Introducci

on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Microeconometra II
Modelos de Duraci
on

Erix Ruiz

I Diplomado en Econometra Aplicada al Desarrollo Econ

omico
SEUPROS-FIECS-UNI

Lima, Noviembre de 2013

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Contenido

1 Introducci
on

2 Funciones de Riesgo

3 Funciones de riesgo condicionales

4 Estimaci
on por ML con datos censurados

5 Algunas extensiones

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

En muchos contextos de interes, las variables de respuesta se encuentran

en terminos de duraci
on, es decir en terminos del tiempo transcurrido
hasta la ocurrencia de cierto evento.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

En muchos contextos de interes, las variables de respuesta se encuentran

en terminos de duraci
on, es decir en terminos del tiempo transcurrido
hasta la ocurrencia de cierto evento.
Algunos ejemplos son: semanas de desempleo, das de arresto antes de la
encarcelaci
on, trimestres hasta que una empresa de intertet se declare en
bancarota, etc.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

En muchos contextos de interes, las variables de respuesta se encuentran

en terminos de duraci
on, es decir en terminos del tiempo transcurrido
hasta la ocurrencia de cierto evento.
Algunos ejemplos son: semanas de desempleo, das de arresto antes de la
encarcelaci
on, trimestres hasta que una empresa de intertet se declare en
bancarota, etc.
El an
alisis de duraci on tiene origen en el denominado an alisis de
sobrevivencia, donde la duraci on de interes es el tiempo de vida de un
sujeto. As, el interes recae en determinar c omo varios tratamientos o las
caractersticas afectan los tiempos de vida.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

En muchos contextos de interes, las variables de respuesta se encuentran

en terminos de duraci
on, es decir en terminos del tiempo transcurrido
hasta la ocurrencia de cierto evento.
Algunos ejemplos son: semanas de desempleo, das de arresto antes de la
encarcelaci
on, trimestres hasta que una empresa de intertet se declare en
bancarota, etc.
El an
alisis de duraci on tiene origen en el denominado an alisis de
sobrevivencia, donde la duraci on de interes es el tiempo de vida de un
sujeto. As, el interes recae en determinar c omo varios tratamientos o las
caractersticas afectan los tiempos de vida.
En ciencias sociales, el interes se centra en cualquier situaci
on en la cual
un individuo (hogar, empresa, etc.) comienza en un estado inicial y se
observa la salida de este estado o es censurado.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

El an
alisis de duraci
on se inicia con la especificaci
on de ls distribuci
on
poblacional de la variable de duracion, en ocasiones condicional a un
conjunto de covariables (variables explicativas) observadas el inicio de la
duraci
on.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

El an
alisis de duraci
on se inicia con la especificaci
on de ls distribuci
on
poblacional de la variable de duracion, en ocasiones condicional a un
conjunto de covariables (variables explicativas) observadas el inicio de la
duraci
on.
Por ejemplo, en el caso de gente que ingresa a la condici on de desempleo,
es posible observar los niveles de educaci
on, experiencia, estatus marital.
As, uno puede especificar una distribuci
on de la duraci
on del desempleo
condicional en estos elementos.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

El an
alisis de duraci
on se inicia con la especificaci
on de ls distribuci
on
poblacional de la variable de duracion, en ocasiones condicional a un
conjunto de covariables (variables explicativas) observadas el inicio de la
duraci
on.
Por ejemplo, en el caso de gente que ingresa a la condici on de desempleo,
es posible observar los niveles de educaci
on, experiencia, estatus marital.
As, uno puede especificar una distribuci
on de la duraci
on del desempleo
condicional en estos elementos.
Cualquier distribuci
on razonable debe reflejar que la duraci
on del
desempleo es no negativa. Una vez que la distribuci on condicional
completa es especificada, se utilizan los mismos metodos de m axima
verosimilitud vistos para modelos censurados.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

El an
alisis de duraci
on se inicia con la especificaci
on de ls distribuci
on
poblacional de la variable de duracion, en ocasiones condicional a un
conjunto de covariables (variables explicativas) observadas el inicio de la
duraci
on.
Por ejemplo, en el caso de gente que ingresa a la condici on de desempleo,
es posible observar los niveles de educaci
on, experiencia, estatus marital.
As, uno puede especificar una distribuci
on de la duraci
on del desempleo
condicional en estos elementos.
Cualquier distribuci
on razonable debe reflejar que la duraci
on del
desempleo es no negativa. Una vez que la distribuci on condicional
completa es especificada, se utilizan los mismos metodos de m axima
verosimilitud vistos para modelos censurados.
En este escenario, el interes recae en la estimaci
on de los efectos de las
covariables sobre la duracion esperada.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

Enfoques m as recientes del an

alisis de duraci
on se centran en la funci
on de
riesgo (hazard function). La funcion de riesgo permite aproximarse a la
probabilidad de salida del estado inicial dentro de un intervalo corto,
condicional en haber sobrevidido hasta el momento inicial de ese intervalo.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Naturaleza de los modelos de duraci

on

Enfoques m as recientes del an

alisis de duraci
on se centran en la funci
on de
riesgo (hazard function). La funcion de riesgo permite aproximarse a la
probabilidad de salida del estado inicial dentro de un intervalo corto,
condicional en haber sobrevidido hasta el momento inicial de ese intervalo.
En aplicaciones econometricas, las funciones de riesgo son usualmente
condicionales a algunas covariables. Un aspecto importante por an alisis de
polticas es permitir que la funci
on de riesgo dependa de covariables que
cambian en el tiempo.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Sea T 0 la variable de duracion, la cual tiene una determinada

distribuci
on poblacional; t denota un valor particular de T .

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Sea T 0 la variable de duraci on, la cual tiene una determinada

distribuci
on poblacional; t denota un valor particular de T .
T puede ser el tiempo en el que una persona (hogar, empresa, etc.) deja el
estado inicial. Si el estado inicial es el desempleo, T es el tiempo, medido
en semanas o meses, que pasa hasta que la persona pasa a estar empleada.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Sea T 0 la variable de duraci on, la cual tiene una determinada

distribuci
on poblacional; t denota un valor particular de T .
T puede ser el tiempo en el que una persona (hogar, empresa, etc.) deja el
estado inicial. Si el estado inicial es el desempleo, T es el tiempo, medido
en semanas o meses, que pasa hasta que la persona pasa a estar empleada.
La funcion de distribucion acumulada (cdf) de T est a definida como:

F (t) = P(T t), t 0 (1)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Sea T 0 la variable de duraci on, la cual tiene una determinada

distribuci
on poblacional; t denota un valor particular de T .
T puede ser el tiempo en el que una persona (hogar, empresa, etc.) deja el
estado inicial. Si el estado inicial es el desempleo, T es el tiempo, medido
en semanas o meses, que pasa hasta que la persona pasa a estar empleada.
La funcion de distribucion acumulada (cdf) de T est a definida como:

F (t) = P(T t), t 0 (1)

La funci
on de sobrevivencia est
a definida como
S(t) = 1 F (t) = P(T > t), y es la probabilidad de sobrevivir pasado el
momento t.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Sea T 0 la variable de duraci on, la cual tiene una determinada

distribuci
on poblacional; t denota un valor particular de T .
T puede ser el tiempo en el que una persona (hogar, empresa, etc.) deja el
estado inicial. Si el estado inicial es el desempleo, T es el tiempo, medido
en semanas o meses, que pasa hasta que la persona pasa a estar empleada.
La funcion de distribucion acumulada (cdf) de T est a definida como:

F (t) = P(T t), t 0 (1)

La funcion de sobrevivencia est
a definida como
S(t) = 1 F (t) = P(T > t), y es la probabilidad de sobrevivir pasado el
momento t.
Asumimos que T es continua y diferenciables para simplificar la definici
on
de ciertas probabilidades. El hecho de que T sea una variable discreta
puede verse como una consecuancia del esquema de muestreo.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Sea T 0 la variable de duraci on, la cual tiene una determinada

distribuci
on poblacional; t denota un valor particular de T .
T puede ser el tiempo en el que una persona (hogar, empresa, etc.) deja el
estado inicial. Si el estado inicial es el desempleo, T es el tiempo, medido
en semanas o meses, que pasa hasta que la persona pasa a estar empleada.
La funcion de distribucion acumulada (cdf) de T est a definida como:

F (t) = P(T t), t 0 (1)

La funcion de sobrevivencia est
a definida como
S(t) = 1 F (t) = P(T > t), y es la probabilidad de sobrevivir pasado el
momento t.
Asumimos que T es continua y diferenciables para simplificar la definici
on
de ciertas probabilidades. El hecho de que T sea una variable discreta
puede verse como una consecuancia del esquema de muestreo.
La densidad de T se denota por:
dF
f (t) = (t) (2)
dt
Erix Ruiz Microeconometra II Modelos de Duraci
on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Para h > 0,

P(t T < t + h|T t) (3)

es la probabilidad de dejar el estado inicial en el intervalo [t, t + h) dada la
sobrevivencia hasta el momento t. La funci on de riesgo para T es definida
como:

P(t T < t + h|T t)

(t) = lm (4)
h0 h
para cada t, (t) es la tasa instant
anea de salida por unidad de tiempo.
De la expresi
on anterior de tiene que :

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Para h > 0,

P(t T < t + h|T t) (3)

es la probabilidad de dejar el estado inicial en el intervalo [t, t + h) dada la
sobrevivencia hasta el momento t. La funci on de riesgo para T es definida
como:

P(t T < t + h|T t)

(t) = lm (4)
h0 h
para cada t, (t) es la tasa instant
anea de salida por unidad de tiempo.
De la expresi
on anterior de tiene que :

P(t T < t + h|T t) (t)h (5)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Para h > 0,

P(t T < t + h|T t) (3)

es la probabilidad de dejar el estado inicial en el intervalo [t, t + h) dada la
sobrevivencia hasta el momento t. La funci on de riesgo para T es definida
como:

P(t T < t + h|T t)

(t) = lm (4)
h0 h
para cada t, (t) es la tasa instant
anea de salida por unidad de tiempo.
De la expresi
on anterior de tiene que :

P(t T < t + h|T t) (t)h (5)

As, la funci
on de riesgo puede ser utilizada para aproximar la probabilidad
condicional de la misma forma en que la altura de la densidad de T puede
ser utilizada para aproximar una probabilidad incondicional.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Si T es la duraci
on del desempleo, medida en semanas, entonces (20) es
aproximadamente la probabilidad de estar empleado entre las semanas 20
y 21 condicional en haber estado desempleado hasta la semana 20.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Si T es la duraci
on del desempleo, medida en semanas, entonces (20) es
aproximadamente la probabilidad de estar empleado entre las semanas 20
y 21 condicional en haber estado desempleado hasta la semana 20.
Supongamos que T es el n umero de meses antes de que un ex-convicto es
arrestado por un crimen (reincidencia). Entonces (12) es es, en terminod
generales, la probabilidad de ser arrestado durante el mes 13 condicional
en no haber sido arrestado durante el primer ano.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Si T es la duraci
on del desempleo, medida en semanas, entonces (20) es
aproximadamente la probabilidad de estar empleado entre las semanas 20
y 21 condicional en haber estado desempleado hasta la semana 20.
Supongamos que T es el n umero de meses antes de que un ex-convicto es
arrestado por un crimen (reincidencia). Entonces (12) es es, en terminod
generales, la probabilidad de ser arrestado durante el mes 13 condicional
en no haber sido arrestado durante el primer ano.
Se puede expresar la funci
on de riesgo en terminos de la densidad y la cdf
de manera sencilla. Primero, se reescribe:

F (t + h) F (t)
P(t T < t+h|T t) = P(t T < t+h)/P(T t) =
1 F (t)
(6)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Si la cdf es diferenciable, podemos dividir por h y tomar el lmite:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Si la cdf es diferenciable, podemos dividir por h y tomar el lmite:

F (t + h) F (t) 1 f (t) f (t)

(t) = lm . = = (7)
t0 h 1 F (t) 1 F (t) S(t)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Si la cdf es diferenciable, podemos dividir por h y tomar el lmite:

F (t + h) F (t) 1 f (t) f (t)

(t) = lm . = = (7)
t0 h 1 F (t) 1 F (t) S(t)
Como la derivada de S(t) es f (t), se tiene:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Si la cdf es diferenciable, podemos dividir por h y tomar el lmite:

F (t + h) F (t) 1 f (t) f (t)

(t) = lm . = = (7)
t0 h 1 F (t) 1 F (t) S(t)
Como la derivada de S(t) es f (t), se tiene:

d log S(t)
(t) = (8)
dt

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Si la cdf es diferenciable, podemos dividir por h y tomar el lmite:

F (t + h) F (t) 1 f (t) f (t)

(t) = lm . = = (7)
t0 h 1 F (t) 1 F (t) S(t)
Como la derivada de S(t) es f (t), se tiene:

d log S(t)
(t) = (8)
dt
Usando el hecho de que F (0) = 0, integrando la expresi
on anterior se tiene:
 Z t 
F (t) = 1 exp (s)ds , t 0 (9)
0

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Si la cdf es diferenciable, podemos dividir por h y tomar el lmite:

F (t + h) F (t) 1 f (t) f (t)

(t) = lm . = = (7)
t0 h 1 F (t) 1 F (t) S(t)
Como la derivada de S(t) es f (t), se tiene:

d log S(t)
(t) = (8)
dt
Usando el hecho de que F (0) = 0, integrando la expresi
on anterior se tiene:
 Z t 
F (t) = 1 exp (s)ds , t 0 (9)
0

Diferenciando la expresion anterior se tiene la densidad de T como:

 Z t 
f (t) = (t) exp (s)ds (10)
0

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

As, las probabilidades pueden ser calculadas usando la funci

on de riesgo.
Por ejemplo, para los punto a1 < a2 ,

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

As, las probabilidades pueden ser calculadas usando la funci

on de riesgo.
Por ejemplo, para los punto a1 < a2 ,
 Z a2 
1 F (a2 )
P(T a2 |T a1 ) = = exp (s)ds (11)
1 F (a1 ) a1
y

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

As, las probabilidades pueden ser calculadas usando la funci

on de riesgo.
Por ejemplo, para los punto a1 < a2 ,
 Z a2 
1 F (a2 )
P(T a2 |T a1 ) = = exp (s)ds (11)
1 F (a1 ) a1
y
 Z a2 
P(a1 T < a2 |T a1 ) = 1 exp (s)ds (12)
a1

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

As, las probabilidades pueden ser calculadas usando la funci

on de riesgo.
Por ejemplo, para los punto a1 < a2 ,
 Z a2 
1 F (a2 )
P(T a2 |T a1 ) = = exp (s)ds (11)
1 F (a1 ) a1
y
 Z a2 
P(a1 T < a2 |T a1 ) = 1 exp (s)ds (12)
a1

La u
ltima expresion es util para construir las funciones de verosimilitud a
efectos de la estimaci
on de par ametros.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

La forma de la funcion de riesgo es de interes primario en muchas

aplicaciones empricas. En el caso m
as simple, la funcion de riesgo es
constante: (t) = , t 0.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

La forma de la funcion de riesgo es de interes primario en muchas

aplicaciones empricas. En el caso m
as simple, la funcion de riesgo es
constante: (t) = , t 0.
La funci
on anterior implica que el proceso de T es uno sin memoria: La
probabilidad de salida en el siguiente intervalo de tiempo no depende de
cuanto tiempo se haya pasado en el estado inicial.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

La forma de la funcion de riesgo es de interes primario en muchas

aplicaciones empricas. En el caso m
as simple, la funcion de riesgo es
constante: (t) = , t 0.
La funci
on anterior implica que el proceso de T es uno sin memoria: La
probabilidad de salida en el siguiente intervalo de tiempo no depende de
cuanto tiempo se haya pasado en el estado inicial.
De la ecuaci
on (9), un riesgo constante implica:

F (t) = 1 exp [t] (13)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

La forma de la funcion de riesgo es de interes primario en muchas

aplicaciones empricas. En el caso m
as simple, la funcion de riesgo es
constante: (t) = , t 0.
La funci
on anterior implica que el proceso de T es uno sin memoria: La
probabilidad de salida en el siguiente intervalo de tiempo no depende de
cuanto tiempo se haya pasado en el estado inicial.
De la ecuaci
on (9), un riesgo constante implica:

F (t) = 1 exp [t] (13)

la cual es la cdf de una distribuci
on exponencial. Es decir, si T tiene una
distribuci
on exponencial, tiene una riesgo constante.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Cuando la funci on de riesgo no es constante, se dice que el proceso

muestra dependencia en la duraci on. Asumiendo que (.) es
diferenciables, existe dependencia positiva en la duraci
on en el momento t
si d(t)/dt > 0. Si esta condici
on se cumple para todo t, en proceso
muestra dependencia positiva en la duraci on.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Cuando la funci on de riesgo no es constante, se dice que el proceso

muestra dependencia en la duraci on. Asumiendo que (.) es
diferenciables, existe dependencia positiva en la duraci
on en el momento t
si d(t)/dt > 0. Si esta condici
on se cumple para todo t, en proceso
muestra dependencia positiva en la duraci on.
Con dependencia positiva en la duraci on, la probabilidad de salir del
estado inicial se incremente mientras mas tiempo se pasa en estado inicial.
Si la derivada es negativa, existe dependencia negativa en la duraci on.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Cuando la funci on de riesgo no es constante, se dice que el proceso

muestra dependencia en la duraci on. Asumiendo que (.) es
diferenciables, existe dependencia positiva en la duraci
on en el momento t
si d(t)/dt > 0. Si esta condici
on se cumple para todo t, en proceso
muestra dependencia positiva en la duraci on.
Con dependencia positiva en la duraci on, la probabilidad de salir del
estado inicial se incremente mientras mas tiempo se pasa en estado inicial.
Si la derivada es negativa, existe dependencia negativa en la duraci on.
Distribucion Weibull: Si T tiene una distribuci
on Weibull, su cdf
a dada por F (t) = 1 exp (t ), donde y son par
est ametros no
negativos. La densidad es f (t) = t 1 exp (t ). As, la funci
on de
riesgo es:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Cuando la funci on de riesgo no es constante, se dice que el proceso

muestra dependencia en la duraci on. Asumiendo que (.) es
diferenciables, existe dependencia positiva en la duraci
on en el momento t
si d(t)/dt > 0. Si esta condici
on se cumple para todo t, en proceso
muestra dependencia positiva en la duraci on.
Con dependencia positiva en la duraci on, la probabilidad de salir del
estado inicial se incremente mientras mas tiempo se pasa en estado inicial.
Si la derivada es negativa, existe dependencia negativa en la duraci on.
Distribucion Weibull: Si T tiene una distribuci
on Weibull, su cdf
a dada por F (t) = 1 exp (t ), donde y son par
est ametros no
negativos. La densidad es f (t) = t 1 exp (t ). As, la funci
on de
riesgo es:

f (t)
(t) = = t 1 (14)
S(t)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Cuando = 1, la distribuci
on Weibull se reduce a la exponencial con = .
Si > 1, el riesgo es monot
onicamente creciente, es decir que el riesgo
muestra una dependencia positiva en la duraci
on. Para < 1, el riesgo es
monotonicamente decreciente.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Cuando = 1, la distribuci
on Weibull se reduce a la exponencial con = .
Si > 1, el riesgo es monot
onicamente creciente, es decir que el riesgo
muestra una dependencia positiva en la duracion. Para < 1, el riesgo es
monotonicamente decreciente.
El uso de la distribuci
on Weibull permite capturar la dependencia de la
duraci
on de una manera sencilla.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Cuando = 1, la distribuci
on Weibull se reduce a la exponencial con = .
Si > 1, el riesgo es monot
onicamente creciente, es decir que el riesgo
muestra una dependencia positiva en la duraci on. Para < 1, el riesgo es
monot onicamente decreciente.
El uso de la distribuci
on Weibull permite capturar la dependencia de la
duraci
on de una manera sencilla.
La funcion de riesgo log-logistica: En este caso, la funci
on de riesgo es
especificada como:

t 1
(t) = (15)
1 + t

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Cuando = 1, la distribuci
on Weibull se reduce a la exponencial con = .
Si > 1, el riesgo es monot
onicamente creciente, es decir que el riesgo
muestra una dependencia positiva en la duraci on. Para < 1, el riesgo es
monot onicamente decreciente.
El uso de la distribuci
on Weibull permite capturar la dependencia de la
duraci
on de una manera sencilla.
La funcion de riesgo log-logistica: En este caso, la funci
on de riesgo es
especificada como:

t 1
(t) = (15)
1 + t
donde y son par ametros positivos. Cuando = 1, el riesgo es
monotonicamente decreciente desde en t = 0 hasta cero cuando t ;
cuando < 1, el riesgo tambien es monotonicamente decreciente a cero
en la medida en que t . Cuando > 1, el riesgo es creciente hasta
h i1
t = (1)

, y luego este decrece hasta cero.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo sin covariables

Cuando = 1, la distribuci
on Weibull se reduce a la exponencial con = .
Si > 1, el riesgo es monot
onicamente creciente, es decir que el riesgo
muestra una dependencia positiva en la duraci on. Para < 1, el riesgo es
monot onicamente decreciente.
El uso de la distribuci
on Weibull permite capturar la dependencia de la
duraci
on de una manera sencilla.
La funcion de riesgo log-logistica: En este caso, la funci
on de riesgo es
especificada como:

t 1
(t) = (15)
1 + t
donde y son par ametros positivos. Cuando = 1, el riesgo es
monotonicamente decreciente desde en t = 0 hasta cero cuando t ;
cuando < 1, el riesgo tambien es monotonicamente decreciente a cero
en la medida en que t . Cuando > 1, el riesgo es creciente hasta
h i1
t = (1)

, y luego este decrece hasta cero.
Note que en este caso, log(T ) tiene una distribuci
on log-logstica con
media = 1 log() y varianza 2 /(32 )
Erix Ruiz Microeconometra II Modelos de Duraci
on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Usualmente, en economa estamos interesados en las funciones de riesgo
condicionales en un conjunto de covariables como regresores. Cuando estas
variables no cambian en el tiempo, simplemente se define el riesgo (y
todas las otras caractersticas de T ) condicional en las covariables. El
riesgo condicional es entonces:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Usualmente, en economa estamos interesados en las funciones de riesgo
condicionales en un conjunto de covariables como regresores. Cuando estas
variables no cambian en el tiempo, simplemente se define el riesgo (y
todas las otras caractersticas de T ) condicional en las covariables. El
riesgo condicional es entonces:

P(t T < t + h|T t, X )

(t; X ) = lm (16)
h0 h

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Usualmente, en economa estamos interesados en las funciones de riesgo
condicionales en un conjunto de covariables como regresores. Cuando estas
variables no cambian en el tiempo, simplemente se define el riesgo (y
todas las otras caractersticas de T ) condicional en las covariables. El
riesgo condicional es entonces:

P(t T < t + h|T t, X )

(t; X ) = lm (16)
h0 h
donde X es un vector de variables explicativas. Todas las formulas
anteriores se mantienen teniendo en cuenta que tanto la cdf como la
densidad ahora son condicionales en X . Por ejemplo, si la cdf condicional
F (.|X ) es diferenciable, se tiene:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Usualmente, en economa estamos interesados en las funciones de riesgo
condicionales en un conjunto de covariables como regresores. Cuando estas
variables no cambian en el tiempo, simplemente se define el riesgo (y
todas las otras caractersticas de T ) condicional en las covariables. El
riesgo condicional es entonces:

P(t T < t + h|T t, X )

(t; X ) = lm (16)
h0 h
donde X es un vector de variables explicativas. Todas las formulas
anteriores se mantienen teniendo en cuenta que tanto la cdf como la
densidad ahora son condicionales en X . Por ejemplo, si la cdf condicional
F (.|X ) es diferenciable, se tiene:

f (t|X )
(t; X ) = (17)
1 F (t|X )

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Usualmente, en economa estamos interesados en las funciones de riesgo
condicionales en un conjunto de covariables como regresores. Cuando estas
variables no cambian en el tiempo, simplemente se define el riesgo (y
todas las otras caractersticas de T ) condicional en las covariables. El
riesgo condicional es entonces:

P(t T < t + h|T t, X )

(t; X ) = lm (16)
h0 h
donde X es un vector de variables explicativas. Todas las formulas
anteriores se mantienen teniendo en cuenta que tanto la cdf como la
densidad ahora son condicionales en X . Por ejemplo, si la cdf condicional
F (.|X ) es diferenciable, se tiene:

f (t|X )
(t; X ) = (17)
1 F (t|X )
Donde f (t|X ) es la densidad de T condicional en X . El interes recae en
los efectos parciales de xj sobre (t; X ).

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Usualmente, en economa estamos interesados en las funciones de riesgo
condicionales en un conjunto de covariables como regresores. Cuando estas
variables no cambian en el tiempo, simplemente se define el riesgo (y
todas las otras caractersticas de T ) condicional en las covariables. El
riesgo condicional es entonces:

P(t T < t + h|T t, X )

(t; X ) = lm (16)
h0 h
donde X es un vector de variables explicativas. Todas las formulas
anteriores se mantienen teniendo en cuenta que tanto la cdf como la
densidad ahora son condicionales en X . Por ejemplo, si la cdf condicional
F (.|X ) es diferenciable, se tiene:

f (t|X )
(t; X ) = (17)
1 F (t|X )
Donde f (t|X ) es la densidad de T condicional en X . El interes recae en
los efectos parciales de xj sobre (t; X ).
Los efectos parciales est
an definidos como derivadas parciales para xj
continua y como diferencia para xj discreta.
Erix Ruiz Microeconometra II Modelos de Duraci
on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Una clase de modelos importantes con time-invariant variables son los

modelos de riesgo proporcional. En este caso, el riesgo proporcional
puede escribirse como:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Una clase de modelos importantes con time-invariant variables son los

modelos de riesgo proporcional. En este caso, el riesgo proporcional
puede escribirse como:

(t; X ) = (X )0 (t) (18)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Una clase de modelos importantes con time-invariant variables son los

modelos de riesgo proporcional. En este caso, el riesgo proporcional
puede escribirse como:

(t; X ) = (X )0 (t) (18)

donde (.) > 0 es una funci on positiva de X y 0 (t) > 0 se denomina el

riesgo base. El riesgo base es comun a todas las unidades en la poblaci
on;
las funciones de riesgo individual difieren proporcionalmente basados en
una funcion (X ) de variables observables.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Invariant variables

Una clase de modelos importantes con time-invariant variables son los

modelos de riesgo proporcional. En este caso, el riesgo proporcional
puede escribirse como:

(t; X ) = (X )0 (t) (18)

donde (.) > 0 es una funci on positiva de X y 0 (t) > 0 se denomina el

riesgo base. El riesgo base es comun a todas las unidades en la poblaci
on;
las funciones de riesgo individual difieren proporcionalmente basados en
una funcion (X ) de variables observables.
Usualmente, (.) es parametrizada como (X ) = exp(X ), con como
un vector de par
ametros. As:

log (t; X ) = X + log 0 (t) (19)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Variant variables

Sea x(t) el vector de regresores en el momento t. Este es un vector

aleatorio que describe a la poblacion. Para t 0, Sea X (t) la senda de las
covariables a traves de t: X (t) = {X (s) : 0 s < t}. Se puede definir la
funci
on de riesgo condicional en el momento t como:

P [t T < t + h|T t, X (t + h)]

[t : X (t)] = lm (20)
h0 h

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Variant variables

Sea x(t) el vector de regresores en el momento t. Este es un vector

aleatorio que describe a la poblacion. Para t 0, Sea X (t) la senda de las
covariables a traves de t: X (t) = {X (s) : 0 s < t}. Se puede definir la
funci
on de riesgo condicional en el momento t como:

P [t T < t + h|T t, X (t + h)]

[t : X (t)] = lm (20)
h0 h
asumiendo que el lmite existe.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Variant variables

Sea x(t) el vector de regresores en el momento t. Este es un vector

aleatorio que describe a la poblacion. Para t 0, Sea X (t) la senda de las
covariables a traves de t: X (t) = {X (s) : 0 s < t}. Se puede definir la
funci
on de riesgo condicional en el momento t como:

P [t T < t + h|T t, X (t + h)]

[t : X (t)] = lm (20)
h0 h
asumiendo que el lmite existe.
En ciertos caso, es importante saber si la las covariables son estrctamente
ex
ogenas. Lancaster (1990) establece que si X (t, t + h) denota la senda de
las covariables desde t hasta t + h, entonces la condicion de exogeneidad
estricta es:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Variant variables

Sea x(t) el vector de regresores en el momento t. Este es un vector

aleatorio que describe a la poblacion. Para t 0, Sea X (t) la senda de las
covariables a traves de t: X (t) = {X (s) : 0 s < t}. Se puede definir la
funci
on de riesgo condicional en el momento t como:

P [t T < t + h|T t, X (t + h)]

[t : X (t)] = lm (20)
h0 h
asumiendo que el lmite existe.
En ciertos caso, es importante saber si la las covariables son estrctamente
ex
ogenas. Lancaster (1990) establece que si X (t, t + h) denota la senda de
las covariables desde t hasta t + h, entonces la condicion de exogeneidad
estricta es:

P [X (t, t + h)|T t + h, X (t)] = P [X (t, t + h)|X (t)] (21)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Variant variables

Con Time-Variant covariables, no existe en sentido estricto, un modelo de

riesgo proporcional. Sin embargo, es com
un denominar el riesgo de la
forma:

[t : x(t)] = [x(t)] 0 (t) (22)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Funciones de riesgo con Time-Variant variables

Con Time-Variant covariables, no existe en sentido estricto, un modelo de

riesgo proporcional. Sin embargo, es com
un denominar el riesgo de la
forma:

[t : x(t)] = [x(t)] 0 (t) (22)

como riesgo proporcional con time-varying covariable. La funci on
usualmente elegida para definir a (.) es [x(t)] = exp [x(t)]. Note que
tambien se pueden incluir rezagos de x(t).

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Para una observaci on, sea ai [0, b] el tiempo

on aleatoria i de la poblaci
en el cual el individuo i ingresa al estado inicial. Sea ti la longitud del
tiempo o duraci on en el estado inicial. Sea xi el vector de variables
observables.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Para una observaci on, sea ai [0, b] el tiempo

on aleatoria i de la poblaci
en el cual el individuo i ingresa al estado inicial. Sea ti la longitud del
tiempo o duraci on en el estado inicial. Sea xi el vector de variables
observables.
Asumamos que ti tienen una densidad condicional continua
f (t|xi , ), t 0, donde es el vector de par
ametros desconocidos.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Para una observaci on, sea ai [0, b] el tiempo

on aleatoria i de la poblaci
en el cual el individuo i ingresa al estado inicial. Sea ti la longitud del
tiempo o duraci on en el estado inicial. Sea xi el vector de variables
observables.
Asumamos que ti tienen una densidad condicional continua
f (t|xi , ), t 0, donde es el vector de par
ametros desconocidos.
Sin censura por la derecha, se podra observar una muestra aleatoria de
(ai , ti , xi ), y la estimaci
on seguira el procedimiento est
andar de m
axima
verosimilitud condicional.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Para una observaci on, sea ai [0, b] el tiempo

on aleatoria i de la poblaci
en el cual el individuo i ingresa al estado inicial. Sea ti la longitud del
tiempo o duraci on en el estado inicial. Sea xi el vector de variables
observables.
Asumamos que ti tienen una densidad condicional continua
f (t|xi , ), t 0, donde es el vector de par
ametros desconocidos.
Sin censura por la derecha, se podra observar una muestra aleatoria de
(ai , ti , xi ), y la estimaci
on seguira el procedimiento est
andar de m
axima
verosimilitud condicional.
Tomando en cuenta censura por la derecha, se sume que la duraci
on
observada, es obtenida como:

ti = mn(ti , ci ) (23)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Para una observaci on, sea ai [0, b] el tiempo

on aleatoria i de la poblaci
en el cual el individuo i ingresa al estado inicial. Sea ti la longitud del
tiempo o duraci on en el estado inicial. Sea xi el vector de variables
observables.
Asumamos que ti tienen una densidad condicional continua
f (t|xi , ), t 0, donde es el vector de par
ametros desconocidos.
Sin censura por la derecha, se podra observar una muestra aleatoria de
(ai , ti , xi ), y la estimaci
on seguira el procedimiento est
andar de m
axima
verosimilitud condicional.
Tomando en cuenta censura por la derecha, se sume que la duraci
on
observada, es obtenida como:

ti = mn(ti , ci ) (23)
donde ci es el tiempo censurado para el individuo i. En algunos casos, ci
es constante a los largo de i.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Se asume que, condicional en las covariables, la duraci

on verdadera es
independiente del punto de partida ai , y del momento de censura ci :

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Se asume que, condicional en las covariables, la duraci

on verdadera es
independiente del punto de partida ai , y del momento de censura ci :

D(ti |xi , ai , ci ) = D(ti |xi ) (24)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Se asume que, condicional en las covariables, la duraci

on verdadera es
independiente del punto de partida ai , y del momento de censura ci :

D(ti |xi , ai , ci ) = D(ti |xi ) (24)

donde D(.|.) es la distribuci
on condicional.

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Se asume que, condicional en las covariables, la duraci

on verdadera es
independiente del punto de partida ai , y del momento de censura ci :

D(ti |xi , ai , ci ) = D(ti |xi ) (24)

donde D(.|.) es la distribuci
on condicional.
Bajo el supuesto anterior, la distribuci on de ti dado (xi , ai , ci ) no depende
on es no censurada, la densidad de ti = ti dado
de (ai , ci ). As, si la duraci
(xi , ai , ci ) es simplemente f (t|xi ; ).

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Se asume que, condicional en las covariables, la duraci

on verdadera es
independiente del punto de partida ai , y del momento de censura ci :

D(ti |xi , ai , ci ) = D(ti |xi ) (24)

donde D(.|.) es la distribuci
on condicional.
Bajo el supuesto anterior, la distribuci on de ti dado (xi , ai , ci ) no depende
on es no censurada, la densidad de ti = ti dado
de (ai , ci ). As, si la duraci
(xi , ai , ci ) es simplemente f (t|xi ; ).
En caso de que ti sea censurada, la probabilidad de ello es:

P(ti ci |xi ) = 1 F (ci |xi ; ) (25)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Se asume que, condicional en las covariables, la duraci

on verdadera es
independiente del punto de partida ai , y del momento de censura ci :

D(ti |xi , ai , ci ) = D(ti |xi ) (24)

donde D(.|.) es la distribuci
on condicional.
Bajo el supuesto anterior, la distribuci on de ti dado (xi , ai , ci ) no depende
on es no censurada, la densidad de ti = ti dado
de (ai , ci ). As, si la duraci
(xi , ai , ci ) es simplemente f (t|xi ; ).
En caso de que ti sea censurada, la probabilidad de ello es:

P(ti ci |xi ) = 1 F (ci |xi ; ) (25)

donde F (t|xi ; ) es la cdf condicional de ti

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Sea di un indicador de censura( di = 1 si no hay censura, di = 0 si hay

censura), la verosimilitud condicional para la observaci
on i puede escribirse
como:

f (ti |xi; )di [1 F (ti |xi ; )](1di ) (26)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Sea di un indicador de censura( di = 1 si no hay censura, di = 0 si hay

censura), la verosimilitud condicional para la observaci
on i puede escribirse
como:

f (ti |xi; )di [1 F (ti |xi ; )](1di ) (26)

Dado la existencia de informaci
on sobre (ti , di , xi ) para una muestra
aleatoria de tama
no N, el estimador ML de se obtiene maximizando:
N
X
{di log [f (ti |xi ; )] + (1 di ) log [1 F (ti |xi ; )]} (27)
i=1

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Como la funcion de riesgo puede ser expresada de acuerdo con la expresi on

(17), una vez que se ha especificado f (t), la funci
on de riesgo puede ser
estimada una vez obtenido el MLE . Por ejemplo, la distribuci
on Weibull
con covariables tiene la siguiente densidad condicional:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Como la funcion de riesgo puede ser expresada de acuerdo con la expresi on

(17), una vez que se ha especificado f (t), la funci
on de riesgo puede ser
estimada una vez obtenido el MLE . Por ejemplo, la distribuci
on Weibull
con covariables tiene la siguiente densidad condicional:

f (t|xi ; ) = exp(xi )t 1 exp [exp(xi )t ] (28)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Como la funcion de riesgo puede ser expresada de acuerdo con la expresi on

(17), una vez que se ha especificado f (t), la funci
on de riesgo puede ser
estimada una vez obtenido el MLE . Por ejemplo, la distribuci
on Weibull
con covariables tiene la siguiente densidad condicional:

f (t|xi ; ) = exp(xi )t 1 exp [exp(xi )t ] (28)

donde = exp(xi ). La funci

on de riesgo en este caso es simplemente:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Estimacion por ML

Como la funcion de riesgo puede ser expresada de acuerdo con la expresi on

(17), una vez que se ha especificado f (t), la funci
on de riesgo puede ser
estimada una vez obtenido el MLE . Por ejemplo, la distribuci
on Weibull
con covariables tiene la siguiente densidad condicional:

f (t|xi ; ) = exp(xi )t 1 exp [exp(xi )t ] (28)

donde = exp(xi ). La funci

on de riesgo en este caso es simplemente:

(t; x) = exp(x)t 1 (29)

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Extensiones en modelos de duraci

on

Algunas extensiones al marco b

asico de los modelos de duraci
on son:

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Extensiones en modelos de duraci

on

Algunas extensiones al marco b

asico de los modelos de duraci
on son:
1 Inclusi
on de heterogeneidad no observable

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Extensiones en modelos de duraci

on

Algunas extensiones al marco b

asico de los modelos de duraci
on son:
1 Inclusi
on de heterogeneidad no observable
2 Modelos con datos de duracion agrupados

Erix Ruiz Microeconometra II Modelos de Duraci

on
 Introducci
on
Funciones de Riesgo
Funciones de riesgo condicionales
Estimaci
on por ML con datos censurados
Algunas extensiones

Extensiones en modelos de duraci

on

Algunas extensiones al marco b

asico de los modelos de duraci
on son:
1 Inclusi
on de heterogeneidad no observable
2 Modelos con datos de duracion agrupados
3 Modelos con multiples entradas y salidas de estados (multiple-spell data).

Erix Ruiz Microeconometra II Modelos de Duraci

on