Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema 4 P
Tema 4 P
Contenido
1 Introducción
2 Modelo Tobit
Introducción
Estimación por Máxima Verosimilitud
Diferencias con una simple Regresión Lineal
Predicciones. Efectos Marginales
Limitaciones del Modelo Tobit
Y = Y∗ si Y
∗
<U
en el caso de censura por la izquierda (o inferior)
Y = Y∗ si Y
∗
>L
Y = Y ∗ D + L (1 − D )
D 1, siY∗ > U
=
0, siY∗ < U
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Introducción
∗
Variable latente Y
∗
Yi = β0 + β1 X1i + · · · + βk Xki + Ui (1)
2
Ui |X1i , . . . , Xki ∼ N 0, σ (2)
Yi∗ , i = β0 + β1 X1i + · · · + βk Xki + Ui > 0
∗
si Y
Yi =
0, en caso contrario
Otra formulación
Yi =
Yi∗ , si Di =1 (3)
0, si Di = 0
i
donde D toma valor 1 si Y
∗
i > 0 y cero en caso contrario
1, si β0 + β1 X1i + · · · + βk Xki + Ui > 0
Di = (4)
0, en caso contrario
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Estimación por Máxima Verosimilitud
i = Xi β + Ui
∗ 0
Por simplicidad Y
f y x
( i∗ | i ) = √
1
1 ∗
exp − 2 i − i0 β
2
=φ iβ
0
y X X
2πσ2 2σ σ
= 1−Φ
Xi0 β
σ
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Estimación por Máxima Verosimilitud
f (yi |xi ) =
φ
Xi0 β Di 1 − Φ Xi0 β 1−Di
σ σ
n
Y n
X
log L y1 , . . . , yn ; β0 , β1 , σ2 = log f (yi ) = log f (yi )
i =1 i =1
n
Di log φ Xσi β + (1 − Di ) log 1 − Φ Xσi β
X 0 0
log L β, σ2 =
i =1
X β/σ
0
i
Pr (Yi > 0) = Φ Xi0 β/σ
i
Suponer que E [Y |X ] es lineal resulta inadecuado cuando la variable
∗
latente Y i es lineal
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Predicciones
bi bi = β
b∗ = ω b 1 X1i + · · · + β
b k Xki , bi > 0
Y =Yi b0 + β si ω
La probabilidad de la censura:
c (Y
Pr
∗
6 0) = Φ β b 1 X1i + · · · + β
b0 + β bi)
b k Xki = Φ (ω
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Efectos Marginales
E Yi |X1i , . . . , Xki ) = Φ (ω ) β
δ (
δXki i k
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Efectos Marginales
Y
∗
i = exp (β0 + β1 X1i + · · · + βk Xki + Ui )
2
i i
U |X ∼ N 0, σ
∗ ∗
Y i =
Y i, si ln Y i >γ
0, en caso contrario
i
E (U |X1 i , . . . , Xki ) = 0 (7)
i
determinen tanto Y como la censura D i
3 Tampoco impone el mismo término de error para ambas ecuaciones
La estimación pude hacerse por separado (cada parte con sus propias
variables y supuestos distribucionales) o conjuntamente (en general,
suponiendo elementos en común)
Relajar este supuesto nos lleva a una nueva clase de modelos, que
tiene gran importancia en Economía.
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
El Problema de Selección Muestral para la Inferencia Causal
Ej.: oferta salarial en función de educación, etc.... sólo para los que
trabajan
yi = β 0 + β 1 xi + ui , E (ui |xi ) = E ( ui xi ) = 0
Di =1 si se observa ( yi , xi )
Di yi = β0 + β1 Di xi + Di ui
E ( D i xi ui ) =0 i
sólo si D es una función de x i
E (Di xi ui ) = E [E (Di xi ui |xi )] = E [Di xi E (ui |xi )]
Yi =
Yi∗ , si D i =1
−, si D i =0
Yi es una variable truncada: no toma ningún valor (con sentido) si
Di =1
(estrictamente, veremos que está seleccionada endógenamente)
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Modelo de Truncamiento Incidental
∗
Di = γ0 + γ1 W1i + · · · + γq Wqi + U1i
∗
Yi = β0 + β1 X1i + · · · + βk Xki + U2i
∗ ∗
modelo Tobit: un caso especial cuando D i = Yi (sólo una ecuación)
U1i
0 1 σ12
|Wi , Xi ∼ N ,
U2i 0 σ12 σ22
Aunque E (U2 |X i i , Wi ) = 0 i i
porque U2 es independiente de X y W , i
i
el último término no es igual a cero porque U2 SÍ está relacionado
i
con D a través de su correlación con U1 i
Se puede comprobar que:
λ (z ) = z
φ( )/Φ( ) z
√
σ12/ σ2
ρ = 2
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Sesgo de MCO. Estimación en Dos Etapas
Sesgo en MCO
Sabemos que la esperanza condicional es
i
ecuación Y en función de las variables X ? i
Yi = π0 + π1 X1i + · · · + πk Xki + i
??
bj → βj
π
b 1i = γ
ω b1 W1i + · · · + γ
b0 + γ bq Wqi
y calcular una variable con el valor para cada individuo del ratio de
Mills predicho
bλi = λ (ω
b 1i )
2 Estimar por MCO la ecuación de resultados para la variable Y en la i
muestra seleccionada incluyendo como variables explicativas Xi y bλi
δj
b → βj , j = 1, . . . , k
δk +1
b → ρ
β, γ, σ12 , σ22 =
L
n
Y Di
[Pr (Di = 0|Wi ; γ)]1−Di i = 1|Wi ; γ) f i i , Di = 1; β, σ12 , σ22
y |X
Pr (D
i =1
φ (z )
λ (z ) =
Φ (z )
Introducción Modelo Tobit Modelos en Dos Partes Modelos de Selección Muestral
Identicación del Modelo
Limitaciones (2)
Identicación
Identicación (2)