Asymptotically unbiased inference for a panel VAR model with p lags

Cubillos-Rocha, Juan Sebastian; Melo-Velandia, Luis Fernando

Asymptotically unbiased inference for a panel VAR model with p lags

Download

Borradores de Economía; No. 1059

Date published

2018-11-09

Date

2018-11-09

Authors

Cubillos-Rocha, Juan Sebastian
Melo-Velandia, Luis Fernando

Document language

eng

Metrics

downloads: 0

abstract_views: 0

Ver PlumX Metrics

Las opiniones contenidas en el presente documento son responsabilidad exclusiva de los autores y no comprometen al Banco de la República ni a su Junta Directiva.

The opinions contained in this document are the sole responsibility of the author and do not commit Banco de la República or its Board of Directors.

Abstract

Panel dynamic estimators with fixed effects are biased due to the incidental parameters problem. At this regard, Hahn and Kuersteiner (2002) proposed an estimator to correct this issue. However, they only consider a panel VAR (PVAR) model with one lag. In this paper we extend this bias correction, its asymptotic and small sample properties for a more general case, a PVAR model with p lags. The simulation results indicate that the bias corrected estimator outperforms the OLS panel VAR estimator when sample size in time dimension is small, and when the persistence of the model is low. In these cases, the proposed estimator improves significantly in terms of both, the reduction of bias and mean square error.

Description

Los estimadores de los parámetros de un modelo panel dinámico de efectos fijos son sesgados debido al problema de parámetros incidentales. Al respecto, Hahn y Kuersteiner (2002) proponen un estimador para corregir este problema. Sin embargo, ellos consideran únicamente un modelo panel VAR con un sólo un rezago. En este documento analizamos las propiedades asintóticas y de muestra pequeña del estimador corregido por sesgo para un caso más general, un modelo PVAR con p rezagos. Los resultados de las simulaciones indican que el estimador corregido por sesgo tiene un mejor desempeño con respecto al estimador panel VAR MCO cuando la dimensión temporal de la muestra (T) es pequeña, y cuando la persistencia del modelo es baja. En estos casos, el estimador propuesto presenta una disminución significativa en términos de sesgo, y de error cuadrático medio.