Estructura de datos que combina una dimension transversal ($i = 1, \ldots, N$ unidades) con una dimension temporal ($t = 1, \ldots, T$ periodos), observando las mismas unidades a lo largo del tiempo. Los paneles permiten controlar la heterogeneidad no observada invariante en el tiempo mediante efectos fijos o aleatorios, y aumentan la variacion identificante respecto de los datos de corte transversal o de serie de tiempo puros.

Modelo de datos de panel en el que la heterogeneidad individual $\alpha_i$ se trata como una variable aleatoria no correlacionada con los regresores, es decir, $\text{Cov}(\alpha_i, x_{it}) = 0$. El estimador de efectos aleatorios (GLS) es eficiente bajo este supuesto, pero inconsistente si la correlacion existe. La eleccion entre efectos fijos y aleatorios se contrasta formalmente con el test de Hausman.

Modelo de datos de panel que controla la heterogeneidad individual $\alpha_i$ tratandola como un parametro fijo no observado, eliminandola mediante la transformacion within (demeaning). El estimador within es consistente incluso cuando $\alpha_i$ esta correlacionado con los regresores, a diferencia del estimador de efectos aleatorios. Sin embargo, no identifica el efecto de variables invariantes en el tiempo.

Prueba de especificacion que contrasta si la diferencia entre dos estimadores (tipicamente efectos fijos vs. aleatorios) es estadisticamente significativa. Bajo $H_0$ de no correlacion entre efectos individuales y regresores, ambos son consistentes pero el de efectos aleatorios es eficiente; bajo $H_1$, solo efectos fijos es consistente. El estadistico es $H = (\hat{\beta}_{FE} - \hat{\beta}_{RE})'[\text{Var}(\hat{\beta}_{FE}) - \text{Var}(\hat{\beta}_{RE})]^{-1}(\hat{\beta}_{FE} - \hat{\beta}_{RE}) \sim \chi^2_k$.

Situacion en la que los terminos de error de diferentes observaciones (usualmente periodos de tiempo) estan correlacionados entre si: $\text{Cov}(u_t, u_s) \neq 0$ para $t \neq s$. La autocorrelacion no produce sesgo en los coeficientes MCO, pero los errores estandar clasicos son invalidos (subestiman la verdadera varianza bajo autocorrelacion positiva). Los correctivos incluyen errores estandar HAC (Newey-West) o modelar explicitamente la estructura de autocorrelacion (AR, MA).