Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Contenido
1 Introducci
on
2 Funciones de Riesgo
4 Estimaci
on por ML con datos censurados
5 Algunas extensiones
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.
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.
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.
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.
Para h > 0,
Para h > 0,
Para h > 0,
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.
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.
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)
d log S(t)
(t) = (8)
dt
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
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
La u
ltima expresion es util para construir las funciones de verosimilitud a
efectos de la estimaci
on de par ametros.
f (t)
(t) = = t 1 (14)
S(t)
t 1
(t) = (15)
1 + t
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.
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
f (t|X )
(t; X ) = (17)
1 F (t|X )
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 ).
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
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML
ti = mn(ti , ci ) (23)
Estimacion por ML
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.
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML
Estimacion por ML