Cointegration Vector Estimation by DOLS for a Three-Dimensional Panel

• LUIS FERNANDO MELO-VELANDIA ^[3] ; JOHN JAIRO LEÓN ^[1] ; DAGOBERTO SABOYÁ ^[2]
  1. [1] University of Maryland, College Park

     University of Maryland, College Park

     Estados Unidos

     
  2. [2] Universidad del Rosario

     Universidad del Rosario

     Colombia

     
  3. [3] Banco de la República Econometric Unit

  Mostrar afiliaciones +
• Localización: Revista Colombiana de Estadística, ISSN-e 2389-8976, ISSN 0120-1751, Vol. 38, Nº. 1, 2015, págs. 45-73
• Idioma: inglés
• Títulos paralelos:
  • Estimación de un modelo de cointegración utilizando DOLS para un panel de tres dimensiones
• Enlaces
  • Texto completo
• Resumen
  • español

    Este documento extiende los resultados de los estimadores mínimos cuadrados dinámicos para series cointegradas disponible en la literatura a un panel de tres dimensiones. Se utiliza un panel balanceado de longitudes N y M para un periodo de tiempo de longitud T. El vector de cointegración es homogéneo a través de los individuos; sin embargo, el modelo permite cierto grado de heterogeneidad al usar diferentes dinámicas de corto plazo, efectos fijos y tendencias a niveles individuales. También se utilizan efectos en el tiempo para incluir dependencias cruzadas entre los individuos. El estimador tiene una distribución secuencial límite gausiana en la cual primero T→∞; y posteriormente N→∞, M→∞;. Simulaciones Monte Carlo muestran evidencia de que las propiedades de muestra finita del estimador son cercanas a las asintóticas.

  • English

    This paper extends the results of the dynamic ordinary least squares cointegration vector estimator available in the literature to a three-dimensional panel. We use a balanced panel of N and M lengths observed over T periods. The cointegration vector is homogeneous across individuals but we allow for individual heterogeneity using different short-run dynamics, individual-specific fixed effects and individual-specific time trends. We also model cross-sectional dependence using time-specific effects. The estimator has a Gaussian sequential limit distribution that is obtained by first letting T→∞; and then letting N→∞, M→∞. The Monte Carlo simulations show evidence that the finite sample properties of the estimator are closely related to the asymptotic ones.