The ardl method in the Energy-Growth Nexus Field; Best Implementation Strategies

Stages in Panel Data

ARDL Implementation

First stage: Cross

sectional dependence

This is examined with various tests

(Some examples are shown below):

Breusch Pagan LM test (

Breusch

and Pagan 1980

)

Pesaran CD test (

Pesaran 2004

)

(

Baltagi et al. 2012

) bias corrected

scaled LM test

No:

Cross Sectional dependence

Yes:

Cross Sectional dependence

Second stage: Stationarity and

order of integration

Apply tests assuming cross sectional

independence (first generation)

EXAMPLES:

Im et al.

(

2003

)

Levin et al.

(

2002

)

Choi

(

2001

)

Breitung

(

2000

)

Maddala et al.

(

1999

)

Hadri

(

2000

)

LS for 2 structural breaks and

large size of data

Apply tests assuming cross sectional

dependence

(second generation)

EXAMPLES:

Pesaran

(

2007

)

Moon and Perron

(

2004

)

Bai and Ng

(

2004

)

Chang

(

2002

)

Harris and Sollis

(

2003

)

CIPS test (

Pesaran 2007

)

Yes: Stationarity

No: Stationarity

Third stage: Panel cointegration

There are residual based tests,

likelihood based tests and error

correction based tests.

No: Cross sectional dependence

EXAMPLES OF TESTS:

Gutierrez

(

2003

)

Larsson et al.

(

2001

)

Pedroni (higher explanatory power, mostly

preferred with 7 statistics) (

Pedroni 2004

,

2007

)

McCoskey and Kao

(

1998

)—(ideal for small

samples)

Kao

(

1999

) —(ideal for small samples)

Yes: Cross sectional dependence

EXAMPLES OF TESTS:

Groen and Kleibergen

(

2003

)

It allows for multiple cointegration

equations.

Westerlund

(

2007

)

4 statistics (good for structural breaks)

Use a resilient estimator such as

Driscoll and Kraay

(

1998

)

Is cointegration confirmed?

Yes: Cointegration

No: Cointegration

FMOLS

DOLS

MG

PMG (does not consider cross-sectional

dependence; constrains long-run coe

fficients be

the same across units)

CCEP (allows cross sectional dependence,

endogeneity, serial correlation)

CCEMG (as above but better for small cross

sections)

Pooling is a good idea: Opt between

random e

ffects models or fixed effects

models depending on Hausman test.

Fourth stage: Panel Causality

Granger causality: It is a

traditional method that assumes

panels are homogeneous with no

interconnections among

cross-section units

Dumitrescu and Hurlin

(

2012

): good

sample properties and cross-sectional

dependence resilient. Able to report

individual specific causal linkages.

Bai and Kao CUP-FM estimator

Source: Author’s compilation. Note: FMOLS: fully modified OLS, DOLS: dynamic OLS, MG: mean group (estimator),

PMG: panel mean group (estimator), CIPS: CCEP: common correlated e

ffects pooled (estimator), CCEMG: common

correlated e

ffects mean group (estimator), CUP-FM: continuously updated fully modified (estimator).

Experienced researchers will have so far realized that the panel data are many shorter time series

data, pooled together. The data generation process may be, or may not be, the same across panels

---

Economies 2019, 7, 105

12 of 16

(sub-groups of data). Therefore, several time series tests and procedures have been adapted from time

series into panel data through a kind of averaging across panels (groups of data). Panel data are a

convenient way in energy economics to overcome problems such as collinearity. Furthermore, that

data provide more degrees of freedom and a more informed speed of adjustment. On top of that, with

this approach one can control for heterogeneity and e

fficiency in the identification and measurement of

economic issues (

Tugcu 2018

).

Panel data su

ffer from limitations such as the cross-sectional dependence, which is attributed

to globalization and unification of policies across panel units (e.g., countries). This makes energy

consumption patterns follow similar movements among the various countries in a panel, particularly

if countries are signatories to the same environmental and emissions cutting agreement. The other

limitation comes from the fact that panel data are in essence two entry level data and thus the error

term in modeling contains both unit-specific (e.g., country) information and time-specific information.

This may contribute to the endogeneity problem if the aforementioned error components are correlated

to explanatory variables. However, these drawbacks do not discourage researchers from using panel

data, which are the main type of data to expect in the energy-growth nexus research field.

Before closing this paper, it is useful to recommend the sites for the implementation of ARDL and

NARDL coding in EVIEWS and STATA softwares:

ARDL and NARDL coding and implementation in EVIEWS available from:

http:

//www.eviews.

com

/help/helpintro.html#page/content/ardl-Estimating_ARDL_Models_in_EViews.html

.

ARDL and NARDL coding and implementation in STATA available from:

https:

//www.statalist.org/forums/forum/general-stata-discussion/general/1434232-ardl-updated-stata-

command-for-the-estimation-of-autoregressive-distributed-lag-and-error-correction-models

.

Note: As far as NARDL coding and implementation in EVIEWS and STATA are concerned, since

it is an ARDL model, it is just an estimation with lags of variables. One can specify that as a non-linear

estimation with the least squares estimator.

4. Conclusions

The energy-growth nexus economics is a field that attracts major research attention, because of

the significant information it provides to policy-makers who consider energy conservation measures.

The ARDL method has been mostly favored and used in the past decade owing to its merits (flexibility,

interpretability, eloquence, and statistical properties that are explained in the introduction of this

paper). The paper meets the needs of two groups of researchers: one group is the new researchers who

have recently started using the ARDL method. As a result of that, some points of its implementation

are not fully clarified to them yet, because those are fragmented in various research papers and lecture

notes on the internet. This fragmentation causes delays in research and paper writing and always

leaves room for journal reviewers to reject a paper or advise major reviews. The other group is the more

experienced researchers who have used the method a lot of times, but there is always an aspect in the

method that will be benefited from throwing additional light into. Besides, the method is continuously

enriched it its applied dimension and the reading of this paper by experienced researchers will grant

them the opportunity to stay up-to-date with the method’s evolution.

The paper is referencing applied work and knowledge throughout. Sometimes, it happens

that even experienced researchers are using a test of a statistical concept, whose exact meaning

needs brushing-up since the days they learned that during their undergraduate years at university.

Furthermore, the paper guides the ARDL energy-growth researcher about the steps that need to be

taken and the exact way that results should be presented and written in a paper in order to create the

readers a feeling of transparency when they read a research paper. Moreover, this point will o

ffer

comparability among papers and will enable apt meta-analysis which is so valuable for the progress of

science and the evolution of society.

The paper can also serve as a review and reference paper for post-graduate students writing their

MA

/MSc (not lest PhD) dissertation and need to employ this method. The quintessence of the paper

---

Economies 2019, 7, 105

13 of 16

lies in the last two tables of the fifth section, which separate the ARDL steps between the time-series

and panel-data frameworks. Degree of integration, cointegration, and causality steps are explained

and presented in a vertebrate and well-tied nature and relieves students from the stress of selecting the

correct test in every step of the implementation.

Last but not the least, the content of this paper is useful not only for the researchers of the

energy-growth nexus, but also for the researchers of other fields such as the tourism-growth nexus or

the broader environment-growth nexus and the Kuznets curve studies.