Robust dynamic space-time panel data models using ε-contamination: An application to crop yields and climate change

This paper extends the Baltagi et al. (2018, 2021) static and dynamic ε-contamination papers to dynamic space-time models. We investigate the robustness of Bayesian panel data models to possible misspecification of the prior distribution. The proposed robust Bayesian approach departs from the standard Bayesian framework in two ways. First, we consider the ε-contamination class of prior distributions for the model parameters as well as for the individual effects. Second, both the base elicited priors and the ε-contamination priors use Zellner (1986)’s g-priors for the variance-covariance matrices. We propose a general “toolbox” for a wide range of specifications which includes the dynamic space-time panel model with random effects, with cross-correlated effects à la Chamberlain, for the Hausman-Taylor world and for dynamic panel data models with homogeneous/heterogeneous slopes and cross-sectional dependence. Using an extensive Monte Carlo simulation study, we compare the finite sample properties of our proposed estimator to those of standard classical estimators. We illustrate our robust Bayesian estimator using the same data as in Keane and Neal (2020). We obtain short run as well as long run effects of climate change on corn producers in the United States. Cet article généralise les articles de Baltagi et al. (2018, 2021) portant sur les modèles statiques et dynamiques de type ε-contamination aux modèles spatio-temporels dynamiques. Nous étudions la robustesse des modèles bayésiens avec données de panel à une éventuelle erreur de spécification de la distribution a priori. L'approche bayésienne proposée se distingue du cadre bayésien standard de deux manières. Premièrement, nous considérons la classe ε-contamination des distributions a priori pour les paramètres du modèle ainsi que pour les effets individuels. Deuxièmement, les « elicited priors » pour les paramètres du modèle et les « priors » de la ε-contamination sont fondés sur les « g-priors » de Zellner (1986) pour les matrices de variance-covariance. Nous proposons un « coffre à outils » permettant d’estimer un large éventail de spécifications qui comprend le modèle de panel dynamique spatio-temporel à effets aléatoires, à effets croisés à la Chamberlain, au cadre analytique de Hausman-Taylor, ainsi que les modèles de données de panel dynamiques avec pentes homogènes/hétérogènes et dépendance transversale. À l'aide de nombreuses simulations de type Monte-Carlo, nous comparons les propriétés en échantillon fini de notre estimateur à celles des estimateurs classiques standards. Nous illustrons notre estimateur bayésien en exploitant les mêmes données que Keane et Neal (2020). Nous obtenons des effets à court et à long terme des changements climatiques sur la production de maïs aux États-Unis.