Publicação: Spatial multivariate regressions with panel data
Carregando...
Paginação
Primeira página
Última página
Data
Data de publicação
Data da Série
Data do evento
Data
Data de defesa
Data
Edição
Idioma
eng
Cobertura espacial
Brasil
Amazônia
Amazônia
Cobertura temporal
País
BR
organization.page.location.country
Tipo de evento
Tipo
Grau Acadêmico
Fonte original
ISBN
ISSN
DOI
dARK
item.page.project.ID
item.page.project.productID
Detentor dos direitos autorais
Instituto de Pesquisa Econômica Aplicada (Ipea)
Acesso à informação
Acesso Aberto
Termos de uso
Reproduction of this text and the data it contains is allowed as long as the source is cited. Reproductions for commercial purposes are prohibited.
Titulo alternativo
Discussion Paper 214 : Spatial multivariate regressions with panel data, Regressões multivariadas espaciais com dados em painel
item.page.organization.alternative
Variações no nome completo
Orientador(a)
Editor(a)
Organizador(a)
Coordenador(a)
item.page.organization.manager
Outras autorias
Palestrante/Mediador(a)/Debatedor(a)
Coodenador do Projeto
Resumo
Neste estudo desenvolvemos um estimador Bayesiano capaz de lidar simultaneamente com uma estrutura de regressão multivariada de dados em painel e com correlação espacial. A análise dos dados em painel contempla os casos de pooling, efeito fixo e efeito aleatório. Para estimação do modelo com efeito aleatório, usamos a análise hierárquica. As simulações de Monte Carlo via cadeia de Markov demonstraram a capacidade do estimador para replicar os dados muito bem simulados. Usamos ainda dados de desmatamento da Amazônia brasileira para atestar a relevância empírica desse novo estimador.
Resumo traduzido
We develop a new Bayesian estimator that is able to deal with multivariate panel data structure in the presence of spatial correlation. The analysis of panel data introduced here allows us to analyze not only the fixed effect but also the random effect model. This work extends the previous study undertaken by Gamerman and Moreira (2004) which only spatial scale is considered. To estimate the random effect model we use the hierarchical analysis that can be applied to estimate some categories of longitudinal data models. The Monte Carlo simulations demonstrate the ability of this new estimator to replicate quite well simulated data. To show the empirical relevance of this new estimator we apply it to the deforestation data in the Brazilian Amazon.