Un enfoque robusto para la heterocedasticidad, la correlación serial del error y la heterogeneidad de la pendiente en modelos lineales con efectos interactivos para grandes datos de panel

En este artículo, proponemos un enfoque robusto contra la heterocedasticidad, la correlación serial del error y la heterogeneidad de la pendiente en modelos lineales con efectos interactivos para grandes datos de panel. Primero, se establecen la consistencia y la normalidad asintótica del estimador de componentes principales iterados agrupados (IPC) para modelos de coeficientes aleatorios y pendientes homogéneas. Luego, probamos la validez asintótica de la prueba de Wald asociada para restricciones de parámetros de pendiente basadas en el estimador de matriz de varianza consistente con heterocedasticidad y autocorrelación en panel (PHAC) tanto para modelos de coeficientes aleatorios como para modelos de pendientes homogéneas, que no requieren la truncación de parámetros de series temporales de tipo Newey-West. Estos resultados justifican asintóticamente el uso del mismo estimador IPC agrupado y el error estándar PHAC tanto para modelos de pendiente homogénea como para modelos de pendiente heterogénea. Este enfoque robusto puede reducir significativamente la incertidumbre en la selección del modelo para los investigadores aplicados. Además, proponemos una prueba de multiplicador de Lagrange (LM) para coeficientes aleatorios correlacionados con covariables. Esta prueba tiene un poder no trivial contra coeficientes aleatorios correlacionados, pero no para coeficientes aleatorios y pendientes homogéneas. La prueba LM es importante porque el estimador IPC se vuelve inconsistente con coeficientes aleatorios correlacionados. La evidencia de muestra finita y una aplicación empírica respaldan la fiabilidad y la utilidad de nuestro enfoque robusto.