Métodos de panel para las finanzas: Guía de Econometría de Datos de Panel para Aplicaciones Financieras

Título original:

Panel Methods for Finance: A Guide to Panel Data Econometrics for Financial Applications

Contenido del libro:

Los datos financieros suelen caracterizarse por una dimensión temporal y otra transversal. Por ejemplo, podemos observar la información financiera de un grupo de empresas a lo largo de varios años, o los rendimientos de todas las acciones negociadas en la Bolsa de Nueva York durante un periodo de 120 meses. En consecuencia, la modelización econométrica de las finanzas exige prestar la debida atención a estas dos dimensiones de los datos (o, en ocasiones, a más de dos). Para ello se han desarrollado técnicas de datos de panel. Este libro ofrece una visión general de los métodos de panel más utilizados en las aplicaciones financieras.

El uso de datos de panel tiene muchas ventajas, en cuanto a la flexibilidad de la modelización econométrica y la capacidad de controlar la heterogeneidad no observada. También implica una serie de cuestiones econométricas que requieren una atención específica. Entre ellas se incluyen la dependencia transversal, los errores estándar robustos y agrupados, la heterogeneidad de los parámetros, los efectos fijos, los modelos dinámicos con una dimensión temporal corta, las variables instrumentales, las diferencias en diferencias y otros enfoques para la inferencia causal.

Tras un capítulo introductorio en el que se revisa el modelo clásico de regresión lineal con especial atención a su uso en un contexto de datos de panel, incluidos varios estimadores estándar (MCO agrupados, Fama-MacBeth, efectos aleatorios, primeras diferencias, efectos fijos), el libro continúa con un tratamiento más elaborado de los enfoques de efectos fijos. Aunque los estimadores de primeras diferencias y de efectos fijos son atractivos porque eliminan la heterogeneidad no observada e invariable en el tiempo (por ejemplo, la calidad de los directivos o la cultura de la empresa), la coherencia de estos estimadores impone una exogeneidad estricta de las variables explicativas (para un número finito de periodos de tiempo). En la práctica, esto se incumple a menudo, por ejemplo, alguna variable explicativa de los resultados de la empresa puede estar determinada en parte por los resultados históricos de la empresa. Un caso obvio en el que se incumple este supuesto es cuando el modelo contiene una variable dependiente retardada. Un capítulo aparte se dedicará a los modelos dinámicos, que han recibido una atención específica en la literatura, también en el contexto de las aplicaciones financieras, como la dinámica de las opciones de estructura de capital. La estimación se basa principalmente en variables instrumentales o técnicas GMM. La identificación y estimación de estos modelos suele ser frágil, y las propiedades de las muestras pequeñas pueden ser decepcionantes.

El libro continúa con un capítulo sobre modelos con variables dependientes limitadas, incluidos los modelos de respuesta binaria. La dependencia transversal que probablemente esté presente complica la estimación, y el autor analiza la estimación agrupada, los efectos aleatorios y los enfoques de efectos fijos, incluida la posibilidad de incluir variables dependientes retardadas. En este capítulo también se analizan los problemas de desgaste y el sesgo de selección de la muestra, así como los paneles desequilibrados en general.

La identificación de efectos causales en trabajos empíricos basados en datos no experimentales suele ser un reto, y la inferencia causal ha recibido una atención considerable en la literatura reciente. La disponibilidad de datos de panel desempeña un papel importante en muchos enfoques. Empezando por simples enfoques de diferencias en diferencias, en un capítulo específico se analizan los estimadores de variables instrumentales, el emparejamiento y las puntuaciones de propensión, la discontinuidad de la regresión y otros enfoques relacionados.