Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas de Clases
Jos Miguel Benavente H.1
8 de marzo de 2010
Captulo 1
Introduccin
En muchos contextos, el fenmeno que se quiere modelar no es continuo sino discreto. As por ejemplo,la decisin de participar en el mercado del trabajo, opinin sobre
un tipo de legislacin, tipo de auto escogido por el consumidor entre varios modelos
posibles. En general, todos los modelos que estudiaremos en este contexto tienen en
comn que en ellos la variable dependiente toma los valores 0, 1, 2 ....En ocasiones
estos valores tendrn significado en si mismo como el numeros de patentes a los que
denominaremos datos de recuento. Pero en la mayora de los casos los valores que toma
la variable dependiente no son mas que cdigos utilizados para representar un resultado
cualitativo. Por ejemplo, en el caso de la participacin de mercado, un 0 puede significar
no participar y un 1 puede significar si participar.
Aparentemente, en ninguno de estos casos parece posible, en principio, utilizar el
anlisis de regresin clsico. Sin embargo, en todos ellos es posible construir modelos
que enlazan la decisin o resultado con un conjunto de factores bajo la misma filosofa
que en el modelo de regresin. Lo que haremos ser analizar cada uno de estos casos
dentro del marco general de los modelos de probabilidad.
Resulta conveniente agrupar los modelos posibles en dos grandes clases, binomial y
multinomial, dependiendo de si el resultado es la eleccin entre dos alternativas o entre
ms. Si bien el segundo tipo es una extensin del primero, se pueden distinguir en estos
ltimos situaciones donde los resultados son no ordenados, como el caso de la eleccin
del auto o bien ordenados como el caso de las patentes.
En lo que sigue nos concentraremos en las diversas formas de estimar un modelo de
eleccin binaria para luego continuar con casos de eleccin mltiples.
1.2.
Supuesto bsico:
latent variable threshold model
yi = x0i + i
con:
yi =
Luego,
1 si yi > 0;
0 si yi 0
0
exp(u2 /2)du
Logit:
(z) =
1.3.
1
1 + ez
L=
n
Y
i=1
logL =
n n
o
X
0
0
yi logF (xi ) + (1 yi ) log[1 F (xi )]
i=1
yi fi (1 yi ) fi
xi
|{z}
Fi
1 Fi
i=1 |
{z
} vector
n
logL X
=
escalar
logL X yi Fi
=
fi xi
Fi (1 Fi )
i=1
1.3.1.
Modelo Logit
Para este caso, si se considera la forma funcional antes vista, se tiene que :
1
1 + ez
(z) =
logL X
=
(yi i ) xi
i=1
donde i = (xi ).
La matriz de segundas derivadas (Hessiano) es la siguiente: (permite ver la velocidad
con que se acerca al mximo)
n
H=
X
2 logL
=
i (1 i ) xi x0i
| {z }
0
i=1
escalar
Demostracin:
logL
=
=
=
n
X
yi Fi
fi xi
Fi (1 Fi )
i=1
n
X
i=1
n
X
yi i
i (1 i ) xi
i (1 i )
(yi i ) xi
i=1
2 logL
0
n
X
xi
i=1
n
X
i (1 i ) xi x0i
i=1
La que es definida negativa para todos los , asumiendo que los xs no son perfectamente colineales ( si lo fueran H no es invertible, explota). As, la log-likelihood es
globalmente cncava. La esperanza de H es ella misma y no depende de y, por lo tanto
la matriz de informacin muestral es:
Jn() =
n
X
i (1 i ) xi x0i
i=1
1.3.2.
logL X yi i
=
i xi = 0
i (1 i )
i=1
1 i
i
yi =0
yi =1
1.4.
(xi )
0
(xi )
(xi )
0
1 (xi )
Si z v N(0,1):
Figura 1
Distribucin Normal(0,1)
densidad:
1
(z) = exp(1/2z 2 )
2
Medias Condicionales:
E(z|z < k) =
=
=
=
Z k
1
z (z)dz
P (z < k)
Z k
1
1
z exp(1/2z 2 )dz
(k)
2
k
1
1
2
exp(1/2z )
(k)
2
(k)
(k)
De la misma manera:
E(z|z > k) =
=
=
=
Z +
1
z (z)dz
1 (k) k
Z +
1
1
z exp(1/2z 2 )dz
1 (k) k
2
+
1
1
2
exp(1/2z )
1 (k)
2
k
(k)
1 (k)
|i=1
E(i |yi ) xi = 0
{z
condicin de ortogonalidad
xi
(1
)]
x
x
+
i
i
i
i
2 [i + xi i ] xi xi
0
(1 i )2
i
y =0
y =1
i
Dadas las expresiones para las medias condicionales, los valores entre parntesis
cuadrados son positivos y entonces la matriz Hessiana correspondiente es negativa definida, es decir, la log-likelihood es globalmente cncava.
Tomando esperanzas, la matriz de informacin muestral para el modelo Probit es la
siguiente:
Jn() =
n
X
i=1
1.5.
2i
xi x0i
i (1 i )
Bajo condiciones de regularidad generales, el estimador ML es consistente y asintticamente normal con una matriz de varianzas y covarianzas dada por el inverso de
la matriz de informacin. Esta inversa es la cota inferior de Cramer-Rao y entonces, el
estimador ML es tambin asintticamente eficiente.
La varianza del vector Score:
Para ambos modelos el Score tiene la siguiente forma:
n
logL X yi Fi
=
fi xi
Fi (1 Fi )
i=1
logL
logL
2
n
X
yi Fi
= E
fi2 xi x0i
Fi (1 Fi )
i=1
n
X
i=1
fi2
xi x0i
Fi (1 Fi )
10
2 logL
logL
0
b +
(b ) + 0,5(b )
(b )
logL() = logL()
0 b
0 b
| {z }
| {z }
=0
<0
b
logL() < logL()
1.6.
Considere una muestra aleatoria obtenida de una funcin de densidad g(y:), la que
depende del parmetro (extendible al caso de un vector). El logaritmo de la funcin
de verosimilitud viene dado por:
logL =
n
X
log(g(yi ; ))
i=1
1.
Z
g(y; )dy = 1
g 0 (y; )dy = 0
y entonces:
g 0 (y; )
E
=0
g(y; )
es decir,
log(g(y; ))
E
=0
y entonces
logL
= 0 score
2 log(g(y; ))
g (y; ) 2
g 00 (y; )
=
2
g(y; )
g(y; )
Si g es regular de segundo orden, entonces:
Z
g 00 (y; ) dy = 0
es decir,
g 00 (y; )
E
=0
g(y; )
y as,
2 log(g(y; ))
E
2
g 0 (y; ) 2
= E
g(y; )
log(g(y; )) 2
= E
12
logL
E
"
2
=E
n
X
log(g(yi ; ))
i=1
#2
=E
n
X
log(g(yi ; )) 2
i=1
Ya que el valor esperado de todos los trminos cruzados (fuera de la diagonal) son
cero. Ello debido al supuesto de independencia de las observaciones y el hecho de
que:
log(g(y; ))
E
=0
As entonces:
2 logL
logL 2
E
= E
2
2 logL
logL
logL 0
E
= E
2
logL
Jn() = E
= E(Q)
0
Donde:
Q=
n
X
log(g(yi ; ))
log(g(yi ; )) 0
i=1
1.7.
13
Nota Tcnica
[Jn()]
2
1
logL
= E
0
Evaluada en bM L entrega un estimador de la matriz de covarianzas del MLE. Sin embargo, este estimador rara vez esta disponible dado que son complicadas funciones no
lineales de los datos. Existen dos alternativas:
1.
h
i1 2 logL 1
b
c
Jn()
=
0
La que se obtiene al evaluar la matriz de segundas derivadas actual (no esperada)
con el valor de MLE mximo obtenido. No obstante, a veces es difcil obtener las
segundas derivadas y programarlas en el computador.
2.
#
" n
h
i1
X log(g(yi ; )) log(g(yi ; )) 0
b
c )
Jn(
=
i=1
el que esta basado en el resultado de que el valor esperado de la matriz de segundas derivadas es la matriz de covarianzas del vector de primeras derivadas.
[BHHH OPG (outer product of gradients)]
Este ltimo estimador es muy conveniente pues no se necesita ningn clculo ms
all que estimar ecuacin de verosimilitud. Adems es siempre no negativa definida.
1.7.1.
Ingreso
20.5
31.5
47.7
26.2
44.0
8.28
30.8
17.2
19.9
9.96
Educacin
12
16
18
16
12
12
16
12
10
12
Observacin
11
12
13
14
15
16
17
18
19
20
Ingreso
55.8
25.2
29.0
85.5
15.1
28.5
21.4
17.7
6.42
84.9
Educacin
16
20
12
16
10
18
16
20
12
16
14
n
X
log( + xi )
i=1
n
X
i=1
yi
+ xi
Score:
n
i=1
i=1
X
X 1
yi
logL
+
=0
=
+ xi
( + xi )2
Con la solucin (nica) bM LE =15.60275.
Para Computar la varianza asinttica del estimador MLE, se requiere:
n
n
X
2 logL X
1
yi
=
2
2
2
( + xi )
( + xi )3
i=1
(1.1)
i=1
Dado que E(yi )=+xi es conocido, la forma exacta del valor esperado de (1) es conocida
(algo no comn). Reemplazamos + xi por yi e invirtiendo obtenemos 44.255 como
b
estimador de la varianza. Al insertar =15.60275
e invirtiendo obtenemos el segundo
estimador de la varianza: 46.164. Finalmente, al computar el inverso de la suma de los
cuadrados de la primera derivada de la densidad evaluada en bM LE :
1
1
\
b
Jn()
=P h
i2
n
yi
1
+
i=1
2
b
b
(+xi )
(+xi )
1.8.
i. Discontinuidades de L
ii. Observaciones estn correlacionadas
iii. Observaciones no estn distribuidas idnticamente
iv. La densidad escogida no contiene la verdadera densidad
v. densidad g tiene un rango que depende de
vi. nmero de parmetros aumenta con el nmero de observaciones.
1.9.
15
3
probit = logit
16
1.10.
17
Efectos Marginales
Sabemos que:
P [yi = 1] = F (x0i )
P [yi = 1]
= f (x0i )
xi
estos son los llamados efectos marginales:
(x0i )
Probit:
Logit:
Tambin se pueden calcular los errores standard de estos efectos marginales. Si definib entonces:
mos
b = fb b donde fb = f (x0i ),
V ar.Asin.(b
) =
b
0
b
0
b
Donde V= Var. Asin. ().
La matriz de derivadas viene dada por:
!
!
b
b
fb
z
= fb
+ b
z
b0
b0
b0
!
fb b 0
= fbI + b
x
z
Para los dos modelos:
Probit:
df
dz
= z , con z = x0 b
b x
b 0 ]V [I (x0 )
b x
b 0 ]0
V ar.Asin.(b
)probit = 2 [I (x0 )
Logit:
df
dz
= (1 2)(1 )
b 0 ]V [I + (1 2)
b 0 ]0
b ))
b 2 [I + (1 2)
b x
b x
V ar.Asin.(b
)logit = ((1
18
Al igual que los efectos marginales, los errores standard asintticos tambin dependen
del vector de variables x utilizado.
1.10.1.
1.10.2.
GRADE: indicador si los alumnos mejoraron sus notas despus de realizar un curso
especial PSI.
GPA: promedio de notas.
TUCE: resultado de una prueba de diagnostico previo al programa.
PSI: indicador si el estudiante realiz el curso o no.
Variable
constante
GPA
TUCE
PSI
f (x0 )
Probit
bM LE
fbb
-7.425
1.626
0.533
0.052
0.017
1.426
0.469
0.328
Logit
bM LE
fbb
-13.021
2.826
0.534
0.091
0.018
2.379
0.499
0.189
Usando estos coeficientes, tenemos las siguientes probabilidades como funcin de GPA
(evaluadas en la media de TUC):
19
PSI=0: Prob[GRADE=1]=[-7.45+1.62GPA+0.052(21.938)]
PSI=1: Prob[GRADE=1]=[-7.45+1.62GPA+0.052(21.938)+1.4263]
Prob(GRADE=1)
con PSI
0.571
sin PSI
0.106
3.117
GPA
El efecto marginal de PSI es la diferencia entre las dos funciones, el que va desde 0.06
en GPA=2 hasta 0.5 en GPA=0.35. As, la probabilidad de que el estudiante aumente
sus notas dado que sigui PSI es ms alta si mejores son sus notas!!. (Efecto marginal
de PSI en x es 0.468).
1.10.3.
Efectos marginales:
(x0i )
(x0i )]
Probit:
Logit:
(x0i )[1
b entonces:
si definimos
b = fb b donde fb = f (x0i ),
V ar.Asin.(b
) =
b
Donde V= Var. Asin. ().
Entonces:
b
0
b
0
20
Probit:
b x
b 0 ]V [I (x0 )
b x
b 0 ]0
V ar.Asin.(b
)probit = 2 [I (x0 )
Logit:
b 0 ]V [I + (1 2)
b 0 ]0
b ))
b 2 [I + (1 2)
b x
b x
V ar.Asin.(b
)logit = ((1
As, se pueden realizar todas las pruebas de hiptesis ya conocida para los parmetros. Por ejemplo, los tradicionales test-t para restricciones simples los que estn basados
en los errores estndar calculados a partir de la matriz de informacin (BHHH u otra).
Variable
Constante
GPA
TUCE
PSI
Coef.
-13.021
(4.931)
2.826
(1.263)
0.095
(0.142)
2.379
(2.234)
t ratio
-2.64
2.238
0.672
2.234
Logit
Pendiente
0.534
(0.237)
0.018
(0.026)
0.449
(0.197)
t ratio
2.252
0.685
2.284
Coef.
-7.452
(2.542)
1.626
(0.694)
0.052
(0.084)
1.426
(0.595)
t ratio
-2.930
2.343
0.617
2.397
Probit
Pendiente
0.533
(0.303)
0.017
(0.029)
0.468
(2.276)
t ratio
1.761
0.587
1.695
q=0
b r log L]
b 2
LR = 2[log L
r
21
br y L
b son las funciones log-likelihood evaluadas con los estimadores restringuidonde L
dos y no restringuidos respectivamente. Por ejemplo, la prueba tpica de que todos los
coeficientes de las pendientes en el modelo Probit o Logit son cero (como un test F).
Para esta prueba, slo no se restringe el coeficiente de la constante. En este caso, el caso
no restringuido es el mismo para Logit y Probit:
1.10.4.
yi = 1 si zi > 0;
yi = 0 si zi 0
z se denomina clasificador perfecto. esto implica que el modelo no puede ser estimado
(esta es una propiedad de los datos). Esto ocurre pues existe una combinacin lineal
zi = x0i de tal forma que zi es un clasificador perfecto y entonces no puede ser
identificado.
(2) Otro problema de identificacin ocurre cuando tenemos una combinacin de muestra
pequea con un gran nmero de parmetros a ser estimados.
La regla que aplica aqu es la siguiente:
Si min[ny, n(1 y)]<k, entonces no se pueden estimar los s. Donde n es el tamao
de muestra, k es la dimensin de , ny es el nmero de unos y n(1 y) es el nmero
de ceros.
Lo anterior pues no existe una solucin finita para las condiciones de primer orden
y por lo tanto no puede ser identificado.
22
1.11.
Los temas aqu tratados son anlogos para el caso del modelo Logit.
1.11.1.
Residuos Generalizados
Para el caso de modelos con variable latente, los residuos generalizados se definen
como:
i = E(i |yi )
= E(yi |yi ) x0i
= E(yi |yi ) E(yi )
En el modelo Probit habamos visto que la media condicional tenia la siguiente estructura:
E(i |yi = 1) =
E(i |yi = 0) =
(x0i )
(x0i )
(x0i )
1 (x0i )
De esta forma,
i =
=
(x0i )
(x0i )
(1 yi )
i
(x0i )
1 (x0i )
(yi i )
i
i (1 i )
Tambin vimos que las ecuaciones de verosimilitud (score) podran escribirse como:
n
logL X
=
E(i |yi ) xi = 0
i=1
o bien
n
logL X
=
i xi = 0
(1.2)
i=1
(1 i )
i
y =0
y =1
i
o bien:
H=
n
X
{i (x0i + i )} xi x0i
i=1
23
logL
logL 0
Q=
n
X
i2 xi x0i
i=1
2
i
Notar que E(i ) = 0 y V ar(i ) = i (1
(demostrar !!), i se conoce como el residuo
i)
del primer momento (i es la contribucin de cada observacin i al score!!).
1.11.2.
logL X
=
i zi
i=1
Si usamos Q para estimar la matriz de varianzas, entonces el test puede ser calculado
como:
c0 R(R0 R)1 R0 c 2(p)
Donde p es el nmero de restricciones, c es un vector de dimensin n de unos y R una
matriz cuyas fila i es: (i x0i , i zi0 ). Este estadstico puede ser obtenido al regresionar c
sobre R. Si se trata de una sola variable omitida, el test t asociado a i zi0 al cuadrado
es el estadstico 21 .
Alternativamente, se puede regresionar por MCO i zi sobre i xi y una constante (p
regresiones) y calcular el estadstico:
W
1+ W
n
donde W es el estadstico de Wald para la hiptesis que todos los interceptos son cero.
(De nuevo, si p=1, entonces Wald=t2 sobre la constante).
Algunas aplicaciones adicionales de variables omitidas:
24
logL X
=
E(2i 1|yi )
2
i=1
logL X
=
i x0i
2
i=1
h(zi0 )
2
0
con i =h(zi ) con h tal que h(0)=1 y
= zi (por ejemplo si h(zi0 )=1+zi0 ).
=0
logL X
=
(i x0i )zi
i=1
i (x0i )zi )
el que puede ser obtenido al regresionar c sobre R. O bien, como mecanismo alternativo,
regresionar i (x0i )zi sobre i xi y una constante y testear con Wald.
(iii) Aplicaciones adicionales: Test de Normalidad (Pagan y Vella 1989):
Una forma de probar normalidad de los errores es asumir que zi =[(x0i )2 (x0i )3 ] y
probar mediante un Reset-test la significancia de estos trminos. (tambin en Ruud
1984).
1.11.3.
25
Todas las pruebas anteriores descansan sobre un concepto mas general, a saber, restricciones sobre los momentos.
En un modelo de regresin lineal:
yi = x0i + ui
se tiene que :
i E(zi ui )=0
ii E(zi (u2i 2 ))=0 restriccin sobre el segundo momento.
iii E(u3i )=0 tercer momento, distribucin simtrica.
iv E(u4i ) 3 4 =0 cuarto momento/ kurtosis.
Si el modelo est correctamente especificado entonces los momentos poblacionales deberan ser igual a cero.
A partir de la informacin muestral, se pueden obtener los anlogos muestrales:
n
1 X
zi u
bi
b1 =
n
i=1
b2 =
1
zi (b
u2i
b2 )
n
n
1 X zi bi vbi
b i (1
b i)
n
i=1
=
=
n
b i)
1 X zi bi (yi
b i (1
b i)
n
1
n
i=1
n
X
i=1
zi bi
26
De esta forma se construye entonces la prueba sobre los momentos, que en este caso
utiliza los residuos generalizados. En particular, esta ltima expresin es la covarianza
entre los residuos generalizados y z. As, al regresionar zi bi sobre xi bi y una constante
es equivalente a un estadstico de prueba sobre la importancia de la variable z(Idntico
al test de score LM).
Consecuencias de la heterocedasticidad y variable omitida en Probit (Logit): inconsistencia, a pesar de que no existe correlacin en los errores.
1.11.4.
Moment Restriction
E(SAL80 )=0
E(DSA79 )=0
E(PRED2 )=0
E(PRED3 )=0
E(SAL80 PRED )=0
E(MOVES PRED H)=0
E(RACE PRED )=0
E(LSA79 PRED )=0
E(MLE PRED )=0
E(ATBATS PRED )=0
E(ADJS PRED )=0
E(DFN PRED )=0
E(BYR PRED )=0
E(YSRM PRED )=0
t-statistic
Eligible Ineligible
1.427
1.145
1.101
1.365
2.404
2.6
2.287
0.525
1.364
0.891
2.879
7.670
1.090
1.855
1.647
1.349
1.449
5.869
2.258
1.043
2.194
0.083
1.981
4.626
2.197
2.595
2.541
3.557
Variable
LWW1
KL6
K618
WA
WE
UN
CIT
PRIN/104
Constant
Probit
Coeficiente
0.240
-0.879
-0.0321
-0.0345
0.132
-0.0107
0.0115
-0.212
0.538
s.e
0.094
0.115
0.0407
0.0077
0.026
0.0160
0.1075
0.047
0.481
27
1.12.
Probit Heterocedstico
n
X
logL =
yi log
i=1
i N (0, 2 )
x0i
exp(zi0 )
+ (1 yi ) log 1
x0i
exp(zi0 )
pi =
x0i
exp(zi0 )
En general, (no demostrado aqu) los coeficientes obtenidos son un poco mayores y los
intervalos de confianza (errores standard) mas amplios. Aunque algunos resultados empricos sugieren que el sesgo no es importante (ver Horowitz, Econometrica 1977).
1.13.
28
logL
logL0
con logL0 : verosimilitud calculado solo con una constante (es decir, asumir que todos
los betas son cero).
Propiedades:
Acotado entre 0 y 1
si Fi es siempre 1 cuando yi es uno y 0 cuando yi es 0, entonces logL es igual a
cero LRI=1. (Pero cuidado con los predictores perfectos).
difcil la interpretacin para los valores entre 0 y 1, recordar que ML no est
diseado para maximizar un criterio de ajuste, como el R2 en OLS.
Captulo 2
Econometra Semi y No
Paramtrica
2.1.
Introduccin
Como se ha visto hasta el momento, la forma mas tradicional para estimar modelos
de eleccin discreta es mediante la maximizacin de la funcin de verosimilitud. Ello
pues la funcin a ser maximizada no es del tipo lineal en los parmetros y por tanto no
es factible utilizar el mecanismo inherente al estimador por Mnimos Cuadrados Ordinarios.
Sin embargo, esta forma de estimacin la cual surge de encontrar los parmetros
de una funcin conocida que permita describir de la mejor manera posible la muestra
de datos que se tiene, descansa, entre otras cosas justamente en el supuesto de que se
conoce la distribucin de probabilidades que est detrs de los datos. En consecuencia,
la tarea se tratara principalmente de obtener los parmetros que la identifican de la
familia de funciones posibles.
La pregunta natural que surge es, qu sucede si o bien desconocemos la distribucin
de probabilidades que est detrs de los datos de nuestra muestra o si al utilizar la
estimacin por MV nos equivocamos en la distribucin escogida ?
El objetivo de este captulo es introducirnos al mundo de las estimaciones semi y
no paramtricas que responden en alguna medida a estas dos preguntas anteriores. El
objetivo de ste es responderlas en el contexto de problemas con variable dependiente
binaria y/o discreta. Pero para ello debemos revisar desde un comienzo los conceptos
bsicos de estimaciones no paramtricas de densidades, funciones de valor esperado para
finalmente terminar en los tpicos que han motivado este captulo.
Dentro de la econometra, este es un tema relativamente nuevo y no existe mucha
literatura que resuma los avances de estos aspectos en la disciplina. No obstante lo
29
30
anterior, existen dos buenos textos al respecto los cuales utilizaremos como gua para
este captulo:
A. Pagan y A. Ullah (1999) Non Parametric Econometrics. Cambridge University
Press.
A. Yatchew (2003)Semiparametric Regression for the Applied Econometricians.
Cambridge University Press.
En el caso de ciertos temas puntuales, en estas notas se sugieren trabajos especficos
publicados en journals especializados.
El temario de este captulo comprende los sigientes aspectos:
Estimacin de densidades (Pagan y Ullah, Capitulo 2; Yatchew Captulo 3)
Mtodos de Kernel
Mtodos tericos de informacin
Estimacin de momentos condicionales (Pagan y Ullah, Capitulo 3; Yatchew,
Captulo 5). Regresin no paramtrica.
Modelos de eleccin discreta (Pagan y Ullah, Capitulo 7; Yatchew, Captulo 7)
2.2.
Estimacin de densidades
31
2.2.1.
Una estimacin naive de f (x) sera dar un peso 1/n a cada punto xi , i=1,...n. La
funcin de distribucin correspondiente a este procedimiento, se conoce como funcin
de distribucin emprica. Una debilidad aparente de esta propuesta es que no asigna
probabilidades o valores de la densidad a valores de x que no ocurrieron o que no estn
presentes en la muestra, con la agravante que para la mayora de los casos que estudiamos en econometra se asume que f (x) hace un dominio (support) continuo.
Una alternativa natural es la de suavizar el peso 1/n asignado a cada punto xi sobre
un area cercana a xi . Una forma de hacer esto podra ser estimar f (x) como una combinacin de densidades normales, cada una con una desviacin standard centrada en
cada punto x. Usando (x; , 2 ) para denotar la densidad normal estndar con media
y varianza 2 evaluada en cada x, entonces el estimador de f (x) tendra la siguiente
forma:
fb(x) =
n
n
X
X
1 1
(x xi ) 2
1
2
1/2
(x; xi , ) =
(2)
e 1/2
n
n
(2.1)
i=1
i=1
donde, si es muy pequeo entonces tendramos una estimacin de la funcin con puntas agudas en cada xi . Si es mas grande, la estimacin resultante es mas suave. Dado
que la ecuacin anterior es una mezcla de funciones de densidad, entonces fb(x) tambin
es una densidad.
Para simplificar un poco la notacin, hpodemos
ver que la expresin ms a la derecha
i
de la ecuacin anterior,
(2)1/2
1/2
x xi
(xxi ) 2
x xi
h
donde ha sido reemplazado por h sin alterar las propiedades fundamentales de fb(x),
(2)1/2
h
i
(xxi ) 2
1/2
n
X
1
x xi
K
nh
h
i=1
(2.2)
32
33
34
[fb(x) f (x)]2 dx
minE
[fb(x) f (x)]2 dx
las que corresponden a la nocin de prdida y riesgo respectivamente, donde la
primera depende de los datos que se tiene en la muestra pero la segunda no.
Para el caso de MISE se tiene que :
Z
b
M ISEf (f ) =
Ef [fb(x) f (x)]2 dx
Z
Z
b
=
varf f (x)dx + [Ef fb(x) f (x)]2 dx
{z
} |
{z
}
|
varianza
(2.3)
sesgo2
P
1
i
Dado que fb = fb(x) = nh
ni=1 K xx
, entonces, considerando la expresin anterih
or, es claro que si escogemos un h pequeo, el sesgo en la estimacin de la densidad es
pequeo pero la varianza (ruido) es grande. Por otra parte, un h muy pequeo significa
que no habrn suficientes puntos en x para promediar o suavizar y en consecuencia, obtendremos una estimacin de la densidad que presente saltos u ondas (sinusoidales).
Por otra parte, si escogemos un h grande el sesgo ser grande pero la varianza (ruido) menor, resultando en una estimacin de densidad sobre suavizada y en conclusin
con una fuerte distorsin sobre la verdadera estructura de la densidad. En la prctica h
se debe escoger de manera de alcanzar el mejor "trade-off"posible entre sesgo y varianza,
lo que necesita de algn criterio.
Este criterio puede ser entregado por lo ques e conoce como AMISE, esto es una
aproximacin de MISE mediante una expansin de Taylor la cual tiene la siguiente
caracterstica:
Z
Z
Z
h4 2
(2)
2
1
AM ISE =
2 [f (x)] dx + (nh)
f (x)dx K 2 ()d
(2.4)
4
1
=
1 h4 + 2 (nh)1
4
35
Z
1 =
[f (2) (x)]2 dx
22
Z
2 =
[K 2 ()d
x xi
h
Z
2 =
2 K()d
para el caso de funcin kernel. Para obtener h tal que minimize AMISE, diferenciamos
la expresin anterior con respecto a h e igualamos a 0.
h3 1
1
2 = 0 h = c n1/5
n h2
donde c=(2 /1 )1/5 el que depende del kernel y de la curvatura de la densidad (verdadera).
Eleccin de h en la prctica
R
Podemos notar que x depende de la varianza del Kernel y de [f (2) (x)]2 dx el que
indica el grado de variabilidad de la densidad. As, por ejemplo, si la verdadera densidad es ms bien plana entonces 1 0 y c (ancho de banda muy grande). En
contraste, si la verdadera funcin es altamente variable, 1 y c 0 (h pequeo).
Con el fin de tener una idea sobra la magnitud de c suponga que K es la densidad
normal estndar y f(x) N(, 2 ). Algebraicamente se puede determinar que c 1.06
y entonces h=1.06 n1/5 .
En Silverman (1986) se compara este ltimo resultado con el h ptimo si la distribucin desconocida realmente fuera una mezcla de dos normales o que fueran funciones
altamente simtricas, encontrandose que esta frmula es una muy buena aproximacin.
Una mejora a este mtodo es reemplazar por un estimador robusto de la dispersion
de la muestra, por ejemplo:
h = 0,9A n1/5
con R, el rango intercuartil.
donde A = min{
, (R/1,34)}
36
n
X
{h}i=1
i=1
Eleccin de K()
Cabe hacer notar, que en trminos de nomenclatura, Pagan y Ullah usan K() mientras que Van der Vaart usa K(y). Pagan y Ullah - supuesto A.2 (Pg 21) - impone las
condiciones estndar para K() la que debe ser una funcin simtrica (no negativa ?) y
que satisfaga los siguientes criterios:
Z
(i)
K()d = 1
Z
(ii)
K 2 ()d = 2 6= 0
Z
(iii)
K 2 ()d <
bajo estas condiciones, se demuestra (pg. 27-28) que AMISE puede ser minimizado
para el caso del Kernel con bandwidth uniforme al escoger el siguiente kernel:
3
2
4 (1 ) || 1;
K() =
0
Recordar que =
xxi
.
h
37
del estimador de la densidad pueden determinar que Kernel escogemos como apropiado
al problema que estemos analizando. No obstante, cabe hacer notar que la eleccin de
h tiene mucho mayor impacto que la eleccin de K().
r2
< si j = r
(momentos de orden (r-1) son cero pero el r-simo momento es finito). Estos Kernels se
conocen como Kernels de orden superior (orden r). Para emplearlos debemos asumir
que la derivada de orden r es continua.
Se puede demostrar que Kernels de orden superior reducen su AMISE a O(n2r/(2r+1) )
el cual para r grandes es cercano a la tasa paramtrica de O(n1 ), ello al extender los
trminos en la expansin de Taylor). 3
Ejemplo:
Como se mencion, Kernels de orden superior pueden necesitarse para:
reducir el sesgo en muestras pequeas.
asegurar que la distribucin asinttica de (nh)1/2 (fb f ) esta centrado en cero.
as debemos generar Kernels cuyos r 1 momentos sean cero. Si r = 3 y K()=(a0 +
a1 + a2 2 )R () donde ()
R es una densidad NR (0,21), a0 , a1 , a2 deben determinarse
de modo que K()d = 1 y K()d = 0 = K()d.
Del hecho que los momentos impares de una normal (0,1) son cero y los pares son:
E
2j
2j
=
2j + 1
2
3
La secuencia {xn } de nmeros se dice que es de orden nk , xn =O(nk ), si
y c es constante.
xn
nk
c mientras n
38
tenemos que:
Z
K()d = 0
a0 + a2 = 1
Z
K()d = 0
a1 = 0
Z
2 K()d = 1
a0 + 3a2 = 0
2.2.2.
La funcin Kernel, a pesar de su popularidad y facilidad de uso, no permite reproducir momentos mayores de las muestras observadas. Por ejemplo, medianas, intercuartiles u otros similares no son posible de estimar utilizando Kernels.
Una forma novedosa y poco convencional de estimacin de funciones de densidad, es
una variante de aquella propuesta por Barron y Sheu (1991) conocida como Balanceo
exponencial (Exponencial Tilting).
Para ello definimos una funcin de densidad arbitraria f0 (x) como tambin tambin
(x) como un vector de funciones de x con una dimensin m (es decir, pensar en un
39
momento como E(x), E(x2 ), E(x3 ), si m=3); y t un vector de m parmetros. Consideremos la siguiente densidad:
et(x) f0 (x)
f (x; t) = R t(x)
e
f0 dx
(2.5)
Aqu t transforma f0 (x) en otra densidad. Ahora, suponga que utilizamos la densidad
f (x; t) como un modelo paramtrico de un conjunto de datos, con parmetro t desconocido y a ser estimado. El logaritmo de la densidad es:
Z
et(x) f0 (x)dx
n
X
i=1
n
X
(xi ) +
i=1
n
X
i=1
logL(t) X
K(t)
=
(xi ) n
t
t
i=1
i=1 (xi )
K(t)
t
(2.6)
= Ef (x;t) (x)
40
2 = (x 1)2
3 = (x 1)3
4 = (x mediana)
En el trabajo original de Barron y Sheu las funciones base (x) eran secuencias de las
funciones polinomiales, trigonomtricas o spline y x fue reescalado para que estuviera
en el rango [0, 1]. As, tomando f0 (x) como la densidad uniforme sobre [0, 1], uno puede
usar polinomios ortogonales de la funcin uniforme para definir (x). Pero cuantas de
estas s deberan considerarse?. Si se sabe queR el logaritmo de la verdadera densidad
tiene r derivadas cuadrticamente integrables, ( |Dr logf (x)|dx < 0) entonces definien2r
1
do m = n 2r+1 alcanza una tasa de convergencia de fb a f igual a Op (n 2r+1 ) el cual es
similar al alcanzado por los Kernels adaptativos (o de orden superior)
41
como xa1 xb2 para pequeos valores de a y b, tambin como xa1 xb2 xc3 y as sucesivamente
(notar tambin que la media de x puede ser restada de las expresiones anteriores para
imponer condiciones de momentos). No obstante, a medida que la dimensin aumenta,
la integracin numrica que define K(t) se hace mas compleja.
En general, para todos los mtodos de estimacin incluidos el de Kernel, la dificultad para obtener estimaciones de densidades precisas crece muy rpidamente con el
nmero de dimensiones.
Para el caso de funciones Kernel, la expansin a dimensiones mayores es bastante directa:
fb(y, x) = fb(z)
n
X
1
zi z
K
1
n hq+1
h
i=1
fb(y, x)dy
o bien:
fb(y, x)
fb(y|x) =
fb(x)
y as sucesivamente. De esto ltimo se desprende que podremos calcular, entre otros
E(y|x) aunque no todos los estimadores no paramtricos de E(y|x) se obtienen de esta
forma.
42
2.2.3.
K() = (2)1/2 e 2
y una Espanechnikov:
K() = 34 (1 2 ) si || 1
donde =
xi x
h
y h=n1/5
bx , con n=1104.
Se observa que slo hay pequeas diferencias entre estimadores sugiriendo que la eleccin entre tipos de kernel no es fundamental.
La figura 2.2 contrasta la densidad estimada con una Normal de una variable aleatoria
con la misma varianza muestral. Tambin se entrega la cota inferior del intervalo de
confianza al 95 %, el cual se calcula como :
43
1/2
(nh)
d
c))
(fb E (f
N
0,
Z
f (x)
K ()d
cuando n
44
45
yt = yt1 + et
donde = 1
(i)
"1000
# 1000
X (i)
X (i)
(i)
2
=
(yt=1 )
yt1 yt ,
t=1
xi = 1000(b
(i) 1)
t=1
46
2.2.4.
47
Suponga que queremos construir una densidad g(x) con ciertas propiedades y cuento con una estimacin preliminar o densidad "base"f0 (x) la que puede o no tener las
propiedades deseadas. En particular, las "propiedades"son condiciones sobre los momentos, las que pueden ser expresadas como:
Z
(x)g(x)dx = M
(2.7)
48
e(x) f0 (x)
e(x) f0 (x)dx
Definiendo:
Z
et(x) fo (x)dx
Mo (t) =
Z
=
y, en forma similar:
Z
et(x) f (x; )dx
M (t) =
Z
=
et(x)
e(x) f0 (x)
dx
M0 ()
e(x) f0 (x)
dx = 0
M0 ()
(2.8)
0 ()
donde podemos observar el trmino anterior es idntico a K
(ver notas anteriores).
K0 ()
De esta manera resolviendo = 0 para nos entrega valores para que tenga las
propiedades requeridas.
Para el caso univariado, suponga que tomamos una secuencia de funciones (x) y calculamos su media muestral de forma de determinar . Si definimos (x) = (x)
y seguimos el procedimiento anterior para calcular f (x, ), entonces si se escoge adecuadamente la secuencia (x) - la que incluye el nmero de funciones a medida que la
49
2.2.5.
Deaton(1997), pg 174.
"....an adequate procedure is to consider a number of different bandwidths, to plot the
associate density estimates, and to judge by eye weather the plots are under smoothed
or over smoothed...there should also be some preference for undersmoothing when using
graphical methods; the eye can readly ignore variability that it judge to be spurious,
but it cannot discern features than have been covered up by oversmoothing".
1X
vn K
fbw (x) =
h
i=1
x xi
h
K = Epanechnikov
vn : pesos normalizados (pesos normalizados por su suma, es decir que sumen 1).
50
2.3.
2.3.1.
Una vez revisado los aspectos generales de estimacin no paramtrica de una densidad de probabilidades, el siguiente paso que debemos dar est relacionado con la
estimacin de funciones de momentos condicionales. Ello debido a que en general, los
modelos economtricos pueden ser visto como una funcin de momento condicional, en
particular como un valor esperado condicional. De esta manera, a diferencia de una
estimacin de densidad bivariada o multivariada nos interesa determinar la forma que
tiene la relacin entre un conjunto de variables x y su contraparte y. Con este fin,
adoptaremos la siguiente notacin:
Y = E(Y |X = x) + u = m(x) + u
donde, en general diremos que Y , X son variables aleatorias poblacionales y xi , yi
pueden ser ya sea variables aleatorias o valores particulares de la muestra dependiendo
del contexto.
En primer lugar, debemos notar que si tenemos valores repetidos de x, podemos promediar los valores correspondientes de y para obtener un estimador de m(x). No obstante
51
m(x) =
f (x, y)
dy
f1 (x)
(2.9)
(2.10)
m(x)
e
=
n
X
wni (x) yi
(2.11)
i=1
donde wni = wn (xi , x). Si los wni son no negativos y suman 1, podemos pensar en ellos
como pesos probabilsticos.
Veamos esta situacin en el siguiente grfico donde se han considerado slo dos puntos.
52
yj
m(x)
yi
xi
m(x)
e
=
n
X
xj
wni (x) yi
i=1
x x
K xihx yi + K jh
yj
x x
K xihx + K jh
Pues bien, pensando ahora ms en el contexto de un modelo de regresin, donde la
especificacin tiene la estructura de una esperanza condicional, podramos pensar en
m(x) como una forma funcional conocida con parmetro . De esta manera, el estimador
OLS de se encontrara al minimizar la siguiente expresin:
n
X
(yi m(xi , ))2
i=1
i=1
mediante el cual se le entrega un ponderador mayor (peso mas alto) a aquellos xi que
estn mas cerca de x. Si m(x) es considerado como un solo parmetro a estimar (pensar
en la constante en un modelo de regresin), entonces tenemos que:
n
X
i=1
(2.12)
53
X
x xi
[yi m]2 K
h
Una extensin natural a esta forma de estimacin es la denominada "locally linear
regression". En sta se escoge m y con el fin de minimizar la siguiente expresin :
n
X
x xi
[yi m (xi x)]2 K
h
i=1
f3(x)
f2(x)
1
f1(x)=1
" q
X
k=1
#
fk (xk )
54
Z
f2 (x) f1 (x) (x) = 1 pero
f2 (x) f1 (x) = 0
2.3.2.
Una forma alternativa de estimar m(x) = E(y|x) es aproximar m(x) por una funcin
lineal de un vector z de dimensin M , con z = z(x) donde el conjunto de funciones z
se denomina "base". Elecciones obvias de la base pueden ser x, x2 , x3 , o similares
o bien varios sistemas de polinomios ortogonales (por ejemplo, los ya mencionados
Hermite). Una forma ms compleja son series trigonomtricas sin(kx), cos(kx) para
k = 1, ...., M/2.
En general, la idea es estimar en el modelo:
y=
n
X
zik n + ui
i=1
PM
k=1 zk (x)k .
55
L X
J
X
l=1 j=1
con kl0 vector de valores entre -1 y 2 (ver siguiente tabla ) y L y J relacionados con M/2.
La idea central de esta forma flexible, desarrollada por Gallant (1981), es que dichas
series aproximan bastante bien m(x) para el caso multivariado. En particular bajos
ciertos supuestos (B1-B7, en teorema 3.9 Pagan y Ullah), se cumple que:
u1/2 [E(m(x))
b
m(x)] 0 mientras n
con u = 2 (Z 0 (Z 0 Z)1 Z).
56
2. No obstante, clculos para valores cercanos a cero pueden ser obtenidos pero con
intervalos de confianza (varianza) muy altos y por lo tanto, la imposicin ser
alta.
4. La gran ventaja de la regresin no paramtrica es el hecho que no asume forma funcional alguna permitiendo no solo que los datos .escojan"los parmetros
estimados sino que la forma de la curva tambin.
2.3.3.
Existen dos fuentes de sesgos en una regresin mediante Kernel. Estos se ilustran
en el siguiente grfico.
Bandwidth
57
m2
y3*
y2*
y3
m1
y2
y1
x1
x2
xa
xb
x3
58
La pregunta que surge es, si a pesar de tener una relacin lineal, la cual evita el primer
sesgo ya discutido, cmo se puede eludir el segundo sesgo. La respuesta sera ampliar
la muestra (es decir, n ). Pero qu sucede si no podemos hacer esto en la prctica.
Una forma, es la ya discutida aproximacin utilizando series, pero existen otras, veamos.
Una forma es imponer una estructura de los momentos condicionales, el cual, entre
otras cosas nos ayuda a solucionar el problema del urse of dimensionality"que surge al
utilizar las aproximaciones por series.
Por una parte, existen un tipo de aproximaciones que se denominan Modelos Aditivos
Generalizados los que tiene la siguiente estructura :
yi =
q
X
mj (xij ) + ui
j=1
donde mj son funciones de variables unitarias con E[mq (xq )] = 0 condicin necesaria
para su identificacin. Supongamos que el nmero de regresores q, es igual a 2.
m(x1 , x2 ) = m1 (x1 ) + m2 (x2 )
entonces, al aplicar valor esperado tenemos que:
Z
Z
m(x1 , x2 )f (x2 )dx2 =
= m1 (x1 ) + 0
y de esta manera, estimadores de f (x2 ) y m(x1 , x2 ) entregan un estimador de m1 (x1 ).
Este procedimiento se puede realizar en forma anloga con el fin de obtener m2 (x2 ) y
as sucesivamente.
Por otra parte, si bien sabemos que :
Z
m1 (x1 ) =
R
ya que m(x2 )f (x2 ) = 0 dado el supuesto de que E(m2 (x2 ))
P= 0. Entonces, m(x1 , x2 )
puede ser estimado en forma no paramtrica m(x
b 1 , x2 ) = nj=1 wj (x1 , x2 )yj dejando
slo el problema de que hacer con f2 (x2 ).
Una forma de llevar a cabo esta ltima etapa es mediante el reemplazo de f (x2 ) por
una funcin determinstica f (x2 ) con la condicin que integre a la unidad.
59
n
X
j=1
n
X
Z
yj
wj (x1 )yj
j=1
donde: wj (x1 ) =
2.3.4.
60
n
X
xi x0
2
mn
(yi 0 1 (xi x0 )) K
0 ,1
h
i=1
Para este caso particular, la variable educacin, fue separada en 5 categoras y para la
variable habilidad cognitiva se creo una grilla de 20 puntos separados uniformemente
los que denotaban aquellos individuos desde 0,3 desviaciones estndar bajo la media de
esta variable hasta 1,5 desviaciones estndar sobre la media.
De esta manera se necesitaron cinco regresiones no paramtricas con el fin de describir
la relacin entre habilidad y (el log) de los salarios por hora al interior de cada grupo
educativo. Estos 5 valores estimados se agruparon de modo de graficar la esperanza
condicional del logaritmo de salario sobre el espacio habilidad-educacin.
61
62
2.4.
n
X
(2.13)
i=1
n
logL X Fi
=
Fi1 (1 Fi )1 (yi Fi ) = 0
(2.14)
i=1
n
X
Fi
(yi Fi ) = 0
(2.15)
i=1
4
5
64
Una forma de interpretar las condiciones de primer orden del estimador mximo verosmil
es que en ellas se "pesan"las FOC del mnimo cuadrado no lineales (NLS) en forma
apropiada para corregir la heterocedasticidad presente del error (yi Fi ).
Es importante notar que F () es una funcin del escalar x0i ; de ah el nombre de
modelo ndice unitario (single-index model).
Debido a esta dependencia, la esperanza condicional est basada en este ndice x0i
y no en xi . Si fuera conocido, y deseramos estimar la probabilidad de una decisin
positiva (es decir, yi = 0 yi > 0) dadas las caractersticas del individuo xi , mtodos
no- paramtricos podran ser empleados para estimar dicha esperanza condicional al
usar yi y zi = x0i como datos (Notar que no se debera usar yi , xi pues no captarn la
naturaleza de ndice nico del modelo).
2.4.1.
En el mundo paramtrico, la escala de los errores se ha normalizado a 1 y una medida de su ubicacin central.6 Si no deseamos imponer restricciones o supuesto alguno
sobre el error en el mundo no paramtrico, deberemos imponer, eso si, algn tipo de
normalizacin sobre los parmetros a estimar (despus de todo, menos restricciones sobre los errores no pueden incrementar el nmero de parmetros identificables).
La normalizacin ms conveniente (ver Pagan y Ullah) es imponer la condicin de
constante igual a cero y escalar el coeficiente de uno de las componentes de x como 1,
donde esta ltima variable escogida debe ser continua. As, tenemos :
x0i = x2i 2 + + xqi q
= 2 (x2i + x3i 1 + + xqi q2 )
= 2 v(xi , )
donde
v(xi , ) = x2i + x3i 1 + + xqi q2
con j = j+2
j=1, , q 2 y donde es identificable. Todo esto depender de si
2
se puede identificar correctamente una variable independiente continua con coeficiente
no-cero (es decir 2 6= 0). La funcin v(xi , ) es denominada el ndice y no tiene necesariamente que ser lineal. Lo esencial es que la forma funcional entre los parmetros,
sea conocida y uno de estos parmetros puede ser normalizado a 1.
No olvidar que los modelos donde P (y = 1|x) = P (y = 1|v(x, ) se denominan modelos
de ndice nico (i.e. propensity score, el cual veremos mas trade en el curso !).
6
2.4.2.
2
{yi m(v(x
b
i , ))}
i=1
donde m
b puede ser estimado, por ejemplo, por Nadaraya-Watson asumiendo una forma
funcional arbitraria para v. Aqu, m
b es el estimador no paramtrico de E(y|v(x, )).
Las condiciones de primer orden para son:
n
X
m[v(x
b
i , )]
i=1
(yi m[v(x
b
i , )] = 0
La eficiencia de esta tcnica depende de la habilidad para estimar m[v(xi , )], es decir, de
la velocidad de estimacin. Ello impone ciertas restricciones sobre los anchos de banda h
si se utilizan mtodos de kernel. No obstante, si son bien seleccionados se podr obtener
consistencia n1/2 y normalidad. Esto es:
d
n1/2 (b 0 ) N (0, D1 V D1 )
2.4.3.
Estimador de Klein-Spady
Dado que v(x, ) tiene un coeficiente no cero en una variable continua, entonces posee
una distribucin continua, por ejemplo, f (v). Usando v para abreviar v(x, ) podemos
7
66
f (v|y = 1) P (y = 1)
f (v|y = 1) P (y = 1) + f (v|y = 0) P (y = 0)
Todas las cantidades que aparecen en este ltimo trmino pueden ser estimadas; las
densidades condicionales por estimadores de densidad no paramtrica y las probabilidades incondicionales por las medias muestrales.
Usando Pb(y = 1|v) para denotar un estimador obtenido a partir de la sustitucin
de los estimadores anteriores, una forma funcional anloga al ML paramtrico puede
ser escrita de la siguiente manera:
logL =
n
X
(1 yi )log(1 Pb(y = 1|v)) + yi log(Pb(y = 1|v))
(2.16)
i=1
!
n
h
i1 h
i
logL X Pb(y = 1|vi )
=
Pb(y = 1|vi )1 1 Pb(y = 1|vi )
yi Pb(y = 1|vi ) = 0
i=1
Este ltimo se compara con bks y si es muy distinto se hace todo esto de nuevo.
Notar que en cada iteracin se deben estimar los kernels de vuelta ahora con
distintos v. En particular, para KSE:
n
X
1
v x0i bks
f (v|y = 1) =
yi K
n P (y = 1) hn
hi
i=1
n
X
1
v x0i bks
f (v|y = 0) =
(1 yi )K
n (1 P (y = 1)) hn
hi
i=1
Para extensiones del KSE ver Lee(95) especialmente en el caso de tener varias elecciones (policotmica), aspecto que se ver en el captulo siguiente teniendo eso si, en
consideracin, que el KSE en estos casos no llega al lmite inferior NP.
Qn () =
n
X
i=1
68
Captulo 3
3.1.
En general, existen dos formas de analizar respuestas binarias. Una en forma individual, es decir, cada observacin esta formada por la respuesta del individuo y un vector
de regresores asociados a l [yi , xi ] la cual es la que hemos analizado hasta ahora. La
segunda alternativa es en forma grupal. Bajo este marco, los datos consisten en proporciones de observaciones, los que se obtienen observando la respuesta de ni individuos,
todos ellos con los mismos valores para el vector de caractersticas x.
Existen a lo menos dos formas de estimar modelos de datos grupales. Un mecanismo es
mediante Mxima Verosimilitud y la otra es utilizando el estimador de Chi-Cuadrado.
3.1.1.
Mxima Verosimilitud
Para este estimador, se asume que existen J clases de grupos de individuos donde
las caractersticas de stos x son las mismas al interior de cada clase, entonces se tiene
que :
P (yi = 1) = F (x0i )
pero cuidado, ahora xi es un conjunto de variables las que slo difieren entre grupos y
no al interior de ellos.
En forma anloga al caso individual, podemos definir la funcin de verosimilitud (en
69
70
logL =
yi log(F (x0i )) + (1 yi ) log(1 F (x0i ))
i=1
Ahora, si los x son constantes al interior de cada clase j entonces la funcin anterior
puede ser re escrita como sigue :
J
X
logL =
pj log(F (x0j )) + (1 pj ) log(1 F (x0j ))
(3.1)
j=1
Pnj
donde pj = n1j j=1
yi es la proporcin de respuestas igual a "1.en la clase j y con n1 ,
, nj el nmero de observaciones al interior de cada clase j. Notar que la suma del
MLE es solo sobre j trminos y donde F puede ser la Normal o la Logstica.
Ahora, dado que J < n tenemos lo que se denomina un modelo completamente saturado con J parmetros. Esto significa que para cada clase de x asignamos un parmetro
diferente. Por ejemplo, j con j = 1, ...J no imponiendo condicin alguna de cmo las
covarianzas entre los j pueden afectar las probabilidades.
De ser as, el log-likehood tiene la siguiente forma:
logL =
J
X
j=1
X
nj pj log(pj ) + (1 pj ) log(1 pj )]
[
j
3.1.2.
71
La idea es que en datos grupales debemos ajustar un nmero fijo de clases independientemente del nmero de observaciones. No olvidar que en el caso individual el nmero
de observaciones crece en la misma proporcin que la muestra. La idea es transformar
la variable dependiente y usar Mnimos Cuadrados Ponderados (WLS). En la siguiente
tabla se presentan algunos modelos con sus formas funcionales correspondientes.
Varios modelos de minimos 2 para datos agrupados
Modelo
Probabilidad
Variable Dependiente Varianza()
Lineal
pj = X
pj
Log-lineal
pj = exp(X)
log(pj )
Probit
pj = (X)
Logit
pj = (X)
1 (pj )
pj
log 1p
j
pj (1pj )
nj
(1pj )
nj pj
pj (1pj )
n(pj )2
1
nj pj (1pj )
pj = F (x0j ) + j = j + j
donde E(j )=0 y V(j ) =
j (1j )
nj
(pj ) = F
(j + j ) F
dF 1 (j )
(j ) +
j
dj
dF 1 (j )
1
=
dj
f (x0j )
72
j
fj
Fj (1Fj )
nj fj2
x0j
= log
j
1 j
Un ejemplo
Veamos un ejemplo ilustrativo de la estimacin de modelos binarios con datos agrupados. Warner (1978) considera el problema de prediccin de desercin para los enlistados en la marina de los EEUU. Para ello define las siguientes variables:
y = 1 si la persona deja la marina antes de terminar primer ao de enlistamiento.
y = 0 en otro caso.
Warner estima cuatro modelos alternativos:
(a) un modelo de probabilidad lineal con observaciones individuales.
(b) modelo de probabilidad lineal con observaciones en grupo.
(c) modelo logit con observaciones individuales.
(d) modelo logit con datos grupales.
La variable dependiente era si la persona se retir anticipadamente del programa; no
lo termin. En este estudio, las variables independientes son : aos de educacin, habilidad mental (Test AFQT), estado civil, edad y raza. La educacin se dividi en tres
categoras: menos de 12 aos, 12 aos y ms de 12 aos. El puntaje del test de habilidad se dividi en cinco categoras. La edad en tres categoras (menos de 18, 18 19 y
mas de 19 aos). Las distintas combinaciones de nivel de educacin, habilidad mental,
edad, raza y estado civil arrojaron un total de (3x5x3x2x2) 180 categoras o celdas en
las que los individuos pueden clasificarse. Estos son los datos grupales. La muestra consisti en 30.000 individuos extrado de un total de 67.000 reclutas hombres durante 1973.
73
Para la estimacin del modelo de probabilidad lineal se aplic el mtodo de correccin de heterocedasticidad sugerido por Goldberger. No obstante, en los casos que la
estimacin de p por OLS es menor que 0, Warner usa un pb = 0,02, sugerido por Nerlove
y Press (1973). Si bien este ltimo procedimiento puede salir al paso del problema de
los pesos negativos en la estimacin por GLS de los , los problemas de interpretacin
del modelo como una de probabilidad an persisten.
En la siguiente tabla se presentan los resultados alcanzados para las cuatro especificaciones empricas.
Comparacin entre los parmetros estimados: datos individuales y por grupos
Variable
Lineal Individual Lineal Grupal Logit Individual
Logit Grupal
Ed<12
-0.105 (17.04)
-0.109 (14.14)
-0.672 (21.23)
-0.656 (14.42)
Ed>12
0.028 (3.88)
0.032 (3.79)
0.349 (4.51)
0.284 (2.87)
Mental group I
0.084 (9.95)
0.084 (9.65)
1.179 (9.32)
1.040 (6.00)
Mental group II
0.021 (3.96)
0.020 (3.09)
0.201 (4.50)
0.208 (3.6)
Mental group III
-0.053 (7.70)
-0.052 (6.20)
-0.345 (7.71)
-3.42 (6.00)
Mental group IV
-0.098 (12.46)
-0.097 (10.04)
-0.581 (12.98)
-0.571 (9.75)
Dependents
-0.046 (4.82)
-0.039 (3.61)
-0.349 (5.52)
-0.403 (5.21)
Age<18
-0.031 (4.16)
-0.024 (2.56)
-0.145 (3.24)
-0.166 (3.14)
Age>19
-0.027 (4.30)
-0.022 (3.51)
-0.185 (4.13)
-0.169 (3.24)
Race
0.027 (3.61)
0.037 (4.15)
0.136 (3.04)
0.081 (1.28)
Constant
0.881 (25.70)
0.882 (20.79)
1.959 (61.96)
1.950 (40.87)
N
30.000
137
30.000
137
(t values entre parntesis)
Como se observa, las variaciones entre el modelo estimado en forma grupal y aquel
individual son poco significativas. Notar, eso s, la menor cantidad de datos necesarios
para la estimacin de los datos en forma agrupada.
3.2.
Hasta el momento nos hemos concentrado en modelos donde la variable dependiente puede tener solo dos valores. No obstante, en la vida real nos podemos encontrar
con situaciones donde existan fenmenos que pueden ser descritos como procesos que
involucran mas de una decisin.
En general pueden existir a lo menos dos tipos de situaciones cuando hay mas de una
eleccin, a saber: (i) individuos que tienen que tomar varias decisiones cada una de
ellas entre dos alternativas o bien (ii)una eleccin donde hay mas de dos alternativas
(ordenadas o no ordenadas).
Para el primer caso se aplica generalmente modelos probit o logit multietpicos mientras que para el segundo caso se aplican los denominados multinomial logit cuando
las alternativas no tienen un orden pre establecido (no ordenados) o ordered probit
cuando el orden de las alternativas importa (caso ordenado).
Comenzaremos con la revisin de aquellos casos donde existen mas de dos alternati-
74
va de eleccin pero donde hay slo una eleccin. Como se mencion, en este caso existen
a lo menos dos situaciones:
1. donde las probabilidades de eleccin de cada alternativa dependen solo de las caractersticas de quien decide. Bajo esta situacin modelamos dichas probabilidades
con un Multinomial Logit (MNL).
2. donde adems de lo anterior, las caractersticas de las alternativas en s mismas
tambin influyen en la probabilidad de cada alternativa. Este caso ser abordado
por el Conditional Logit atribuible a McFadden (1976).
3.2.1.
pj
1 pm
1
=
=
1
pm
pm
pm
tenemos que:
pm = 1 +
m1
X
j=1
1
G(j0 X)
(3.2)
75
y entonces:
pj =
G(j0 X)
Pm1
1 + j=1 G(j0 X)
(3.3)
Podemos considerar que las observaciones son obtenidas de una distribucin multinomial con las probabilidades dadas segn (3.2) y (3.3). Desde el punto de vista computacional la distribucin logstica para el error hacen que G(j0 X) sea igual a exp(j0 X) y
entonces:1
0
ej X
pj =
D
j = 1, 2, ...m 1
con D = 1 +
Pm1
k=1
(3.4)
ej X
n
Y
im
pyi1i1 pyi2i2 pyim
i=1
n X
m
X
yij logpij
i=1 j=1
exp(x0 j )
Pm1 i
1 + k=1 exp(x0i k )
j = 1, 2, ....m 1.
y tambin que :
pim =
1
1
Pn1
1 + k=1 exp(x0i k )
76
= pij (1 pij ) xi
j, k = 1, 2, ......m 1
= pij pik xi
= pij pim xi
n
X yik
X yij
logL
(pij pik ) xi
=
pik (1 pik ) +
k
pik
p
ij
j=1
i=1
n
X
j6=k
i=1
Pm
j=1 yij
n
X
(yik pik )xi = 0
k = 1, 2, ....m 1
(3.5)
i=1
X
2 logL
=
pik (1 pik ) xi x0i
0
k k
i=1
X
2 logL
=
pik pil xi x0i
0
k l
i=1
La cual es negativa definida lo que asegura una nica solucin. La estimacin de sta
puede realizarse segn los mtodos ya vistos donde el estimador BHHH es un a alternativa sencilla.
Finalmente, para la iteracin de las rutinas para encontrar los valores ptimos a partir
del score se pueden considerar como valores iniciales para obtener los 0 s aquellos resultantes de los modelos logit simples para cada alternativa j bien los coeficientes de
una funcin discriminante.
77
(3.7)
Aunque se necesita un tipo de normalizacin por ejemplo que el primer elemento de sea igual a 1
78
C/D
C/P
Train
Bus
In-Vehicle
Cost (dol)
64.56
4.37
98.23
81.61
Resumen Estadsticas
In-Vehicle
Walk
Time (min) Time (min)
28.65
0.76
28.32
0.71
43.84
10.50
38.15
7.47
Wait
Time (min)
0.15
2.89
8.37
7.11
Number
Choosing
953
78
279
145
Las estimaciones de los parmetros asociados a cada alternativa se presentan en la siguiente tabla :
79
80
ser necesario utilizar un modelo alternativo al logit multinomial ya que este ltimo
ser inconsistente. Existen a lo menos dos formas de resolver este problema. Una forma
es mediante un Probit Multivariado y la otra, es mediante la utilizacin de un Logit
Anidado (Nested Logit). Veamos cada uno de ellos.
Logit Anidado
El principio subyacente a este enfoque es modelar, de ser posible, la decisin entre
las alternativas como siguiendo un proceso de etapas consecutivas. Bajo este esquema,
se agrupan las alternativas en subgrupos permitiendo que la varianza sea diferente en
cada grupo, relajando as el supuesto de homocedasticidad del logit condicional, pero
manteniendo la hiptesis de independencia de alternativas irrelevantes dentro de cada
grupo. El modelamiento implica que el decisor puede escoger entre L subgrupos y luego
escoger entre una de las alternativas dentro del grupo, generndose una estructura de
rbol.
Eleccin
Rama 1
C1/1
Rama 2
C2/1
C1/2
C2/2
Cabe sealar que este modelo surge, generalmente, como modificacin de la especificacin estocstica del modelo logit condicional y no necesariamente como un modelo de
comportamiento.
Supongamos que tambin los datos estn formados por observaciones con atributos
de las alternativas yj|l y atributos de los conjuntos alternativos zl con l = 1, ....L
As:
0
e yj|l + zl
P [subramaj , ramal ] = pjl = PL Pj
0 yj|l + 0 zl
l
l=1
j=1 e
la cual puede ser escrita como pjl = pj|l pl donde
0
e yj|l
pj|l = Pj
l
j=1 e
0 yj|l
81
y
0
e zl +l Il
pl = PL
l=1 e
0 zl +l Il
P l 0y
donde Il = log jj=1
e j|l valor inclusivo de la l-esima rama y donde si l = 1, entonces
se recupera el modelo original.
La estimacin de un modelo logit anidado puede ser realizada por dos mtodos alternativamente. En el primero de ellos, se estiman los considerando la eleccin dentro
de cada rama como un modelo logit condicional sencillo. As se calculan los valores
inclusivos de todas las ramas del modelo. Y luego, se estima y todos los parmetros
considerando la eleccin entre ramas como un modelo logit condicional con atributos
zl y Il . Este mtodo se conoce como mxima verosimilitud con informacin incompleta
(LIML).
La otra forma es utilizando toda la informacin disponible (FIML) donde la funcin
de verosimilitud viene dada por:
logL =
n
X
i=1
siendo esta ltima ms eficiente que la estimacin en dos etapas con Informacin Limitada.
Veamos un ejemplo de aplicacin de Logit Anidado. Hesher y Greene (1995) reportan
estimaciones de un modelo de eleccin de modos de viaje entre Sydney y Melbourne,
Australia. La base de datos contiene 75 observaciones sobre la eleccin de cuatro alternativas: Aire, Tren, Bus y Auto. Los atributos usados para este ejemplo son constantes
especificas de las elecciones y dos medidas continuas: CG, una medida de el costo generalizado del viaje y TTIME, tiempo de viaje. Adems se utiliza el ingreso del hogar,
HINC.
Se estima un modelo logit anidado con dos ramas: FLY=(aire) y GROUND=(tren,
bus, auto). Notar que una de las ramas tiene solo una eleccin, entonces la probabilidad condicional pj|f ly = pavin|f ly = 1. El modelo se estima por FIML y LIML como
as tambin con un conditional logit con cuatro alternativas a modo comparativo. Los
resultados encontrados se presentan en la siguiente tabla :
train
bus
gcost
ttime
air
hinc
logL
logL0
82
Como se mencion, el LIML se estima en dos etapas. Hay dos pruebas acerca del
anidamiento. El LR entre las dos formas de estimacin -2(65.73-65.41)=0.65 resulta
ser bastante menor que el 2 crtico de 3.84. Y la segunda prueba basada en un test de
2
Wald del FIML con 2 = (0,77581)
= 0,861 entregando la misma conclusin.
(0,24159)2
Multinomial Probit
Una solucin alternativa al problema de la no independencia de alternativa irrelevantes es estimar un MP en el cual, las alternativas irrelevantes son generadas por una
distribucin normal multivariada interdependiente conjunta.
Veamos el caso de tres alternativas:
Y1 = V1 + 1
Y2 = V2 + 2
Y3 = V3 + 3
con Vj vector de atributos de la variable j.
Asuma que los residuos (1 , 2 , 3 ) tiene una
dia cero y matriz de covarianzas .
2
2
11 12
2
2
22
= 12
2
2
13 23
12 + 22 212
12 13 12 + 23
= 2
1 13 12 + 23
12 + 32 213
As la probabilidad de que la alternativa 1 sea escogida viene dada por:
Z V12 Z V13
P1 =
f (21 31 ) d21 d31
donde f (21 31 ) tiene una distribucin normal bivariada con matriz de covarianza igual
a y media cero.
83
Resumen
El siguiente cuadro nos permite contextualizar la discusin de los modelos que hemos
analizados hasta ahora y los que an nos quedan por analizar.
Probit
Dicotmica
Logit
Lineal
No y semiparamtrico
variable
discreta
no ordenada
multinomial logit
conditional logit
Policotmica
ordenada
ordered probit
secuencial
84
MNL(N ):
E(yi1 ) = i1 =
E(yi2 ) = i2 =
1+
1
(j +j xi )
j=2 e
Pm
e(2 +2 xi )
Pm ( + x )
1 + j=2 e j j i
..
.
log
i2
i1
= 2 + 2 xi
mas general
log
ij
in
= x0i (j n )
(3.8)
"
= j j
K
X
#
k k
k=0
= j j
j
= j k e
zk
85
e yj/l + zl
P [subramaj , ramal ] = Pjl = PL PJ
0 yj/l + 0 zl
i
l=1
j=1 e
que para la estimacin se utiliza la propiedad de que Pjl = Pj/l Pl .
Vimos los mtodos de LIML y FIML para estimar dichas probabilidades.
3.2.2.
A diferencia de los casos estudiados hasta el momento, en esta seccin consideraremos situaciones donde existe un orden natural entre las alternativas. Asumiremos
que existe una variable latente :
yi = x0i + i
donde la variable observada indica en cual intervalo o categora cae la variable y no
observada por el econometrista. Una forma de esquematizar el valor de la variable
observada es la siguiente :
1 si yi < 1 ;
2 si 1 yi < 2
..
yi =
.
J si j1 yi
1 < 2 < . . . j1
|
{z
}
umbrales
j = +
si j1 yi < j
j : 1...J
Para estos casos, se utiliza un modelo denominado Probit Ordenado para estimar esta
ecuacin donde se asume que los errores se distribuyen:
i N (0, 2 )
86
los que no son observables y luego deben ser estimados; es decir, son parmetros del
modelo.
Dado que los umbrales 0 s y los valores de y no son observados, la escala y origen
de y son arbitrarios. As, podemos llevar a cabo la siguiente normalizacin: =1 y
1 =0.
De esta manera, tenemos :
P [yi = j] = P [j1 yi < j ]
1 si yi = j;
yij =
0 si
n X
J
X
i=1 j=1
y tambin :
n
Para el caso de las segundas derivadas -ver Maddala 1986:49, el Hessiano es negativo
definido, y por lo tanto, el mtodo de iteracin usado (i.e. Newton-Raphson) converger
87
= (x0i )
= (j1 x0i )
donde los dos ltimos casos son aquellos en el extremo de la distribucin. Si se asume
que el obtenido es positivo entonces el signo de estas derivadas ser negativo para el
primer umbral y positivo para el ltimo. Para aquellas categoras o alternativas en el
centro, el efecto es ambiguo. Veamos lo que ocurre grficamente para el caso de tener
tres alternativas ordenadas (i.e. dos umbrales).3
f(e)
y=0
y=1
-x'beta
y=2
u1-x'beta
P [y = 0] = 1 (x0 )
P [y = 1] = (1 x0 ) (x0 )
P [y = 2] = 1 (1 x0 )
3
88
El siguiente grfico ilustra los efectos marginales asociados al cambio en una de las
variables independientes xi .
f(e)
Del grfico anterior se observa que al aumentar una de las x manteniendo constante los
y equivale a desplazar la distribucin hacia la derecha. Si el asociado a esta x es
positivo, entonces inequivocamente P (y = 0) tendr menos masa y P (y = 2) aumen(y=1)
tar, no obstante en el medio el efecto no es concluyente Px
< 0.
i
Ejemplo
El siguiente ejemplo muestra una aplicacin de un modelo de probit ordenado. Marcus y Greene (1985) estimaron un modelo probit ordenado para estudiar como la armada
estadounidense asigna empleos entre sus reclutas. La armada intenta colocar a cada recluta en el puesto de trabajo en el que vaya a resultar ms productivo. Los empleos se
dividen en tres grupos genricos: "de especializacin media", de especializacin alta y
de especializacin alta con conocimiento de energa nuclear.
Puesto que la asignacin se hace tanto de factores especficos de los individuos como de
las propias necesidades y criterios de la armada, se utilizo un modelo probit ordenado
con las siguientes variables explicativas: (1) FP=variable binaria que indica si el recluta
ha obtenido previamente algn diploma en un instituto de formacin profesional o no;
(2) EM=nivel educativo de la madre del recluta; (3) EX=calificacin obtenida en un examen de ingreso; (4) AE=aos de educacin del recluta; (5) CAS=variable binaria que
indica si el individuo estaba casado o no en el momento que se alist; (6) EDAD=edad
del recluta en el momento que se alist. La muestra obtenida fue de 5.641 observaciones.
La siguiente tabla muestra los resultados obtenidos.
89
1.79
80.8
-
Es lgico el enorme valor del estadstico t asociado a la variable EX, pues la Armada
tiene muy en cuenta el resultado de este examen cuando asigna un puesto de trabajo.
Por otra parte, si se quieren obtener los efectos marginales de las variables continuas,
es necesario evaluar la densidad normal estndar en 0 x=-0.8479 y en 0 x=0.9421.
De esta manera podemos obtener las probabilidades estimadas, las que son (0,8479) =
0,198, (0,9421)(0,8479)=0.628 y 1-(0,9421)=0.173. Por su parte, las frecuencias
relativas observadas eran: 0.25, 0.52 y 0.23. Las dos densidades son (0,8479)=0.278
y (0,9421)=0.255. Por lo tanto, las derivadas con respecto a las tres probabilidades
con respecto a la variable EX, por ejemplo, son:
P0
EX
P1
EX
P2
EX
= (0,278)0,039 = 0,01084
= (0,278 0,255)0,039 = 0,0009
= (0,255)0,039 = 0,00995
Obsrvese que la suma de los efectos marginales es cero, lo que es consecuencia de que
la suma de las probabilidades sea igual a 1. Este enfoque no resulta apropiado para
evaluar el efecto marginal de una variable binaria. Podemos analizar el efecto de estas
comparando las probabilidades que se obtienen cuando la variable binaria se evala en
cada uno de sus dos valores posibles y las dems variables se evalan en sus medias
muestrales.
Por ejemplo, en la siguiente tabla se entregan los resultados que se obtienen para la
variable CAS.
Efecto marginal de una variable binaria.
0 x
i N (0, 1)
90
si j1 < yi < j
j = 1, . . . , J
donde 0 = y j = . Para los datos de 1980 que son usados J=3, y para 1984
J=5. Dado que el vector x contiene una constante, el conjunto completo de no esta
identificado. La normalizacin 1 = 0 es adoptada. La log-likelihood est dada por:
logL =
J X
X
j=1 yi =j
Este modelo difiere del modelo de variable dependiente en grupos (GDV) considerado
por Stewart (1983) en donde j eran parmetros a estimar y no conocidos y constantes.
El test score de GDV fue derivado por Chester y Irish (1987).
Los errores generalizados para este modelo estn dados por:
(j1)i ji
E(yi x0i /yi = j, xi ) =
ji (j1)i
donde ji = (wij ) y wij = j x0i . Entonces los residuos generalizados o primer
momento de los residuos estn dados por:
(1)
ebi
b(j1)i bji
b ji
b (j1)i
donde (b) denota que el parmetro desconocido ha sido reemplazado por su estimacin
MLE.
La "threshold score contribution.est dada por:
ji
ji (j1)i si yi = j;
ji
ij =
si yi = j + 1
ji (j1)i
0
w(j1)i
(j1)i wji
ji
ji (j1)i
ei
(2)
ei
(3)
ei
(4)
ei
0i
= M
1i
= M
(1)
2i
= 2
ei + M
(2)
3i
= 3
e +M
i
91
El estadstico del test score reportado en este paper toman la forma de:
= 10 F (F 0 F )1 F 0 1
donde 1 es un vector de unos de dimensin n y F una matriz de orden n, cada fila
contiene la contribucin del score de todos los parmetros del modelo. es simplemente
n veces el R2 de una regresin de 1 sobre las columnas de F.
Test estadsticos:
Variable explicativas omitidas: El modelo general se asume que es:
yi = x0i + qi0 + i
donde q es de dimensin q y no incluye la constante. Un test score es construido para
la hiptesis nula de que =0, el test estadstico es de la forma de arriba, donde las
filas de F estn dadas por:
(1)
(1)
Fi = (
ei xi , . . . , (J1)i , ei qi )
Bajo la hiptesis nula se distribuye como 2(k) .
Forma pseudo-funcional: forma modificada del test RESET (Ramsey), construido como
un caso particular del test previo donde qi contienen potencias de yi = x0i
Heterocedasticidad:
la varianza de se asume de la siguiente forma:
i2 = 1 + q/
las filas de F para el test score de que =0 son:
(1)
(2)
Fi = (
ei xi , 2i . . . , (J1)i , ei qi )
bajo la hiptesis nula se distribuye como 2(k)
Normalidad:
Las filas de F en el test usual 2(2) para asimetra y/o Kurtosis estn dadas por:
(1)
(3)
(4)
Fi = (
ei xi , 2i . . . , (J1)i , ei , ei )
Heterogeneidad en los umbrales: bajo la hiptesis alternativa, los umbrales pueden variar sistemticamente sobre las observaciones.
ij = ej + q/j
92
y el test score puede ser construido para la nula de que j = 0, j=1, 2,.....,J-1. Las filas
de F en este caso estarn dadas por:
(1)
Fi = (
ei xi , 2i . . . , (J1)i , 2i qi , . . . , (J1)i qi )
Bajo la hiptesis nula se distribuye como 2k(J2)
3.3.
3.3.1.
Anlisis Discriminante
[0 (1 2 )]2
0
con
"
#
X
X
1
S=
(X1i X 1 )(X1i X 1 )0 +
(X2i X 2 )(X2i X 2 )0
n1 + n2 2
i
93
R2
donde R1 y R2 son regiones de tal manera que si la observacin muestral cae en esta
regin, se clasifica al individuo en el grupo 1 o bien 2 respectivamente. Adicionalmente, f1 (x), f2 (x) son las densidades de las distribuciones de caractersticas X en cada
una de las dos poblaciones.
Dado que:
Z
R2
Z
f2 (x)dx +
R1
f1 (x)dx = 1
(3.9)
f2 (x)
C2 p2
>
f1 (x)
C1 p1
(3.10)
o bien
1
fi (x) = (2)n/2 ||1/2 exp (x 1 )0 1 (x 2 )
2
y en consecuencia:
f1 (x)
1
= exp (x 1 )0 1 x (1 2 )0 1 (1 + 2 )
|
{z
} 2|
{z
}
f2 (x)
f (x)
(3.11)
constante
y as, la condicin sobre R1 para que C sea minimizada queda determinada de la siguiente forma :
0 x > ln
C2 p2 1 0
+ (1 + 2 )
C1 p1 2
94
f1 (x)
1
1
1
1
0
= x0 (1
1 2 )x + x (1 1 2 2 ) + constante
f2 (x)
2
(3.12)
P (x|i ) pi
P (x|1 ) p1 + P (x|2 ) p2
i = 1, 2
(3.13)
con
p1 1
(1 2 )0 1 (1 + 2 )
p2 2
= 1 (1 2 )
= log
exp( + 0 x)
1 + exp( + 0 x)
P (2 |x) =
1
1 + exp( + 0 x)
(3.14)
95
donde el modelo representado en la ecuacin (29) se conoce como modelo logstico, distinto de modelo logit).
Estimacin:
Sea :
yi = 1 si xi 1
yi = 0 si xi 2
entonces la funcin de verosimilitud vienen dada por la siguiente expresin :
L=
Y
yi =1
Y
exp( + 0 x)
1
0
1 + exp( + x)
1 + exp( + 0 x)
(3.15)
yi =0
Diversos autores sealan que si X no proviene de una normal entonces los estimadores
ML de (3.15) son preferibles a aquellos de una funcin discriminante ; ms an si X
no es consistente. Cuando son ms de dos grupos los que se
son dummies ya que
analizan, el modelo es anlogo a un logit. Ver Maddala (p. 379) sobre si las muestras de
yi = 1 y yi = 0 son muy diferentes en tamao, lo que significa un ajuste en la constante.
3.3.2.
Como se mencion, si bien los temas de datos de panel sern revisados mas adelante,
aqu analizaremos someramente la estimacin de este tipo de estructura de datos cuando la variable dependiente es binaria. Partamos con un ejemplo presentado en Heckman
y Willis (1977) denominado : Participacin secuencial de mujeres en el mercado del
trabajo.
Sea yit = 1 si la persona i trabaja en el tiempo t e yit =0 en otra situacin. Por otra
parte, se define xit como el vector de caractersticas observadas de quien decide participar en el mercado laboral o no.
De esta manera, se puede determinar P (yit = 1) = F (x0it ) con i = 1, 2, ...n para
un t fijo como la probabilidad que el individuo i decida participar. Como puede notarse,
aqu solo se especifica una probabilidad marginal para un t fijo y por tanto, se necesita
especificar la probabilidad conjunta P(yi1 , yi2 ,...yiT ) con el fin de dar cuenta de toda la
historia temporal de decisiones del individuo.
La forma ms simple de especificar la probabilidad conjunta es asumir independencia
entre las decisiones. De esta manera, la probabilidad conjunta de observar la historia
de decisiones viene dada por la siguiente expresin :
P (yi1 , yi2 , ....., yiT ) =
T
Y
t=1
P (yit )
96
lo que representa un modelo de eleccin discreta igual a los ya estudiado, con la nica
diferencia que tenemos N T observaciones.
Cabe sealar que el supuesto de independencia implica lo siguiente :
P (yit = 1|yit1 = 1) = P (yit = 1)
o sea, una vez que obtenemos xit el que la seora halla trabajado o no en el periodo
anterior no nos dar ninguna informacin acerca de la situacin de hoy; poco sostenible
empricamente!!.
Existen a lo menos dos situaciones de porqu P (yit = 1|yit1 = 1) 6= P (yit = 1),
es decir que no sea creble el supuesto de independencia:
Heterogeneidad: existen variables no observadas para el econometrista las que
pueden afectar a las personas en forma diferente con respecto a tendencia a trabajar.
Dependencia entre estados: para cada persona, el estado presente influye en el
estado futuro. Siguiendo la idea de cadenas de Markov.
Veamos cada una en forma separada.
Heterogeneidad
Para atacar el problema de la heterogeneidad no observable, supongamos el siguiente
modelo :
P (yit = 1|ui ) = F (x0it + ui )
i = 1, . . . , n
t = 1, . . . , T
(3.16)
E F (x0t + u) F (x0t1 + u)
0
E
F
(x
+
u)
t
E F (x0t1 + u)
=
E F (x0t1 + u)
De esta manera, la probabilidad conjunta de {yit } con t = 1, 2, ...T viene dada por la
siguiente expresin :
(T
)
Y
1y
it
P (yi1 , yi2 , ...yiT ) = Eui
F (x0it + ui )yit 1 F (x0it + ui )
(3.17)
t=1
donde la funcin de verosimilitud del modelo es el producto de esta ecuacin sobre todos los individuos i = 1, 2, ...n. Para ello se asume que {ui } son i.i.d sobre los individuos.
97
i = 1, . . . , n
t = 1, . . . , T
(3.18)
R
0
(ai + bi )
uai 1 (1 ui )bi 1
(ai ) (bi ) i
0 ui 1
ai > 0
bi > 0
xz1 ex dx.
Notando que {yit } son serialmente independientes condicionales a ui , y que la independencia entre individuos existe, entonces se tiene que (omitiendo el subindice i) :
P (yt = 1|yt1 = 1) =
P (yt = 1, yt1 = 1)
E(u2 )
=
P (yt1 = 1)
E(u)
| {z }
beta
donde
E(u2 )
> E(u)
E(u)
ya que E(u) est definido como P (yt = 1) donde se sabe que V (u) > 0. Heckman y
Willis sugieren que ai = exp(x0i ) y bi = exp(x0i ), donde xi es un vector de caractersticas de los decisores el que no depende del tiempo para i.
As reemplazando en (3.18) se obtiene :
P (yit = 1) = [x0i ( )]
ello pues la media de una beta es (a + b)1 a. Si solo consideramos probabilidades
marginales, tenemos un modelo logit y en este sentido un modelo beta logstico en una
generalizacin del modelo logit.
Al maximizar la siguiente expresin :
L=
T
n Y
Y
[x0i ( )]
i=1 t=1
98
n
Y
E usi i (1 ui )T si
i=1
n
Y
(ai + bi ) (ai + bi ) (bi + T si )
=
(ai ) (bi )
(ai + bi + T )
i=1
i = 1, . . . , n
t = 1, . . . , T
(3.19)
donde se asume que existe una variable latente no observable la cual determina el
resultado observado para yit mediante la siguiente regla:
> 0;
1 si yit
yit =
0 si
yit
= x0it + yi,t1 + vit
yit =
donde ui iid(0, u2 ) y it iid(0, 2 ) sobre i y sobre t. Adems ui y it son independientes y para cualquier (t, s), se tiene que xit es independiente de is .
Algunos comentarios:
99
T=2
{0,0}
{0,1}
{1,0}
{1,1}
con
T=3
{0,0,0}
{0,0,1}
{0,1,0}
{1,0,0}
{0,1,0}
{1,0,1}
{1,1,0}
{1,1,1}
100
Captulo 4
Introduccin
Dentro del trabajo emprico propiamente tal, existen muchos casos donde debido a
la forma en como recolectamos datos, disponemos de informacin incompleta acerca de
la conducta de ciertos elementos o unidades de la muestra. Si esta informacin faltante
fuera sistemtica entonces aquellos modelos economtricos que ignoren este hecho podran estar sesgados. Veamos algunos casos donde este fenmeno ocurre.
Truncamiento: en este caso, la muestra est sistemticamente restringida a solo una
parte de la poblacin. Por ejemplo, una muestra puede solo incluir personas que estn
empleadas, o gente sobre una cierta edad. Ahora, el que el truncamiento sea importante
depender del tipo de pregunta que el investigador se haga.
Censuramiento (censura): este caso ocurre cuando la variable dependiente, pero
no as las variables independientes, son observadas dentro de un rango restringido. Bajo
esta situacin, todas las observaciones de la variable dependiente que estn en o bajo
el nivel lmite son tratadas como si estuvieran en el nivel limite.
Seleccin Muestral o Truncamiento Accidental: esta situacin combina aspectos de las dos anteriores y ocurre cuando el proceso por el cual la muestra es truncada
influencia los parmetros del modelo estimando sobre la muestra restringida. Por ejemplo, supongamos que estamos interesados en examinar los determinantes de los salarios
de inmigrantes. El problema estriba en que los salarios son uno de los factores que explicara la decisin de migrar. Esto es claramente una forma de truncamiento, es decir,
la muestra solo incluye a inmigrantes, pero es una forma donde los factores que determinan el truncamiento no son independientes de la conducta de la variable dependiente
dentro de la muestra truncada.
En los acpites que siguen revisaremos la forma de estimar modelos que incorporen
explcitamente estas situaciones. No obstante lo anterior, previo a esto revisaremos al101
102
guna propiedades de la distribucin normal que son fundamentales para entender los
problemas antes sealados.
4.2.
x
,
se tiene que :
z 2
1
(z) = e 2
2
= z (z)
h
i
f (x) = 1 (x)
=
(a) = P (z < a) =
(z)
Ra
(z)dz
(a) = 1 (a) = P (z a)
con estas propiedades a la mano discutiremos los aspectos problemticos mencionados
en la introduccin.
4.3.
Truncamiento
4.3. TRUNCAMIENTO
4.3.1.
103
La densidad de una variable que es truncada a partir de a viene dada por la siguiente
expresin :
f (x|x > a) =
f (x)
p(x > a)
esta definicin asegura que la densidad truncada sume uno sobre el rango restringido.
f(x)
-0.5
0.0
E(x/x>0.2)
0.2
E(x/x>-oo)
E(x/x>-0.5)
(a )
P (x > a) = 1
= 1 ()
f (x)
[1 ()]
(z)
1
[1 ()]
con z =
104
donde,
() =
()
[1 ()]
()
()
()
[() ]
lo que implica que la varianza de la distribucin truncada siempre es menor que aquella
de la distribucin sin truncar.
En general, nos referimos al truncamiento en trminos del grado de truncamiento, lo que
representa la probabilidad de que x sea menor que a. Si el valor de a aumenta el grado
de truncamiento aumenta ya que la probabilidad de que x sea menor que a aumenta.
As, una mayor proporcin de la distribucin se descarta y por consiguiente la media
de la distribucin truncada aumenta.
E(x/x>a)
P(x>a)
4.3. TRUNCAMIENTO
4.3.2.
105
Regresin Truncada
i N (0, 2 )
(a xi )
[(a xi )/]
1 [(a xi )/]
expresin que sugiere que la media de la distribucin truncada es una funcin no lineal
de x, y y el punto de truncamiento a.
A partir de la frmula de la varianza se puede determinar que:
V (yi |yi > a) = 2 [1 i (i )]
con (i ) =
i (i )
[i (i )i ]
4.3.3.
Efectos Marginales
Para el caso de un modelo de regresin truncado, los efectos marginales pueden ser
obtenidos de la siguiente manera :
xj
i xj
j
= j + 2i i i
= j (1 2i + i i )
= j (1 (i ))
ya que (i )) < 1, , el efecto marginal de un cambio en xj sobre E(yi ) cuando yi
tiene una distribucin truncada es siempre menor que el correspondiente a j .
106
verdadera
+
+
+
a
+
+
+ +
+
+
OLS
+
+
(+) (+)
(+) (+)
(+)
(+) (+)
(+): no observado
+ : observado
Del grfico podemos notar que ajustando un OLS a los datos truncados (muestra truncada) sesgar los coeficientes hacia cero. 1
4.3.4.
Estimacin:
i N (0, 2 )
por OLS, pero usando una muestra truncada, entonces tendramos un problema de sesgo por omisin de variable (el inverse Mills Ratio) relacionado con el truncamiento. As
los s estarn sesgados y sern inconsistentes.
Mas an, dado que el trmino de error en el modelo OLS est tambin truncado (es
decir, es una funcin de ) entonces el modelo anterior tendr un trmino de error
heterocedstico con la siguiente estructura :
V (i ) = 2 (1 2i + i i )
el cual es una funcin de xi (ya que i es funcin de xi ).
Una forma alternativa de estimacin es por Mxima Verosimilitud. Dada la funcin
de densidad de yi , entonces se tiene que :
f (yi |yi > a) =
1
1
[(yi
xi )/]
1 [(a xi )/]
107
n
n
X
n
1 X
a xi
2
2
logL = log(2) + log 2
(yi xi )
log 1
2
2
i=1
i=1
xi = 0
=
X 1
logL
(yi xi )2 i i
=
2+
=0
2
2
2 4
2 2
i
donde i =
4.4.
(axi )
y i =
(i )
1(i ) .
Datos Censurados
Como se haba mencionado, en este caso observamos el vector de variables independientes x sobre todo el rango pero la variable dependiente y slo es observada sobre un
subconjunto restringido de valores de la distribucin. Por ejemplo, el gasto del hogar en
bienes durables (Tobin 1958) u horas dedicadas al trabajo en Investigacin y Desarrollo.
Notar que el sesgo introducido mediante la restriccin del rango observado para y ser
serio si la probabilidad de que y caiga por debajo del umbral no es despreciable.
f(y)
Sabemos que al sacar las observaciones censuradas nos quedamos con un modelo truncado (muestra truncada). Por lo tanto, debemos entonces ver un mtodo para incorporar
la presencia de censura. El problema de sacar los datos es que se pierde informacin
importante. Con este fin primero estudiaremos la distribucin de probabilidades cuando
la variable analizada presenta censura.
108
4.4.1.
y=
a si y a;
y
en este caso y es slo observable para los valores sobre el umbral a. La distribucin de
una variable censurada puede pensarse como la combinacin de dos partes. La primera
es un componente discreto la cual otorga todo el peso del componente censurado de la
distribucin en un slo punto. En cambio, la segunda comprende el componente continuo para el rango de valores de y para el que existe una distribucin (truncada).
As, el valor esperado de esta variable aleatoria esta compuestos por dos partes :
E(y) = P (y = a) E(y|y = a) + P (y > a) E(y|y > a)
= P (y a) a + P (y > a) E(y|y > a)
= () a + [1 ()] [ + ()]
donde =
4.4.2.
(a)
Modelo Tobit
i N (0, 2 )
si
si
yi 0
yi > 0
109
donde:
[(0 xi )/]
1 [(0 xi )/]
(xi /)
(xi /)
i =
=
por otro lado, se tiene que:
E(yi ) =
xi
[(xi + i )]
donde:
i =
4.4.3.
(xi /)
(xi /)
Efectos Marginales
En general, los efectos marginales dependern si estamos interesados en saber algo sobre
la media en la distribucin censurada o los coeficientes del modelo latente. Por ejemplo,
si tomamos el caso de los salarios de reserva, debemos preguntarnos si queremos estimar
el cambio en las ganancias y en la educacin (sea xj ) para solo los que trabajan (muestra
censurada) o bien la relacin entre educacin y ganancias (esperadas) para toda la oferta
de trabajo.
E(yi |xi )
= j (xi /)
xj
|
{z
}
parte censurada
E(yi /xi )
= j
xj
|
{z
}
toda la poblacin
110
+
+
+
+
(+)
(+)
(+)
OLS
muestra
truncada
(+)(+)
(+)
4.4.4.
Estimacin Tobit
Considerando una distribucin normal para los errores, la funcin de verosimilitud para
el modelo Tobit tiene la siguiente forma :
X 1
(yi xi )2
xi
2
logL =
log(2) + log( ) +
+
log 1
2
2
yi >0
yi =0
La cual es una mezcla de observaciones con distribucin continua (no censurada) y observaciones con distribucin discreta censurada. Esta es una expresin compleja pero
manejable. Generalmente, los estimadores OLS se reportan tambin con fines comparativos.
Del grfico anterior se puede observar que los parmetros OLS son menores en valor
absoluto, a aquellos obtenidos por MLE. Resultados empricos sugieren que los estimadores MLE pueden aproximarse al dividir los estimadores OLS por la proporcin de
observaciones no limitadas en la muestra.
No obstante, existe una forma ms adecuada de corregir los estimadores OLS cuando
los datos son censurados: mtodo de Heckman en dos etapas, el cual discutiremos con
ms detalle en "sesgo de seleccin".
4.4.5.
Residuos Generalizados
111
estimadores inconsistentes. Como se discuti anteriormente, ello se debe a la no linealidad presente en este tipo de modelos.
Dado esto, se desarroll una batera de test basados en los residuos generalizados de las
estimaciones mximo verosmiles las que ahora se explican para el caso de un modelo
Tobit.
Sabemos que E(yi ) = x0i y adems que las esperanzas condicionales son:
(i)
E(yi |yi = 0) = E(yi 0)
= x0i + E(i |x0i + i 0)
i x0i
i
0
= xi E
|
0
= xi (i )
con:
(i ) =
x0i
x0i
yi
si yi 6= 0;
i = E(yi |yi ) =
0
xi i si yi = 0
o bien, como una forma alternativa de re escribirlo, se tiene :
i = Di yi + (1 Di ) (x0i i )
donde
Di =
1 si yi > 0;
0
De esta manera, los residuos generalizados del modelo Tobit vienen dados por la siguiente expresin :
yi x0i si yi 6= 0;
0
i = i xi =
i si yi = 0
La funcin de verosimilitud asociada a estos residuos, tiene la siguiente forma :
0
n
X
yi x0i
xi
logL =
Di log
log() + (1 Di ) log 1
i=1
112
A partir de esta expresin se pueden obtener los primeros momentos de los residuos los
cuales tienen la siguiente forma :
(1)
ei
(2)
ei
(3)
ei
(4)
ei
4.4.6.
!
y x0 2
x
i
i
i
i
= Di
1 + (1 Di )
!3
!2
0
0
yi xi
i 2 + xi
= Di
(1 Di )
!
!
!3
y x0 4
0
0
x
x
i
i
i
i
= Di
3 + (1 Di ) i 3
+
Siguiendo los aspectos metodolgicos discutidos para el caso del Probit, en lo que sigue
se discuten algunas pruebas basadas en el score para el caso particular del modelo de
censura Tobit.
1. Variable Omitida:
Se asume que el modelo correctamente especificado tiene la siguiente forma :
yi = x0i + zi0 + i
donde la prueba nula,
acerca de la inclusin de una variable relevante es Ho: = 0
1 Pn
donde logL
=
2
i=1 i zi
n
X
yi x0i
xi
=
Di
+ (1 Di )(i )
i=1
n
1 X
i xi
2
i=1
p : #restricciones
113
donde c es un vector de unos con dimensin n y por su parte R una matriz cuya
(1)
(1)
(2)
fila i es: (
ei x0i , ei zi0 , ei ), el cual se obtiene al regresionar c sobre R. Si se trata
(1)
de una sola variable omitida, el estadstico de student asociado a ei zi0 al cuadrado
es el 21 necesario para la prueba. Recordar que:
(1)
ei
(
(2)
ei
(1)
[
ei ]2 1 si y > 0;
0
i xi
si y = 0
2. Heterocedasticidad: aqu se aplica la misma idea que el caso anterior pero ahora
(1)
(2) (2)
la fila i del vector R es la siguiente : (
ei x0i , ei , ei zi ) si se asume que el modelo
es:
yi = x0i + i
con 2 = h(zi0 ) donde
h(zi0 )
=0
(3)
ei
i 3
E
|yi = 0
(
(1)
[
ei ]3 si y > 0;
=
(2 + z 2 ) si y = 0
o bien
(3)
ei
= Di
yi x0i
!3
i 2 +
(1 Di )
x0i
!2
i 4
E
|yi = 0
(
(1)
(4)
[
ei ]4 3 si y > 0;
ei =
i (3z + z 3 ) si y = 0
o bien
(4)
ei
!4
!
!3
0
0
0
yi xi
i 3 xi + xi
3 + (1 Di )
= Di
114
4.4.7.
Tobit
Constante
-18.28 (5.10)
-4.11 (3.28) -0.47 (0.60)
BETA
10.97 (3.61)
2.22 (2.00)
1.20 (1.81)
NO-MERCADO
0.65 (7.41)
0.12 (1.90)
0.08 (7.55)
NUMERO
0.75 (5.74)
0.33 (4.50)
0.15 (4.58)
FUSION
0.50 (5.90)
0.24 (3.00)
0.06 (4.17)
OPCIONES
2.256 (1.51)
2.96 (2.99)
0.83 (1.70)
LogL
-547.30
-466.27
Tamao muestral
200
200
115
4.5.
Como se discuti previamente, los estimadores del modelo Tobit son inconsistentes si
los supuestos sobre los que descansan no se cumplen. Existen a los menos dos soluciones
en la literatura orientadas a estimar modelos con variables censurada cuando el Tobit
es inconsistente. Powell (1984, 1986) ha sugerido dos soluciones posibles, las que a
continuacin revisaremos.
4.5.1.
Densidad de xi'beta + e
xi'beta
2xi'beta
Para una observacin dada xi , solo podemos obtener el area a la derecha de 0. As todas
las observaciones donde ei <xi estn omitidas. En un modelo del tipo:
y = x + e
yi si yi > 0;
yi =
0 si yi 0
bien
yi =
yi si ei > xi ;
0 si ei xi
116
Suponga ahora que truncamos las observaciones tales que ei >xi. Esto significa tomar
los puntos a la derecha de 2xi en la figura anterior, y en consecuencia tendramos
nuevamente una distribucin del error que sera simtrica.
Powell (Econometrica 1986) sugiere que si conociramos el verdadero valor del parmetro
(por ejemplo, 0 ) podramos reemplazar yi por la mnima cantidad entre {yi , 2xi 0 } y
generar de esta forma un estimador consistente para 0 . Otra forma de hacer lo mismo
es:
ei = max(ei , xi 0 )
y reemplazar ei por el min{yi , 2xi 0 } si xi 0 >0 o bien borrar la observacin si esto no
se cumple.
En consecuencia, el verdadero valor del coeficiente 0 debera satisfacer la siguiente
ecuacin normal:
n
X
1(xi 0 ) (min{yi , 2xi 0 } xi 0 )x0i = 0
(4.1)
i=1
Cabe hacer notar que 0 no es observado, pero Powell hace uso de la nocin de auto
consistencia para demostrar que un estimador de 0 , consistente al ser solucin de (38)
nos entrega un estimador consistente del verdadero .
En trminos prcticos, es relativamente sencillo encontrar un estimador consistente de
, el que denominaremos al usar el siguiente algoritmo iterativo:
1. Calcular un estimador inicial por OLS a partir de los datos originales.
2. Calcular el valor predicho para todas las observaciones
si el valor predicho es negativo, hacer la observacin como missing.
si el valor de la variable dependiente es mayor que dos veces el valor predicho,
entonces reemplazar el valor de la variable dependiente por 2xi
3. Correr un OLS sobre los nuevos datos alterados.
4. Volver a realizar la rutina hasta que el valor de ya no cambie.
La matriz de varianza de puede ser determinada de la siguiente forma. Definiendo :
n
1 X
E[1(xi 0 < i < xi 0 ) x0i xi ]
(4.2)
n
1 X
(4.3)
Cn =
i=1
i=1
117
118
119
120
4.5.2.
Esto es una forma alternativa de estimar Tobit simple cuando existen problemas con
los supuestos. Este estimador es un poco menos restringido con respecto a los errores
comparado con el STLS.
De nuevo supondremos que y puede ser observada en el modelo.
y = x +
as:
E[yi |xi ] = xi + E[i /xi ] = xi
su estimador consistente puede ser obtenido por OLS, el cual es la solucin al siguiente
programa :
" n
#
X
mn
(yi xi )
i=1
mn
|yi xi |
i=1
este estimador se conoce como desviaciones absolutas mnimas (LAD). Otra forma de
escribir este modelo es:
mn
n
X
signo(y xi )
(yi xi )
i
i=1
=0
x0i signo(yi xi )
i=1
121
No olvidar que OLS corresponde a la regresin sobre la media, la cual ser inconsistente
en un modelo de regresin censurada pues :
E[max{0, yi }|xi ] = xi + E[|xi , i > xi ] 6= xi
La mediana, a diferencia de la media, no es afectada por la transformacin max. De
esta manera, se puede demostrar que: (ver Powell 1984)
q50 [max{0, yi }|xi ] = xi + q50 [|xi , i > xi ] = xi
ello es cierto independientemente de la forma de los errores. En particular si son heterocedsticos y/o no normales.
La representacin prctica de este estimador exige regresiones cuantiles en q = 50,
qreg en STATA). Veamos esto:
1. Regresione por LAD (o qreg en q = 50) sobre la muestra entera para generar un
valor inicial de .
2. Use este estimador para sacar las observaciones para las cuales su prediccin es
negativa.
3. Regresione por LAD sobre esta nueva muestra y encuentre un nuevo estimador de
.
4. Repita (b) y (c) hasta que converja.
Notar que pueden existir problemas con el mnimo global. As, deber probar distintos
valores iniciales. La matriz de covarianzas se estima por bootstrap del proceso completo.
4.6.
=
=
=
=
zi + v2i
xi + v1i
no obs.
1
0
si
si
si
si
y2i
y2i
y2i
y2i
>0
0
>0
0
(a)
(b)
122
La ecuacin para y1i es una ecuacin de regresin comn. Sin embargo, bajo ciertas
condiciones no observamos la variable dependiente de esta ecuacin. Denotaremos si
observamos o no esta variable mediante una variable dummy D2i . La observacin de la
variable dependiente y1i es funcin del valor de otra regresin : la ecuacin de seleccin
que relaciona la variable latente y2i con algunas caractersticas observadas zi ). Puede
que las variables en xi y zi puedan traslaparse incluso ser las mismas aunque esto puede
generar problemas de identificacin.
Algunos ejemplos:
1. Oferta de trabajo de madres casadas: primera ecuacin son las horas y la segunda
es sobre la diferencia de salario de mercado y el salario de reserva no observado.
2. Relacin entre tamao de la firma y crecimiento: primera ecuacin relaciona crecimiento y tamao y la segunda describe la probabilidad de salida entre el primer
y el segundo perodo.
4.6.1.
Suponga que estimamos la ecuacin (b) por OLS usando solo los datos observados.
Existe algn sesgo en los s ?.
Sin asumir una distribucin en particular para los errores v, el valor esperado de y1
condicional en x y la probabilidad de observar y1 viene dado por :
E[y1 |x, y2 > 0] = x + E[v1 |v2 > z]
De esta manera, ser insesgado si y solo si v1 es independiente de v2 lo que implica
que los datos estn aleatoriamente faltantes o que el proceso de seleccin es gnorable"(caso poco realista).
Ahora, asumiremos que v1 y v2 estn distribuidos conjuntamente f (v1 , v2 , ) donde
es un conjunto finito de parmetros : media, varianza y correlacin entre las variables
aleatorias.
Usando Bayes tenemos que el valor esperado de v1 condicional es el siguiente :
R R
zi v1 f (v1 , v2 , )dv2 dv1
R R
E[v1 |v2 > zi ] =
zi f (v1 , v2 , )dv2 dv1
(4.4)
= (z, )
De esta manera se desprende que la esperanza condicional de y1 dado x y la probabilidad
de observar y1 ser igual a la regresin comn de y1 en funcin de x mas una funcin
no lineal de los regresores z de la ecuacin de seleccin, la cual no tendr una media
igual a cero (anlogo a IMR). De esta forma, y con respecto a las estimaciones de los
parmetros en el modelo de sesgo de seleccin, se puede determinar lo siguiente:
123
1. El intercepto estimado ser sesgado pues la media del trmino de error no es cero.
De hecho es igual a Ei [(zi ; )].
2. Si las variables x y z no son distribuidas completamente independientes, es decir,
tienen variables en comn o estn correlacionadas, los coeficientes de pendiente
estimados estarn sesgados pues existe un problema de omisin de variable en
la regresin. La variable omitida es (zi ; ) la cual est correlacionado con las
variables incluidas x.
Notar que aunque x y z sean independientes, el hecho de que los datos faltantes no lo
sean aleatoriamente introduce heterocedasticidad al trmino de error y as OLS no es
eficiente.
Existen a lo menos dos formas de solucin al problema de sesgo de seleccin dentro
del mundo paramtrico.2 Uno es el mtodo en dos etapas atribuible a Heckman (1979)
y el otro es mediante Mxima Verosimilitud (Amemiya 1981). Antes de analizar estos
dos mtodos en detalle discutiremos previamente las propiedades de una distribucin
normal bivariada truncada.3
4.6.2.
x
x y
x
x
N
,
x y
y2
y
y
donde es la correlacin entre ambas variables aleatorias, y en consecuencia x y es la
covarianza entre ambas variables. Una de las tantas ventajas de la distribucin normal
es que la distribucin condicional tambin es normal. Veamos esto :
x y
f (y|x) N y + 2 (x x ), y2 (1 2 )
x
o bien, estandarizando, queda :
!
y y x 2 y (x x )
x
p
f (y|x)
N (0, 1)
y 1 2
As, la distribucin de y dado x es normal con una media mayor que su media sin
condicionar y si las variables x e y estn positivamente correlacionados y mientras x
sea mayor que su media sin condicionar. Anlogamente, la media condicional de y es
menor que su media incondicional cuando x e y estn negativamente correlacionados y
x es mayor que su media. 4 En general, y condicional en x tiene una varianza menor
2
124
a x
E[y|x > a] = y + y
x
donde
() =
=
()
1 ()
()
()
4.6.3.
Este autor asume que existe una distribucin normal bivariada de los errores en las
ecuaciones (a) y (b) con la siguiente estructura :
2
v1
0
1 1
N
,
v2
0
1 1
de esta forma, la ecuacin de seleccin se convierte en un modelo Probit. Por su parte,
recordemos que la varianza de la distribucin en la ecuacin Probit puede ser normalizada a uno sin prdida de informacin ya que la escala de la variable dependiente no
es observada.
De esta manera, usando el supuesto de normalidad y las propiedades de la normal
bivariada truncada podemos calcular E[y1 |y2 > 0] como sigue:
E[y1 |y2 > 0] = x + E[v1 |v2 > z]
z
= x + 1
1
(z)
= x + 1
1 (z)
(z)
= x + 1
(z)
(4.5)
125
(x)
(x)
(zi )
(zi )
(zi )
(zi )
en dicha ecuacin.
Con este fin Heckman (1979) sugiere realizar los siguientes pasos:
1. Estimar consistentemente usando un probit para la probabilidad de observar los
datos en funcin de z.
2. Calcular su valor ajustado para la funcin ndice o variable latente y2i = zi y
i como funcin de y2i .
calcular enseguida el IMR,
i en la regresin de y1i sobre xi para aproximar (zi ). El coeficiente de
3. Incluir
126
4.6.4.
Cabe sealar que uno de los principales problemas que existan por ese entonces era la
capacidad computacional para estimar modelos no lineales sofisticados. De esta manera, el tener acceso a un paquete computacional que pueda maximizar la funcin de
verosimilitud con respecto a un vector de parmetros dado un conjunto de datos permite salvar esta valla tcnica. De esta forma, quiz el desafo ms grande sea definir la
funcin de verosimilitud acorde al problema economtrico que se nos presenta.
Para el caso particular del Tobit generalizado (Tobit tipo II segn la nomenclatura
de Amemiya 1985), primero se debe especificar el modelo completo como lo hemos hecho en (a) y (b). A su vez, es necesario incluir una especificacin general y completa de
la distribucin de las variables aleatorias en el modelo, como lo hicimos en (42).
El paso siguiente es dividir las observaciones en grupos de acuerdo al tipo de dato
observado. Considerando el problema de sesgo de seleccin, cada grupo tendr una forma distinta de verosimilitud. En este caso puntual tenemos dos tipos de observaciones.
1. Aquellas donde y1 es observada, para lo cual sabemos que y2 > 0 se cumple. Para
estas observaciones, la funcin de verosimilitud es la probabilidad del evento y1 y
que tambin ocurra que y2 > 0.
P (y1i , y2i > 0|x, z) = f (y1i ) P (y2i > 0|y1i , x, z)
= f (v1i ) P (v2i > zi |v1i , x, z)
Z
1
y1i xi
=
Z "
v2i 1 (y1i xi )
y1i xi
1
p
dv2i
=
1
1
1 2
zi
!#
"
zi + 1 (y1i xi )
1
y1i xi
p
=
1
1
1
1 2
zi + 1 (y1i xi )
1
y1i xi
p
=
1
1
1 2
As, la probabilidad de una observacin para la cual observamos efectivamente sus
datos es la densidad en el punto y1 multiplicada por la probabilidad condicional
para y2 dado el valor de y1 fue observado.
2. Para aquellos y1 no observados, sabemos que y2 0 y por ende no tenemos
informacin independiente para y1 .
P (y2i 0) = P (v2i zi )
= (zi )
= 1 (zi )
127
logL(, , , 1 ; datos) =
+
N0
X
log [1 (zi )]
i=1
N
X
"
log1 + log
i=N0 +1
y1i xi
1
+ log
zi +
1 (y1i
xi )
p
1 2
!#
128
129
130
4.6.5.
131
Como habamos visto, el modelo de Tobit generalizado (tipo II) pueder ser escrito de
la siguiente forma :
y1i
= x01i 1 + 1i
132
yi =
y1i
si y2i > o
0
otro caso
Di =
1 si Y2i > 0;
0
otro caso
con
y2i
= x02i 2 + 2i
x2i 2
2
12
E(1i |Di = 1) =
i , con i = x0
2
2i 2
2
f (1 , 2 ) =
J
K X
X
kj k1 j2
k=0 j=0
b(1 , 2 )
1 Zi i ,
i (Zi2 + 2),
3 3Zi i Zi3 i
donde
Zi =
0
X2i
2
2
i =
(Zi )
(Zi )
respectivamente.
i con
Pagan y Vella (1989) basada en esta descomposicin, sugieren agregar Zij
(j = 1, 2, 3) a la ecuacin en el segundo paso del estimador de Heckman y probar por su
significancia conjunta. En otras palabras, sugieren agregar el IM R, IM R2 y IM R3 a la
133
ecuacin de intensidad y testear su significancia conjunta. Si se rechaza entonces no existe sospecha de no normalidad y por lo tanto los estimadores del Tobit son consistentes.
Cabe recordar que en el modelo de Heckman la distribucin de los errores de la ecuacin
de seleccin, aquella que se estima utilizando un Probit, se asume normal. De esta forma, una prueba indirecta acerca de la validez de los estimadores de Heckman es testear
la normalidad de los errores en el Probit mediante residuos generalizado.
Pues bien, si los errores son normales en el Probit o la expansin de IMRs en la ecuacin
de intensidad sugerida por Pagan y Vella no son significativos, entonces el modelo Tobit
generalizado debera estimarse por ML.
Recordemos que la estimacin de Heckman es ineficiente comparada con ML y segn
Davidson y Mackinnon, representa una buena prueba para estudiar la presencia de sesgo
de seleccin pero no para estimar parmetros.
4.6.6.
La pregunta que surge ahora es qu pasa si las pruebas de normalidad son rechazadas.
Cabe recordar que debido a la no linealidad del modelo, el rechazo de f (1 , 2 ) se distribuya normal bivariada significa que los estimadores tanto de la ecuacin de intensidad
(1 ) como aquellos de la ecuacin de seleccin (2 ) sern inconsistentes. Ya sea si fueron
estimados por ML o bien por Heckman).
Existen dos formas generales para solucionar este problema. Una es seguir en el mundo
paramtrico, asumiendo que se conoce la distribucin de los errores en ambas ecuaciones. Y la otra es moverse al mundo no paramtrico, estrictamente hablando, al semiparamtrico.Veamos cada uno de ellos.
Mundo paramtrico
Supongamos que 2 , los errores de la ecuacin de seleccin no son normales. Bajo lo
que se denomina "Modelo de Seleccin Generalizado"podemos redefinir el trmino del
error como sigue:
y1i
= x01i 1 + 1 01i
y2i
= x02i 2 + 02i
Suponga que 02i tiene una distribucin F conocida. Entonces, podemos obtener una
nueva variable normal al aplicar la siguiente funcin sobre los errores originales :
2i = J(02i ) = 1 F (02i )
y, en consecuencia :
2i N ()
134
(J(x02i 2 ))
0
y1i = x1i 1 + 1
+ i
F (x02i 2 )
(4.6)
con pi = F (x02i 2 )
Entre otras propiedades de esta forma de estimacin esta que puede ser aplicado para
un caso mas general, donde existan mas de dos alternativas. Por ejemplo, a travs de
un multinomial logit y se calcula las probabilidades predichas para cada alternativa y
luego se corrige la ecuacin de intensidad utilizando la correccin propuesta para cada
alternativa. No obstante, solo se puede aplicar si F es conocida y continua.
Mundo No Paramtrico
La mayora de los modelos no paramtricos continan la idea propuesta por Heckman
de estimacin en dos etapas. De esta forma, la segunda etapa viene definida por:
y1i = x01i 1 + E(1i |Di = 1) + 1i
donde se relaja el supuesto paramtrico sobre el trmino de correccin, es decir, la normalidad de 2i .
De esta manera tenemos :
y1i = x01i 1 + (x02i 2 ) + 1i
donde si asumimos normalidad en 2i entonces () es conocida e igual al IMR. Sin
realizar ningn supuesto distribucional lo nico que sabemos es que depende de x02i 2
(x02i 2 ) = E(1i |2i > x02i 2 )
Existen dos formas dentro del mundo semiparamtrico para estimar estos casos:
Pensar en como un ruido.
Aproximar .
135
En general, existen mas formas de tratarlo, pero stas son las mas frecuentes en la literatura.
(4.7)
(4.8)
(4.9)
i=1
donde m
12i y m
2i son los estimadores por Kernel de
m12i = E(x1i |x2i 2 ) y
136
J
X
j bj (x02i 2a )
j=1
(x 2 )
(j = 1, ..., 3)
2i
M
M X
X
jk j1i k2i exp{(1i |1 )2 (2i |2 )2 }
f(1i , 2i ) =
j=0 k=0
la cual es incorporada en la funcin de ML y estimada posteriormente. Para detalles, ver Pagan y Vella p.311
Captulo 5
Introduccin
5.2.
Ejemplo General
h(y|X, , u)g(u)du
(5.1)
donde las formas funcionales de h() y g() son conocidas y u denota una variable aleatoria (no necesariamente un error) el cual tiene que ser integrado.
De no existir una solucin analtica para la integral, es decir, no existe una forma o
expresin cerrada de la funcin de verosimilitud, entonces aquellos mtodos basados en
simulacin aparecen como una buena solucin.
5.2.1.
Suponga que tiene un problema el que puede ser caracterizado por tres alternativas
excluyentes de eleccin. En este caso sea Ui con i : 1, 2, 3 la utilidad derivada de cada
eleccin las que NO son observadas. Aunque observamos y = 1, 2, 3 dependiendo de
cada eleccin.
137
138
Suponga ahora que la alternativa 1 es escogida pues tiene para quien decide, un mayor nivel de utilidad. Si definimos la funcin de (masa) probabilidad p1 P r[y = 1]
entonces se deriva que si esta alternativa fue elegida :
p1 = P r[U1 U2 0, U1 U3 0]
= P r[(x1 x2 )0 + 1 2 0, (x1 x3 )0 + 1 3 0
bajo el supuesto de que la utilidad Uj = x0j + j , j = 1, 2, 3 con el vector x capturando
los diferentes atributos de cada alternativa. Adicionalmente, (, +). Si se define
u1 = U1 U2 y u2 = U1 U3 se tiene entonces que :
Z Z
(5.2)
p1 =
g(u1 , u2 )du1 du2
0
donde g(u1 , u2 ) o mas formalmente g(u1 , u2 |X, ) es una densidad bivariada, o, equivalentemente :
Z Z
1[u1 0, u2 0]g(u1 , u2 )du1 du2
p1 =
(5.3)
5.2.2.
Asuma independencia entre las observaciones y que y tiene una densidad condicional
del tipo f (y|X, ). Dado que, como en el ejemplo anterior, la estimacin por ML no es
factible ya que no existe una expresin cerrada para f (y|X, ) la que sea definida por
una integral que no se puede simplificar, podemos entonces reemplazar dicha integral
por una aproximacin numrica de sta, la que denotaremos por f(y|X, ). De esta
forma lo que deberemos maximizar es :
N () =
lnL
N
X
i=1
lnf(yi |xi , )
139
con respecto a .
Este estimador SM L ser consistente y tendr la misma distribucin asinttica del MLE
si f(y|X, ) es una buena aproximacin de f (y|X, ). Las condiciones de primer orden
resultantes son generalmente no lineales y deben ser resueltas por mtodos numricos.
Dado que f(yi |xi , ) vara con i y con , la evaluacin de la gradiente usando las
derivadas numricas requerir de N q r evaluaciones, con N el tamao de la muestra, q
la dimensin de y con r el nmero de iteraciones. Todo lo anterior debe ser multiplicado
por el nmero de evaluaciones necesarias para calcular una adecuada aproximacin de
la integral f (y|X, ). De all la importancia de los mtodos de evaluacin como tambin
acerca de la capacidad computacional necesaria para realizar este trabajo.
5.3.
f (x)dx
a
con la funcin f () continua en [a, b] pudiendo ser estos lmites infinito. Existen dos
mecanismos generales para calcular el valor de dicha integral, a saber :
integracin numrica o cuadratura (midpoint rule y Simpson rule) la que se utilizan sobretodo cuando la integral tiene pocas dimensiones.
integracin por muestreo de MonteCarlo, la que es recomendable cuando las dimensiones de la integral son considerables.
Estos mtodos sern revisados en ayudanta.
5.4.
Consideremos ahora estas ideas para la estimacin por ML cuando no se cuenta con
una expresin analtica para la densidad. El resultado clave es que la simulacin puede
entregar un estimador con la misma distribucin que el MLE bajo el supuesto que el
nmero de muestras de simulacin (sumulation draws) hechas para calcular la densidad
para cada observacin tiene a infinito.
Suponga que la densidad condicional para una observacin en particular incluye una
integral que no se puede manejar en forma analtica tal como en (1):
Z
f (yi |xi , ) = h(yi |xi , , ui )g(ui )dui
la que debe ser estimada ya que no tiene una forma cerrada de solucin (manejable).
140
El simulador directo (direct simulator) de f (yi |xi , ) puede ser el estimador de MonteCarlo de dicha integral :
S
1X
f(yi |xi , uiS , ) =
h(yi |xi , , usi )
S
(5.4)
s=1
donde uiS es un vector de S draws usi , s = 1 . . . S los que son independientes de una funcin g(ui ). Esto lo que hace es simplemente promediar h(yi |xi , , usi sobre S draws. Se
puede demostrar (ver ayudanta) que fi es un estimador insesgado para fi y consistente
para fi a medida de que S . Notar que existen otros mecanismos que permiten
que fi se aproxime rpidamente a fi para un nmero finito de draws o muestras (lo que
veremos mas adelante).
P
Dada la independencia de i, sabemos que MLE M L maximiza lnLN () = N
i=1 lnf (yi |xi , ).
N
X
i=1
N (M SL 0 ) d N (0, A1 (0 ))
Veamos un ejemplo. Suponga que yi N (i , 1) donde el parmetro escalar i vara entre
individuos y con i = + ui con ui representando una heterogeneidad no observada
pero con distribucin conocida. De este modo, la densidad de y condicional en u es
simplemente :
1
f (y|u, ) = exp{(y u)2 /2}
2
(5.5)
Sin embargo, la inferencia sobre se basa sobre la densidad marginal de y (es decir
marginal con respecto a u), lo que requiere integrar sobre u. Supongamos que u tiene
una densidad como la siguiente :
g(u) = eu exp(eu )
(5.6)
distribucin que no es simtrica con una media diferente de cero y que, por simplicidad,
no depende de parmetros desconocidos.
En este caso la estimacinR de por ML no es posible ya que la distribucin marginal de
f (y|, la que equivale a f (y|, u)g(u)d(u) no tiene una solucin analtica o cerrada.
141
De esta forma podemos usar el estimador MSL usando el simulador directo tal como
fue presentado en (4), de tal forma que el M SL maximiza la siguiente expresin :
N () =
lnL
N
S
1 X
1X 1
exp{(yi usi )2 /2})
ln(
N
S
2
s=1
i=1
donde usi , s = 1 . . . S son draws the una funcin de densidad extreme value g(ui ) tal
como se plantea en (6).De esta manera, el estimador MSL, M SL , es la solucin de las
siguientes condiciones de primer orden :
N P
N ()
lnL
1 X Ss=1 (yi usi )exp{(yi usi )2 /2}
=
=0
PS
s )2 /2}
N
exp{(y
u
i
s=1
i
i=1
Cabe sealar que no existe una solucin cerrada para pero con mtodos iterativos
estndares se puede calcular M SL .
La consistencia del estimador MSL requiere que el nmero de draws S adems
de la ya clsica condicin de que ojal el tamao de la muestra N tambin. LO
anterior sugiere que el mtodo es muy intensivo en tiempo computacional. Tal como se
mencion, el estimador MSL es asintticamente normal con unja varianza asinttica que
puede ser calculada de varias maneras, la mas fcil es mediante el estimador BHHH, el
que tiene la siguiente estructura:
N PS
X
(yi M SL usi )exp{(yi M SL usi )2 /2} 2 1
] )
V [M SL ] = ( [ s=1 PS
s 2
Para ilustrar este ejemplo, consideremos una muestra y1 . . . , y100 de tamao N = 100
generada a partir de un modelo como en (5) y (6) con = 1. La siguiente tabla entrega
los valores estimados a medida que el nmero de draws aumenta.
Tabla 1. Resultados del Ejemplo.
Nmero Simulaciones
Estimador MSL
Error Estndar
)
lnL(
S=1
1,1828
(0,0968)
-136,31
S = 10
1,1845
(0,1093)
-174,38
S = 100
1,1775
(0,1453)
-190,44
S = 1000
1,0594
(0,1448)
-192,43
S = 10000
1,0416
(0,0091)
-192,35
142
5.5.
Otros Mtodos
Si bien est fuera del alcance de este curso, existe al menos otros dos mtodos de estimacin de parmetros basados en simulacin. El primero de ellos se denomina Moment
Based Simulation Estimation (MSM). Basado en el mismo principio que el estimador
GMM, la evidencia sugiere que si bien este estimador necesita menos draws S para
obtener un estimador insesgado de , los resultados muestran que este estimador MSM
es bastante inestable.
Por ora parte, estn aquellos estimadores basados en inferencia indirecta o conocidos
tambin como estimadores de matching de momentos (Gourieroux, Monfort y Renault,
1993). La idea central es estimar los valores de mediante una modelo auxiliar y a partir
de este y mediante una equivalencia entre los parmetros del modelo auxiliar y aquellos
del modelo original, obtener los parmetros originales. La idea es similar al estimador
por minima distancia o tambin denominados Mnimos Cuadrados Asintticos (ALS),
ver tambin Smith(1993) o Gallant y Tauchen (1996).
5.6.
Simuladores
h(x)g(x)dx
(5.7)
5.6.1.
Simulador de Frecuencias
1(xA)g(x)dx
5.6. SIMULADORES
143
I=
1(xA)
S
s=1
donde xs , s = 1 . . . S son S draws de la funcin g(x). Se denomina simulador de frecuencias, ya que estima I por frecuencias relativas por las cuales los S draws of xs caen en
A. La principal aplicacin de este mtodo es justamente el ejemplo descrito en (2.1), el
modelo de eleccin discreta multinomial. Para el caso de tres alternativas de eleccin,
la probabilidad p1 de escoger la primera alternativa viene dada por la expresin en la
ecuacin (2), una integral sobre el ortante positivo de una distribucin Normal bivariada. De esta manera, p1 es la proporcin de draws (us1 , us2 ) de una Normal bivariada con
us1 0 y us2 0.
A pesar de su uso, este estimador tiene una serie de limitaciones. En primer lugar,
si se usa un numero moderado de replicaciones, el simulador promedio tiene una probabilidad importante de tener valores iguales a 0. Esto es un problema en el caso del
SML ya que tenemos que calcular el logaritmo natural de esta cantidad. En segundo
lugar, este simulador no es diferenciable (y mas an, discontinuo) con respecto a los
parmetros que aparecen tanto en 1(xA) y/o en g(x). Por lo que no pueden ser utilizadas las condiciones de primer orden introducindose problemas tanto tericas como
numricas.Y, en tercer lugar, este simulador no es tan bueno para aproximar cuando la
probabilidad asociada a una eleccin es baja. El simulador es muy inestable ante estas
situaciones, or ejemplo si un pj es muy cercano a 0.
5.6.2.
(5.8)
(5.9)
donde p(x) es una densidad escogida de tal manera que (a) sea fcil obtener muestras
a partir de ella, (b) tenga el mismo soporte que el dominio original de integracin y (c)
donde h(x)g(x)/p(x) sea fcil de evaluar, que sea acotada y que tenga varianza finita.
A partir de all, se utiliza el estimador MC Directo de la integral basado en (8) y ya no
en (7):
S
1X
IIS =
w(xs )
S
s=1
donde xs , s = 1 . . . S son S draws de la funcin p(x) y n de g(x). El trmino de importancia de muestreo o muestral se utiliza ya que w(x) determina el peso o importancia
144
5.7.
5.7.1.
5.7.2.
145
Tal como se mencion, realizaciones o draws de variables aleatorias de otras distribuciones incluida la Normal, pueden ser obtenidas a partir de realizaciones de ua
distribucin uniforme. Existen cuatro mtodos para ello (1) Transformacin Inversa,
(2) Transformacin, (3) mtodos de Aceptacin/Rechazo y (4) mtodos Mixtos o de
Composicin. En esta seccin veremos los dos primeros, dada su popularidad, dejando
al lector la revisin de los otros dos de ser su inters (para ello ver Ripley, 1987).
Transformacin Inversa
Sea F (x) la funcin de distribucin acumulada de la variable aleatoria continua x,
de tal manera que :
F (x) = P r[X x]
Dada una realizacin de la variable uniforme r, con 0 r 1, la Transformacin Inversa
:
x = F 1 (r)
entrega un valor nico de x ya que F es continua y montona creciente.
Por ejemplo, la cdf de una exponencial es 1 ex . Resolviendo para r = 1 ex
se obtiene que x = ln(1 r). De esta manera si tenemos una realizacin de una distribucin uniforme [0, 1] y obtenemos un 0,64 entonces x = ln(1 0, 64) = 1, 0217.
Este mtodo es particularmente fcil de utilizar si la forma analtica de F () es conocida y x es una variable aleatoria continua. Si no se cuenta con una forma cerrada este
mtodo an sigue siendo factible aunque costoso desde el punto de vista computacional,
ya que comnmente las inversas cdfs estn disponibles como funciones en algunos softwares.
El mtodo puede ser extendido para el caso de variables aleatorias discretas con cdf
que sean escalonadas o step. Por ejemplo, si x puede tomar valores enteros, entonces
una realizacin uniforme r = 0, 312 genera una realizacin x = j donde el entero j es
tal que F (j 1) < 0, 312 y F (j) 0, 312.
Un mtodo estndar para generar realizaciones normales es el mtodo de Box-Muller.
Este utiliza el mtodo de transformacin inversa el cual es aplicado a dos variables
normales independientes
en vez de que a una sola. Especficamente,
si r1 y r2 son iid
uniformes entonces x1 = 2lnr1 cos(2r2 ) y x2 = 2lnr1 sen(2r2 ) los que son iid
N [0, 1].
146
Transformacin
En algunos casos una variable aleatoria con una densidad deseada puede ser obtenida
por una transformacin de una variable aleatoria cuya distribucin sea fcil de obtener
realizaciones. De esta manera realizaciones se pueden obtener mediante transformaciones simples.
Este mtodo es muy til cuando se requieren obtener realizaciones a partir de una
distribucin Normal. Ejemplo incluyen el cuadrado de una normal estndar la que genera realizaciones Chi-Cuadrado ; o sumando el cuadrado de normales estndar la que
genera una realizacin Chi-Cuadrado con grados de libertad igual al nmero de normales estndar que se estn sumando. Y as para el caso de la distribucin F. Cabe
sealar que esto no es exclusivo de la distribucin Normal.
5.7.3.
Distribucin Multivariadas
Realizaciones o draws de distribuciones multivariadas es en general un ejercicio mucho mas complicado que el caso de distribuciones univariadas, revisadas hasta ahora.
Por ejemplo, los dos mtodos de transformacin y transformacin inversa ya no pueden
ser aplicados en este contexto. En algunos casos el mtodo de composicin o mixto
pueden ser tiles ya que muchas distribuciones multivariadas son distribuciones mixtas.
Existen a su vez mtodos muy generales basados en los principios de la Estadstica
Bayesiana, tales como el muestreo de Gibbs u otros mtodos de Monte Carlo aplicados
a Cadenas de Markov. Estos mtodos no sern discutidos en estas notas pero para el
lector interesado puede partir leyendo Cameron y Trivedi, 2005 seccin 13.5 como tambin en Gourieroux y Monfort, 1996 : 109-112.
Aqu nos concentraremos en el caso de la distribucin Normal Multivariada. En esta situacin, realizaciones de esta distribucin pueden ser obtenidas de realizaciones
de distribuciones normal estndar univariadas. Especficamente, suponga que deseamos
obtener draws de una distribucin normal q-variada o de q dimensiones, de tal manera
que x N (0, ). Esto puede ser realizado por l mtodo de Transformacin basado en
el resultado de que la matriz tenga una descomposicin de Choleski del tipo :
= LL0
donde L es una matriz triangular inferior. Por ejemplo, para q = 2, la descomposicin
de Choleski es la siguiente :
11 12
l11 0
l11 l21
=
12 22
l21 l22
0 l22
2 = , l l
2
2
la que genera tres ecuaciones l11
11
11 21 = 12 y la tercera, l21 + l22 = 22
las que pueden ser resueltas para l11 , l21 y para l22 . Ahora bien, dada un vector ,
147
q-dimensional cuyos elementos tiene una distribucin estndar Normal, no es muy difcil verificar que si N (0, I) entonces x = L la que es una combinacin lineal de
normales, tiene una distribucin N (0, ). Especficamente, se tiene que E[L] = 0 y
que V ar[L] = E[L0 L0 ] = LL0 = . La clave de este mtodo es que combinaciones
lineales de distribuciones normales genera una variable que se distribuye tambin normal (multivariada), resultado que, no obstante, no aplica para otras distribuciones no
normales.
148
Captulo 6
Modelos de Duracin
En este captulo nos concentraremos en el anlisis y estimacin de modelos en que la
variable dependiente es el tiempo en que un individuo, familia u hogar permanece en un
estado determinado. En general, los se debe sealar que los modelos de duracin pueden
ser vistos como de duracin discreta o continua. Por fines explicativos se considerar el
modelo de datos de duracin discreta.
A lo largo de este captulo se recurrir frecuentemente al caso del desempleo, como
modo de ejemplo. Entonces, es ilustrativo comenzar el estudio de los modelos de duracin pensando en la duracin del desempleo como variable a ser explicada.
6.1.
Sea T una variable aleatoria entera no negativa la que representa el tiempo de salida
de un estado (situacin de desempleo) de un individuo perteneciente a una poblacin
homognea donde el tiempo se mide a partir del comienzo del fenmeno (momento en
el cual el individuo pierde su trabajo y pasa a ser desempleado).
La distribucin de probabilidades de esta variable aleatoria puede ser especificada de
diversas maneras, todas las cuales se encuentran relacionadas. Estas son: la funcin de
densidad de probabilidades, la funcin de sobrevivencia1 y la funcin de riesgo.2 Es
importante tener presente que al especificar una de ellas, las otras quedan automticamente determinadas.
El concepto central, tanto en modelos tericos como estadsticos sobre duracin, es
la probabilidad condicional de salida (es decir, la probabilidad de que el evento, en este
caso desempleo, finalice). Definamos t como la probabilidad de finalizacin del perodo
de desempleo (es decir, la probabilidad de que el individuo encuentre trabajo) al tiempo
t, condicional a estar an desempleado en t 1. Este concepto es conocido como la tasa
1
2
Survivor function.
Hazard function.
149
150
de riesgo:3
t = P (T = t|T t)
(6.1)
(6.2)
S(t) =
(1 s )
(6.3)
s=0
t1
Y
(1 s ) = t S(t)
(6.5)
s=0
(6.6)
Note que la distribucin de T puede ser especificada en trminos de la funcin de densidad, o de la funcin de sobrevivencia, o bien de la tasa de riesgo.
Generalmente, los modelos de anlisis de duracin son especificados en trminos de
la funcin de riesgo. Los datos para estimar el modelo sern duraciones, algunas completas otras incompletas (algunas personas dejaron de ser desempleadas, mientras que
otras an permanecen en esa condicin). As, la funcin de verosimilitud (esto es, la
probabilidad de observar los datos que se tienen dado el modelo) ser especificado en
trminos de la funcin de sobrevivencia y de la funcin de densidad.
3
4
Hazard rate.
Algo as como la probabilidad de que el fenmeno dure hasta al menos t.
6.2.
151
Note que:
S(t)
(6.8)
t
La funcin de riesgo es ahora la probabilidad instantnea de dejar de ser desempleado
en el tiempo t condicional a que el individuo lo ha estado hasta t. Corresponde a la
probabilidad de dejar el estado (de desempleo) en un intervalo de tiempo breve, digamos
entre t y t + t, dado que se encuentra desempleado en t es:
f (t) =
P (t T < t + t|T t)
(6.9)
(6.10)
1 S(t)
logS(t)
=
S(t) t
t
Por lo tanto:
Z
S(t) = exp
(u)du = exp{(t)}
(6.12)
(6.13)
donde (t) se denomina funcin integrada de riesgo. Nuevamente, estas relaciones permiten escribir la funcin de verosimilitud para una muestra dada en trminos de un
modelo de riesgo especfico.
5
f (t)
1 F (t)
152
6.3.
6.3.1.
Considere una muestra de n individuos de una distribucin dada para la cual observamos un conjunto de personas las cuales han completado su duracin (encontraron
trabajo) y otras para las cuales slo observamos el perodo vigente de desempleo (siguen
buscando trabajo).
Sea ti la duracin observada para el individuo i. Definiremos ci = 1 si el perodo de
desempleo se ha completado y ci = 0 si no. Para aquellos con duracin completa, la
probabilidad de la informacin observada viene dada por la funcin de densidad, f (t), y
para aquellos con duracin censuradas por la funcin de sobrevivencia. La verosimilitud
de la muestra observada viene dada por:
)
( t 1
n
i
Y
Y
(1 s )
(6.14)
L=
ctii
s=0
i=1
Sea J la duracin mas larga en la muestra6 (es decir, el individuo que estuvo o est
ms tiempo desempleado) y definiendo nj como el nmero de salidas en tiempo igual
a j (nmero de personas que encontraron trabajo en la ltima semana) y rj como el
nmero de potenciales salidas en j (nmero de personas que pudieron haber encontrado
trabajo en la ltima semana), es decir, el nmero de individuos con duraciones j.
Entonces podemos reescribir la verosimilitud como sigue:
L=
J
Y
j j (1 j )rj nj
(6.15)
j=0
rj
(6.16)
S(j)
=
j1
Y
k ) =
(1
k=0
6.3.2.
j1
Y
k=0
r k nk
rk
(6.17)
Tiempo Continuo
(6.18)
153
Y rj nj
rj
(6.19)
j|tj <t
6.4.
Modelos Paramtricos
(6.20)
(6.21)
f (t) = exp(t)
(6.22)
La ecuacin (5.20) proporciona una grfica muy til para analizar lo adecuado del modelo exponencial como representacin de los datos. La funcin de riesgo integrada es
7 , donde S(t)
(t)
= log[S(t)]
es el estimador Kaplan-Meier de la funcin de sobrevivencia. La grfica de esta en funcin de t debiese ser una lnea recta que parte del
origen. Como una ilustracin, se presenta el grfico de los datos de observaciones de
desempleo de UK (ver figura 3).
7
Ver (13).
154
Existe una marcada curvatura en el grfico, sugiriendo que una representacin exponencial de T puede no ser adecuada.8 La duracin media en el modelo exponencial es
1 y la varianza es 2 (la mediana
de la distribucin de duracin viene dada por la
2
solucin de S(t) = 0,5 y es log ). El modelo puede ser escrito en su forma log-lineal
como sigue:9
log(T ) = log() +
(6.23)
donde tiene una distribucin extrema del tipo I (e tiene una distribucin exponencial
unitaria). As:
media : E(logT ) = log + (1)
(6.24)
varianza : V (logT ) = 0 (1)
(6.25)
donde (1) y 0 (1) son constantes conocidas 0,5772 y 1,6449, respectivamente. As,
log(T ) tiene una varianza conocida, la cual no depende de .
Una generalizacin simple pero importante de la distribucin exponencial, la cual permite dependencia temporal10 de la duracin es la distribucin Weibull. Su funcin de
riesgo viene dada por:
(t) = (t)1
(6.26)
con , > 0. Esta funcin crece o decrece monotnicamente dependiendo si > 1 o
< 1 y se reduce a la exponencial si = 1.
8
155
Considerando las relaciones antes vistas podemos observar que para el caso Weibull
se tiene que:
(t) = (t)
(6.27)
S(t) = exp[(t) ]
(6.28)
(6.29)
1
1
media : E(T ) = 1 +
2
1
2
2
varianza : V (T ) =
1+
1+
(6.30)
(6.31)
donde () es la funcin Gamma completa (para un ejemplo ver Lancaster 1990 Apndice
1).
Las funciones (1) y 0 (1) antes mencionadas son la primera y segunda derivada de
log(), respectivamente. Al igual que en el caso anterior, existe un test grfico muy til
basado en la transformacin Kaplan-Meier de la estimacin de la funcin de sobreviven
Observamos que se parece bastante a la lnea recta o por lo menos tiene menos curvatura que el grfico anterior. En el caso especial de la exponencial la lnea recta tambin
debera estar sobre la recta de 45 .
En forma similar al caso exponencial, podemos escribir el modelo Weibull como:
log(T ) = log() + 1
(6.32)
156
(1)
0 (1)
2
Weibull introduce su parmetro en la varianza definida por la exponencial.
varianza : V (logT ) =
6.4.1.
(6.33)
(6.34)
Estimacin
(6.35)
(6.37)
Pn
ci
M LE = Pi=1
n
i=1 ti
(6.38)
i=1
As:
X
logL()
1X
=
ci
ti
i=1
V () =
(6.39)
2
2
= Pn
V ()
i=1 ci
(6.40)
n
X
{ci log() + ci log() + ci ( 1)log(ti ) (ti ) }
i=1
(6.41)
157
100
log(L)
Mediana (das)
Exponencial
0.55 (0.02)
1.0
-1905.1
127.2
Weibull
0.56 (0.02)
0.86 (0.03)
-1888.9
117.4
La duracin est medida en das, luego los estimadores de estn en trminos diarios.
Ambos estimadores de son similares entre s e indican que existe una probabilidad
cercana al 4 % para salir del ciclo o racha (de desempleo) por semana. El modelo exponencial ( = 1) se rechaza con test LR a favor de Weibull. Los modelos difieren en su
prediccin en la mediana de la distribucin. La duracin mediana de desempleo en la
muestra es alrededor de 101 das. As, ambos predicen una mediana un poco mayor a
la verdadera aunque la distorsin es reducida al utilizar el modelo Weibull.
6.4.2.
Obviamente uno de los principales objetivos del modelamiento es examinar el impacto de varios factores explicativos sobre la probabilidad de dejar la situacin de desempleo. Por ejemplo, el ingreso individual dentro y fuera del trabajo o las condiciones
de demanda que existen en el mercado laboral local.
Una manera natural de incorporar estos factores al contexto paramtrico ya descrito, es
especificar uno de los parmetros en el modelo homogneo como funcin de un vector
de variables explicativas Z. En el caso de Weibull (recordar que la exponencial es un
caso especial), pensando en el requerimiento de no-negatividad, podemos especificar:
= exp{0 + Z 0 }
(6.42)
(6.43)
(t; Z) = t1 exp{0 + Z 0 }
(6.44)
As, este caso pertenece a la clase de modelos de riesgo proporcional. En estos modelos
una variable explicativa tiene el mismo efecto proporcional en todos los puntos del riesgo.
En forma alternativa, recordemos que el modelo de Weibull puede ser escrito como
un modelo lineal para el logaritmo de T :
log(T ) = log() + 1
(6.45)
158
con teniendo distribucin valor extremo tipo I. De esta forma, al incluir las variables
explicativas tenemos
log(T ) = 0 Z 0 + 1
(6.46)
log(T ) = 0 + Z 0 +
(6.47)
que corresponde a una regresin log-lineal para T con un error distribuido valor extremo. En consecuencia, las variables explicativas tienen un efecto multiplicativo sobre
T.
Este modelo tambin pertenece a la clase general de los modelos log-lineales denominados modelos de tiempo de falla acelerado. En estos modelos, los regresores aceleran el
tiempo de dejar el desempleo. De esta forma, con el fin de generalizar el modelo, tanto
el modelo de riesgo proporcional como aquellos de tiempo de falla acelerada aparecen
como rutas naturales a este fin. Veamos cada uno en detalle donde los modelos de riesgo
proporcionales han sido los mas utilizados en la literatura economtrica sobre duracin.
Modelo de Riesgo Proporcionales
En este modelo, el riesgo (la probabilidad de dejar el desempleo en t dado que se est
desempleado en t 1) se especifica como el producto de un trmino que depende slo
de la duracin que haya transcurrido, conocido como el riesgo base (baseline hazard ), y
un trmino dependiente del vector de variables explicativas Z:
(t; Z) = 0 (t)(Z, )
(6.48)
(t; Z) = 0 (t)eZ
(6.49)
(6.50)
y as:
log((t; Z))
=
(6.51)
Z
entregando un efecto proporcional constante de cada variable explicativa sobre la probabilidad condicional de dejar el desempleo.
Una propiedad interesante de la funcin de riesgo integrada es que, independientemente
de la distribucin de T , esta tiene una distribucin exponencial unitaria. En el caso del
modelo de riesgo proporcional, este puede ser escrito como
Rt
(6.52)
donde 0 (t) = 0 0 (u)du es la funcin integrada de riesgo base y tiene una distribucin valor extremo, la cual no depende de (Z, ). En el caso de que especifiquemos
(Z, ) = exp(z 0 ) entonces:
log0 (t) = Z 0 +
(6.53)
159
entrega una regresin lineal para la variable transformada t = log(0 (t)) (conocer la
distribucin de ser fundamental para la construccin de pruebas especficas una vez
que el modelo ha sido estimado).
Notar que en el modelo de riesgo proporcional asumimos una distribucin conocida
para y estimamos la transformacin 0 junto con . La forma alternativa, que nos
conduce a los modelos de falla acelerada, asumen una transformacin conocida de t y
as estima la distribucin de junto con los . Veamos primero el tema de estimacin
paramtrica del riesgo base.
Especificacin Paramtrica
Utilizaremos una especificacin Weibull para el riesgo base. Como se vio anteriormente,
esto nos entregar:
i (ti ; Zi ) = t1
exp{0 + Zi0 }
(6.54)
i
Asumiendo nuevamente una muestra aleatoria, la contribucin a la log-likelihood del
i-simo individuo viene dada por:11
log(Li ) = ci logi (ti )
| {z }
log(riesgo)
i (ti )
| {z }
(6.55)
log(sobrevivencia)
n
X
{ci log()+ci (1)log(ti )+ci 0 +ci Zi0 ti exp(0 +Zi0 )} (6.56)
i=1
el cual puede ser maximizando con respecto a (, 0 , ) por un mtodo iterativo, como
por ejemplo, el de Newton-Raphson. Veamos un ejemplo utilizando el caso de empleo
en UK. El vector Z contiene variables como edad, dummy casado, tasa de desempleo,
el logaritmo del ingreso predicho mientras estuvo empleado, el logaritmo del ingreso
predicho si estuviese empleado. Los coeficientes , es decir, los efectos en el logaritmo
del riesgo, son presentados en la siguiente tabla. Para obtener los efectos en el logaritmo
de la duracin ( ) se debe invertir el signo y dividir por
:
Exponencial
Age/ 10
Married
local unemployment rate
log(employment income)
log(unemployment income)
0
log(L)
Median (in days)
11
Ver (35).
1.0
-0.32 (0.03)
0.16 (0.12)
-1.72 (0.60)
1.53 (0.14)
-0.55 (0.06)
-9.28 (0.57)
-1816.6
122.3
Weibull
0.90 (0.30)
-0.30 (0.030)
0.16 (0.12)
-1.61 (0.60)
1.46 (0.14)
-0.53 (0.06)
-8.56 (0.57)
-1809.3
116.2
160
1
0
Z0 +
(6.57)
(1) 0
Z0 +
(6.58)
. Pero MCO es inapropiado ante censura y debe ser estimado por mxima verosimilitud (ML).
Estimador de Verosimilitud Parcial de Cox
Este estimador entrega un mtodo para estimar sin tener que especificar la forma del
riesgo base. Considere el caso ms simple de no censura y todas las duraciones con un
tiempo nico, con duraciones completadas ordenadas ti < t2 < ... < tn . La probabilidad condicional de que el individuo i-simo deje de estar desempleado en ti dado los
individuos que pudieron haber salido en ese punto (es decir, an estn desempleados)
es:
(t ; Z )
Pn i i
(6.59)
j=1 (ti ; Zj )
La ecuacin anterior es la probabilidad condicional (riesgo) del individuo i dada la
probabilidad existente para salir, la que puede ser escrita, dada la especificacin de
riesgo proporcional como:
exp(Zi0 )
Pn
(6.60)
0
j=i exp(Zj )
161
dado que el trmino 0 (ti ) se cancela. La log-likelihood a ser maximizada viene dada
por:
n
n
X
X
log(L()) =
Zi0 log
exp(Zj0 )
(6.61)
i=1
j=i
El estimador puede fcilmente extenderse para casos de censura y empate (es decir, mas
de un individuo con la misma duracin). Una vez que ha sido estimado el riesgo base
puede ser estimado en forma no paramtrica como en el caso de Kaplan-Meier.
Los resultados de la estimacin con el estimador parcial de Cox para la misma base
de datos y con el mismo vector de variables explicativas Z, es el siguiente:
Age/ 10
Married
Local unemployment rate
log(employment income)
log(unemployment income)
-0.29 (0.03)
0.18 (0.12)
-1.50 (0.60)
1.42 (0.14)
-0.52 (0.06)
Los coeficientes estimados son muy parecidos a los encontrados en los modelos paramtricos. Dentro de las ventajas de estos modelos es que no se necesita ningn supuesto sobre
0 (t), la que en este caso particular, no influye mucho sobre los coeficientes estimados.
La desventaja es que 0 (t) debe ser estimado no paramtricamente.
6.4.3.
162
Z
e|{z}
|{z}
0 (t)
| {z }
(6.63)
S(t; Z) = 1 + 2 eZ 0 (t)
(6.66)
(6.67)
:
Age/ 10
Married
Local unemployment rate
log(employment income)
log(unemployment income)
0
2
logL
Median (in days)
12
Ver (13).
Exponencial
1.0
Weibull
0.90 (0.03)
Weibull/Gamma
1.35 (0.08)
0.32 (0.03)
-0.16 (0.10)
1.72 (0.51)
-1.53 (0.12)
0.55 (0.05)
9.28 (0.51)
0
-1816.6
122.3
0.34 (0.03)
-0.18 (0.12)
1.78 (0.60)
-1.61 (0.15)
0.59 (0.05)
9.48 (0.61)
0
-1809.3
116.2
0.36 (0.04)
-0.38 (0.15)
1.13 (0.71)
-2.00 (0.18)
0.82 (0.07)
10.03(0.73)
1.18 (0.19)
-1777.7
99.9
163
El modelo Weibull homogneo es rechazado en favor del gamma mixto: 2 es significativamente mayor que cero. El estimador del parmetro de dependencia de duracin ,
es significativamente mayor que 1 en el modelo de gamma de heterogeneidad, mientras
que era significativamente menor que 1 en los modelos que no controlaban por heterogeneidad.
Existen tambin diferencias en los estimadores (efectos de duracin): casados ahora
tienen una duracin significativamente mas corta que aquellos solteros comparables. El
efecto de la tasa de desempleo local es insignificante.
Ambas elasticidades ingreso son un poco mayores en el modelo gamma heterogneo.
La mediana predicha es mas cercana a la muestral en este ltimo modelo.
164
Captulo 7
Datos de Panel
7.1.
Introduccin
7.1.1.
Mas observaciones : Un panel contiene NT observaciones. Por convencin, indexaremos la dimensin temporal como t = 1 T y la dimensin transversal
como n = 1 N . Tpicamente T es relativamente pequeo mientras N es relativamente mayor. Notar que incluso si T = 2 tendremos un panel que puede ser
utilizado para realizar estimaciones. El aumento en el nmero de observaciones
aumentar el nmero de grados de libertad, reducir el grado de colinealidad
muestral y aumentar la eficiencia de cualquier estimador que se obtenga.
Discriminacin entre hiptesis : Al utilizar el componente de series de tiempo de
los datos puede ser posible discriminar entre hiptesis aspecto que no es posible
realizar al utilizar solo datos de corte transversal
Ejemplo: Considere el efecto de la sindicalizacin sobre los salarios. Suponga que
observaciones de corte transversal sugieren que firmas donde existen sindicatos,
sus trabajadores tienen salarios mas altos. Esto es consistente con a lo menos dos
hiptesis. Primero, que los sindicatos hacen aumentar los salarios por encima de
la productividad marginal de la mano de obra. Segundo, que diferentes niveles
de sindicalizacin reflejan factores diferentes al poder del sindicato, como ser la
productividad de la mano de obra individual. Estas dos apreciaciones no pueden
ser distinguibles en el caso de que slo contramos con datos de corte transversal.
165
166
Controlando por heterogeneidad individual no observable: Similar al caso anterior el que lo ilustraremos mediante un ejemplo. Suponga que estamos estudiando
la utilizacin (consumo) de bienes pblicos entre pases e imagine que existe un
factor que vara entre los pases pero que no es fcilmente medible : uno de estos
factores puede ser actitudes polticas con respecto a la provisin pblica de servicios. Dado que en una poltica pro-estado (estado benefactor) es esperable que
el consumo de bienes pblicos aumente, en el caso de estados benefactores como
Suecia, uno esperara encontrar una diferencia significativa en la propensin al
consumo de bienes pblicos con respecto al promedio del resto de los pases. En
una regresin de corte transversal, podramos manejar este problema al utilizar
una variable dummy para Suecia. Esto, sin embargo, lo que logra es sacar completamente a Suecia de la muestra lo que no es satisfactorio. Este no ser el caso
para datos de panel, como veremos en seguida.
Considere el siguiente proceso de generacin de datos (bivariado):
i = 1....N
t = 1, ....T
(7.1)
(7.2)
(i) Interceptos heterogneos (i 6= ). Tanto los coeficientes de la pendiente como de los interceptos estarn sesgados al ser estimados por OLS y el sesgo
no tendr signo determinado. Datos de panel pueden ser tiles en este caso.
Ver Figura.
7.1. INTRODUCCIN
167
OLS
alfa 3
X
X
X
X
X
X
alfa 2
X
X
X
X
alfa 1
i=3
OLS
i=2
i=1
i=4
Controlando por variables omitidas (no observadas o mal medidas): Datos de panel
permiten al investigador usar los elementos tanto dinmicos como de individualidad de los elementos de un set de datos para controlar por los efectos de variables
faltantes o inobservables. Esta es una de las principales atracciones acerca del uso
de datos de panel.
Considere el siguiente modelo :
yit = + 0 xit + 0 zit + uit ,
it N (0, u2 )
(7.3)
Bajo los supuestos usuales, la estimacin por OLS de (3) entregar estimadores
insesgados y consistentes del vector de parmetros y . Suponga, sin embargo,
168
(7.5)
P
donde yt = N1 N
i=1 yit representa la media grupal (el valor promedio de la
variable del grupo i = 1 N en cada perodo t )
En ambos casos las transformaciones han "sacado"la variable-problema no
observada (o mal medida) Z. Como consecuencia, la estimacin por OLS de
(117) o (118) entregar estimadores insesgados y consistentes de los que no
podran haber sido obtenidos mediante series de corte transversal o en series
de tiempo en forma aislada.
Modelamiento de la Dinmica de Ajuste: Datos de panel son particularmente
tiles para el anlisis de la duracin de situaciones econmicas como desempleo
o pobreza. Dependiendo del largo del panel estos nos pueden dar luces sobre la
velocidad de ajuste a shock exgenos. Aunque estos deben ser modelados con
largos datos de panel mediante tcnicas denominadas Datos de Panel Dinmicos
(DPD), los que veremos en la prxima clase.
7.1.2.
7.1. INTRODUCCIN
169
(7.6)
donde it es una medida del error con media cero y varianza seccional igual a .
Si asumimos de que Cov(x, ) = 0 entonces V ar(xit ) = V ar(xit ) + . Ahora,
si vamos a utilizar estos datos para eliminar algunos efectos no observables (como
en la ecuacin (117)) entonces tenemos lo siguiente :
xit = xit + it
V ar(xit ) = V ar(xit ) + 2 2 (1 )
(7.7)
(7.8)
De esta manera, datos de panel permiten que los errores de medicin sean
.eliminados"de los datos y as los parmetros de inters sean estimados sin
sesgo.
Caso (ii) Suponga que los errores de medicin no estn correlacionados en el tiempo
( = 0 ). En este caso, encontraremos de que al diferenciar la varianza en
el error de medicin ser duplicada. Si la varianza del verdadero valor de
X es relativamente baja (e.g. existe una persistencia en el tiempo en X)
entonces, al diferenciar los datos significar que la "seal.es absorbido por el
ruido". En general, notar de que si < 0,5 al diferenciar los datos tendr un
efecto desproporcionado sobre la varianza del error en la medicin relativo a
la varianza propia de la variable en s.
Sesgo de Respuesta Sistemtica y Reduccin Sistemtica : El primer sesgo surge
al tener que visitar en forma reiterada al mismo individuo y las respuestas pueden
entonces ser endgenas; las personas tienden a exagerar. El segundo sesgo est
relacionado con el hecho de que las los hogares o individuos entrevistados en el
170
7.2.
El modelo bsico de datos de panel combina series de tiempo con datos en corte transversal en un solo modelo el cual puede ser escrito de la siguiente forma :
yit = + Xit + uit ,
i = 1....N,
t = 1.....T
(7.9)
donde i denota las unidades en corte transversal y t el tiempo. Los diferentes modelos
de datos de panel dependern de los supuestos que se realicen sobre los errores no observados uit . Existen principalmente dos alternativas :
El one-way error component model (modelo de error de componente en un solo sentido) el cual asume de que la estructura del error se define como sigue:
uit = i + it ,
it iid(0, 2 )
(7.10)
donde i denota efectos especficos al individuo que no son observables y it son los
denominados efectos idiosincrticos. Los i son invariantes en el tiempo y dan cuenta
de cualquier tipo de efecto individual no incluido en la regresin. Un ejemplo estndar en ecuaciones de ganancia es la habilidad; en funciones de produccin agrcola uno
de estos efectos puede ser la calidad (no observada) del suelo; en macro paneles sobre
crecimiento de pases se pueden incluir normas culturales (e.g. con respecto al ahorro o
riesgo).
El two way error component model se asume de que la estructura del error se
define de la siguiente manera :
uit = i + t + it ,
it iid(0, 2 )
(7.11)
7.2.1.
(7.12)
171
(7.13)
N T N T
= Z (Z0 Z )1 Z0
PT
uit
t=1 T
Estas relaciones se usan extensivamente para derivar los modelos de datos de panel.
Ahora consideraremos dos supuestos sobre los efectos individuales i .
Modelo de Efectos Fijos
El modelo de efectos fijos asume que los efectos individuales i son parmetros
determinsticos los que debern ser estimados. Este sera el caso si N representa la
"poblacin"tal como el conjunto de pases o estados o firmas, y que nuestras inferencias
es solamente relacionada sobre las N observaciones que se dispone. As la inferencia es
condicional sobre las N observaciones en particular : no estaremos utilizando los resultados para inferir aspectos relacionados a otro conjunto de pases/firmas/individuos.
Al sustituir (126) en (125) tenemos que:
y = 1N T + X + Z + = Z + Z +
(7.14)
172
donde
eW = (X 0 QX)1 X 0 Qy
(7.17)
e 0 X)
e 1
V ar(eW ) = 2 (X 0 QX)1 = 2 (X
(7.18)
eW = y X eW
donde aqu, P
el promedio se calcula sobre todas las observaciones basados en la restriccin de que N
i=1 i = 0 el cual es un supuesto estndar para las variables dummy.
Resultados
Si (127) es el verdadero modelo, el estimador de efectos fijos es BLUE slo mientras
vit tenga las caractersticas Gaussianas estndar. A medida de que T tiende a infinito,
entonces el modelo es consistente para todos los parmetros del modelo. Sin embargo,
si T es fijo y N tiende a infinito, entonces el estimador FE de ser consistente. El
estimador FE de los efectos individuales (+i ) no son consistentes dado que el nmero
de parmetros aumenta a medida de que N aumenta.
Pruebas de Efectos Fijos
Podemos testear para la existencia de efectos fijos al usar un test F estndar donde la
nula es que :
Ho : 1 = 2 = N 1 = 0
(7.19)
173
La suma de cuadrados de residuos restringidas viene dado por la suma de los cuadrados
de los residuos del modelo OLS sobre los datos agrupados y el modelo sin restringir son
la suma de los residuos al cuadrado del modelo de efectos fijos. La prueba es la siguiente
:
(rrss urss)/(n 1)
FF E =
F[n1,ntnk]
(7.20)
urss/(nt n k)
Generalmente nos referiremos a esta como la restriccin de agrupamiento sobre la heterogeneidad no observable en el modelo.
Modelo de Efectos Aleatorios
Suponga ahora que los efectos individuales no son determinsticos sino que cada uno
de ellos son una variable aleatoria. Esto sera un supuesto mas razonable en el caso de
que nuestros datos fuera una muestra genuina utilizada con el fin de realizar inferencias
sobre la poblacin como un todo. Estos efectos aleatorios no observables pueden ser
pensados a nivel de individuos como habilidades mientras que a nivel de firma podemos
pensar en trminos de capacidad administrativa. Asumiremos de que i iid(0, 2 ) y
que ambos, i , vit son independientes de Xit para todo i y t. Ahora, siendo los efectos
individuales aleatorios la varianza del trmino de error ser :
V ar(uit ) = 2 + 2
(7.21)
El aspecto clave de esta varianza es que a pesar de ser homocedstica, tiene correlacin
serial al interior de cada unidad de corte transversal (dado que cada .efecto individual"de
cada persona persiste en el tiempo). En particular, sea :
Cov(uit , ujs ) = (i + vit )(j + vjs )
(7.22)
para i = j;
t=s
para i = j;
t 6= s
y cero en otro caso. Esto sugiere que ante la presencia de efectos aleatorios, la matriz de
varianzas covarianzas para el modelo de datos de panel no ser del tipo "Gaussiano".
Para proceder con la estimacin necesitaremos analizar la estructura de esta matriz.
Para examinar el estimador de efectos aleatorios necesitaremos introducir una nueva
matriz de seleccin. Sea JT una matriz de unos de dimensin T de tal forma de que
Z Z 0 = I N JT .
174
De esta manera, a partir de (126) podemos calcular la matriz de varianza covarianza (la cual es ahora de N T N T )
= E(uu0 ) = Z E(0 )Z0 + E( 0 )
(7.23)
(7.24)
donde J T = JT /T , ET = (IT J T ) y 12 = T 2 + v2 .
Con esta definicin podemos entonces aplicar a (127) el estimador GLS estndar para
derivar los estimadores de los coeficientes de , bajo el supuesto de efectos aleatorios:
bGLS = [X 0 1 X]1 [X 0 1 y]
(7.25)
y i. = + X i. + ui
donde :
y i. =
i = 1, ...N
(7.26)
T
1X
yit
T
t=1
El estimador entre grupos puede ser derivado al aplicar la matriz P a nuestro modelo
bsico en (127) :
P y = P 1N T + P X + P (Z + )
(7.27)
el cual entrega el siguiente estimador :
eB = [X 0 (P J N T )X]1 [X 0 (P J N T )y]
(7.28)
Este estimador se denomina entre grupos pues ignora cualquier variacin al interior del
grupo ( o individuo) en el tiempo y utiliza, lo que efectivamente es un resumen de la informacin de corte transversal simple sobre la variacin entre los grupos ( o individuos).
Maddala (Econometrica, 1971) muestra de que el estimador GLS puede ser expresado como :
(X 0 QX) X 0 (P J N T )X 1 (X 0 Qy) X 0 (P J N T )y
bGLS = [
] [
]
+
+
2
2
12
12
(7.29)
175
(7.30)
bGLS = eW + (1 )eB
(7.31)
176
constante
N
1
NT
log 2 +
log 2 2 u0 1 u
2
2
2
(7.32)
y maximizarla en la forma usual, utilizando los estimadores entre grupos como los valores iniciales de .
Alternativamente 1 , valores consistentes de 2 pueden ser derivados a partir de los
estimadores intra grupos ( ya que este estimador suprime los efectos entre grupos) y los
estimadores de 2 pueden ser obtenidos a partir de los estimadores entre grupos ( ya que
suprime el efecto intra grupo). Estos estimadores consistentes pueden ser sustituidos en
el estimador GLS.
Si el modelo de efectos aleatorios es correcto, entonces el estimador GLS basado en
las componentes verdaderas de varianzas es BLUE. Todos los estimadores FGLS sern
consistentes a medida de que N o T tiendan a infinito.
Resumen
El mtodo de estimacin a ser usado depender en si asumimos de que los efectos individuales sean fijos o aleatorios. Resulta ser de que los valores para los parmetros
pueden variar dramticamente, en el caso mas comn donde N es grande y T pequeo,
entre estimadores intra o entre grupos. Cuando slo existen pocas observaciones en el
tiempo resulta mejor usar los elementos de corte transversal de los datos para estimar
aquella parte de la relacin que contenga variables que difieren entre un individuo al
otro (el estimador entre grupos). Ello permite de que la parte de serie de tiempo de los
datos sea usada en forma eficiente de tal manera de rescatar la parte comn de dicha
relacin entre individuos.
Problemas de Especificacin
Hasta el momento se ha asumido de que los efectos individuales son o bien fijos
(i.e. no estocsticos) o si estos eran aleatorios, la covarianza entre los efectos no observables y las variables xi es cero. Esto puede no ser muy realista. Por ejemplo, en una
funcin de produccin las capacidades administrativas no observables podran estar correlacionadas con la eleccin de los insumos.
Un resultado importante de Mundlak (Econometrica, 1978) sugiere que cuando los efectos i son tratados como variables aleatorias pero la varianza entre estos y las variables
xi no son cero, el estimador de efectos aleatorios GLS ser sesgado e inconsistente. Dado que el estimador intra grupo .eliminaompletamente el efecto de los i , entonces el
estimador de efectos fijo intra grupo es insesgado y consistente.
1
177
(7.33)
donde la hiptesis nula es que la covarianza es cero. Covarianza significativa entre los
efectos i y las variables xi har que el valor de m sea grande lo que rechazar el test
y deber estimarse, entonces, utilizando el estimador de efectos fijos intra grupo.
7.2.2.
it iid(0, 2 )
(7.34)
(7.35)
178
Esta transformacin significa que el tpico elemento del vector y viene dado por :
ye = (yit y i. y .t + y)
(7.37)
(7.38)
(7.39)
e = y .. X
(7.40)
(7.41)
(7.42)
El aspecto clave de esta varianza es que siendo de nuevo homocedstica tendr dos tipos
de correlacin serial : entre cada unidad de corte transversal (un efecto fijo individual
que persiste en el tiempo) y uno a travs del tiempo. As :
Cov(uij , ujs ) = 2
si
i = j,
t 6= s
Cov(uij , ujs ) = 2
si
i 6= j,
t=s
7.3. EXTENSIONES
179
(7.43)
1
el cual puede ser simplificado un paso ms al notar de que WXX
WXY es simplemente
1
el estimador intragrupo y que BXX BXY es el estimador intergrupo individual y que
1
CXX
CXY es el estimador intergrupo temporal. As, se tiene que la siguiente expresin :
bGLS = 1 eW + 2 eB + 3 bC
(7.44)
donde :
1 = [WXX + 22 BXX + 23 CXX ]1 WXX
2 = [WXX + 22 BXX + 23 CXX ]1 (22 BXX )
3 = [WXX + 22 BXX + 23 CXX ]1 (23 CXX )
A partir de lo anterior, finalmente se tiene que :
Si 2 = 2 = 0 implica de que 22 = 23 = 1 y as el estimador GLS tender al
OLS.
Si T y N tienden al infinito entonces esto implica de que 22 , 23 tiendan a cero y
as el estimador GLS tienda al estimador intra grupo.
Si 22 (23 ) tienden a infinito entonces el estimador GLS tender al estimador
intergrupo individual (intergrupo temporal).
7.3.
Extensiones
El modelo bsico puede ser extendido en varias direcciones. Estas son discutidas en
forma extensa en el Hsiao y en Baltagi algunas de las cuales revisaremos en la prxima
clase. Entre las mas interesantes se tiene :
Tratar la Heterocedasticidad y Correlacin Serial en Datos de Panel.
180
7.4.
7.4.1.
Introduccin
7.4.2.
181
El estimador de OLS, WG y IV
|| < 1;
i = 1 . . . N;
t = 1...T
(7.45)
E(i2 ) = 2 ;
2
E(it
) = 2 ;
E(it is ) = 0 i 6= s
Por otra parte se asume que N es grande y T es pequeo y fijo, por tanto las propiedades
asintticas de los estimadores vendrn dadas en la medida que N .
Dado lo anterior el primer estimador que estamos interesados es el estimador de OLS
el cual viene dado por:
PN PT
i=1
t=2 yit yit1
(7.46)
bOLS = P
N PT
2
i=1
t=2 yit1
El estimador anterior puede ser expresado de la siguiente manera :
PN PT
(yit1 + i + it )yit1
bOLS = +
(i + it )yit1
PNt=2PT
2
i=1
t=2 yit1
i=1
El estimador anterior resulta ser inconsistente, debido a que yit1 esta correlacionado
positivamente con i . Es posible demostrar que el plimb
OLS viene dado por la siguiente
expresin:
plim(b
OLS ) = (1 ) 2
2
2
+k
con k =
1
1+
(7.47)
De esta forma el estimador OLS de la especificacin original est sesgado hacia arriba,
en donde se tiene que < plimb
OLS < 1.3 Existen dos formas de afrontar el problema anterior, las cuales consisten en eliminar el efecto individual el cual es la fuente
de inconsistencia. La primera es transformar el modelo en desviaciones de medias de
manera de poder obtener el tradicional estimador W G. La transformacin a utilizar es
la siguiente :
ee0
Q = IT 1
(7.48)
T 1
3
Notar que si la distribucin de i es degenarada, la ecuacin (160) se convierte en plimb
OLS =
y por tanto no existria sesgo.
182
(7.49)
P
con y i = T1 Tt=1 yit , esto es anlogo para el caso de y i,t1 y i . Si aplicamos OLS a
(162) el estimador W G viene dado por:
PN PT
i=1
bW G =
(7.50)
1
(yi1 + ....yit + ..... + yiT 1 ))
T 1
1
(i2 + ..... + it1 + ....... + iT ))
T 1
A partir de lo anterior es fcil darse cuenta que yit1 est correlacionado con el trmino
1
1
T 1 it1 y que el trmino T 1 yit lo est con it . De esta manera existe una correlacin
negativa entre la variable dependiente rezagada y el termin de error en la ecuacin
(162), por tanto el estimador W G de resulta ser inconsistente, plimb
W G es entregado
por la ecuacin (164)
plimb
W G =
1T
1+
(T 1) (1 T (1) )
2
1T
(1)(1T ) (1 T (1) )
(7.51)
El sesgo es hacia abajo y por tanto W G subestima a . De esta forma tanto OLS como
W G entregan estimadores inconsistentes de en la estimacin de (158) y la direccin
de los sesgos van en direcciones opuestas.
La segunda alternativa que tenemos para eliminar el efecto individual de (158) es estimar
un modelo en primeras diferencias el cual viene dado por la siguiente ecuacin:
yit = yit1 + it
(7.52)
183
bV I = PNi=1PT t=2
i=1
t=2 (yit1 yit2 )yit2
(7.53)
y cuando usamos (yit2 yit3 ) como instrumento tiene la siguiente expresin alternativa
:
PN PT
(yit y i )(yit2 yit3 )
bV I = PN i=1
(7.54)
PT t=2
(y
y
)(y
y
)
it1
it2
it2
it3
i=1
t=2
El estimador dado por (166) tiene la ventaja que identifica a cuando T > 2, en cambio
(167) funciona cuando T > 3.
Los criterios para usar (166) (167) vienen dados por el instrumento que presente
una mayor correlacin con yit1 , as como tambin por consideraciones de eficiencia
asintotica.
No obstante lo anterior Arellano y Bond (1991) a partir de un experimento de Montecarlo, muestran el pobre desempeo que presentan los estimadores de IV antes mencionados, en particular el estimador entregado por (167) presenta un gran sesgo hacia
bajo y una gran imprecisin.
7.4.3.
E(g(Xi , 0 )) = E(gi (0 )) = 0
4
Un instrumento debe cumplir que este altamente correlacionado con el regresor al cual esta
instrumentalizando, y que no este correlacionado con el termino de error. A partir del supuesto
E(it is ) = 0 i 6= s los instrumentos sealados son vlidos
184
QWN
#0
"
#
N
N
X
1
1 X
gi () WN1
gi ()
=
N
N
i=1
(7.55)
i=1
con respecto a , en donde WN1 es una matriz definida positiva que cumple con
plimN WN1 = W con W una matriz definida positiva.
P
GMM asume que limN N1 N
i=1 gi () = E(gi ()) y ademas que
N (0, ). LO ltimo se conoce como condiciones de regularidad.
1
N
PN
i=1 gi (0 )
(7.56)
(7.57)
i=1
t = 3...T;
s = 2...t 1
(7.58)
(T 1)(T 2)
.
2
(7.59)
185
yi1 0
0...
0 yi1 yi2 . . .
Zi =
.
.
.
...
0
0
0
yi1
...
0
...
0
...
.
. . . yiT 2
(7.60)
i=1
La eleccin de la matriz da lugar a dos estimadores los cuales son asintticamente equivalentes.
Para el estimador de una etapa utilizamos la siguiente matriz de ponderaciones :
"
WN 1
N
1 X 0
=
Zi HZi
N
#1
(7.62)
i=1
en donde H es una matriz que contiene dos en la diagonal principal y menos uno en las
dos primeras subdiagonales y ceros en todo los dems lugares.
La ecuacin (176) muestra el estimador que se obtiene al minimizar (174) con respecto
a :
0
0
c1GM M = [y1
ZWN11 Z 0 y1 ]1 [y1
ZWN11 Z 0 y]
(7.63)
0 = (y 0
0
0
en donde y1 es un vector de N (T 2) 1 dado por y1
1(1) , ....yN (1) ) ,
0 )0 el cual es tambin es de orden
del mismo modo se tiene que y 0 = (y10 , ....yN
0
0
0
0
N (T 2) 1, y finalmente Z = (Z1 , ........ZN ) , la cual es una matriz de m N (T 2).
El estimador
c1 GM M es consistente en la medida que N , aunque no es eficiente.
WN 2
N
1 X 0 d d0
Zi i i Zi
=
N
#1
(7.64)
i=1
186
Comparando la eficiencia de
c1 GM M yc
2 GM M
Un punto central en la decisin de ocupar
c1 GM M o bien
c2 GM M es saber cmo
se comportan en trminos de eficiencia, en particular cuando trabajamos con muestras
finitas.5
La varianza asinttica para
c1 GM M es estimada por :
0 ZW 1 Z 0 y )1 y 0 ZW 1 W
V[
AR(c
1 GM M ) = N (y1
1 GM M ) (7.65)
1
1
N1
N 1 N 1 (c
0 ZW 1 Z 0 y )1
Z 0 y1 (y1
1
N1
N
1 X 0 d d0
Zi i i Zi
N
i=1
di = yi
c1 GM M y1
Por otra parte la varianza para el estimador de dos etapas viene dada por la siguiente
expresin :
0
V[
AR(c
2 GM M ) = N (y1
ZWN 2 (c
2 GM M )Z 0 y1 )
(7.66)
Arellano y Bond (1991) documentan el hecho que la varianza del estimador de dos etapas puede estar severamente sesgada hacia abajo en muestras finitas y por tanto las
estadsticas de prueba tienen un mayor poder tendindose a sobrerechazar la hiptesis
nula.
De esta manera se sugiere el uso del estimador de una etapa para la realizacin de
inferencias. La fuente de sesgo en los errores estndar del estimador de dos etapas
proviene del hecho que en el clculo de (178) est presente el estimador de una etapa.
Windmeijer (2000) muestra este hecho y propone una correccin para muestras finitas a partir de una expansin de Taylor de primer orden.
7.4.4.
Uno de los supuestos sobre it es que estos son serialmente no correlacionados lo que
viene expresado por :
E(it is ) = 0 t 6= s
(7.67)
por tanto cuando diferenciamos (158) para remover i , el termino de error it que
resulta, esta por construccin serialmente correlacionado.
En particular se tiene que:
E(it its ) = 2 ,
5
si s = 1
Sabemos que
c2GM M es asintticamente eficiente en la medida que N .
187
(7.68)
A partir de (181) podemos ver que una manera fcil de entender el problema es concentrar nuestra atencin solamente en una unidad i y ver si se cumple la condicin. De
esta manera se sabe que:
0
i = i(2)
i
(7.69)
donde i(2) y i son de vectores de (T 4)1. Bajo la hiptesis nula de no correlacin,
i tiene media cero y podemos construir test para saber si efectivamente E(i ) = 0. As
a partir de la simple idea anterior el test para saber si existe o no correlacin serial de
segundo orden es el siguiente:
0
b
i(2)
bi
(7.70)
m1 =
1/2
b
1/2
donde m1 tiende a una normal de media cero y varianza uno6 . Por otra parte b
dado por:
N
X
0
b =
i(2)
bi i bi(2)
viene
i=1
N
X
0
2b
2
X (X 0 ZWN ZX)1 X 0 ZAN (
Zi0 bi bi0 bi(2) )
i=1
0
b 0 b2
+b
2
X a[
var()X
Lo interesante de (183) est en el hecho que es flexible ya que esta definida en trminos
de un estimador consistente y no necesariamente eficiente. Sin embargo, la potencia que
alcance m1 depender de la eficiencia asinttica del estimador que se utilice.
Si los errores no estn serialmente correlacionados, entonces no se rechaza la hiptesis de ausencia de correlacin serial de segundo orden en it ; no obstante lo anterior,
llegaramos a la misma conclusion si estos fueran autocorrelacionados pero el proceso
fuera un Random Walk.
Una forma para discriminar entre ambas situaciones seria la de construir un estadstico
denominado como m2 pero para probar si existe o no correlacin serial de primer orden
en it .
6
188
El poder distinguir entre ambos casos no es un tema menor ya que si los errores siguen
un Random Walk al estimar por GMM y por MCO la ecuacion en primera diferencias,
ambos entregaran estimadores consistentes y por tanto se tiene que esto dara origen a
un test de Hausman de especificacin.
Test de Sargan de sobreidentificacion
Este test busca establecer si las condiciones de momento impuestas son o no validas
en donde si m son las condiciones de momento y k los parmetros a estimar diremos
que el modelo esta sobreidentificado si p > k.
El test propuesto por Sargan viene dado por :
S = b
0 Z(Z 0 b
b
0 Z)1 Z 0 b
a2pk
(7.71)
donde b es construido a partir del estimador de dos etapas, para una matriz de instrumentos Z dada, que no necesariamente es la matriz de instrumentos ptimas. La
hiptesis nula de este test es que las condiciones de momento son validas.
Un aspecto interesante del test de Sargan es aquel relacionado con el hecho que puede
ser modificado de manera de poder trabajar con distintas hiptesis para el termino de
error it , en particular para el tema de correlacin serial.
Para entender esto, consideremos una matriz de instrumentos la cual la denominamos
por Z1 y que contiene p1 columnas que corresponden a las condiciones de momento
cuando se tiene que el trmino de error en niveles presenta un proceso M A(1).
El test de Sargan para las condiciones de momento anteriormente sealadas es el siguiente :
S1 = b
10 Z1 (Z10 b
1 b
10 Z1 )1 Z10 b
1 a2p1 k
(7.72)
donde b
1 son obtenidos a partir de un estimador de dos etapas basado en la matriz
de instrumentos Z1 . De esta forma (185) puede ser comparada con (184) y por tanto
formar :
DS = S S1 a2p1 p
Los grados de libertad p1 p estn reflejando el hecho que existen condiciones de momento adicionales lo cual se explica porque la matriz de instrumentos Z es construida
asumiendo ausencia de correlacin serial en it .
Si se rechaza H0 , estamos diciendo que existen condiciones de momento mal especificadas y por tanto se tendra que usar Z1 en vez de Z.
7.4.5.
189
Como se mencion, sabemos que una de las condiciones que debe cumplir un instrumento es la de estar correlacionado con la variable a la cual se va a instrumentalizar.7
Sin embargo en la estimacin de paneles dinmicos usando GM M , se ha encontrado que en ocasiones los instrumentos muestran una dbil correlacin con las variables
que estn instrumentalizando, lo que lleva a que las estimaciones de los parmetros del
modelo se realice con poca precision y con sesgos.
Uno de los primeros estudios en dar cuenta de esto fue el realizado por Griliches y
Mairesse(1997), quienes sealan para el caso de la estimacin de una funcin de produccin Cobb-Douglas:
En la practica, la aplicacin de mtodos de panel a microdatos producen
resultados muy insatisfactorios; coeficientes para el capital bajo y usualmente
insignificantes junto estimadores poco contradictorios para los retornos constantes a escala
-Griliches y Mairesse (1997) Para entender
el porque se produce este problema consideremos el caso donde T = 3, de manera tal
que las condiciones de momento se reducen solamente a una condicin de ortogonalidad.
En este caso GMM se convierte en 2SLS. En particular en la primera etapa tenemos :
yi2 = d yi1 + ri
i = 1, ....N
(7.73)
k
+k
con k =
1
1+
(7.75)
7
La otra condicin es la de no estar correlacionada con el termino de error, esto al menos en trminos
asintticos.
190
(7.76)
La condicin anterior es una restriccin sobre el proceso que genera los datos, y a partir
de esta tendremos las siguientes condiciones de momento adicionales:
E((i + it )yit1 ) = 0 t = 3, ...T
(7.77)
Lo anterior proviene de (189) y seala que si yi2 no est correlacionado con i entonces
llevar a que yit tambin no lo est.
Esto puede ser visto en (165), donde si comenzamos a reemplazar al lado derecho de
esta ecuacin, se llega a una expresin del siguiente tipo :
yit = t2 yi2 +
t3
X
s its
(7.78)
s=0
donde it = (i + it ) (i + it1 ) = it .
Por tanto de (191) se deriva el hecho que yit estar no correlacionado con i en
la medida que yi2 no lo est.
El estimador GM M en niveles puede ser obtenido mediante el uso de las siguientes
condiciones de momento:
E(yits (i + it )) = 0 s = 2......t 1
En trminos matriciales tenemos lo siguiente :
E(Zli i ) = 0
t = 2....T
(7.79)
yi2
0
0...
0
yi2 yi3 . . .
Zi =
.
.
.
...
0
0
0
yi2
191
...
0
...
0
...
.
. . . yiT 1
(7.80)
7.4.6.
GMM de sistemas
(7.81)
s = 2.....t 1
E(yit1 it ) = 0 t = 3...T
(7.82)
en donde Zs es :
Zs =
Zdi 0
0 ZliP
Zdi
0
0
0
0
0
0 yi2
0
... ...
0
0
0
yi3 . . . . . .
0
..
..
..
..
..
0
.
.
.
.
.
0
0
. . . . . . 0 yiT 1
(7.83)
Al igual que en los casos anteriores, el estimador de una y de dos etapas se obtiene con
el procedimiento descrito en las secciones precedentes.
8
La seccin siguiente se discute el caso cuando se tiene regresores adicionales a la variables dependiente rezagada.
192
Lo interesante del estimador GM M de sistemas, es que puede ser entendido como una
combinacin del estimador en primeras diferencias y del estimador en niveles usando
solo algunas condiciones de momento para este.9
Por otra parte, para el estimador en 2SLS en sistemas se puede demostrar que :
0
0
bs = (q1
Zs (Zs0 Zs )1 Zs0 )1 q1
Zs (Zs0 Zs )1 Zs0 q
0 = [y , y ]. Y por otra parte se tiene que :
en donde q1
1 1
0
0
0
q1
Zs (Zs0 Zs )1 Zs0 q1 = y1
Zd (Zd0 Zd )1 Zd0 y1 + y1
Zlp (Zlp0 Zlp )1 Zlp0 y1
bs =
bd + (1 )b
lp
(7.84)
definiendo
bd el estimador 2SLS para la ecuacin en primeras diferencias y
blp el estimador en niveles utilizando solamente las T 2 condiciones de momento.
Finalmente puede ser definido como :
=
0 Z (Z 0 Z )1 Z 0 y
y1
1
d
d d
d
p
p0 p 1 p0
0 Z (Z 0 Z )1 Z 0 y
0
y1
1 + y1 Zl (Zl Zl ) Zl y1
d
d d
d
bd0 Zd0 Zd
bd
0
0
bd Zd Zd
bd +
bl0 Zlp0 Zd0
bl
con
bd y
bl son los estimadores de OLS en la primera etapa.
De esta forma si tenemos el caso de que 1 o 2 /2 se producir que
0 y el estimador en sistemas permanece entregando informacin ya que en (197)
bs
blp y por tanto se soluciona el caso de instrumentos dbiles al utilizar el estimador
de sistemas.
7.4.7.
Analisis Multivariado
Hasta el momento nos hemos concentrado en un modelo donde como variable del
lado derecho slo observamos la variable endgena rezagada. Como en la mayora de
los trabajos empricos esta variable rezagada puede ser importante en la estructura del
modelo como un mecanismo que da cuenta de los costos de ajuste, deber existir la
posibilidad que orto conjunto de variables exgenas tambin sean importantes en la
explicacin de la variable de inters.
9
193
De esta manera, el modelo que estamos interesados en esta seccin es uno del siguiente tipo :
yit = yit1 + xit + it , t = 2.....T
(7.85)
donde it = i + it y xit es un escalar. Asumiremos que xit est correlacionado con i .
Por otra parte sabemos que xit puede estar correlacionado de tres maneras distintas
con it , lo que dar origen a diversas condiciones de momento.
En primer lugar asumiremos que xit es estrictamente exgeno, lo cual puede ser representado de la siguiente manera :
E(xis it ) = 0 con s = 1.....T,
t = 1......T
El segundo caso que podemos tener es que xit sea predeterimanda o dbilmente exgena
donde bajo esta situacin :
E(xis it ) = 0 con s = 1....t,
t = 1...T
y
E(xis it ) 6= 0 para s = t + 1, ...T
Finalmente xit puede estar determinado endgenamente en cuyo caso se tiene que :
E(xis it ) = 0 s = 1, ....t 1,
t = 1, ......T
y
E(xis it ) 6= 0 s = t, ....T,
t = 1, ......T
Con lo anterior tendremos distintas condiciones de momento para cada caso, en donde
las condiciones dadas por (171) se mantienen, pero para cada caso de xit tendremos
condiciones adicionales.
De esta forma, si xit es estrictamente exgena las condiciones de momento son las
siguientes :
E(xis it ) = 0 s = 1......T, t = 3, ......T
(7.86)
lo cual origina que existen T (T 2) condiciones de momento adicionales.
Por otra parte cuando tenemos el caso que xit es predeterminada tenemos que :
E(xis it ) = 0 s = 1....., t 1 t = 3.....T
(7.87)
(7.88)
194
7.4.8.
El estudio de Kiviet
En efecto, los estimadores de GMM son consistentes asintticamente para N pero con T fijo.
195
Como se adelant, el estimador de Kiviet el cual denominaremos LSDVK se obtiene en dos etapas. En la primera etapa etapa usa un estimador por IV para estimar
los residuos de un estimador consistente y los coeficientes sesgados son obtenidos por
efectos fijos (LSDV). Luego en la segunda etapa se utilizan estos residuos para corregir
el sesgo del estimador por efectos fijos.
Formalmente (198) puede ser re escrita de la siguiente forma :
y = W + (In iT ) +
(7.89)
.
donde W = [Y1 ..X] y 0 = (, ). El estimador de efectos fijos (LSDV) ser:
= (W 0 AW )
donde At = It
1
0
T iT iT
W 0 Ay
(7.90)
y A = IN AT .
Sin embargo, como se sealo anteriormente este estimador es sesgado por lo cual se
sugiere utilizar el estimador de Kiviet(1995). El sesgo ser en consecuencia :
E( ) = E(W 0 AW )1 W 0 A[W + (In it ) + ]
= E(W 0 AW )1 W 0 A
Aqu se asume que A(IN iT ) = (IN AiT ) = 0, dado AT iT = 0. La expresin anterior
no es fcil de evaluar, ya que W es estocstico y no lineal.
y no
En orden de aproximar esta expectativa se divide W en su parte estocstica W
, es decir
estocstica W
W
W
= E(W )
(7.91)
= W E(W )
+W
= W
(7.92)
(7.93)
= [Y1 ...X] y W
= [Y1 ...0].
donde W
+W
). Kiviet
La descomposicin de W puede ser usada para examinar AW = A(W
Deseo agradecer a Jorge Hermann por aportar el material que se presenta en esta seccin
(7.94)
196
C=
T 2
(7.95)
donde :
= W
0 AW
+ 2 N tr[C 0 AT C]qq 0
D
N 0
0 AW
(D)
1 q]
g1 =
(i CiT )[2q W
T T
0 (IN AT CAT )W
(D)
1 ]q
g2 = tr[W
0 (IN AT CAT )W
(D)
1 q
g3 = W
1 q [ N (i0T CiT )tr(C 0 AT C) + 2tr(C 0 AT CAT C]q
+2 N q 0 (D)
T
Kiviet muestra que solo g1 es necesario para calcular el sesgo del estimador LSDV.
En consecuencia, el estimador de LSDVK consiste en calcular g1 usando los residuos
de IV para luego computar el sesgo el que luego se utiliza para ajustar los coeficientes
estimados por efectos fijos.
Captulo 8
Problema: El impacto del programa lo podemos estudiar slo en quienes participaron y no podemos saber qu habra pasado con ellos si no hubieran participado.
199
mediante un marco de eleccin racional el cual separa las preferencias de las restricciones y por lo tanto, puede ser utilizado para simular reformas econmicas
que modifican las restricciones pero que dejan las preferencias inalteradas.
8.0.9.
8.0.10.
Qu se desea medir?
Bajo el supuesto de efecto del tratamiento homogneo estas dos medidas son idnticas.
Pero si los efectos son heterogneos ambas medidas pueden diferir, en particular, 2. se
conoce como .efecto del tratamiento sobre los tratados".
Yit = Xit + di + it
Yit = Xit + it
t>k
tk
E(di , it ) 6= 0
t>k
201
As, an si it no est correlacionado con di , de tal modo que E(it |di = 1)=E(it |di =
0)=0 sigue existiendo el problema de identificacin.
Solo es posible identificar: T = + E(i |di = 1), es decir, el impacto del tratamiento
sobre los tratados.
Ello pues separar de que el trmino de error no este correlacionado con el proceso de
decisin el componente del efecto del programa especfico al individuo i , probablemente
lo est. En general, se espera que los individuos considera sus condiciones especficas en
su decisin y en consecuencia E(i |di = 1)6=0 y por lo tanto, la identificacin de se
hace mas dificultosa.
8.0.11.
Datos Experimentales
Si el diseo del programa escoge aleatoriamente una muestra del grupo de personajes
elegibles para participar donde la eleccin es absolutamente es independiente del posible
resultado, entonces
1
= Y t 0t
(1)
t>k
(0)
8.0.12.
Non-experimental data
Controls
23.99
10.17
0.80
0.13
0.75
0.14
1,558
3,030
274
469
2,193
Two-step
estimator
889
-667
213
-
Definitions:
PSID 1 -all male household heads continuously in the period studied (1975-78) who were less than 55
years old and did not classify themselves as retired in 1975.
PSID 2 -all men in PSID 1 not working when surveyed in the spring of 1976.
PSID 3 -all men in PSID 1 not working when surveyed in either the spring of 1975 or the spring of
1960.
CPS-SSA 1 -all males based on Westats criterion except those over 55 years old.
CPS-SSA 2 -all males in CPS-SSA 1 who were not working when surveyed in March 1976.
CPS-SSA 3 -all males in CPS-SSA 1 who were unemployed in 1976 and whose income in 1975 was
below the poverty level.
203
Revisin principales mtodos para datos no-experimentales.
La metodologa apropiada para trabajar la evaluacin de programas con datos noexperimentales depende de tres puntos:
1. tipo de informacin disponible
2. modelo subyacente
3. parmetros de inters
IV
para single
cross-section
Heckman
two-step
difference-in-difference
Longitudinal o
repeated cross
section
matching
propensity
scores /
matching / dif
t>k
Ni = Zi + i
con
di =
1 si
Ni > 0;
0 otro caso
(Zi )
(Zi )
y
E(Yit |di = 0) = Xi
(Zi )
1 (Zi )
con las mismas salvedades descritas para el Tobit en que Z y X deben tener al
menos una variable diferente y puede ser estimado regresionando N = Zi por
Probit.
Ahora, cuando existen efectos de tratamiento heterogneos, el modelamiento es
un poco ms complejo. Considerando que T =
+ E(i |di = 1), entonces
Yit = Xi + di + [it + di i ]
puede ser reescrito
Yit = Xi + T di + {it + di [i E(i |di = 1)]}
Yit = Xi + T di + it
205
El procedimiento en dos etapas requiere el conocimiento de la distribucin conjunta de it , i y i . Si esta es normal con v = 1, entonces
E(it |di = 1) = corr(it + i , i ) V ar(it + i )1/2
= (,,)
(Zi )
(Zi )
(Zi )
(Zi )
anlogamente
E(it |di = 0) = corr(it , i ) V ar(it )1/2
= (,)
(Zi )
1 (Zi )
(Zi )
1 (Zi )
(Zi )
(Zi )
Yit = Xi + di T + (,,)
+ (1 di ) (,)
+ it
(Zi )
1 (Zi )
pudiendo identificarse T pero no .
Matching Estimators.
Estos evalan los efectos del tratamiento al comparar los outcomes de las personas
tratadas con aquellos de personas similares en un grupo de control o comparacin.
Esta similitud se determina si tienen caractersticas observables similares las que son
medidas por alguna medida de distancia mtrica.
Notacin.
Y1 = outcome de los tratados.
Y0 = outcome de los no-tratados.
D=1 si la persona recibe tratamiento (D=0 si no).
X: vector de caractersticas utilizadas como variables de condicionamiento.
P(X)= Pr(D=1|X).
Como vimos existen dos tipos de estimadores de pareo (ME):
) Cross-sectional (CS): el que compara los outcomes para los tratados y el grupo de
comparacin medidos en algn perodo despus del programa.
ii) difference-in-difference (DID): el que compara el cambio en el outcome de los
tratados con aquellos no tratados, donde el cambio es medido relativo a un perodo base previo al programa.
D=1
n1
i=1
{Di =1}
207
b) Difference-in-difference (DID) Matching Estimators.
Para su implementacin se necesita datos cross-sectional repetidos o datos longitudinales tanto para participantes como no participantes. Sea t y t dos perodos
en el tiempo uno antes del comienzo del programa y otro despus del trmino
de este. Y0t es el outcome observado en t. Las condiciones que se necesitan para
implementar de estos estimadores son:
(DID.1) E(Y0t Yot0 |P (X), D = 1) = E(Yot Y0t0 |P (X), D = 0).
(DID.2) 0 < P r(D = 1|X) < 1.
As
n1t
X
b DID = 1
0t |P (Xi ), Di = 0)}
1 X
0t0 |P (xj ), Dj = 0)}
{Y0t0j (Xj ) E(Y
j
n1t0
j=1
{Dj =1}
Implementacin
Paso 1: Estimar el modelo de participacin en el programa.
Tambin denominado "propensity score.es una manera de reducir la dimensin
del problema de condicionamiento en el matching. Esto es, se reduce el problema
del matching a un problema unidimensional no-paramtrico al estimar E(Y0 |D =
0, P (X)) en vez del problema de dimensin k E(Y0 |D = 0, X).
La estimacin de los PS requiere escoger un conjunto de variables condicionantes
X. Donde es fundamental de que los X no estn influenciados por el programa.
Sino los estimadores por matching no medirn correctamente el efecto del programa pues no capturarn cambios en la distribucin de las variables X medidas por
el programa.
Por esta razn, las variables X estarn relacionadas con las caractersticas individuales de las personas (firmas, hogares) antes de entrar al programa. En Heckman,
Ichimura y Todd (99) la historia de empleo en el ao anterior al programa de entrenamiento es un predictor fundamental en la participacin. En general, entre
mas variables se consideran en X mejor y no considerar variables muy generales
como son caracterstica demogrficas.
Qu pasa si los datos (del grupo de control) no son aleatoriamente determinados?
Por ejemplo, puede suceder que los individuos del grupo de control estn sobre o
subrepresentados en relacin con su frecuencia en una poblacin aleatoria.
Amenija (1985) sugiere que se debe considerar el log [P (Xi )|1 P (Xi )] en vez de
los propensity scores estimados.
n0
X
j=1
{Dj =0}
P (Xi )P (Xj )
K
hn
j (P (XI )) = no
X
p(Xi ) p(Xk )
K
hn
K=1
{DK =0}
X
0i |P (X0 ), Di = 0) = 1
E(Y
Yoj
Z
j=1
{Dj AZ }
209
b) Kernel regression matching estimator.
El estimador anterior o bien asigna un peso de Z1 o 0 a las observaciones del
grupo de control. As, si Z=5 entonces el segundo o tercer vecino mas cercano
reciben el mismo peso en la estimacin del valor esperado condicional.
Un Kernel regression escoge el peso de tal forma de que la observacin mas
cercana en trminos de |P (Xi ) P (Xj )| recibe mayor peso.
Una forma de Kernel es la bi-weight Kernel:
15
2
|s| < 1
16 (s 1) para
K(s) =
0
otro caso
conde,
R en general, los
R Kernels escogidos deben cumplir con la condicin de
que K(s)ds = 1 y K(s)sds = 0.
Aqu el ancho hn es anlogo al problema de escoger el nmero Z en el caso
anterior.
Los pesos
i
j
K
.
hn
En trminos prcticos una forma de definir a hn es hn = |P (Xi ) P (Xj )|
para el z-simo vecino cercano. As, el hn variar dependiendo de la cantidad
de datos (vecinos) que tenga cada punto de P (Xi ) (o en cada i {Di = 1})
otra forma es escoger un hn [0,2,0,4].
P
)
K
j
i
i
k
j=1 ij
K=1 iK
j=1 ij
P (XI )P (Xj )
hn
donde KiK = K
tambin se puede demostrar (Fan (1992,1993)) de que el LLR estimator de E(Y0 i|P (Xi ), Di =
0) puede ser visto como la solucin hata al problema siguiente de regresin ponderada:
n0
X
P (Xi ) P (Xj )
2
mn
(Y0j a b (P (Xj ) P (Xi ))) K
a,b
hn
j=1
{Dj =0}
As, para cada valor P (Xi ) requiere por WLS Y0j sobre una constante y P (Xj )
P (Xi ) usado las personas con Dj = 0 y as el intercepto estimado ser un estimador de E(Y0i |P (Xi ), Di = 0).
Qu pasa si no hay matches cercanos?
n0
X
P (xi ) P (xK )
f (P (Xi )|Di = 0) =
K
hn
K=1
{DK =0}
Una vez que los estimadores de las densidades en cada punto son obtenidos se
debe ordenar los estimadores de densidad. As, todos los valores de P (Xi ) para
los cuales las densidades estimadas exceden el limite de 1 o 2 % cuantil son consideradas dentro de la regin de soporte comn. Aquellos por debajo deben ser
excluidos de la estimacin.
(Ahora si la regin de traslape es muy pequea es muy pequea, entonces se deben
recalcular los P(X) al considerar otros X).