.3.3 Testing Multiple Hypothesis (Wald's test).

---

• Luento 5: 27.3 to: 7.4 Consistency and Asymptotic Normality of Generalized Least Squares; 7.4.1 Consistency (Kronecker product, vectorization of a matrix, consistency of generalized least squares estimator);

---

• Luento 6: 28.3 pe: 7.4.2 Asymptotic Normality (asymptotic normality of generalized least squares estimator); 7.5 Feasible GLS; 7.5.1 Asymptotic Properties (consistent estimator of the unconditional covariance matrix of the residuals, asymptotic normality of feasible GLS estimator, estimation of the asymptotic covariance matrix of FGLS); 7.5.2 Asymptotic Variance of FGLS under a Standard Assumption (system homoskedasticity assumption,…

---

• Luento 7: 3.4 to: asymptotic covariance matrix of FGLS under system homoskedasticity assumption, FGSL is asymptotically more efficienct than SOLS under system homoskedasticity); 7.6 Testing Using FGLS (Wald's test); 7.8 The Linear Panel Data Model, Revisited; 7.8.1 Assumptions for Pooled OLS (aggregate time effect and dummy indicators; consistency and asymptotic normality of pooled OLS); 7.8.2 Dynamic Completeness;

---

• Luento 8: 4.4 pe: 7.8.3 A Note on Time Series Persistence (AR(1) model in panel data analysis); 7.8.5 Testing for Serial Correlation and Heteroskedasticity after Pooled OLS; 7.8.6 Feasible GLS Estimation under Strict Exogeneity. 10 Basic Linear Unobserved Effects Panel Data Models; 10.2 Assumptions about the Unobserved Effects and Explanatory Variables; 10.2.1 Random or Fixed Effects? (unobserved effects model; random effect as zero correlation between the observed explanatory variables and the unobserved effect); 10.2.2 Strict Exogeneity Assumptions on the Explanatory Variables (strict exogeneity in the unobserved effects model); 10.2.3 Some Examples of Unobserved Effects Panel Data Models (program evaluation, distributed lag-model, lagged dependent variable)

---

• Luento 9: 10.4 to: 10.3 Estimating Unobserved Effects Models by Pooled OLS (pooled OLS in UEM requires robust variance matrix estimator). 10.4 Random Effects Model; 10.4.1 Estimation and Inference under the Basic Random Effects Assumption (random effects structure and random effects estimator of the variance matrix of the errors,...

---

• Luento 10: 11.4 pe: ..., consistency of the random effects estimator of the variance matrix of the errors, random effects estimator of the regression coefficients, RE assumptions imply SGLS assumptions, consistency and asymptotic normality of the random effects estimator); 10.4.2 Robust Variance Matrix Estimator; 10.4.3. A General FGLS Analysis; 10.4.4 Testing for the Presence of an Unobserved Effect.

---

• Luento 11: 17.4 to: 10.5 Fixed Effects Methods; 10.5.1 Consistency of the Fixed Effects Estimator (fixed effects transformation, time demeaning matrix, FE estimator is defined as POLS estimator after FE transformation, time varying explanatory variables are required);

---

• Luento 12: 24.4 to: 10.5.2 Asymptotic Inference with Fixed Effects (asymptotic normality of the FE-estimator, estimation of the asymptotic variance matrix, comparison to OLS-standard errors); 10.5.3 The Dummy Variable Regression (FE-estimator is the same as the dummy variable estimator); 10.5.4 Serial Correlation and the Robust Variance Matrix Estimator (FE-transformed errors are serially correlated even when the original errors are not)

---

• Luento 13: 25.4 pe: 10.5.5 Fixed Effects GLS (asymptotic normality of fixed effects GLS); 10.6 First Differencing Methods; 10.6.1 Inference (FD estimator is defined as POLS estimator after FD transformation, asymptotic normality of first-difference estimator); 10.6.2 Robust Variance Matrix;

---

• Luento 14: 8.5 to: 10.6.3 Testing for Serial Correlation; 10. Comparison of Estimators; 10.7.1 Fixed Effects versus First Differencing; 10.7.2 The Relationship between the Random Effects and Fixed Effects Estimators; 10.7.3 The Hausman Test Comparing the RE and FE Estimators.

Lukujen numerointi viittaa Wooldridgen kirjaan Econometric Analysis of Cross Section and Panel Data.

Laskuharjoitukset

Laskuharjoitukset pidetään keskiviikkoisin 16.15-17.45 Mikroluokassa M304 Matemaattisten tieteiden laitoksella. Laskuharjoituksia pidetään 7 kertaa.

• Harjoitus I, 19.3 Laskuharjoitus 1 Tietokoneharjoituksen vastaukset
• Harjoitus II: 26.3 Laskuharjoitus 2 Tietokoneharjoituksen vastaukset
• Harjoitus III: 2.4 Laskuharjoitus 3 Tietokoneharjoituksen vastaukset
• Harjoitus IV: 9.4 Laskuharjoitus 4 Tietokoneharjoituksen vastaukset
• Harjoitus V: 16.4 Laskuharjoitus 5 Tietokoneharjoituksen vastaukset
• Harjoitus VI : 23.4 Laskuharjoitus 6 Tietokoneharjoituksen vastaukset
• Harjoitus VII: 30.4 kello 10.15-11.45 Laskuharjoitus 7 Tietokoneharjoituksen vastaukset

Harjoituksista voi saada lisäpisteitä. Lisäpisteitä annetaan suorassa suhteessa tehtyjen tehtävien määrään. Lisäpisteiden suurin määrä on 10. Koko kurssin maksimipistemäärä on 30, koska tentissä on 5 tehtävää ja jokaisesta tehtävästä voi saada 6 pistettä. Täydet pisteet voi siis saada pelkästään tenttiin osallistumalla.

Laskuharjoitusten ohjauksessa käytetään R ohjelmistoa, mutta tietokonetehtävät voi tehdä haluamallaan ohjelmalla.

Tentti

Tentti pidetään laitoksen yleistentissä 12.5.2014.

Toinen tentti pidetään laitoksen yleistentissä 6.10.2014.

Kirjallisuus

Kurssin pohjana oleva kirjallisuus

• Wooldridge, J. M. (2001). Econometric Analysis of Cross Section and Panel Data, The MIT Press. https://oula.linneanet.fi/vwebv/holdingsInfo?bibId=1312049

Kurssiin liittyvää suositeltavaa kirjallisuutta

• http://cc.oulu.fi/~mrahiala/longit.pdf
• P. Diggle, P. Heagerty, K.-Y. Liang & S. Zeger: Analysis of Longitudinal Data (2.painos), Oxford University Press
• C. Hsiao: Analysis of Panel Data (2. painos), Cambridge University Press
• C. McCulloch & S. Searle: Generalized, linear and mixed models, Wiley
• G. Fitzmaurice, N. Laird & J. Ware: Applied Longitudinal Analysis, Wiley

Luennoitsija

Jussi Klemelä

home

toukokuu 2014