Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capítulo 16
Capítulo 16
-40001 2 3 4 5
logaritmo natural de los salarios
Figura 16.1 : regresin Tobit de las horas de registro salario promedio
condicional: sin censura (parte inferior), censurados media condicional (en
el centro), y trunca media condicional (superior) de la censura/truncado
desde abajo a las cero horas. Los datos generados a partir de un modelo de
regresin lineal clsico.
Este es un modelo tobit, estudi en detalle en la Seccin 16.3 . El modelo
supone que el
aumento de salario, aumento de horas anual 10 horas. %1 * elasticidad
salario 1000/y , lo que equivale a, por ejemplo, 0,5 para el trabajo a tiempo
completo (2.000 horas).
* Para cada Figura 16.1 presenta un grfico de dispersin de matrcula lnw y
genera una muestra de 200
* observaciones. La incondicional significa para y , que es -2500 + 1000
matrcula lnw, est dada por la curva ms baja, que es una lnea recta.
* Con censurar a cero, los valores negativos de y se ponen a cero negativo
debido a que la gente con horas de trabajo desee optar por no trabajar. Para
este ejemplo concreto es el caso de aproximadamente el 35% de las
observaciones. Este empuja hacia arriba la media de baja
* los salarios, ya que los muchos valores negativos de los aos se desplazan
hasta cero.
* Tiene poco impacto en los salarios elevados, ya que, a continuacin,
algunas observaciones sobre el problema del ao cero. La curva en la figura
16.1 la censura da media, usando la frmula que figura ms adelante en
(16,23 ).
* Con el truncado con el cero, el 35% de la poblacin con valores negativos
de y se cay por completo. Esto hace que aumente la media por encima de
la censura significa, ya que los valores iguales a cero ya no estn incluidos
en los datos utilizados para la media. La curva superior en la figura 16.1 se
trunca el resultado da media, usando la frmula que figura ms adelante en
(16,23 ).
Est claro que censurados y truncados medio condicional son no-lineales en
x incluso si la media de la poblacin subyacente es lineal. Estimacin
mediante MCO truncado o cen- patrocinados datos lleven a incompatible
estimacin de la pendiente parmetro, ya que por vi- sual de inspeccin
Figura 16.1 una aproximacin lineal de la truncada no lineal y censurados
medios tendr ms plana que la de pendiente el original no truncada.
Anlisis debe basarse en las frmulas para la censura o trunca condi- media.
Desafortunadamente, estos son el resultado de una fuerte distribucin
hiptesis, como veremos.
531
* f (y) = f (y|y> L)
* = f (y) /Pr[y|y> L]
* * = f (y) / [1 - F (L) ].
El truncado MLE por lo tanto maximiza
N * * " ln LN () = !ln f (yi|xi, ) - ln[ 1] - F (Li|xi, ) ]. (16,9 )
i=1
si en su lugar el truncamiento es desde arriba, el registro de probabilidad es
(16,9 ), excepto que 1 * * F (L|x, ) es reemplazado por F (U|x, ).
Ignorando la censura o truncamiento conduce a contradiccin. Por ejemplo,
si el truncamiento * se omite el MLE maximiza i ln f (yi|xi, ), que es el malo
de la funcin probabilidad como se cae el segundo trmino en (16,9 ).
Coherencia de los censurados y truncados MLE requiere especificacin
correcta de f ( ), que a su vez requiere una adecuada especificaciones
* * de la variable latente densidad f ( ). Incluso si f ( ) es un LEF densidad
(vase la seccin 5.7.3 ), la densidad, y no solo la media, deben estar
correctamente especificado si censura o truncamiento.
Datos de Intervalo MLE
* Supongamos que la variable latente y slo se observ que se encuentran
en la (J + 1) intervalos mutuamente excluyentes ( -, a1], (a1, a2],... , (aJ,
), donde a1, a2,... ,aJ son conocidos. Luego desde
* * * Pr[a j < y j+1] = Pr[y j+1] - Pr[y] j
* * = F (j+1) - F (j),
el intervalo de datos MLE maximiza
N
i=1 j=0
534
en la dij, j = 0,... ,J, son indicadores binarios igual a uno si yij (a j, j+1] y
cero en caso contrario. Esto es similar a un probit ordenado o modelo logit
(consulte la seccin 15.9.1 ), excepto en los lmites del intervalo a1,... an ,aJ
son conocidos.
16.2.4 . Poisson censurados y truncados MLE Ejemplo
* * * - y suponer que es Poisson y distribuidos, por lo que f (y) = e /y! Y ln
f (y) = - + y ln - ln y!, con media = exp(x ).
Supongamos que el nmero de visitas a una clnica de salud tiene un
modelo, pero los datos son slo est disponible para las personas que
visitaron el centro de salud. A continuacin, los datos se han truncado desde
abajo
* * * * * a cero y slo observar y = y si y > 0. Entonces F (0) = Pr[y 0] =
Pr[y =
- 0] = e , y de (16.9 ) la truncan MLE de maximiza
N
ln LN () = !- exp(xi) + yi xi- ln yi! - Ln[1 - exp(- exp(xi " )) ].
i=1
supongamos que los datos estn censurados desde arriba a los 10 porque
de codificacin, as que
* * * * que observamos y = y < 10 y que y = 10 si y 10. Entonces, el
Pr[y 10] =
* * 1 - Pr[ 10] y < = 1 - si y
9 k=0 f (k). (16,8 ) la censura de MLE maximiza
5
ln LN () = di
- exp(xi) + yi xi - ln yi
!
I=1 & 69 - ) k + (1 - di) ln e
exp(xi (exp(xi)) /k! .
K=0
en ambos casos, el resultado de primer orden las condiciones son mucho
ms complicados que los de Poisson MLE sin truncamiento o censurar.
Adems, en ambos casos haciendo caso omiso de la truncacin o censurar y
i=1 (1 - xi = 0 i) 5 2
6 ln LN
N 1 yi - xi + (1 - 2 4 =2 di - + di) i xi 1 = 0,
i=1 2 2 (1 - i) 2 3
using (z) /Z = (z) = i where ( ) es el estndar pdf normal, y con las
definiciones es consistente si la densidad es correctamente (xi/ ) y i =
(xi/ ). Como es habitual, es decir, si el dgp es (16,11 ) y (16,12 ) y la
los valores pequeos, por lo que el significa que aumente, mientras que por
la derecha el truncamiento la media debera disminuir. Desde el
truncamiento reduce el rango de variacin, la variacin debe disminuir.
* A la izquierda el truncamiento a cero slo observar y si y > 0. Si se
suprimen las expectativas de dependencia x por simplicidad de notacin, la
izquierda media truncada es
* E[x] = |y >
=+==
* E[E x E x |
x+
xE,
donde la segunda igualdad utiliza (16,11 ), y la ltima igualdad asume
0] (16,18 )
|x + >0 +>0 + E |x + >0
|> -x ,
es independiente de x. Tal como se esperaba, la media truncada es
superior a x , ya que E[|>c] para cualquier constante c superar E[].
Para datos de izquierda censurarse en cero supongamos que observamos y
= 0, en lugar de simplemente que
Y 0. La censura significa se obtiene por primera vez el acondicionador
observable y en el indicador binario d definido en (16.6 ) con L = 0 y, a
continuacin, est ulos incondicionados. La dependencia de x por
simplicidad de notacin una vez ms, tenemos el de la izquierda significa
censura
E[x] = Ed[Ey|y|d[d]] = Pr[d = 0] E[y|d = 0] + Pr[d = 1] E[y|d = 1]
* * * * (16,19 ) = 0 Pr[y 0] + Pr[ 0] y > E[y |y > 0]
* * * = Pr[ 0] y > E[y |y > 0],
* * donde Pr[ 0] y > = 1 - Pr[y 0] = Pr[>- x ] es uno menos la
censura
* * probabilidad y E[y |y > 0] es el media truncada ya derivados de (16,18
).
En resumen, para el modelo de regresin lineal con censura o truncamiento
de baja a cero, el medio condicional estn dadas por
* variable latente: E[y |x] = x
MODELOS TOBIT Y
diferenciar cada SELECCIN con respecto a x los rendimientos
* variable latente: E[y |x] /X = , (16,25 )
2 izquierda truncado (0) :E[s, s> 0 |x] /X = {1 -w(w) -(w) }, a la
izquierda de censura (0): E[y|x] /X = (w),
wherew = x / y use (z) /Z = (z) and(z) /Z = -z(z). La sim- ple
expresin de la censura significa se obtiene tras algunas manipulaciones.
Puede ser descompuesto en dos efectos, uno para y = 0 y uno para y> 0
(vase McDonald y Moffitt, 1980).
En algunos casos el truncamiento o censurar es slo un artefacto de la
recoleccin de datos, por lo que el truncado y censurados medios no son de
inters intrnseco y estamos interesados en
E[y |x] /X = . Por ejemplo, con respecto a la parte superior de los
ingresos de datos codificados que son claramente lici- en medir el efecto de
la escolaridad en los ingresos promedio en lugar de los ingresos de los nocodificado.
En otros casos ha truncado o censurar las consecuencias conductuales. En
un modelo de la jornada de trabajo, por ejemplo, los tres efectos marginales
en (16,25 ) corresponden a los efectos de un cambio de un regresor en,
respectivamente, (1) horas de trabajo deseado, (2) las horas de trabajo para
los trabajadores, y (3) las horas de trabajo para los trabajadores y
nonworkers.
(1) es evidente que necesitamos una estimacin de , pero para (2) y (3) LA
OPERACIN pendiente, los coeficientes aunque incoherente que, en
realidad puede proporcionar una razonable estimacin cruda del efecto
marginal desde el truncado y censurados medios son todava bastante lineal
en x.
16.3.6 . Los estimadores alternativos para el Modelo Tobit
545
=
x2 x22 +12E[1 |1> - x11],
donde utilizamos independencia of and1. El plazo de seleccin es similar a
la de las ms simple modelo tobit y utilizando de nuevo la expresin de E[z|
z> -c] en la proposicin 16.1 obtenemos
E[y2 |x, Y1> 0] = x22 +12 x 1 1 , (16,37 )
where(z) = (z) / (z) y hemos utilizado 21 = 1. Del mismo modo, la
Proposicin 16.1 (iii) da como resultado la varianza truncan
V[y2 |x, Y1> 0] = 2 2 - 2 12 (x11) x11 + (x11). (16,38 )
el anlisis precedente especifica ningn valor para y2 y2 cuando puede ser
igual a cero cuando Y1 <
Y1 0. En algunas aplicaciones 0. A continuacin, es importante
considerar la censura.
549
MODELOS TOBIT Y
acondicionamiento a la seleccin y2 observable en los aspectos Y Y1 y2
y, a continuacin, uncondition- los rendimientos
E[y2 |x] = E [E[y2 |x, Y1]] =
Y1
Pr[ Y1 0 |x] Pr[ Y1 " E[ Y2 |x, Y2> 0] (16,39 ) = 0 + ( x11)
+12
= (x11 )x22
! 0 +
x22
+12 ( x11
> 0 |x]
x11
),
donde la tercera lnea (16,37 ) y la ltima lnea uses (z) = (z) / (z). La
variacin puede ser censurados se heterosedasticidad.
16.5.4 . Heckman Two-Step Estimator
Un resultado importante es que regresin por MCO de y2 en x2 solo
utilizando slo los valores positivos de y2 conduce a estimaciones
inconsistentes de a menos que los errores son uncor- relacin tan that12
= 0. Esto se desprende claramente de la media truncada frmula (16,37 ),
que adems incluye el "regresor" (x11).
Heckman el procedimiento en dos etapas, a veces llamado el estimador
Heckit, ago- la regresin por MCO por una estimacin de la omite
regressor( x11). Por lo tanto, utilizando los valores positivos de y2
estimacin por MCO el modelo
y2i = x2i2 +12( x1i 1) +vi, (16,40 )
wherev es un trmino de error, 1 se obtiene por primera vez paso de
regresin probit y1 en x1 desde
* Pr[y 1> 0] = (x11), y (x 11) = (x11) / (x11) es la estimacin
relacin inversa 2 Molinos. Esta regresin no proporciona directamente una
estimacin of2 , pero al conectar2 -1 2 2 varianza frmula sealada (16,38 ) conduce a estimar 2 = N i[ vi
+ 12 i se(x 11 + i se) ], donde vi es la residual de LA OPERACIN
(16,40 ) y i se = (x1i1). La correlacin entre los dos errores (16,32 ) se
puede ser estimado por = 12/ 2.
Una prueba de si es o not or12 = 0 = 0, es una prueba de si es o no los
errores estn correlacionados y de seleccin de la muestra es necesaria la
correccin. Una de esas pruebas es un test de Wald 12 basado en , el
coeficiente estimado de la razn inversa de Mills.
Es importante sealar que tanto los errores estndar LA OPERACIN
habitual y heteroscedasticidad de errores estndar robustos de la regresin
(16,40 ) en correcto. Frmulas correctas para el error estndar tener en
cuenta dos complicaciones en la segunda fase de regresin. En primer
lugar, incluso si 1 eran conocidos, el error de (16,40 ) es
heterosedasticidad (16,38 ). En segundo lugar, de hecho 1 se sustituye
por una estimacin, de una compa- as estudiadas en la Seccin 6.6 y
analiza en la Seccin 16.10.2 para el ms simple modelo tobit. Frmulas
para la norma correcta los errores se dan en Heckman (1979); vase
tambin Greene (1981). Seccin 16.10.2 se deriva estas frmulas para el
ms simple modelo tobit.
LC -0-0-0 -0-0-0
(-4.41) ( -0,52 ( -4,41 ( -0,70 ( -4,03 ) (2.25 )
PDI -0-0-0 -0-0-0
( -2,45 ( -1,28 ( -2,45 ( -0,70 ( -2,13 ( -2,26 )
LPI 0,028
(3.19 ) 0,003
(0.28 )
(3.19 ) 0,028 0,005
0,029 (0.47 )
(3.42 ) 0,015
(1.42 )
-0-0-0 FMDE 0,008
(0.47 ) ( -1,69 ) 0,008
(0.47 ) ( -1,62 ) 0,001
(0.05 ) (1.21 )
PHYSLIM 0,273
(3,67 ) 0,262
(3,81 ) 0,273
(3,67 ) 0,281
0,285 (3.50 )
(3.94 ) 0,355
(4,70 )
NDISEASE 0,022
(6.25 ) 0,020
(5,78 ) 0,022
(6.25 ) 0,022
( 4.29 ) 0,021
(6,03 ) 0,029
(7,54 )
HLTHG 0,039
(0.88 ) 0,144
(2,97 ) 0,039
0,147 (0.88 )
(3.01 )
(1.35 ) 0,058 0,156
(2.99 )
HLTHF 0,192
0,364 (2.29 )
(4.13 )
(2.29 ) 0,192 0,382
(3,98 ) 0,224
0,445 (2.75 )
(4.66 )
HLTHP 0,640
(3.01 ) 0,787
(4,63 ) 0,640
0,833 (3.01 )
(4.22 ) 0,798
(3,90 ) 0,999
(5,32 )
0,000 0,168 0,736 1,401 1,570 2 12 = 2 0,000 0,236
(0.47 ) 1,155
(16,43 )
-ln L 10184,1 10170,1
la estadstica t se encuentran entre parntesis. Tambin incluyen los
regresores ocho caractersticas socioeconmicas. DMED es un indicador de
si o no los gastos mdicos son positivos y LNMED es el logaritmo natural de
gastos operativos si es positivo. Los estadsticos-t para la segunda fase de
las dos etapas de seleccin modelo se basan en los errores que corregir
para la primera estimacin paso para obtener la razn inversa de Mills.
En primer lugar debemos comparar las dos partes de las estimaciones del
modelo con el de dos paso las estimaciones del modelo bivariado seleccin
de la muestra. La unidad DMED ecuacin son idnticas a las estimaciones
que se obtienen por medio de una regresin probit de DMED sobre los
mismos regresores. La ecuacin LNMED clculos difieren porque para dos
pasos de seleccin de la muestra el segundo paso de regresin OLS LNMED
incluye adems como un regresor el valor de la de Molinos relacin plazo.
Este perodo adicional es estadsticamente insignificante (t = 0,47 ) y baja
en magnitud con implcita = 0,168 que es cercano a cero. Como resultado
los dos modelos similares a las estimaciones de los coeficientes de la
ecuacin LNMED.
Como se ha indicado en la Seccin 16.4.4 el estimador de dos pasos pueden
realizar mal si la razn inversa de Mills plazo est altamente correlacionada
con los otros regresores. Aqu no parece que ese sea el caso, ya que es una
gran variedad en el modelo probit predijo probabili- de 0,15 a 0,99 y el
nmero de condicin (vase la seccin 10.4.4 ) de la segunda etapa los
regresores en la segunda etapa, aunque algo elevado, slo dobles de 37 a
82 a la inclusin de la razn inversa de Mills. A pesar de que es preferible
tener algunos exclusin las restricciones, no est claro en esta aplicacin
que los regresores en la ecuacin DMED podra razonablemente excluida por
motivos a priori de la LNMED ecuacin.
El ML estimaciones del modelo bivariado seleccin de muestras difieren
considerablemente de las estimaciones anteriores, en tanto LNMED DMED y
ecuaciones. Los errores en la
554
m
(16,50 )
m x1 - p1 j = 0k jk + 1 p1 + 2 p2 + w + y - r j jk +.
k=1 k=1
aunque el modelo (16,50 ) es lineal, regresin de MCO inconclusivos
rendimientos como resultado de la endogeneidad of jk. Presidente Dubin y
McFadden (1984) presentan dos procedimientos de estimacin.
Las estimaciones del mtodo IV (16,50 ) con pk y r j pk como instrumentos
for jk y r j jk, k = 1,... ,m, donde pk son las probabilidades estimadas de
escoger las diversas carteras aparato. Aqu el Ejrcito Yugoslavo se utiliza
para denotar la funcin de utilidad indirecta. Incluye tanto los componentes
deterministas y estocsticos de utilidad y corresponde a U j en la Seccin
15.5.1 presentacin del ARUM. Un enfoque similar rendimiento
pk = Pr[Vk> Vl, l =k, l = 1,... ,m]
-p1 = Pr[l -k< { (0k -0l) - rl) }, todos l =k]
- k -rk)e = exp[ (0 m ,
l=1 exp[ (0l -rl)
(rk p
1/ 3] e-p1/ 3]
bajo el supuesto de que the j = 1,... ,m, iid tipo II son valores extremos con
cdf F() = exp(- exp( --J, / 3)), where 0,5772 es constante de Euler.
Tenga en cuenta que
x1 - p1 j = 0k jk + 1 p1 + 2 p2 + w + y - r j jk k=1 k=1
m + pk pk k ln + ln pk +,
k = j 1 - pk
donde pk se predice probabilidades en el modelo anterior de pk, and es un
error asinttica con media cero.
Presidente Dubin y McFadden estima que estos modelos con los datos de
3.249 hogares con dos carteras: posible aparato elctrico para agua y
calefaccin y gas de agua y calefaccin.
16.9 . ESTIMACIN DE
La SEMIPARAMTRICO mtodos anteriores soluciona este problema de los
datos faltantes de distribucin- sunciones bsicas para obtener una funcin
de probabilidad los datos de la muestra o la correspondiente censura,
truncado o condicional.
Estos mtodos son frgiles incluso a muy menor de invariacin distribucin
del error.
Por ejemplo, tanto la MLE y el Heckman de dos paso estimador estndar en
el modelo Tobit son incompatibles si los errores son normales, pero dentro, o
si son homo- skedastic pero anormales). Vase, por ejemplo, Paarsch
(1982) y las referencias que en l.
Grandes esfuerzos se han dedicado a los pases en desarrollo que son
estimadores semiparamtrico en supuestos distributivos ms dbiles. Antes
de presentar ejemplos, sin embargo, tomamos nota de que existe una
alternativa a que siga aplicando un enfoque paramtrico que se basa en
mucho ms rica, ms supuestos distribucin flexible.
16.9.1 . Modelos paramtricos Flexible
por la sencillez comenzar con el clsico modelo tobit thati N
* yi = xi + i. El supuesto ] puede ser relajado en dos formas. En primer
lugar, la heterocedasticidad se puede incor- 2 [0,i
rase a travs de un modelo explcito 2 i = exp(zi), donde ahora tanto y
tienen que ser estimados. En segundo lugar, las distribuciones ms
flexible que la distribucin normal puede ser utilizado. Por ejemplo, podra
utilizar un cuadrado polinomio expansin del normal (vase la seccin
9.7.7 ).
Para la seleccin de la muestra modelo bivariado un enfoque similar puede
ser tomado, donde actualmente una mayor flexibilidad de distribucin
conjunta (1, 2) se usa. Lee (1983) propusieron trabajar ) (1, 2) para que
la suposicin de normalidad bivariada * * con transformaciones (1, 2
puede ser ms razonable.
Mtodos Bayesianos se puede aplicar tambin a esos modelos. (1992)
examin el censurado modelo tobit. Las variables latentes Y se introducen
como variables auxiliares y los datos de enfoque (ver Seccin 13.7 ). El
2 = - (1
Z / 2) exp( -z / 2) [1 - (c)]
c
= c) / [1 - (c) ].
Del mismo modo,
( 2 2 E[z |z> c] = z ( (z) / [1 - (c) ]) dz
c( 9
2 = z z (z 1 / 2) dz [1 - (c)]
c
/ 2) exp(- ( 9
2 = z - (1/z / 2) dz [1 - (c)]
c
2) exp(2 :
= z ( -) exp( -z / 2) [1 - (c)]
c(
Z 1/ 2
9
2 - (z) - (1 ) exp( -z / 2) dz [1 - (c)]
c
/Z 2
= c(c) / [1 - (c)] + (1 - c) / [1 - (c)] = c(c) / [1 - ( C)] + 1.
566
embargo, los errores estndar son difciles de calcular debido a los dos de
carcter gradual de la calculadora, y es mucho ms fcil de obtener errores
estndar utilizando un paquete de Heckman con procedimiento de dos
pasos.
Estimadores concentrar Aplicacin generalmente requiere un cdigo
especializado en programacin lenguaje como GAUSS. Algunos paquetes
tambin permiten ML estimacin de censurados y truncados variantes de
otros modelos, como el Poisson y binomial negativa para datos de recuento.
Censura y truncamiento se gestionan fcilmente si uno ve como razonable
la distribucin especificada. Por ejemplo, los datos sobre los ingresos de
colores se gestionan fcilmente si la distribucin log-normal se ajusta bien a
los datos. Censurados LAD, que se basa en mucho ms dbil distribuhiptesis, tambin puede ser utilizado en esta situacin.
Mucho ms problemtico es el manejo modelos con seleccin de la muestra.
El ms para- mtricas las versiones de estos modelos pueden depender de
supuestos distributivos que se estima que sea fuerte. Las versiones
concentrar todava tienen que luchar con la identificacin- que una variable
que determina la participacin es tambin determinar el resultado de
inters. Una ruta ms prometedora, a menudo en la literatura sobre los
efectos del tratamiento, es el de limitar atencin a los casos en que es
razonable suponer que la seleccin es slo de observables.
16,12 . Notas bibliogrficas
La literatura sobre los modelos de muestras seleccionadas es enorme. Libro
los tratamientos son proporcionados por Maddala (1983) y Gourieroux
(2000), y resmenes cortos son proporcionados por Amemiya (1984, 1985)
y Greene (2003).
Tobit 16,3 (1958) propuso y aplic el modelo tobit de datos relativos a los
gastos realizados. Amemiya (1973) estableci formalmente su consistencia
y normalidad asinttica. Heckman (1974) es una excelente aplicacin oferta
de mano de obra femenina con un anlisis detallado de los resultados.
16.4 Los numerosos estudios de la Rand Health Insurance Experimant, como
el de Duan et al. (1983), son las principales aplicaciones de las dos partes
de modelo.
16,5 Heckman (1976, 1979) present a las dos etapas de la calculadora
muestra dos variables- visionales que modelo es tambin la base para
muchos ms recientes procedimientos de estimacin semiparamtrico. Mroz
(1987) es una excelente aplicacin de oferta de mano de obra femenina que
hace hincapi en el papel de los supuestos sobre los salarios exogeneidad.
16.7 Hay muchas variantes en las ideas de Roy (1951), al igual que hay
muchas variantes del modelo tobit. L-F. Lee (1978) proporciona una buena
aplicacin anticipada a la unin de pseudoartrosis diferencial salarial.
(F) Repita todos los pasos anteriores utilizando un valor de k, para generar
20, 40 y 50% observaciones censuradas. Compare sus resultados con los
que se basan en observaciones 30% censuradas. Por lo tanto, sugerir lo que
es la consecuencia de las estimaciones de los parmetros de los niveles
ms altos de censura. Reforzar su- plejos utilizando teora en la medida de
lo posible.
16-2 considerar una variable latente modelada por N 2 [0, ]. Supplantean yi = *
* * yi si yi < Iu y es una constante conocida para cada uno de ellos en- YI
Ui , donde el lmite superior
individua de iu (es decir, datos) y puede ser diferente en las personas.
yi
Ui si
yi = xi +i withi
est censurada desde arriba, de forma que podemos observar yi =
(a) registro de probabilidad funcin para este modelo. [Nota: Tenga en
cuenta que esto es diferente de la habitual tanto debido a la presencia de la
interfaz de usuario y porque la misma se invirti con yi = (b)
* * yi si yi < Ui .] Obtener la expresin de la media truncada E[yi|xi, yi <
Ui ]. [Pista: Para z N [0, 1], tenemos E[z|z> c] = (c) / [1 - (c) ].
Adems, E[z|z < c] = -E[ -z|- z> -c] y -z N [0, 1] .] (c) Por lo tanto dar
de Heckman de dos paso estimador para este modelo.
(D) obtener la expresin de la censura significa E[yi|xi ]. [Pista: Una parte
esencial es la respuesta de la parte (b) .]
16-3 Esta cuestin considera las consecuencias de especificaci en el
modelo tobit. El punto de partida es el modelo de ejercicio 16.1 .
* (A) Generar y con heteroscedasticidad dejando que u N 2 [0, z], donde
z> 0 es elegido para ser el apropiado de un valor variable que se
correlaciona con la x, aunque no perfectamente. Otra vez k para obtener el
30% de observaciones censuradas. La MLE para uso normal censura para
estimar este modelo y comparar sus resultados con los correspondientes
homocedsticas utilizndose caso.
570